Unique semantic space in the brain of each beholder predicts perceived similarity

这项研究问了一个以往物体视觉成像研究几乎不问的问题：每个人脑中的物体表征里，有没有"只属于这个人"的成分？作者用两次相隔约两周的 fMRI 扫描加成对被试设计证明，早期视觉皮层与人颞下皮层（human inferior temporal cortex, hIT）的表征几何（representational geometry）既可跨天复现、又带显著的个体独有成分，而且 hIT 的这一独有成分能预测被试自己对"哪些物体相似"的判断——尤其是对个人有意义的物体。这是把"主观经验世界的独特性"落到脑表征层面的一次概念性验证，也是表征相似性分析（representational similarity analysis, RSA）方法的漂亮演示。

研究背景

物体视觉的 fMRI 研究此前大多关注个体间的共同点与类别平均：人类 hIT 中已被找到偏好特定类别（面孔、位置等）的区域，以及广泛分布的类别信息；近期对特定刺激图像的相似性分析也揭示了样本特异（exemplar-specific）表征与按自然类别聚簇的模式，甚至发现表征在群体平均水平上反映到知觉中。同时，从主观知觉的单一维度（尺寸、颜色、鲜明度、情绪效价）到单变量激活或皮层解剖的个体差异也有相关报告。但关键环节是缺的：没有人检验过"多维度的主观知觉（subjective percept）的个体独特性"能否由"多变量脑活动模式的个体独特性"来预测——此前研究要么默认个体间表征相似，要么明确只展示共同性。

作者的切入点包含一个预判：hIT 与内侧颞叶记忆区有往返连接，因此个人有意义的物体应能唤起每个个体独有的记忆联想，从而在 hIT 中被更"个人化"地表征。此外还有一个方法学前提需要先行验证：要研究个体差异，测量本身必须在一周尺度的重测中稳定，否则任何"独特性"都可能是噪声或状态波动。

研究思路

设计的要点是三重解耦。第一，把"熟悉性"从"刺激物"中剥离：被试两两配对（共 10 对），各自看自己相册里的 18 张照片（个人有意义）、对方相册里的同样 18 张（对本人不熟悉）、外加 36 张所有人都看的标准图片——这样对同一套图像，熟悉与否由被试身份决定而非图像本身决定。第二，把"复现性"从"独特性"中剥离：每位被试扫码两次，分别估计表征相异矩阵（representational dissimilarity matrix, RDM）——对每对刺激，两个活动模式的 voxel 间皮尔逊相关取 1 减之即可得相异度；再定义个体化指数（individuation index, i-index）为"被试内 RDM 跨天相关"减"被试间 RDM 相关"的平均值，若脑表征真有个体独有成分，它应表现为自己与自己的相似高于自己与他人的相似。第三，把"脑的独特性"与"判断的独特性"接起来：用主观相似度判断的 RDM 与脑 RDM 做同样的 i-index 检验，只有当保留作者的“predict”术语时补充限定：“这里的预测指RDM相关及被试内相对被试间的优势，而非交叉验证的样本外预测。”时，才能说该区的表征确实承载了这个人的知觉偏好。

方法

被试为 20 名成年人（10 名女性，平均年龄 22.3 ± 4.12 岁，视力正常或矫正正常），每人扫描两次（中位间隔 11.5 ± 9 天）。刺激为身体、面孔、场所、人造物四类各均衡分布的 72 张图（个人相册图片覆盖预定义的概念槽位，如本人的脸、父母或伴侣的脸、自己的手、宠物、卧室、家门、钥匙、鞋、车等），全部裁缩至 600×600 像素、视角约 10°。扫描为事件相关设计，被试注视中央十字并做反常检测任务（anomaly detection）；fMRI 采集用 3T 西门子 Tim Trio、12 通道头线圈、T2* 加权 EPI（3×3 mm 面内、3.75 mm 层厚、TR 2 s），共 9 个 run，数据不做平滑、保留原始空间，用 GLMdenoise 逐物体估计 beta 图后生成每个条件的 t 对比图，作为 RSA 输入。行为上用"多次排列"（multiple arrangement, MA）法采集相似度判断：被试用鼠标把 72 张图在屏幕上拖放排布，使物体间距离反映主观相异度；排布子集由自适应算法挑选以高效估计高维相异结构，该方法的重测信度此前报告为 r = 0.81。感兴趣区（ROI）逐被试、逐扫描日定义：除 V1、V2、侧枕复合体（lateral occipital complex, LOC）、梭状面孔区（fusiform face area, FFA）、海马旁回位置区（parahippocampal place area, PPA）外，还定义两个汇总区——早期视觉皮层（early visual cortex, EVC，包含 V1–V3 的解剖罩内视觉反应最强的 1200 个 voxel）与 hIT（覆盖后、前颞皮层宽大解剖罩内最强的 1200 个 voxel，含 LOC、FFA、PPA）。统计推断用刺激标签与被试标签随机化检验；EVC/hIT 做 2 重 Bonferroni 校正，其余五个 ROI 做 5 重校正。

主要结果

1. 表征几何跨天可复现：陌生物体的被试内跨天 RDM 相关在 EVC 为 r = 0.32、hIT 为 r = 0.42（均 P < 0.0001），被试间也有 0.23 与 0.32；个人有意义物体同样如此（EVC 0.20、hIT 0.40 的被试内相关）。测量足够稳定，个体差异研究有了地基（图 3）。
2. 共享的类别结构：hIT 活动模式按身体、面孔、场所、物体聚类，最大的分野是生物/非生物（animate/inanimate）——这是所有被试共享的部分；相似度判断也呈现同样的类别划分，hIT RDM 与判断 RDM 相关约 0.22–0.23（P < 0.0001），而 EVC 与判断毫无关系（r 在 −0.04 到 −0.01）（图 2）。
3. 个体独有的表征确实存在：陌生物体下 EVC 与 hIT 的 i-index 分别为 0.09 与 0.10（均 P < 0.0001）；个人有意义物体下 hIT 的 i-index 仍为 0.10（P < 0.005）而 EVC 降到 0.03、不显著，且 hIT 显著大于 EVC。按非噪声模式方差折算，hIT 的个体独有成分约占 12.5%（图 4A）。
4. hIT 独有表征预测本人的知觉偏好——但只对熟悉的物体：对陌生物体，脑—行为 i-index 在 EVC（−0.007）与 hIT（−0.008）均不显著；对个人有意义物体，hIT 的 i-index 达 0.05（校正后 P < 0.01），即被试自己 hIT 表征几何能预测其相似度判断中他人预测不了的部分；EVC 仍不显著（0.02）（图 3B、图 4B）。
5. 进一步分析的边界条件：七区总表（图 5）显示被试内复现性在各 ROI 普遍显著，而补充图5的显著细分结果，并强调“只有熟悉图片条件下的hIT出现显著个体特异脑—行为关系”，而不是暗示表征个体差异本身仅存在于EVC和hIT；补充分析表明类别内（within-category）表征距离在 EVC 与 hIT 都有个体独特性，类别中心间距的证据则较弱；个人有意义图片还引起 EVC 激活的显著下降（符合预测编码的"解释掉"效应），EVC 对熟悉物体的 RDM 复现性也随之降低。

图注解读

图 1 · 实验设计：成对被试与多次排列任务

原文图注：Fig. 1. Experimental design. (A) Brain-activity measurement. Subjects were grouped in pairs who viewed their own and each other's personally meaningful object images. There were 10 pairs of subjects. Each subject viewed a total of 72 images in an event-related fMRI experiment, enabling us to estimate the response pattern for each particular image. Among the 72 images, 18 were from the subject's own photo album, and 18 were from the paired subject's photo album. The remaining 36 images were unfamiliar images viewed by all subjects. Subjects fixated on a central cross and performed an anomaly detection task. (B) Behavioral measurement. Each subject also judged the similarity of the objects by arranging them on a computer screen, so that the distance between any two objects reflected their subjective dissimilarity.

A 部分用两张被试的刺激组合对照来展示核心设计：每人 72 张图中来源分三种（自己的相册、配对者的相册、36 张共同图例），图中还给出扫描时程示意（如"relative's face"→"own vehicle"→null trial→"friend's body"→"own shoes"），说明这是事件相关设计、以反常检测任务保持注意。B 部分是行为测量界面截图：被试把物体拖放到屏幕上排列，使两两距离反映主观相异度，首试排全部 72 张、后续按自适应规则排子集。这张图支撑方法部分的三重解耦设计：熟悉性归因于被试身份而非刺激物本身，正是后续所有 i-index 检验的前提。图注末尾说明图像中眼部遮挡仅为保护隐私、实验中未遮挡。

图 2 · RSA 流程与 hIT 共享的类别几何

原文图注：Fig. 2. Representational similarity analysis and human inferior temporal cortex representational geometry. (A) For each pair of stimuli, the response patterns in a brain region are compared to determine the stimuli's representational dissimilarity. The dissimilarity between two patterns is measured as 1 minus the Pearson correlation across voxels. These dissimilarities are assembled in the RDM, which is symmetric about a diagonal of zeros. (B) The mean hIT RDM for the 36 unfamiliar images, obtained by averaging hIT RDMs across subjects and scanning days. (C) Multidimensional scaling (metric stress) finds a 2D arrangement of the stimuli in which the distance between each pair reflects the dissimilarity of their activity patterns.

A 是 RSA 的流程示意：刺激 → 区域活动模式（向量）→ 两两算相异度（1 减跨 voxel 相关）→ 组装成对角为零的对称 RDM → 再从 RDM 出发做多维标度（multidimensional scaling, MDS）。B 展示 36 张陌生图像的群体平均 hIT RDM 热图，按颜色分块的深浅可见面孔、身体、场所、物体各自内部相异度小、之间大。C 为 MDS 的二维排布：点之间的距离就是 RDM 中的相异度，四类刺激各聚成一簇、生物与非生物分居两侧——这就是"人人都有的共享部分"。此图支撑主要结果第 2 条，也为图 3、图 4 的个体差异分析提供了对照背景：单看平均几何只会看见共性。

图 3 · 自己 vs 他人：i-index 的构造与示范

原文图注：Fig. 3. Comparing dissimilarity matrices within and between individuals reveals individually unique brain representations and brain–behavior relationships. (A) For each subject and scanning day, we computed an RDM (Fig. 2) from the measured brain-activity patterns. We computed the RDM replicabilities (Pearson correlation between lower-triangular entries) across scanning days, within subjects (black double arrows), and between subjects (gray double arrows). For each pair of subjects, we computed an i-index (blue bar) as the average within-subject RDM replicability minus the average between-subject RDM replicability, averaged across subject pairs. The i-index was significant, indicating that different subjects have distinct representational geometries in hIT. (B) We used the same approach to test the brain–behavior relationship and its individual uniqueness, considering the correlations between brain RDMs (averaged across the two scanning days) and behavioral RDMs (reflecting the similarity judgments performed by each subject). Significance of the i-index (*P < 0.0001, P < 0.001, *P < 0.01, P < 0.05, all Bonferroni-adjusted for two tests for regions EVC and hIT) was assessed by randomization of the subject labels. Error bars represent the SEM, estimated by bootstrap resampling of the set of subject pairs.

这张图教读者怎么算"个体独特性"。A 用一组被试的 hIT RDM 热图阵列展示：黑色双箭头是自己两天 RDM 的相关（被试内复现性，黑色柱），灰色双箭头是 A 某天与 B 另一天的相关（被试间，灰色柱）；蓝柱即二者之差的 i-index。图中数据为熟悉图像的 hIT 表征，i-index 显著——不同被试的 hIT 表征几何确实不同。B 把同样的逻辑用于脑—行为关系：脑 RDM（两天平均）对行为 RDM 的相关同样分被试内/被试间，被试内更高的部分就是"我用我自己的脑预测我自己的判断，好过用你的脑"——图中该 i-index 显著。此图是主要结果第 1、4 条的示范图，图 4 则将其推广到全部条件。

图 4 · 关键结果：hIT 独有几何预测熟悉物体的个体判断

原文图注：Fig. 4. hIT has an individually unique representational geometry that predicts individual judgment idiosyncrasies for familiar objects. (A) Brain i-indices indicating individually unique brain representations. The i-index (Fig. 3) was highly significant in EVC and hIT for unfamiliar objects. For familiar objects, the i-index was significant in hIT but not in EVC and was significantly larger in hIT than in EVC. (B) Brain–behavior i-indices, indicating that a subject's brain representation predicts idiosyncrasies of his or her similarity judgments, were significant only for hIT and only for familiar objects (P < 0.005, uncorrected; P < 0.01 adjusted for two tests in regions hIT and EVC). The brain–behavior i-index was significantly higher in hIT for familiar than for unfamiliar objects. **P < 0.0001, P < 0.01; n.s., not significant, Bonferroni-adjusted for two tests (for regions EVC and hIT). Interactions were tested by bootstrap resampling of the subject pairs.

整张图只有两个mr面板，但承载了全文最关键的比较。A 是脑表征的 i-index（纵轴约 0–0.15）：陌生条件下 EVC、hIT 都显著（约 0.09 与 0.10）；熟悉条件下只有 hIT 仍达约 0.10，EVC 跌到 0.03 且不显著，二者差异有统计意义。B 是脑—行为的 i-index：四个条件（EVC/hIT × 陌生/熟悉）里只有"hIT × 熟悉"显著（约 0.05），其余标 n.s.，且 hIT 熟悉显著高于 hIT 陌生。读图时注意意义反转：熟悉条件下 EVC 的表征虽然仍可复现，却不再"只属于你"，也不参与你对物体相似性的主观判断——预测个体独特知觉的位置被收窄到 hIT。此图支撑主要结果第 3、4 条，是本文标题的直接证据。

图 5 · 七个 ROI 的完整总表

原文图注：Fig. 5. Summary of results. Significant results are marked with a checkmark (in red for important novel results in regions EVC and hIT, for which we had specific prior hypotheses). For the replicability results, the checkmarks indicate significant within-subject replicability. Nonsignificant results are marked with an X. RDM correlations (Pearson correlation coefficients: bs, between-subject; ws, within-subject,), i-indices (ind = ws − bs), and the associated Bonferroni-adjusted P values are reported also. For summary ROIs EVC and hIT, for which we had prior hypotheses, Bonferroni adjustment was performed for two tests. For the other five ROIs, Bonferroni adjustment was performed for five tests.

这是一张把全部推断统计算一遍的总表：行为按"陌生图像/熟悉图像"两大块，每区给出四个问号下的答案——脑—行为关系"存在吗"（ws/bs 相关）、"个体独特吗"（ind）、脑表征"可复现吗"（ws/bs）、"个体独特吗"（ind），显著者打勾（对研究前已有明确假说的 EVC 与 hIT 用红勾），不显著打叉，并附具体数值与校正 P。两大汇总区（EVC、hIT）的数值与图 4 一致；其余五个精细 ROI（V1、V2、LOC、FFA、PPA）按 5 重校正报告，数值细节在本文正文未逐一展开（部分标注在图中，文本层提取有错位）。对读者最有用的读法是横向扫一遍"脑—行为个体独特"一列：只有熟悉条件下的 hIT 有红勾——这正是"语义空间因人而异"最终落脚的地方，支撑主要结果第 5 条的整图概览。

讨论

作者的解释框架是"反馈加工"。EVC 的个体独特性可能来自两个源头：其一，解剖差异（如个体间 V1 面积可差约 2.5 倍，皮层放大率差异能预测尺寸错觉的个体差异）影响前馈与侧向递归加工；其二，被试独有的注意分布模式会调制早期视觉响应——而注意模式相似的两个物体未必被判为相似，这也顺带解释了为何 EVC 的表征不参与相似度判断。hIT 方面，"只有个人有意义的物体才可预测判断特异性"这一模式指向内侧颞叶记忆区的反馈：推断出的或联想的场景成分可能经反馈叠加进 hIT 表征，因为 hIT 既能表征知觉的也能表征回忆与想象的物体、可同时表征多个物体、且已知对经验可塑。作者也考虑了两个替代解释的排除：功能无关的解剖特异性（如皮层折叠样式）理论上会抬高 i-index，但 hIT 预测了行为判断本身的特异性，说明观察到的表征独特性有功能意义；至于"记忆富集"应扩大或缩小相异距离的两种预测，数据均未支持（补充分析），作者坦陈其效应可能很弱或正负抵消。讨论末尾交代预测精度的现实：虽然显著优于机会，但预测复杂表征几何本就比单维或二元变量难，本文是"概念验证"；应用前景指向客体失认症、自闭症、阿尔茨海默病等知觉相关障碍——或许能在表征几何层面纵向追踪病程与干预反应。

一句话总结

我的理解是：这篇文章真正的贡献不是"hIT 编码语义"这类老消息，而是把个体差异变成了可测量的目标——i-index 这个设计用"自己两天 vs 他人"的不对称切出了 Rocks 共享结构底下的个人纹理，并且证明了这部分纹理会在行为端漏出来；12.5% 的独有方差占比不算大，但"个人相册里的物体让你的独特判断变得可预测"这件事，足以支撑作者那句"fMRI 能打开个人的心智世界"。