內(nèi)側(cè)額葉皮質(zhì)，包括前扣帶回皮質(zhì)，已經(jīng)被發(fā)現(xiàn)與包括認(rèn)知控制、疼痛和情緒在內(nèi)的多個(gè)心理領(lǐng)域有關(guān)。然而，目前尚不清楚這個(gè)區(qū)域是否一般化地表征了這幾個(gè)心理過程（即心理學(xué)領(lǐng)域，以下翻譯中有交替互換使用）。此外，如果是一般化的表征，那么它們反映了跨領(lǐng)域共享的單個(gè)底層進(jìn)程(single underlying process shared across domains)還是多個(gè)特定于領(lǐng)域的進(jìn)程(domain-specific processes)？因此，作者對(duì)來自270名參與者的18項(xiàng)研究中的功能性核磁共振活動(dòng)進(jìn)行研究進(jìn)行分解，將其分為研究特異性成分、子領(lǐng)域特異性成分和領(lǐng)域特異性成分，并識(shí)別出跨子領(lǐng)域但對(duì)每個(gè)領(lǐng)域都有特異性的潛在多變量表征。疼痛表征局限于前扣帶回皮質(zhì)，負(fù)性情緒表征局限于腹內(nèi)側(cè)前額葉皮質(zhì)，認(rèn)知控制表征局限于后扣帶回部分。這些發(fā)現(xiàn)為額葉內(nèi)側(cè)皮層的表征提供了證據(jù)，這些表征在研究和子領(lǐng)域中普遍存在，但特定于不同的心理領(lǐng)域，而不是可還原為單一的潛在過程。本文發(fā)表在Nature neuroscience雜志。
文章重點(diǎn)：

研究方法：

使用來自18個(gè)研究的270名被試，考察疼痛、負(fù)性情緒和認(rèn)知控制的一般化表征及其表征是否在三個(gè)心理學(xué)領(lǐng)域具有重疊。分析的方法類似于心理測(cè)量學(xué)的思路，主要分析過程包括特征的選擇（包括研究的選擇、感興趣區(qū)的選擇和contrast的選擇）、模型的建立（本研究中使用了表征相似性分析）和模型的推斷統(tǒng)計(jì)檢驗(yàn)。其中還包括了模型系統(tǒng)誤差的檢驗(yàn)和可識(shí)別性的檢驗(yàn)過程。此外，還進(jìn)行了探照燈（search-light）映射分析對(duì)是否重疊進(jìn)行評(píng)估。 

研究結(jié)果：
  主要分析結(jié)果顯示疼痛表征位于aMCC、pMCC和dMFC，負(fù)性情緒表征位于vmPFC和dMFC，反應(yīng)選擇(認(rèn)知控制的一個(gè)子研究領(lǐng)域)位于vmPFC。探照燈映射的結(jié)果與主要分析結(jié)果類似，并且進(jìn)一步還發(fā)現(xiàn)了認(rèn)知控制表征局限于后扣帶回部分，且這三個(gè)心理過程在大腦中的表征幾乎沒有重疊。 

研究結(jié)論：疼痛、認(rèn)知控制和負(fù)性情緒反映的是三個(gè)不同的心理過程，其在大腦中的表征不是重疊的，故而不是受同一個(gè)心理過程驅(qū)動(dòng)的。 

正文：

研究背景：

認(rèn)知神經(jīng)科學(xué)的一個(gè)核心目標(biāo)是確定不同的心理過程是如何在大腦中表征的。內(nèi)側(cè)額葉皮質(zhì)（MFC）包括額上回和扣帶回的多個(gè)功能不同的皮質(zhì)區(qū)，與多個(gè)不同的心理過程有關(guān)。顯然，MFC內(nèi)的不同區(qū)域編碼不同的功能，幾個(gè)“中樞”區(qū)域，尤其是前扣帶回皮質(zhì)（aMCC）與多種心理過程均相關(guān)?？缥锓N的研究將aMCC的活動(dòng)與多種功能聯(lián)系起來，包括認(rèn)知控制、基于獎(jiǎng)勵(lì)的學(xué)習(xí)和決策、軀體疼痛以及情緒和社會(huì)信息的處理。事實(shí)上，這一區(qū)域?qū)Ω鞣N各樣的任務(wù)都有反應(yīng)，而且研究者們提出了很多理論來解釋它的反應(yīng)機(jī)制，以至于它被稱為“羅夏測(cè)驗(yàn)”，并被認(rèn)為是許多認(rèn)知神經(jīng)科學(xué)家的“圣杯”。 關(guān)于aMCC功能的理論通常將這一區(qū)域的大量信號(hào)解釋為跨領(lǐng)域的底層心理過程的組成部分。這些底層心理過程包括沖突監(jiān)測(cè)、適應(yīng)性控制（即對(duì)負(fù)性情緒和傷害的控制過程）、認(rèn)知努力、行動(dòng)評(píng)估和控制以及生存威脅的檢測(cè)等。這些模型之所以具有價(jià)值，是因?yàn)樗鼈優(yōu)榭缍鄠€(gè)領(lǐng)域的aMCC的參與提供了綜合解釋。然而，用功能磁共振成像（fMRI）測(cè)量不同區(qū)域的腦活動(dòng)，掩蓋了具有不同功能的不同局部神經(jīng)回路的潛在多樣性。例如，對(duì)非人類靈長類動(dòng)物aMCC的電生理和光遺傳學(xué)研究為不同神經(jīng)元的亞群具有不同特異性的功能特性提供了證據(jù)。最近的證據(jù)表明，在某些情況下，多變量(multivariate patterns)fMRI活動(dòng)模式可以識(shí)別分布在細(xì)胞亞群中的表征，其中就包括識(shí)別aMCC內(nèi)與不同任務(wù)相關(guān)的功能分離模式。【編者注：也就是說可以對(duì)aMCC內(nèi)具有不同的功能的不同的區(qū)域可以進(jìn)行分離】

因此，對(duì)aMCC具有跨領(lǐng)域的多變量大腦表征的相似性的假設(shè)還沒有得到充分的驗(yàn)證。【也就是說有研究者提出可能這些心理過程共享了一個(gè)底層的心理過程，但是還沒有得到實(shí)證的支持】可想而知，如果一組心理過程激活了同一個(gè)底層進(jìn)程的表征，那么這些心理過程會(huì)在aMCC和其他MFC區(qū)域產(chǎn)生類似的大腦活動(dòng)模式。相反，如果不同的心理過程對(duì)應(yīng)不同的底層過程的表征并且不和其他心理過程共享，則它們對(duì)應(yīng)著不同的大腦活動(dòng)模式。

在這里，作者使用心理測(cè)量理論中的結(jié)構(gòu)效度來檢驗(yàn)這些假設(shè)。作者研究了有MFC參與的三個(gè)心理過程：疼痛、認(rèn)知控制和負(fù)性情緒。作者從18個(gè)研究中（每個(gè)研究15名被試）采集了270個(gè)被試的數(shù)據(jù)。數(shù)據(jù)采集時(shí)進(jìn)行了平衡，并且按照層次結(jié)構(gòu)進(jìn)行排列。每個(gè)心理過程有三種不同的實(shí)驗(yàn)操作（以下被稱為子領(lǐng)域或子過程，例如，誘發(fā)皮膚疼痛、內(nèi)臟傷害性疼痛和急性機(jī)械刺激性疼痛），每個(gè)實(shí)驗(yàn)操作有兩個(gè)獨(dú)立的研究（以下被稱為研究；圖1a）。雖然在神經(jīng)影像學(xué)研究中，將單一研究中的活動(dòng)模式等同于“表征”是很常見的，但測(cè)量理論和第一性原則要求潛在結(jié)構(gòu)的表征必須是可概括的。

例如，對(duì)“痛苦”的描述必須泛化為不同類型的痛苦刺激。作者的方法允許作者開發(fā)多變量模型，定位對(duì)應(yīng)于單個(gè)心理活動(dòng)的大腦表征，而不是由單個(gè)研究的子活動(dòng)或單一研究的細(xì)節(jié)驅(qū)動(dòng)（圖1b）。通過這種方式，這些模型評(píng)估了大腦表征的普遍性，并測(cè)試了疼痛、認(rèn)知控制和消極情緒理論結(jié)構(gòu)的有效性。

圖1a 這個(gè)圖可以很好的看出來作者建立的多層次的模型，一共三個(gè)領(lǐng)域，每個(gè)領(lǐng)域包括三個(gè)子領(lǐng)域，每個(gè)子領(lǐng)域?qū)蓚€(gè)研究納入其中?！究梢詫㈩I(lǐng)域類比為一個(gè)潛變量，將子領(lǐng)域類比為一個(gè)維度，將各個(gè)研究類比為每個(gè)題目】

研究方法：

實(shí)驗(yàn)設(shè)計(jì)：

作者采用了一種結(jié)構(gòu)驗(yàn)證方法來檢驗(yàn)三種涉及MFC的結(jié)構(gòu)的一般表示：疼痛、認(rèn)知控制和消極情緒。通過（i）識(shí)別潛在的多變量表征，這些表征是潛在的心理領(lǐng)域，而不是某一特定研究或子領(lǐng)域（即任務(wù)）的特質(zhì)（ii）檢查這些潛在表征在多個(gè)心理領(lǐng)域的相似性，與傳統(tǒng)的單一研究或單一方法研究相比，該框架對(duì)aMCC和MFC內(nèi)心理過程的共享表征提供了更明確的檢驗(yàn)。這種方法已經(jīng)在心理測(cè)量學(xué)研究中應(yīng)用了幾十年來評(píng)估結(jié)構(gòu)效度。其思想是定義一個(gè)潛在的結(jié)構(gòu)（例如，智力和焦慮），并用多種不同的指標(biāo)來衡量它。使用多個(gè)指標(biāo)可以提取構(gòu)成結(jié)構(gòu)的共同因素。同一結(jié)構(gòu)的指標(biāo)之間的相互關(guān)系為收斂有效性提供了證據(jù)，表明指標(biāo)測(cè)量同一結(jié)構(gòu)。如果不同的指標(biāo)只加載在不同的結(jié)構(gòu)上，它們就提供了區(qū)別效度的證據(jù)。同時(shí)，收斂和區(qū)別效度為結(jié)構(gòu)效度提供了有力的證據(jù)。【編者注：也就是說如果不同的指標(biāo)能收斂，那么他們就是測(cè)量的同一個(gè)結(jié)構(gòu)，如果不能收斂而是加載在不同的結(jié)構(gòu)上，那就是測(cè)量的不同的結(jié)構(gòu)，同樣類比心理測(cè)量學(xué)中的因素分析方法】

功能磁共振成像（fMRI）的指標(biāo)是由不同任務(wù)引起的大腦活動(dòng)模式，而結(jié)構(gòu)則是任務(wù)假定測(cè)量的功能心理域（如疼痛或工作記憶）。絕大多數(shù)的研究，甚至像HCP和Biobank這樣的大規(guī)模研究，都只使用一種特定的任務(wù)變體作為一個(gè)領(lǐng)域的單一指標(biāo)。這就給從大腦活動(dòng)模式的相似性推斷心理過程的相似性帶來了問題。例如，如果疼痛任務(wù)中aMCC的活動(dòng)不同于消極情緒任務(wù)中aMCC的活動(dòng)，是因?yàn)樘弁吹谋憩F(xiàn)不同于消極情緒，還是因?yàn)樗芯康奶弁吹奶囟ㄗ凅w不同于消極情緒的特定變體？一項(xiàng)關(guān)于多種疼痛和多種消極情緒的研究可以解決這個(gè)問題，如果它表明，多種疼痛的共同大腦表征不同于多種消極情緒的共同表征，那則可以說明疼痛與負(fù)性情緒是不同的心理過程。這是作者在本研究中使用的方法，具體如下。

研究和contrast選擇：

fMRI數(shù)據(jù)來自于急性熱性軀體刺激、急性內(nèi)臟刺激、急性機(jī)械性軀體刺激、工作記憶、反應(yīng)選擇、反應(yīng)沖突、利用視覺場(chǎng)景圖像誘發(fā)負(fù)面情緒、社會(huì)排斥、對(duì)他人疼痛的感知以及來自國際情緒數(shù)字聲音系統(tǒng)的情緒厭惡片段。這些數(shù)據(jù)一起形成了一個(gè)平衡的分層樣本，有六個(gè)疼痛研究（兩個(gè)熱的，兩個(gè)內(nèi)臟的和兩個(gè)機(jī)械的），六個(gè)認(rèn)知控制研究（兩個(gè)工作記憶，兩個(gè)反應(yīng)選擇和兩個(gè)反應(yīng)沖突），和六個(gè)消極情緒研究（兩個(gè)視覺，兩個(gè)社交，兩個(gè)聽覺）。盡管負(fù)性情緒可以通過多種方法誘發(fā)，包括回憶情緒事件，但作者在這里分析的大腦活動(dòng)集中在外部處理上，因?yàn)檫@與重疊的MFC活動(dòng)有穩(wěn)定的聯(lián)系。 由于研究中樣本量的可變性（范圍=15-183），通過從每個(gè)研究中選擇15名被試（總計(jì)n=270）對(duì)數(shù)據(jù)進(jìn)行隨機(jī)子抽樣。雖然沒有使用統(tǒng)計(jì)方法預(yù)先確定這個(gè)樣本量，但它與以前的已經(jīng)發(fā)表的研究中所報(bào)告的相似。因?yàn)樽髡叩闹攸c(diǎn)是在各個(gè)研究中進(jìn)行統(tǒng)一分析，所以沒有嘗試復(fù)制個(gè)別實(shí)驗(yàn)。沒有被試被排除在分析之外。這些數(shù)據(jù)的一個(gè)子集先前被用于一個(gè)元分析，這個(gè)元分析的目的是解碼疼痛、情緒和工作記憶的認(rèn)知狀態(tài)。【這個(gè)元分析是Yarkoni, T., Poldrack, R. A., Nichols, T. E., Van Essen, D. C. & Wager, T. D. Large-scale automated synthesis of human functional neuroimaging data. Nat. Methods 8, 665–670 (2011) 】

這不是一項(xiàng)隨機(jī)研究，而是多個(gè)研究的元分析。18項(xiàng)研究中的每一項(xiàng)研究的被試都是獨(dú)立招募的。數(shù)據(jù)的收集與本研究的目標(biāo)無關(guān)。后驗(yàn)分組是基于每項(xiàng)研究的目標(biāo)和所使用的實(shí)驗(yàn)操作（例如，涉及前臂熱刺激的研究被認(rèn)為是疼痛領(lǐng)域的組成部分），而不是盲目的。【假設(shè)驅(qū)動(dòng)而不是數(shù)據(jù)驅(qū)動(dòng)的】

所有被試均按照當(dāng)?shù)氐赖潞蜋C(jī)構(gòu)審查委員會(huì)的規(guī)定提供知情同意書。研究5（n=15，4名女性；平均年齡=26.9）、6（n=15，8名女性；平均年齡=24.2）、17（n=15，7名女性；平均年齡=31.1）和18（n=15，9名女性；平均年齡=24.4）中的被試提供了科羅拉多大學(xué)博爾德學(xué)院審查委員會(huì)批準(zhǔn)的知情同意書。研究11的被試（n=21，9名女性；平均年齡=30.5）根據(jù)紐約大學(xué)機(jī)構(gòu)審查委員會(huì)的規(guī)定提供了知情同意書。倫理認(rèn)證、圖像采集和分析以及人口統(tǒng)計(jì)學(xué)的描述在補(bǔ)充表7中進(jìn)行了簡要說明，并在相應(yīng)的參考文獻(xiàn)中進(jìn)行了詳細(xì)說明（另見生命科學(xué)報(bào)告摘要）。

來自熱痛刺激的對(duì)比是高水平和低水平的疼痛或高水平的疼痛刺激和基線之間的對(duì)比。內(nèi)臟刺激研究的對(duì)比是直腸擴(kuò)張?jiān)囼?yàn)和基線檢查。對(duì)于機(jī)械刺激研究，對(duì)拇指施加壓力和基線進(jìn)行對(duì)比。兩項(xiàng)工作記憶研究的對(duì)比是N-back和注視點(diǎn)基線。對(duì)于反應(yīng)選擇研究，對(duì)照為GO/NOGO任務(wù)的反應(yīng)選擇和基線。反應(yīng)沖突的對(duì)比選擇了Eriksen Flanker任務(wù)和Simon任務(wù)中一致和不一致的對(duì)比。視覺負(fù)性情緒的研究將負(fù)性和中性IAPS圖片或負(fù)性圖片與基線進(jìn)行比較。社會(huì)消極情緒研究比較了看前伴侶和朋友的照片和看別人痛苦的照片和基線。聽覺負(fù)性情緒研究將聽不愉快的聲音和基線進(jìn)行對(duì)比。【contrast的選擇標(biāo)準(zhǔn)】
 fMRI分析
作者采用了三種聚合方法來分離一般化的大腦表征：

（i）作者模擬了大腦活動(dòng)的不同模式與另一種模式中有什么區(qū)別，稱為表征相似性分析（RSA）；

（ii）作者直接比較了來自同一心理過程（但在不同的研究和子心理過程）和不同心理過程的研究中大腦活動(dòng)的相似性；

（iii）作者使用偏最小二乘回歸來描述MFC中可概括的大腦表征的空間分布。

特征選擇

輸入數(shù)據(jù)被定義為前部中線的體素，也就是LONI Probabilistic 腦圖譜中前部扣帶回和額上回的體素，也就是MNI空間中y=-22mm的體素。最初的分析在四個(gè)扣帶回亞區(qū)和腹內(nèi)側(cè)前額葉、背內(nèi)側(cè)前額葉進(jìn)行。這些解剖定義的感興趣區(qū)包括后中扣帶回皮層(pMCC; y = –22 mm to y = 4.5 mm, z > 5 mm, 822 voxels),前中扣帶回皮層(aMCC; y = 4.5 mm to y = 30 mm, z > 5 mm, 815 voxels)，膝前扣帶回皮層(pACC; y > 30 mm, z < 5 mm, 794 voxels)、膝下前扣帶皮層(sgACC; y = 4.5 mm to y = 30 mm, z < 5 mm, 302 voxels)和額上回以及腹內(nèi)側(cè)前額葉皮層（以z=5mm分開，分別為dMFC4311個(gè)voxels和vmPFC10619個(gè)voxels），由于這些分區(qū)最初是在Talairach空間中定義的，所以使用Lancaster變換將它們轉(zhuǎn)換為MNI-152空間。【這是主要分析，一共選了6個(gè)ROI】

使用探照燈映射進(jìn)行二次分析，以MFC中每個(gè)體素為中心的球形區(qū)域（半徑=8 mm）內(nèi)的fMRI激活模式作為輸入。另一個(gè)探索性的分析使用了基于RSA的模型比較，詳細(xì)描述如下，使用基于結(jié)構(gòu)和功能連接性的全腦分組進(jìn)行。【還有兩個(gè)補(bǔ)充性分析】

RSA：模型建立。

作者通過計(jì)算大腦活動(dòng)的多體素模式的相關(guān)距離（1-Pearson's r，不包括相異值為0的對(duì)角線元素）來估計(jì)表征差異矩陣（representational dissimilarity matrices，RDMs）。每項(xiàng)研究抽取一名被試獲得每個(gè)模式。接下來，作者構(gòu)建了基于模型的RDMs來描述每個(gè)心理過程的不同組成部分（圖1）。在最低水平上，18項(xiàng)研究單獨(dú)建模，以解釋研究的特異性。

接下來，對(duì)9個(gè)子領(lǐng)域（內(nèi)臟刺激、熱刺激、機(jī)械刺激、反應(yīng)沖突、GO/NOGO反應(yīng)選擇、工作記憶、視覺負(fù)性情緒、社交負(fù)性情緒和聽覺負(fù)性情緒）進(jìn)行建模，以解釋跨研究的普遍存在的反應(yīng)模式。最后，將三個(gè)心理領(lǐng)域（疼痛、認(rèn)知控制和負(fù)性情緒）建模為獨(dú)立的預(yù)測(cè)因素，以解釋反應(yīng)模式，這些反應(yīng)模式不僅在研究中普遍化，而且也在子領(lǐng)域中普遍化，因此可以實(shí)現(xiàn)在三個(gè)領(lǐng)域中的普遍化，而不能實(shí)現(xiàn)跨三個(gè)領(lǐng)域的普遍化。個(gè)體RDMs是根據(jù)子研究（18個(gè)RDMs）、子領(lǐng)域（9個(gè)RDMs）或心理過程（3個(gè)RDMs）的二進(jìn)制向量計(jì)算的。除了一個(gè)常數(shù)RDMs外，這30個(gè)RDM中唯一的非對(duì)角元素（子對(duì)象間的差異）被矢量化以在模型中形成回歸函數(shù)。該模型采用線性回歸擬合觀察到的受試者間腦差異矩陣。所有基于相似性的分析都排除了對(duì)角元素，因?yàn)樗鼈兙哂型昝赖南嚓P(guān)性和零相異性。一般的線性模型假設(shè)獨(dú)立性，而不同的矩陣表現(xiàn)出復(fù)雜的依賴性；因此，作者使用bootstrap推斷來獲得p值（參見下面的“關(guān)于RSA模型參數(shù)的推斷”一節(jié)）。

圖1b

RSA：模型屬性和診斷。【以下部分是采用模擬數(shù)據(jù)證明上述建立的RSA模型不存在系統(tǒng)誤差】

為了評(píng)估模型的適用性，作者使用1000個(gè)Functional Connectomes Project的靜息狀態(tài)fMRI數(shù)據(jù)（n=270）進(jìn)行了模擬實(shí)驗(yàn)。這使得作者能夠測(cè)試RSA模型的假陽性率，以及參數(shù)估計(jì)的偏差和方差，使用的數(shù)據(jù)除了真實(shí)的fMRI噪聲外沒有真實(shí)的效應(yīng)。這是評(píng)估標(biāo)準(zhǔn)GLM分析中假陽性率的方法。

作者使用蒙特卡羅（Monte Carlo）程序?qū)?/span>1000個(gè)rs-fMRI數(shù)據(jù)進(jìn)行了基于RSA的分析，每個(gè)rs-fMRI數(shù)據(jù)為270名被試隨機(jī)生成的事件相關(guān)的fMRI模型，允許作者在零假設(shè)下估計(jì)RSA參數(shù)估計(jì)的分布。為了降低研究/中心導(dǎo)致的共同方法偏差，作者從18個(gè)不同的中心選擇rs-fMRI被試，從每個(gè)中心抽取15名被試（總數(shù)n=270）。所有數(shù)據(jù)都經(jīng)過標(biāo)準(zhǔn)預(yù)處理，包括頭動(dòng)矯正、標(biāo)準(zhǔn)化到MNI空間、空間平滑（4-mmFWHM）和高通濾波（128-s）。然后，對(duì)于每個(gè)Monte Carlo迭代，作者為每個(gè)被試生成一系列10個(gè)隨機(jī)事件集，用Dirac delta（脈沖響應(yīng)）函數(shù)對(duì)其建模，并用SPM的標(biāo)準(zhǔn)血液動(dòng)力學(xué)響應(yīng)函數(shù)對(duì)其進(jìn)行卷積，從而為每個(gè)受試者生成一個(gè)感興趣的單一回歸器（還包括一個(gè)常數(shù)項(xiàng)）。

然后，作者估計(jì)這些模型，生成一系列270個(gè)與事件相關(guān)的激活圖，然后進(jìn)行基于RSA的建模。為了估計(jì)基于bootstrap的推理中RSA模型參數(shù)估計(jì)的誤報(bào)率，作者進(jìn)行了bootstrap重采樣（b=200個(gè)bootstrap樣本），得到了每個(gè)RSA模型參數(shù)的p值。作者將整個(gè)過程重復(fù)1000次，每次迭代都隨機(jī)指定模型，即估計(jì)總共270000個(gè)獨(dú)特的fMRI激活圖和1000個(gè)RSA模型擬合和bootstrap測(cè)試。由于模型是隨機(jī)指定的，所以rs-fMRI數(shù)據(jù)與模型不存在一致關(guān)系，故而無偏模型在1000次Monte Carlo迭代中的參數(shù)估計(jì)應(yīng)以零為中心，這可以表明沒有系統(tǒng)偏差。因此，為了估計(jì)偏差，作者從零開始計(jì)算每個(gè)參數(shù)估計(jì)的平均偏差。作者還估計(jì)了1000次迭代中參數(shù)估計(jì)的方差；方差越小，表示精度和功率越高。為了估計(jì)方差，作者計(jì)算了1000次迭代中每個(gè)RSA參數(shù)估計(jì)的標(biāo)準(zhǔn)誤。假陽性的比例用p<0.05臨界值（雙尾）進(jìn)行評(píng)估。置信區(qū)間定義為bootstrap分布上低于2.5個(gè)百分點(diǎn)或高于97.5個(gè)百分點(diǎn)的參數(shù)估計(jì)值，每個(gè)RSA模型參數(shù)估計(jì)值的誤報(bào)率定義為該參數(shù)估計(jì)值顯著的1000個(gè)RSA模型的比例。

這些分析結(jié)果表明，建模過程是無偏的，即平均零假設(shè)值幾乎為零。在評(píng)價(jià)的180個(gè)參數(shù)（6個(gè)ROIs×30個(gè)參數(shù)）中，最大效應(yīng)與0無顯著性差異（z=0.904，p=0.366）。此外，所有RSA模型參數(shù)的假陽性率都小于等于0.05（附圖5）。

附圖5a為每一次Monte Carlo迭代的過程，b為參數(shù)估計(jì)的平均數(shù)和標(biāo)準(zhǔn)差（大部分平均數(shù)都為0，標(biāo)準(zhǔn)差也很?。?，c為假陽性率的比例，只有sgACC、dMPF和vmPFC有部分研究高于0.05，大部分還是很好的。

  作者還使用Wishart分布（附圖6，這里不再展示，同附圖5結(jié)果類似）生成的合成零假設(shè)數(shù)據(jù)和一組同質(zhì)任務(wù)數(shù)據(jù)（使用研究13中的180名受試者）重復(fù)了整個(gè)RSA模型模擬（500次迭代），并發(fā)現(xiàn)了相同的結(jié)果（未在文中顯示）。總的來說，RSA模型程序在零假設(shè)下提供了無偏估計(jì)，并且適當(dāng)?shù)乜刂屏思訇栃月省?/span> 

RSA：模型可識(shí)別性。【以下兩個(gè)部分驗(yàn)證模型的可識(shí)別性】

在這里，作者對(duì)被試間的RDMs關(guān)系型數(shù)據(jù)庫進(jìn)行建模，因此要建模的數(shù)據(jù)包含一個(gè)n×n的差異性矩陣，其中n是被試；此矩陣具有秩min（n，r），其中r是用于計(jì)算相關(guān)性的體素?cái)?shù)。相異矩陣的下三角被矢量化，并與線性模型擬合，設(shè)計(jì)矩陣基于等效矢量化的相異矩陣（如圖1所示）。因此，結(jié)果數(shù)據(jù)是長度u=n×（n–1）/2的向量。模型尺寸取決于所使用的精確參數(shù)化，但研究影響的飽和模型的尺寸為k+k×（k–1）/2，其中k是研究數(shù)量；這是每個(gè)研究中平均研究內(nèi)關(guān)系（對(duì)受試者）的k參數(shù)，以及k×（k–1）/2參數(shù)，用于每對(duì)研究之間的每種可能關(guān)系。在實(shí)際應(yīng)用中，作者使用了一個(gè)簡單得多的模型，但通過檢查設(shè)計(jì)矩陣的秩和方差膨脹因子來確定可識(shí)別性。

在本研究中，作者納入了k=18項(xiàng)研究，n=270名參與者平均分配（每個(gè)研究15名）。作者使用模型中的常數(shù)項(xiàng)來描述研究中數(shù)據(jù)的平均相似性，留下一個(gè)子空間的研究間關(guān)系由k+k×（k-1）/2-1=170維跨越。原則上，可識(shí)別模型中研究間差異的回歸數(shù)上限為170。然而，作者主要感興趣的是特定的研究間的關(guān)系，特別是那些共同的子領(lǐng)域（同一子域的成對(duì)研究的9個(gè)參數(shù)）和共同的領(lǐng)域（三組9個(gè)研究的3個(gè)參數(shù)，加載在三個(gè)亞型的同一域結(jié)構(gòu)上）。因此，作者的完整模型包含31個(gè)回歸項(xiàng)：18個(gè)用于特定研究，9個(gè)用于子域，3個(gè)用于域，以及一個(gè)截距項(xiàng)。由于每個(gè)ROI的體素?cái)?shù)量至少為302>31，因此不存在零殘差模型的風(fēng)險(xiǎn)。

RSA：模型秩和方差膨脹因子。

為了驗(yàn)證模型的可辨識(shí)性和有效性，作者計(jì)算了設(shè)計(jì)矩陣的秩和每個(gè)回歸器的方差膨脹因子（VIF）。VIF表示由于與其他回歸方程的線性組合的部分共線性，每個(gè)參數(shù)估計(jì)的方差增加的程度。作者的設(shè)計(jì)矩陣的秩是31，這表明模型是全秩的、可識(shí)別的，并且沒有過度參數(shù)化。所有回歸項(xiàng)的VIF都是有限的，這與模型是可識(shí)別的事實(shí)一致（補(bǔ)充圖2）?；谘芯?、領(lǐng)域和子域之間部分共享的方差，不同回歸模型之間的VIF不同，這是不可避免的，因?yàn)槊總€(gè)領(lǐng)域被試共有的部分協(xié)方差與子域和屬于子域的研究共享。然而，在給定樣本量的情況下，VIF顯然在一個(gè)范圍內(nèi)，表明了對(duì)每個(gè)參數(shù)解釋的唯一方差進(jìn)行推斷的合理能力。主要關(guān)注的回歸項(xiàng)（即三個(gè)領(lǐng)域級(jí)術(shù)語）的VIF=1.66。
統(tǒng)計(jì)：關(guān)于RSA模型參數(shù)的推論。【這部分是重點(diǎn)，主要檢驗(yàn)RSA模型一般化參數(shù)是否顯著】

模型中的參數(shù)估計(jì)值提供概化性估計(jì)值，而一個(gè)顯著的參數(shù)估計(jì)依賴于回歸模型的性質(zhì)。特定于研究(study-specific)的回歸模型考察一個(gè)研究中個(gè)體被試的概括性，因?yàn)樗麄冊(cè)诨顒?dòng)的空間模式中捕獲了被試間的相關(guān)性。正值表明，對(duì)于所建立的研究模型，被試之間的模式相似。子領(lǐng)域級(jí)(Subdomain-level)回歸模型考察控制其他模型參數(shù)的情況下，同一子領(lǐng)域的兩個(gè)研究的概化性。正值表示在建模子領(lǐng)域的研究中共享的空間模式，因此是同一個(gè)子研究領(lǐng)域的證據(jù)。領(lǐng)域級(jí)(Domain-level)回歸，這是這里的主要興趣，考察控制特定于研究和子領(lǐng)域的共享模式后三個(gè)不同的子領(lǐng)域（六個(gè)研究）的可概括性。正值表示跨子域的共享空間模式，因此，表示與域相關(guān)的一致模式的證據(jù)。

因此，作者將這些參數(shù)估計(jì)值稱為一般化指數(shù)，因?yàn)樗鼈兎从沉舜竽X激活模式在多大程度上在子領(lǐng)域、研究或被試中一般化。因?yàn)榛貧w模型是在多元回歸模型中聯(lián)合檢驗(yàn)的，顯著的域級(jí)參數(shù)估計(jì)意味著跨域共享的腦活動(dòng)模式不可還原為子領(lǐng)域特定的或研究特定的模式。 

統(tǒng)計(jì)：RSA模型比較。

為了正式比較領(lǐng)域一般化表征的證據(jù)數(shù)量，使用貝葉斯信息準(zhǔn)則（BIC）進(jìn)行了模型比較。參考模型包括每個(gè)研究項(xiàng)（18個(gè)參數(shù)）和每個(gè)子領(lǐng)域項(xiàng)（9個(gè)參數(shù)）以及一個(gè)常數(shù)項(xiàng)（總共28個(gè)參數(shù)：18+9+1）。接下來，作者擬合了三個(gè)模型，每個(gè)模型都包含一個(gè)領(lǐng)域的附加項(xiàng)（總共29個(gè)參數(shù)：28+1）。最后，一個(gè)包含所有三個(gè)心理領(lǐng)域（總共31個(gè)參數(shù)：28+1+1+1）的更為詳細(xì)的模型被擬合。【小結(jié)一下：參考模型28個(gè)參數(shù)，然后有3個(gè)包含29個(gè)參數(shù)的模型，以及1個(gè)包含31個(gè)參數(shù)的模型】這五個(gè)模型適用于每個(gè)感興趣的區(qū)域和MFC的全部范圍。使用擬合模型的對(duì)數(shù)似然計(jì)算BIC值，并基于自由參數(shù)的數(shù)量進(jìn)行懲罰。由于不同矩陣元素之間的依賴性，樣本數(shù)量設(shè)置為分析中包含的被試數(shù)量（270），而不是不同矩陣中唯一元素的數(shù)量。使用Wagenmakers和Farrell中的公式將BIC值轉(zhuǎn)換為權(quán)重。這些權(quán)重描述了在給定一組先驗(yàn)?zāi)Ｐ偷那闆r下，哪個(gè)模型最有可能在每個(gè)區(qū)域產(chǎn)生觀察到的相似結(jié)構(gòu)。最后，對(duì)每個(gè)感興趣區(qū)域的BIC分析所支持的模型計(jì)算調(diào)整后的R²。

此外，還對(duì)橫跨整個(gè)大腦的區(qū)域進(jìn)行了分析（如Brainnetome Atlas）。由于此圖譜分割包含的區(qū)域的體素比分析中包含的被試少，因此將采樣數(shù)設(shè)置為最小值270，并將每個(gè)區(qū)域中的體素?cái)?shù)設(shè)置為最小值。 

統(tǒng)計(jì)：比較域內(nèi)和域間空間相關(guān)性的自由模型分析。

為了在不使用預(yù)期相似關(guān)系的外顯模型的情況下為一般化的大腦表征提供證據(jù)，作者檢驗(yàn)了域內(nèi)、不同子域之間和域內(nèi)、研究之間以及域內(nèi)的一般非零相關(guān)性。非零相關(guān)性的檢驗(yàn)是通過構(gòu)建置信區(qū)間（α=0.05）來進(jìn)行的，使用bootstrap分析和偏差校正加速百分位數(shù)法。作者還進(jìn)行了一系列層次檢驗(yàn)，比較：

（i）來自同一領(lǐng)域但不同子域的被試間相關(guān)性vs.來自不同領(lǐng)域的相關(guān)性；

（ii）來自同一領(lǐng)域但不同研究的相關(guān)性vs. 來自同一領(lǐng)域但不同子域的相關(guān)性； （iii）來自同一領(lǐng)域的相關(guān)性vs. 同一領(lǐng)域與不同研究的相關(guān)性。這些測(cè)試是為了依次確定域、子域和三個(gè)域中每一個(gè)域的研究的平均效果而構(gòu)建的。根據(jù)相關(guān)系數(shù)的平均差，通過計(jì)算bootstrap置信區(qū)間得出推論。
統(tǒng)計(jì)：每個(gè)領(lǐng)域潛在模式的PLS（偏最小二乘回歸）估計(jì)【以下兩部分為補(bǔ)充分析】。 為了估計(jì)與每個(gè)域相關(guān)的活動(dòng)模式（圖2），分別在每個(gè)感興趣區(qū)運(yùn)行偏最小二乘回歸，與構(gòu)成數(shù)據(jù)矩陣的所有270名受試者和構(gòu)成輸出矩陣的偽編碼變量（270名受試者，30個(gè)參數(shù)：18項(xiàng)研究，9個(gè)子域，和3個(gè)域，基于每項(xiàng)的包含/排除，值為+1/-1）。參數(shù)估計(jì)運(yùn)行了5000次迭代，并根據(jù)bootstrap分布的平均誤差和標(biāo)準(zhǔn)誤差估計(jì)z-分?jǐn)?shù)。作者注意到，這種方法并不是為了確保表示對(duì)于每個(gè)域都是唯一的；如果一些研究或子域與域具有特別高的協(xié)方差，它們可能會(huì)對(duì)域級(jí)模式產(chǎn)生很大的影響。因此，基于PLS的模式估計(jì)與RSA結(jié)合使用，并直接比較被試間的相關(guān)性。
統(tǒng)計(jì)：探照燈閾值和重疊評(píng)估。

在探照燈圖的連接分析和可視化中，使用未修正的閾值（p<0.05）來確保過度保守的閾值不會(huì)“模糊”重疊區(qū)域。為了估計(jì)域重疊的相對(duì)證據(jù)，使用最小統(tǒng)計(jì)量計(jì)算Bayes因子，并將連接零和0到10之間的均勻分布作為先驗(yàn)分布（參數(shù)估計(jì)的理論合理值）。該檢驗(yàn)評(píng)估是否有更多的證據(jù)支持重疊（即，三個(gè)映射的最小統(tǒng)計(jì)值顯著大于零）或反對(duì)重疊（三個(gè)映射的最小統(tǒng)計(jì)值相對(duì)接近或小于零）。Bayes因子>3提供了重疊的證據(jù)，而小于0.33的值提供了反對(duì)重疊的證據(jù)。探照燈地圖與現(xiàn)有腦圖譜的對(duì)應(yīng)關(guān)系。創(chuàng)建帶圖（River plots）來描述探照燈地圖與現(xiàn)有解剖和功能圖譜之間的對(duì)應(yīng)關(guān)系（量化為余弦相似性）。 

結(jié)果

心理過程的解剖學(xué)描述

鑒于扣帶回功能在細(xì)胞結(jié)構(gòu)基礎(chǔ)上的區(qū)域特異性，作者首先在6個(gè)解剖定義的感興趣皮質(zhì)區(qū)域內(nèi)應(yīng)用了表征相似性分析：后扣帶回（pMCC）、aMCC、膝周前扣帶回、膝下前扣帶回、腹內(nèi)側(cè)前額葉（vmPFC）和背側(cè)MFC。

該分析揭示了aMCC、pMCC和dMFC中疼痛的一般性表征，且不與其他心理過程共享。在aMCC、pMCC和dMFC中，甚至控制子領(lǐng)域和研究后，參數(shù)估計(jì)依然是正的。這些結(jié)果表明，這些區(qū)域的疼痛誘發(fā)活動(dòng)模式與認(rèn)知控制或負(fù)性情緒操作時(shí)的活動(dòng)模式有質(zhì)的區(qū)別，且獨(dú)立于子領(lǐng)域和研究。因此，在aMCC活動(dòng)模式方面，不同子過程疼痛研究的被試之間更相似于而不是與認(rèn)知控制或消極情緒的研究更相似。因?yàn)檫@些關(guān)聯(lián)是跨子領(lǐng)域計(jì)算的，所以它們不太可能由任何特定子領(lǐng)域或研究中的相似性驅(qū)動(dòng)。對(duì)于pMCC和dMFC的活性模式，雖然它們的數(shù)量級(jí)較小，但定性上相似。這些發(fā)現(xiàn)與aMCC與疼痛相關(guān)的理論模型以及背側(cè)前扣帶回皮質(zhì)屬于疼痛回路的研究一致。以往研究中，在傷害性刺激過程中對(duì)aMCC活性的觀察通常歸因于更普遍的機(jī)制，如引導(dǎo)注意、反應(yīng)選擇或?qū)︼@著事件的反應(yīng)。然而，作者發(fā)現(xiàn)誘發(fā)疼痛的表現(xiàn)不同于認(rèn)知和情緒過程的表現(xiàn)，認(rèn)知和情緒領(lǐng)域也需要注意、突出和涉及運(yùn)動(dòng)準(zhǔn)備，排除了疼痛刺激時(shí)aMCC反應(yīng)的由這些一般性因素驅(qū)動(dòng)的解釋。

區(qū)域分析還揭示了消極情緒在社會(huì)情緒、情緒圖片和情緒聲音中的一般化表征在vmPFC和dMFC中。在vmPFC中，不同負(fù)性情緒亞區(qū)的激活模式比誘發(fā)疼痛或認(rèn)知控制研究更為相似。這些觀察結(jié)果與最近的神經(jīng)影像學(xué)研究一致，這些研究確定了vmPFC中跨模態(tài)主觀價(jià)值和情緒感知的表征。通過揭示消極情緒在刺激模式和社會(huì)情境中的普遍表現(xiàn)，這些結(jié)果進(jìn)一步證實(shí)了vmPFC整合了不同刺激的情緒價(jià)值的觀點(diǎn)。此外，這些數(shù)據(jù)表明，盡管痛苦和不愉快的情緒事件可能涉及共同的負(fù)性情緒成分，但這兩種刺激誘發(fā)的vmPFC表征在性質(zhì)上是不同的。最近的元分析工作表明，這種差異可能與情緒意義的產(chǎn)生有關(guān)，在情緒意義中，有關(guān)環(huán)境線索、過去事件的記憶和對(duì)潛在結(jié)果的評(píng)價(jià)的信息被結(jié)合起來，成為物體在當(dāng)前環(huán)境中幸福感的綜合表現(xiàn)。這種綜合性的處理方式與非概念驅(qū)動(dòng)的情緒表達(dá)方式（如疼痛）形成鮮明對(duì)比。作者強(qiáng)調(diào)，這些數(shù)據(jù)并沒有直接評(píng)估vmPFC表征對(duì)積極情緒或通過記憶提取誘發(fā)的內(nèi)部生成狀態(tài)的普遍性，因?yàn)樽髡哧P(guān)注的是使用消極刺激的誘導(dǎo)。

MFC中沒有扣帶回或其他區(qū)域表現(xiàn)出特定于工作記憶（N-back任務(wù)）、反應(yīng)選擇（GO/NOGO）或反應(yīng)沖突（Flanker和Simon任務(wù)）子領(lǐng)域的認(rèn)知控制的一般化表征。然而，作者確實(shí)在vmPFC中發(fā)現(xiàn)了反應(yīng)選擇的一個(gè)一般化表征，這是一個(gè)認(rèn)知控制的子領(lǐng)域，尤其涉及運(yùn)動(dòng)抑制。正如作者之前在任務(wù)執(zhí)行過程中觀察到的，這一表現(xiàn)可能反映了一種與其他領(lǐng)域或其他認(rèn)知控制子領(lǐng)域不共享的失活模式。不同反應(yīng)選擇研究之間的vmPFC激活模式比起與負(fù)性情緒、誘發(fā)疼痛、工作記憶或反應(yīng)沖突的處理模式更為相似。因此，盡管在vmPFC中觀察到了消極情緒和反應(yīng)選擇的一般化表征，但這些表示似乎是不同的?？刂葡嚓P(guān)表征也可能高度依賴于單個(gè)研究使用的參數(shù)，因?yàn)樽髡咴诙鄠€(gè)區(qū)域發(fā)現(xiàn)了強(qiáng)大的研究特異性效應(yīng)，包括aMCC。

圖2 主要結(jié)果

在MFC的整個(gè)范圍內(nèi)（結(jié)合六個(gè)感興趣的區(qū)域）對(duì)激活的分析產(chǎn)生了類似的結(jié)果，疼痛刺激和負(fù)面情緒的影響在各個(gè)領(lǐng)域內(nèi)共享而不是跨領(lǐng)域的普遍存在。直接對(duì)比領(lǐng)域內(nèi)大腦活動(dòng)的空間相似性和領(lǐng)域間的空間相關(guān)性的驗(yàn)證性分析進(jìn)一步支持了這些結(jié)果。使用不同模型參數(shù)的附加驗(yàn)證性分析產(chǎn)生了定性相似的結(jié)果(見附圖3)。

附圖3 不同的模型參數(shù)產(chǎn)生的結(jié)果類似

為了量化有利于三個(gè)領(lǐng)域中每一個(gè)領(lǐng)域的一般化表征的證據(jù)的權(quán)重，作者還使用貝葉斯信息準(zhǔn)則對(duì)每個(gè)感興趣的領(lǐng)域進(jìn)行了模型比較。分析結(jié)果證實(shí)了根據(jù)單個(gè)參數(shù)估計(jì)得出的推論。aMCC表征最好的解釋模型包括疼痛領(lǐng)域（除了研究和子領(lǐng)域的項(xiàng)），但不是認(rèn)知控制或消極情緒。另一方面，vmPFC的表征，最好解釋的是消極情緒的領(lǐng)域，而不是疼痛或認(rèn)知控制。dMFC和全MFC表示的最佳擬合模型包括所有三個(gè)心理學(xué)領(lǐng)域，表明這些區(qū)域的編碼不同。使用Brainnetome atlas進(jìn)行的附加模型比較是一個(gè)基于功能和解剖連接的分割圖，它也為MFC以外的其他腦區(qū)的一般化表征提供了證據(jù)。

附圖4 使用Brainnetome atlas進(jìn)行的附加模型比較，紅色代表疼痛、綠色代表認(rèn)知控制、藍(lán)色代表負(fù)性情緒，紫色代表疼痛和負(fù)性情緒的證據(jù)相等，灰色表示這三個(gè)領(lǐng)域均沒有在此處有一般化表征。

心理領(lǐng)域的探照燈映射

由于扣帶回溝的解剖結(jié)構(gòu)存在變異性，作者還進(jìn)行了探照燈成像，以不強(qiáng)烈依賴區(qū)域之間的邊界的情況下定位特定于心理學(xué)領(lǐng)域的一般化表征，并減少解剖變異性的影響。在這種方法中，作者模擬了以MFC中每個(gè)體素為中心的球形體積（半徑=8mm）的相似結(jié)構(gòu)，識(shí)別出局部腦活動(dòng)模式包含疼痛、認(rèn)知控制和負(fù)面情緒的一般性表征的區(qū)域。這些探照燈通過檢查小球中的激活模式，提供了模式信息的平滑估計(jì)，不受可能與每個(gè)被試的解剖結(jié)構(gòu)不匹配（編者注：這一點(diǎn)很重要，因?yàn)榧s40%的受試者有一個(gè)扣帶回旁gryus，它擴(kuò)展了MCC的空間范圍）的固定邊界的限制。

探照燈分析的結(jié)果與基于解剖分割的結(jié)果基本一致（圖4a、d）。在扣帶回溝內(nèi)的aMCC中發(fā)現(xiàn)疼痛的一般化表征，并延伸至dMFC。與區(qū)域分析一致的是，dMFC、扣帶回溝背側(cè)上方的前補(bǔ)充運(yùn)動(dòng)區(qū)和vmPFC出現(xiàn)負(fù)性情緒，盡管處于較低（未經(jīng)過校正）閾值。

圖4 探照燈映射結(jié)果

與區(qū)域分析不同的是，探照燈分析揭示了認(rèn)知控制沿著扣帶回溝延伸到SMA和運(yùn)動(dòng)皮層的一般化表征。這一定位位于aMCC和dMFC之間，與元分析一致。元分析顯示該區(qū)域和喙后扣帶區(qū)（一個(gè)經(jīng)典的被認(rèn)為參與反應(yīng)選擇的區(qū)域）與控制相關(guān)（包括工作記憶、抑制和注意力轉(zhuǎn)移任務(wù)）。由于該區(qū)域與功能相關(guān)的大腦區(qū)域很接近，并且與之相連，因此它是整合來自多個(gè)來源的不同類型控制信號(hào)的主要候選區(qū)域，例如控制的預(yù)期值和價(jià)值導(dǎo)向的行為適應(yīng)。

對(duì)扣帶回功能的綜合觀點(diǎn)部分地得到了以下觀察的支持：在疼痛、認(rèn)知控制、社交和評(píng)估過程中，aMCC和鄰近MFC中觀察到重疊激活。為了評(píng)估在本研究中確定的領(lǐng)域特定的表征是否在MFC的更廣范圍內(nèi)類似地重疊，作者對(duì)探照燈地圖進(jìn)行了聯(lián)結(jié)分析(圖4c)。結(jié)果顯示，這些表征是不可分離的，但在任何體素通常都沒有重疊。在dMFC中發(fā)現(xiàn)了小的重疊，小團(tuán)塊活動(dòng)編碼用于疼痛和認(rèn)知控制(60個(gè)體素)，以及疼痛和負(fù)面情緒(93個(gè)體素)。vmPFC的疼痛和負(fù)性情緒也有一定程度的重疊(17個(gè)體素)?？蹘Щ仄又形ㄒ坏闹丿B效應(yīng)是疼痛和認(rèn)知控制，跨越了pMCC(6個(gè)體素)和aMCC(2個(gè)體素)的邊界。 為了評(píng)估不重疊的證據(jù)，作者使用三個(gè)領(lǐng)域聯(lián)結(jié)分析的最小z-得分計(jì)算Bayes因子。在這個(gè)分析中，如果三個(gè)領(lǐng)域的最小統(tǒng)計(jì)量都小于或接近于零，則幾乎不支持重疊。相反，如果最小統(tǒng)計(jì)量較大且為正，則域之間更有可能存在重疊。值<1則表示沒有重疊，值>1則表示有重疊。Bayes因子<0.1通常被認(rèn)為反對(duì)重疊，而Bayes因子>10通常被認(rèn)為是重疊的有力證據(jù)。結(jié)果顯示最大貝葉斯因子為0.0898，也就是說MFC中不存在重疊的實(shí)質(zhì)性證據(jù)（圖4c）。
總結(jié)：

總的來說，這篇文章通過多體素模式識(shí)別的方法來對(duì)分層結(jié)構(gòu)的研究假設(shè)進(jìn)行了驗(yàn)證性的分析，并且結(jié)合蒙特卡洛模擬以及無偏的search-light方法對(duì)統(tǒng)計(jì)結(jié)果進(jìn)行了嚴(yán)格的驗(yàn)證性分析。這種分析思路為大腦中在多個(gè)任務(wù)中都被發(fā)現(xiàn)出現(xiàn)激活的腦區(qū)的神經(jīng)參與解碼提供了新的途徑，為了能夠發(fā)現(xiàn)一般的功能定義，不特定于研究而是特定于領(lǐng)域并通過結(jié)構(gòu)化的方法探索一般于領(lǐng)域加工的腦區(qū)編碼方式是解釋不同任務(wù)中發(fā)現(xiàn)類似腦區(qū)出現(xiàn)激活的更好方法。這種方法可以獲得更大的泛化能力并且同時(shí)揭開不同任務(wù)的神經(jīng)處理過程。

微信掃碼或者長按選擇識(shí)別關(guān)注思影