关于《表征相似性分析——连接系统神经科学的各个分支》的学术报告

本文发表于2008年11月，由Nikolaus Kriegeskorte（通讯作者）、Marieke Mur和Peter Bandettini共同撰写，作者单位分别为美国国立精神卫生研究所脑与认知实验室功能成像方法部以及荷兰马斯特里赫特大学心理学系认知神经科学系。文章发表在期刊 Frontiers in Systems Neuroscience 上，属于该期刊2008年11月第2卷第4期。

论文主题与核心论点

本文是一篇方法学论文，提出并详细阐述了一个名为“表征相似性分析”（Representational Similarity Analysis, RSA）的新颖实验与数据分析框架。其核心论点是：通过计算和比较“表征差异性矩阵”（Representational Dissimilarity Matrix, RDM），可以有效地连接系统神经科学的三个主要分支——脑活动测量、行为测量和计算建模——从而克服传统方法中存在的“空间对应性难题”，并为整合多模态、跨物种、跨被试的神经科学数据提供统一的量化接口。

主要论点阐述

论点一：系统神经科学面临“空间对应性难题”，阻碍了其三大分支的整合。 作者开篇即指出，系统神经科学的一个根本挑战在于如何定量地关联脑活动测量、行为测量和计算建模。一个关键障碍是“空间对应性难题”：在将计算模型的单元与脑活动数据（如单细胞记录或功能磁共振成像体素）相关联时，通常无法假设一一对应的映射关系。脑成像的体素和传感器反映了大量神经元的集体活动，而模型单元也可以代表神经元集合。当一对一映射不存在时，强行定义这种映射是缺乏依据的；而定义更一般的线性变换则需要拟合一个权重矩阵，其参数数量（模型单元数 × 数据通道数）往往过于庞大，难以实现。类似的问题也出现在不同脑活动测量模态（如fMRI与侵入式/头皮电生理学）之间，以及不同被试或物种之间。这些模态以根本不同的方式采样神经活动模式，使得直接比较活动模式本身变得困难。

论点二：RSA通过抽象化活动模式本身，转而分析其表征结构，为解决上述难题提供了方案。 作者提出，为了桥接这些鸿沟，需要从活动模式本身进行抽象，转而计算“表征差异性矩阵”。RDM通过比较每个实验条件（如呈现不同刺激）下在一个脑区或模型处理阶段中引发的活动模式之间的差异（或相似性）来构建。矩阵中的每个单元格代表一对条件之间活动模式的差异性（例如，使用1减去空间相关性）。因此，RDM表征了特定脑区或模型所承载的信息结构，其索引（行和列）是实验条件，而非空间位置或神经元单元。这种抽象使得RDM成为了大脑和模型中区域表征的“签名”，它独立于表征的空间布局和具体实现方式。作者将这种基于关系（相似性结构）而非直接实体（活动模式）的对应，称为“二阶同构”（second-order isomorphism），这一概念根植于心理学和数学的相似性分析文献。

论点三：RSA提供了一个分步分析框架，能够系统性地比较大脑与模型的表征，并评估模型拟合度。 文章详细描述了RSA的具体操作流程，共分为六步，并以一个包含96个物体图像的fMRI实验为例进行了演示： 1. 估计活动模式：为每个实验条件估计一个多变量活动模式（例如，fMRI中一个感兴趣区域内所有体素对某个刺激的反应强度向量）。 2. 测量活动模式差异性：计算每对条件对应的活动模式之间的差异性，构建该脑区的RDM。作者探讨了不同的差异性度量，如相关性距离（1-相关系数）、欧几里得距离和马氏距离，并推荐使用相关性距离以消除整体激活水平和空间变异性的影响。 3. 用一系列模型预测表征相似性：对计算模型（如模拟V1的Gabor滤波器模型、HMAX模型、计算机视觉中的Radon变换等）、简单图像变换模型（如灰度图、轮廓图）以及概念模型（如“生物-非生物”分类模型、“面孔-动物-原型”模型）施加相同的实验条件，并按照相同方式计算各模型内部表征的RDM。 4. 比较大脑与模型的差异性矩阵：通过计算大脑RDM与各模型RDM之间的相关性（如斯皮尔曼秩相关）来量化匹配程度。作者引入了基于条件标签重排的随机化检验来评估两个RDM是否显著相关，并提出了基于条件集重采样的自举法来估计模型拟合度的误差范围。 5. 通过多维尺度分析可视化RDM的相似性结构：可以进一步计算所有RDM（来自不同脑区和模型）两两之间的差异性，形成一个“差异性矩阵的差异性矩阵”，然后对其进行多维尺度分析，将所有表征在一个低维空间中同时可视化，直观展示它们之间的整体关系。 6. 检验两个差异性矩阵的相关性：使用随机化检验（随机重排条件标签）来统计评估两个RDM是否显著相关。

论点四：RSA能够整合计算建模、关联不同脑区/被试/物种/模态，并将大脑活动与行为联系起来。 作者强调，RDM可以作为一个枢纽，定量关联来自不同来源的表征（图3）： * 整合计算建模：模型可以直接作为数据分析的一部分被评估和比较，无需预先定义模型单元与数据通道的对应关系。 * 关联不同脑区：通过比较不同脑区的RDM，可以评估它们是否表征相似的信息（“表征连接性分析”）。 * 关联不同被试和物种：RSA抽象了空间对应问题，使得比较不同个体（即使大脑解剖结构不同）或不同物种（如人与猴）对应脑区的表征成为可能。 * 关联不同测量模态：可以比较fMRI、脑电图和单细胞记录等不同技术获得的RDM，探究它们所反映的神经信息的一致性。 * 关联大脑与行为：可以将行为数据（如相似性判断、反应时、混淆错误）转化为行为RDM，并与脑区RDM进行比较，以探索哪些脑区的表征可能决定了观察到的行为。

论点五：RSA与“条件丰富”和“非分组事件”的实验设计具有协同效应，能最大化神经科学实验的信息获取能力。 作者指出，虽然RSA可应用于传统实验设计，但其优势在与新颖的“条件丰富”设计结合时最为显著。这类设计包含大量不同的实验条件（如文中的96个不同图像），接近测量信号时间分辨率的极限，从而能密集采样条件空间。此外，作者提倡“非分组事件”设计，即将每个实验事件（如每次刺激呈现）视为独立条件，在分析前不进行预分组（如将所有面孔刺激归为一类）。这种设计避免了早期证据合并所依赖的理论假设，允许在分析阶段以多种灵活、理论驱动的方式组合证据，从而用同一数据集回答大量不同的神经科学问题，提高了实验的通用性和数据共享的潜力。

论点六：RSA是模式信息分析的一种形式，但侧重于二阶同构和解释整个表征结构，与基于解码的分类方法形成互补。 作者讨论了RSA与其他多变量模式信息分析（如基于分类器的解码）的关系。RSA同样关注分布式表征，但核心是比较表征相似性结构（二阶同构），而非直接解码或分类特定信息（一阶同构）。RSA可以被视为模式信息分析的一种变体或推广，其中同时测试了许多模式对比预测。其优势在于关注解释数据中的主要方差成分，并能处理大量条件。而分类方法通常更侧重于预定义的、特定的信息维度（如区分两类刺激）。RSA的当前实现方式在考虑结构化噪声和非线性表征几何方面可能不如一些复杂的分类方法，但其处理和信息整合大量条件的能力是其突出优势。

论文的意义与价值

本文提出的RSA框架具有重要的理论和方法学价值： 1. 提供统一的量化接口：为解决系统神经科学中长期存在的整合难题提供了一个通用、强大的工具。它使得用同一套度量标准（RDM）来比较大脑活动、计算模型和行为数据成为可能。 2. 方法学创新：明确提出了以RDM为核心、基于二阶同构思想的完整分析流程，包括统计检验和可视化方法，具有很高的可操作性和可重复性。 3. 推动实验设计革新：倡导的条件丰富、非分组事件设计理念，鼓励神经科学家采集信息密度更高的数据，以支持更广泛、更灵活的假设检验和探索性分析。 4. 促进跨领域交流：通过抽象掉具体实现细节，RSA有助于不同研究方向（如计算建模、电生理、脑成像、心理物理学）的研究者在一个共同的概念框架下进行对话和合作。 5. 具有广泛适用性：虽然文中以fMRI和视觉物体识别为例，但RSA原则上适用于任何能产生多变量活动模式的脑活动测量技术（如EEG、MEG、电生理记录）和任何认知领域。

Kriegeskorte等人提出的表征相似性分析，为系统神经科学迈向一个更统一、更量化的学科提供了关键的方法学基石。它强调通过表征的信息内容（相似性结构）而非其物理实现来理解和比较大脑与模型，这一思想深刻且具有启发性，至今仍在认知神经科学领域产生着广泛而深远的影响。