基于模型的功能磁共振成像方法研究綜述

陳富琴 張俊然 楊 冰

(四川大學(xué)電氣信息學(xué)院醫(yī)學(xué)信息工程系，成都 610065)

基于模型的功能磁共振成像方法研究綜述

陳富琴 張俊然*楊 冰

(四川大學(xué)電氣信息學(xué)院醫(yī)學(xué)信息工程系，成都 610065)

基于模型的功能磁共振成像(fMRI)方法是新世紀(jì)以來(lái)在神經(jīng)影像領(lǐng)域興起的極具發(fā)展?jié)摿Φ难芯糠椒?。相比傳統(tǒng)的影像學(xué)方法，它可以深入探究特定的認(rèn)知過程是如何在一個(gè)特定的腦區(qū)以及腦區(qū)環(huán)路中實(shí)現(xiàn)的，而不僅僅是標(biāo)識(shí)某個(gè)任務(wù)活動(dòng)的最終激活腦區(qū)，并能揭示模型內(nèi)部變量與神經(jīng)影像數(shù)據(jù)之間的關(guān)聯(lián)，為有效探測(cè)大腦功能活動(dòng)提供重要手段。重點(diǎn)綜述基于模型的fMRI方法的兩類常用計(jì)算模型框架(單腦區(qū)建模包括強(qiáng)化學(xué)習(xí)模型和主觀價(jià)值模型，腦區(qū)交互作用建模采用心理-生理交互作用模型)，簡(jiǎn)述近年來(lái)該方法的應(yīng)用狀況和最新進(jìn)展，并討論該方法的不足及未來(lái)發(fā)展趨勢(shì)。

基于模型的功能磁共振成像方法；計(jì)算模型；強(qiáng)化學(xué)習(xí)模型；主觀價(jià)值模型；心理-生理交互作用模型

引言

20世紀(jì)90年代末，出現(xiàn)了功能磁共振成像(functional magnetic resonance imaging, fMRI)技術(shù)。由于它具有無(wú)創(chuàng)、相對(duì)高的空間分辨率、通過計(jì)算和統(tǒng)計(jì)能定位腦功能區(qū)等特點(diǎn)，已經(jīng)被廣泛應(yīng)用于臨床、心理學(xué)以及認(rèn)知神經(jīng)科學(xué)等研究領(lǐng)域。然而，隨著研究的深入，單純進(jìn)行腦功能定位已經(jīng)不再能夠滿足神經(jīng)影像的研究需要，激活腦區(qū)在功能活動(dòng)中的具體作用，以及某個(gè)功能活動(dòng)是否還涉及到隱含的未知腦區(qū)，更加值得研究者的關(guān)注。由于現(xiàn)有fMRI數(shù)據(jù)分析不能量化內(nèi)部參數(shù)，存在不能描述功能活動(dòng)具體過程的局限性，所以引入描述內(nèi)部變量和變化過程的計(jì)算模型，結(jié)合fMRI數(shù)據(jù)進(jìn)行分析，成為了一種改進(jìn)選項(xiàng)。隨著標(biāo)準(zhǔn)模型的出現(xiàn)和可供選擇模型的增多，使得各種模型和fMRI數(shù)據(jù)結(jié)合起來(lái)進(jìn)行分析成為了可能。從2003年開始，基于模型的fMRI方法*特指本文綜述的需要選擇計(jì)算模型應(yīng)用到fMRI數(shù)據(jù)分析中的神經(jīng)影像方法，而非基于GLM框架的分析方法。(model-based fMRI approach)得以迅速發(fā)展[1-3]。它是近10年來(lái)備受關(guān)注的神經(jīng)影像分析方法，其目標(biāo)是通過計(jì)算模型內(nèi)部變量和某個(gè)特定腦區(qū)活動(dòng)的關(guān)聯(lián)性，使模型能夠真實(shí)地反映某個(gè)功能活動(dòng)。與傳統(tǒng)fMRI數(shù)據(jù)分析不同，基于模型的fMRI方法能夠深入探知在一個(gè)特定的腦區(qū)以及腦區(qū)環(huán)路中如何具體實(shí)現(xiàn)一個(gè)特定的功能活動(dòng)，而不僅僅是標(biāo)識(shí)某個(gè)任務(wù)活動(dòng)的最終激活腦區(qū)。

首先，與傳統(tǒng)的fMRI數(shù)據(jù)分析相比，基于模型的fMRI方法由于具有規(guī)范的數(shù)學(xué)表達(dá)描述，使得其能夠量化所研究的特定功能活動(dòng)過程。其次，傳統(tǒng)的fMRI試驗(yàn)過程包括組塊設(shè)計(jì)、事件相關(guān)設(shè)計(jì)、混合設(shè)計(jì)，而基于模型的fMRI方法更多需要借用事件相關(guān)和基于試驗(yàn)(trial)的方法來(lái)設(shè)計(jì)實(shí)驗(yàn)過程[4]。再次，基于模型的fMRI方法可以在幾個(gè)競(jìng)爭(zhēng)計(jì)算模型中選擇有著最佳數(shù)據(jù)解釋的模型來(lái)提高其可信度。在時(shí)間精度上，由于模型可以自行定義時(shí)間步長(zhǎng)(以ms或更小的時(shí)間間隔為單位)，所以即使是更為復(fù)雜的實(shí)驗(yàn)設(shè)計(jì)過程(如反應(yīng)時(shí)更短的心理學(xué)試驗(yàn))，也完全可以構(gòu)建相應(yīng)的計(jì)算模型。最后，這些模型以反復(fù)試驗(yàn)為基礎(chǔ)來(lái)確定特定的內(nèi)部變量，基于模型的fMRI方法是利用模型的內(nèi)部變量而非模型的輸出來(lái)進(jìn)行預(yù)測(cè)的，這為探究認(rèn)知過程或功能活動(dòng)的神經(jīng)生物學(xué)解釋提供了直接證據(jù)。

1 基于模型的fMRI方法的一般步驟

基于模型的fMRI方法的標(biāo)準(zhǔn)步驟是：先通過模型擬合行為數(shù)據(jù)來(lái)確定模型自由參數(shù)，然后對(duì)生成的模型預(yù)測(cè)時(shí)間序列進(jìn)行回歸，于是就可以找到大腦活動(dòng)與這些內(nèi)部變量相關(guān)的腦區(qū)。這整個(gè)過程能夠揭示模型的內(nèi)部變量和它們對(duì)神經(jīng)結(jié)構(gòu)的映射關(guān)系，可以探索某個(gè)大腦功能的神經(jīng)發(fā)生機(jī)理，從而研究行為背后的工作機(jī)制。

從廣義上來(lái)說，基于模型的fMRI方法就是將許多認(rèn)知功能的定量計(jì)算模型應(yīng)用到fMRI數(shù)據(jù)分析中的神經(jīng)影像方法。這個(gè)計(jì)算模型能夠描述一組刺激輸入和一組行為反應(yīng)之間的映射或變換?？梢园汛碳ぽ斎牒托袨榉磻?yīng)之間的關(guān)系理解成某一個(gè)認(rèn)知過程，實(shí)際上這個(gè)方法就是對(duì)認(rèn)知過程建立數(shù)學(xué)或計(jì)算模型。傳統(tǒng)的fMRI實(shí)驗(yàn)將刺激任務(wù)設(shè)定為事件相關(guān)、組塊設(shè)計(jì)和混合實(shí)驗(yàn)設(shè)計(jì)，要解決的問題是某個(gè)特定的實(shí)驗(yàn)條件引起血氧水平依賴(blood oxygen level dependent, BOLD)信號(hào)反應(yīng)時(shí)激活腦區(qū)的位置。而基于模型的fMRI方法所要探知的是參與某個(gè)特定認(rèn)知過程被激活的一個(gè)特定腦區(qū)或一組腦區(qū)，以及在這些腦區(qū)間是如何協(xié)作完成活動(dòng)的，實(shí)現(xiàn)了大腦從功能定位到信息流向的轉(zhuǎn)變，它揭示的是大腦內(nèi)部感興趣變量與神經(jīng)影像數(shù)據(jù)之間的關(guān)聯(lián)[2]。

基于模型的fMRI方法，至少包括以下3個(gè)重要且重合的步驟[5]。

第一步，定義一個(gè)計(jì)算模型。認(rèn)知過程的計(jì)算模型一般被描述為計(jì)算、算法和實(shí)現(xiàn)水平3個(gè)階段。計(jì)算水平指定計(jì)算的最終目標(biāo)；算法水平重在如何實(shí)現(xiàn)計(jì)算理論，也就是說如何指定輸入和輸出以及輸入和輸出之間通過怎樣的數(shù)學(xué)運(yùn)算實(shí)現(xiàn)；實(shí)現(xiàn)水平指定算法如何在基礎(chǔ)的神經(jīng)回路中實(shí)現(xiàn)。由于神經(jīng)元活動(dòng)是由血流動(dòng)力學(xué)反應(yīng)間接測(cè)量的，再加上所得數(shù)據(jù)絕對(duì)時(shí)空分辨率不高，所以大部分用于fMRI數(shù)據(jù)分析的計(jì)算模型都描述為計(jì)算或算法水平階段。也就是說，這些模型都注重認(rèn)知過程中使用的數(shù)學(xué)運(yùn)算表達(dá)，而并不關(guān)心如何實(shí)現(xiàn)這些計(jì)算以及實(shí)現(xiàn)過程是否和實(shí)際的神經(jīng)元結(jié)構(gòu)緊密匹配?？傊瑸槟硞€(gè)認(rèn)知過程定義一個(gè)計(jì)算模型，就是使用內(nèi)部變量、以數(shù)學(xué)形式來(lái)合理地描述認(rèn)知過程，而且有些模型允許通過自由模型參數(shù)擴(kuò)展。

第二步，確定自由模型參數(shù)。在選定一個(gè)認(rèn)知過程的計(jì)算模型之后，就必須確定自由的模型參數(shù)，這對(duì)隨后fMRI結(jié)果的解釋是至關(guān)重要的。原則上，用于選擇模型參數(shù)的具體值有以下兩種方式：一是所選擇的這些參數(shù)值需要符合模型預(yù)測(cè)對(duì)觀測(cè)的行為數(shù)據(jù)的最佳擬合，使模型預(yù)測(cè)和行為數(shù)據(jù)之間的差異最??；二是當(dāng)缺乏有意義的行為數(shù)據(jù)時(shí)，可以依照以前發(fā)表的相關(guān)文獻(xiàn)中所用的參數(shù)來(lái)確定自由模型參數(shù)。

在參數(shù)估計(jì)時(shí)，除了將行為測(cè)量數(shù)據(jù)和BOLD信號(hào)相擬合之外，還可以采用其他數(shù)據(jù)源(如生理測(cè)量、心電信號(hào)等)擬合來(lái)得到模型參數(shù)；如果模型出現(xiàn)了系統(tǒng)性的偏差(即殘差結(jié)構(gòu)，就是說不管怎樣進(jìn)行曲線擬合都會(huì)出現(xiàn)接收范圍之外的誤差)，那么就需要考慮新的因素(或腦區(qū)活動(dòng))加入到模型中。此外，當(dāng)同一個(gè)功能活動(dòng)過程存在不同競(jìng)爭(zhēng)模型的比較時(shí)，模型的自由參數(shù)越多，擬合數(shù)據(jù)就越有優(yōu)勢(shì)。當(dāng)不同的競(jìng)爭(zhēng)模型對(duì)行為數(shù)據(jù)有著相似的預(yù)測(cè)時(shí)，則要進(jìn)一步通過擬合fMRI數(shù)據(jù)來(lái)確定。一旦優(yōu)化模型及其參數(shù)被確定，就會(huì)提取模型的內(nèi)部變量信號(hào)，然后將這些信號(hào)作為fMRI分析的預(yù)測(cè)指標(biāo)。

第三步，使用模型內(nèi)部變量作為fMRI的預(yù)測(cè)指標(biāo)。首先，創(chuàng)建一個(gè)回歸量并計(jì)算其由模型內(nèi)部變量產(chǎn)生的具體數(shù)值，這個(gè)回歸量需要與實(shí)驗(yàn)中特定的時(shí)間點(diǎn)關(guān)聯(lián)起來(lái)產(chǎn)生模型時(shí)間序列。值得注意的是，該時(shí)間點(diǎn)必須選擇內(nèi)部變量期望發(fā)生的時(shí)間點(diǎn)，簡(jiǎn)單來(lái)說就是將內(nèi)部變量(比如試驗(yàn)與試驗(yàn)間的預(yù)測(cè)錯(cuò)誤)轉(zhuǎn)化為fMRI數(shù)據(jù)分析回歸量。為了考慮血液動(dòng)力學(xué)引起的延遲，通常會(huì)將上述產(chǎn)生的模型預(yù)測(cè)時(shí)間序列與血流動(dòng)力學(xué)響應(yīng)函數(shù)(hemodynamic response function, HRF)相卷積。然后，將這個(gè)新生成的回歸量作為一個(gè)預(yù)測(cè)變量包含在單個(gè)被試的fMRI設(shè)計(jì)矩陣中，再放到一般線性模型(general linear model, GLM)中進(jìn)行回歸分析，最后根據(jù)統(tǒng)計(jì)需求做一階和二階分析，得到與內(nèi)部變量顯著相關(guān)的隱含腦區(qū)。

2 基于模型fMRI方法的兩個(gè)層面

基于模型的fMRI方法至少可分為兩個(gè)層面。第一個(gè)層面是針對(duì)單個(gè)隱含腦區(qū)進(jìn)行建模分析，試圖了解單個(gè)腦區(qū)在某一個(gè)神經(jīng)活動(dòng)中的具體作用，其主要代表模型有強(qiáng)化學(xué)習(xí)模型和主觀價(jià)值模型[6-7]。通過假定某個(gè)認(rèn)知過程的計(jì)算是在一個(gè)腦區(qū)中來(lái)進(jìn)行研究，以此找到這個(gè)隱含腦區(qū)。第二個(gè)層面是針對(duì)腦區(qū)交互作用進(jìn)行建模分析，涉及兩個(gè)及以上的腦區(qū)，通過建模來(lái)構(gòu)建兩個(gè)因素之間的交互影響，再?gòu)膄MRI數(shù)據(jù)分析中得到這些因素對(duì)應(yīng)的腦區(qū)。該連通性模型可以用來(lái)分析某一認(rèn)知任務(wù)狀態(tài)下特定腦區(qū)激活的相互作用關(guān)系，其主要代表模型是心理-生理交互作用模型[8]；假定其計(jì)算是在多個(gè)腦區(qū)組成的腦區(qū)環(huán)路中進(jìn)行，最后獲得這個(gè)環(huán)路或網(wǎng)絡(luò)所涉及的腦區(qū)。

2.1 單個(gè)隱含腦區(qū)的建模

目前，根據(jù)基于模型的fMRI方法，已經(jīng)使用了許多計(jì)算模型來(lái)研究大腦某單個(gè)隱含腦區(qū)參與某一認(rèn)知任務(wù)的特定功能[2,9]。其中，強(qiáng)化學(xué)習(xí)模型具有強(qiáng)調(diào)經(jīng)典的刺激-反饋過程、結(jié)構(gòu)簡(jiǎn)單以及參數(shù)較少等優(yōu)點(diǎn)，得到了較為廣泛的應(yīng)用[10]；主觀價(jià)值模型可以整合多個(gè)實(shí)驗(yàn)因素，單獨(dú)和交互地觀測(cè)對(duì)變量的影響，所以在fMRI研究中也應(yīng)用較廣。這兩個(gè)模型都反映了個(gè)體選擇行為背后的神經(jīng)整合機(jī)制。

2.1.1 強(qiáng)化學(xué)習(xí)模型

強(qiáng)化學(xué)習(xí)模型(reinforcement learning model)是一類常用在學(xué)習(xí)和決策制定中的模型[11]，它描述智能系統(tǒng)從環(huán)境到行為映射的學(xué)習(xí)，從而使獎(jiǎng)勵(lì)信號(hào)函數(shù)值最大化。通常，簡(jiǎn)單的強(qiáng)化學(xué)習(xí)模型主要使用時(shí)間差分學(xué)習(xí)規(guī)則來(lái)學(xué)習(xí)預(yù)測(cè)值，其公式表達(dá)如下：

(1)

(2)

式中，γ代表未來(lái)回報(bào)的比例系數(shù)，Rt表示當(dāng)前時(shí)間點(diǎn)獲得的獎(jiǎng)勵(lì)，V為預(yù)期獎(jiǎng)勵(lì)值，δ為預(yù)測(cè)錯(cuò)誤值，α為學(xué)習(xí)率。

這里，基于模型的fMRI方法是將強(qiáng)化學(xué)習(xí)模型與fMRI數(shù)據(jù)相結(jié)合，其具體流程見圖1(b)。首先，確定學(xué)習(xí)和決策過程使用的計(jì)算模型為強(qiáng)化學(xué)習(xí)模型，將被試在fMRI實(shí)驗(yàn)中的行為數(shù)據(jù)輸入到強(qiáng)化學(xué)習(xí)模型中，以確定模型的自由參數(shù)，使模型預(yù)測(cè)與真實(shí)的行為結(jié)果之間的差異最小。然后，用這個(gè)最佳自由參數(shù)(集)計(jì)算得到模型內(nèi)部變量的時(shí)間序列，通過與HRF卷積得到內(nèi)部變量的預(yù)期BOLD響應(yīng)信號(hào)(即GLM回歸量)，并輸入到GLM設(shè)計(jì)矩陣中進(jìn)行全腦每個(gè)體素的回歸分析，最后通過參數(shù)估計(jì)和統(tǒng)計(jì)比較，得到與內(nèi)部變量顯著相關(guān)的隱含腦區(qū)。

為了進(jìn)一步說明該方法與傳統(tǒng)fMRI分析方法的不同，圖1(a)給出了傳統(tǒng)fMRI分析方法的流程。對(duì)比圖1(a)和(b)，可以得出兩者的主要區(qū)別有：一是基于模型的fMRI方法需要為某個(gè)特定認(rèn)知過程確定計(jì)算模型以及實(shí)驗(yàn)任務(wù)(一般為事件相關(guān)設(shè)計(jì)任務(wù))，而傳統(tǒng)fMRI分析方法不需要；二是設(shè)計(jì)矩陣中的感興趣變量不同，基于模型的fMRI方法針對(duì)的是模型內(nèi)部變量，而傳統(tǒng)fMRI分析方法針對(duì)的是某個(gè)任務(wù)的實(shí)驗(yàn)刺激響應(yīng)。

圖1 傳統(tǒng)fMRI分析方法與基于模型的fMRI方法對(duì)比。(a)傳統(tǒng)fMRI分析方法(空間工作記憶任務(wù)組塊設(shè)計(jì)的實(shí)例)；(b)基于模型的fMRI方法(強(qiáng)化學(xué)習(xí)模型與fMRI數(shù)據(jù)結(jié)合的實(shí)例)Fig.1 Comparison between traditional fMRI analysis method and model-based fMRI approach. (a) Traditional fMRI analysis method (the instance of block design of spatial working memory task); (b) Model-based fMRI approach (the instance of reinforcement learning model combined with fMRI data)

從上述分析以及圖1可知，強(qiáng)化學(xué)習(xí)模型這個(gè)架構(gòu)涉及兩個(gè)十分重要的內(nèi)部變量是預(yù)測(cè)錯(cuò)誤信號(hào)和預(yù)期獎(jiǎng)賞信號(hào)。研究發(fā)現(xiàn)，預(yù)測(cè)錯(cuò)誤信號(hào)神經(jīng)關(guān)聯(lián)的顯著相關(guān)腦區(qū)一致性地被發(fā)現(xiàn)位于紋狀體和前額葉皮層[1-2]。它們反映了獎(jiǎng)勵(lì)預(yù)測(cè)錯(cuò)誤信號(hào)的變化，表明來(lái)自中腦多巴胺神經(jīng)元的信號(hào)傳播到大腦的其他區(qū)域。此外，對(duì)于與預(yù)測(cè)錯(cuò)誤相關(guān)的精確腦區(qū)位置主要在紋狀體(腹側(cè)和背側(cè))[12-14]、前額葉皮層(包括眶額葉、腹外側(cè)和背外側(cè))[1]、中腦[15]以及小腦[1]。這些研究都表明，眶前額葉皮層和內(nèi)側(cè)前額葉皮層參與了跟蹤與選擇選項(xiàng)有關(guān)的預(yù)期未來(lái)回報(bào)的行為，而且這些腦區(qū)的神經(jīng)活動(dòng)與強(qiáng)化學(xué)習(xí)模型產(chǎn)生的預(yù)期信號(hào)一致。

基于模型的fMRI方法利用強(qiáng)化學(xué)習(xí)模型，將研究水平從行為和認(rèn)知水平延伸到了神經(jīng)功能水平，為捕獲學(xué)習(xí)和決策機(jī)制的具體實(shí)現(xiàn)過程提供了神經(jīng)關(guān)聯(lián)依據(jù)。它通過計(jì)算特定內(nèi)部變量信號(hào)與全腦每個(gè)體素中BOLD生理響應(yīng)之間的相關(guān)性來(lái)確定顯著相關(guān)腦區(qū)，然后就可以推斷這些腦區(qū)參與了信號(hào)的傳遞或處理過程，從而找到隱含腦區(qū)。強(qiáng)化學(xué)習(xí)模型確定了內(nèi)部參數(shù)，比如預(yù)測(cè)錯(cuò)誤、學(xué)習(xí)率、獎(jiǎng)勵(lì)敏感度和以前的強(qiáng)化記憶，將認(rèn)知和獎(jiǎng)勵(lì)學(xué)習(xí)以及決策這兩個(gè)分離的領(lǐng)域聯(lián)系在一起，從而可以更為清楚地理解強(qiáng)化學(xué)習(xí)的神經(jīng)基礎(chǔ)。又因?yàn)樗试S學(xué)習(xí)和行為顯性預(yù)測(cè)，所以能夠?qū)W(xué)習(xí)和行為與心理過程聯(lián)系起來(lái)，并為它們提供了一個(gè)有用的規(guī)范框架，從而常用于條件反射、分類學(xué)習(xí)以及行為控制等研究[16-20]?；诖四Ｐ偷膄MRI分析方法，打開了通往針對(duì)實(shí)驗(yàn)操作以及動(dòng)態(tài)跟蹤神經(jīng)信號(hào)傳遞過程的大門，由此可以揭示控制行為的計(jì)算機(jī)制和神經(jīng)基礎(chǔ)。

2.1.2 主觀價(jià)值模型

主觀價(jià)值模型(subjective value model)是對(duì)個(gè)體主觀偏好的描述，可以根據(jù)不同的實(shí)驗(yàn)處理效應(yīng)引發(fā)的行為表現(xiàn)測(cè)量其主觀價(jià)值，這些不同的處理效應(yīng)即是心理變量，也叫客觀變量(比如金錢數(shù)量、延遲獎(jiǎng)勵(lì)和疼痛水平)。該模型的數(shù)學(xué)表達(dá)形式有兩種，一種是根據(jù)線性和非線性價(jià)值函數(shù)的形式描述，另一種是根據(jù)雙曲線折算函數(shù)的描述。價(jià)值函數(shù)用非線性交互模型形式[7]表示如下：

(3)

式中，SV為主觀價(jià)值，mx為金錢數(shù)量，px為疼痛水平，βm、βp和βmp分別表示金錢、疼痛和交互作用的大小。

價(jià)值函數(shù)由指數(shù)α調(diào)節(jié)，α=1為線性，α<1為凹性曲線，α>1為凸性曲線。由此，以線性和非線性形式可以得出4個(gè)模型：

1)當(dāng)α=1且βmp=0時(shí)，為線性獨(dú)立模型；

2)當(dāng)α≠1且βmp=0時(shí)，為非線性獨(dú)立模型；

3)當(dāng)α=1且βmp≠0時(shí)，為線性交互模型；

4)當(dāng)α≠1且βmp≠0時(shí)，為非線性交互模型。

在實(shí)驗(yàn)處理分析時(shí)，通過比較獨(dú)立模型和交互模型的差異，確定參與大腦整合機(jī)制的腦區(qū)。

雙曲線折算函數(shù)描述如下：

問題不僅能促進(jìn)學(xué)生的思考，提升學(xué)生的思維能力，同時(shí)具有趣味性的問題也可以激發(fā)學(xué)生的好奇心，讓學(xué)生樂于去進(jìn)行知識(shí)的學(xué)習(xí)和探究，并在學(xué)習(xí)中體驗(yàn)成功的樂趣.物理觀念是學(xué)生走進(jìn)物理世界，形成正確物理意識(shí)的必經(jīng)之路，對(duì)于學(xué)生運(yùn)用物理知識(shí)解釋物理現(xiàn)象有著重要的作用.高中物理教師要以學(xué)生的興趣為教學(xué)的出發(fā)點(diǎn)，通過設(shè)計(jì)具有趣味性和啟發(fā)性的問題，開啟學(xué)生的智慧，幫助學(xué)生形成正確的物理觀念.

(4)

式中，SV為主觀價(jià)值，D是延遲，A是總數(shù)，k是比例系數(shù)，用以描述在延遲折扣時(shí)的個(gè)體選擇行為差異。

主觀價(jià)值模型的核心變量是主觀價(jià)值。大量的fMRI研究顯示，在決策條件下，與主觀價(jià)值顯著相關(guān)的腦區(qū)主要集中在少數(shù)幾個(gè)腦區(qū)[21]，包括腹側(cè)紋狀體、腹內(nèi)側(cè)前額葉皮層、后扣帶回和中腦。決策過程的主觀價(jià)值編碼可能會(huì)由于獎(jiǎng)勵(lì)類型(主要指延遲獎(jiǎng)勵(lì)和概率獎(jiǎng)勵(lì))、獎(jiǎng)勵(lì)大小和時(shí)間因素的影響而不同，因此有些研究從不同獎(jiǎng)勵(lì)維度探究了主觀價(jià)值的神經(jīng)關(guān)聯(lián)機(jī)制[22-24]。這些研究能夠進(jìn)一步幫助理解許多神經(jīng)精神疾病中沖動(dòng)和缺乏興趣兩種行為背后的神經(jīng)機(jī)制。

主觀價(jià)值模型能夠捕獲在選擇過程中針對(duì)不同選項(xiàng)值如何整合成主觀價(jià)值信號(hào)來(lái)指導(dǎo)行為的機(jī)制。由于行為研究已不能為神經(jīng)信號(hào)的價(jià)值整合提供豐富的信息，所以需要對(duì)神經(jīng)信號(hào)進(jìn)行建模，用來(lái)分析大腦決策系統(tǒng)對(duì)價(jià)值整合的計(jì)算機(jī)制。這種方法能夠?qū)⒉煌纳窠?jīng)系統(tǒng)功能和決策定量模型中包含的隱藏過程聯(lián)系起來(lái)，從而探究大腦中對(duì)決策信息追蹤的實(shí)現(xiàn)過程。

2.2 腦區(qū)交互作用建模

作為基于模型的fMRI方法的另一個(gè)類別，腦區(qū)交互作用建模主要是指連通性模型，它在功能整合層面上描述大腦皮層區(qū)域間的網(wǎng)絡(luò)和連通性關(guān)系。一般連通性模型包括功能連通性和有效連通性：功能連通模型探測(cè)的是時(shí)間相關(guān)性，只是為了檢測(cè)兩個(gè)功能腦區(qū)間是否存在交互作用，并不能反映信息流的關(guān)系；而有效連通性模型能度量?jī)蓚€(gè)腦區(qū)之間交互作用的大小以及信息流向，從而檢測(cè)一個(gè)腦區(qū)在多大程度上由于其他腦區(qū)或外界因素的影響而改變。心理-生理交互作用(psychophysiological interaction, PPI)模型兼具功能連通性與有效連通性模型的功能，基于回歸模型的PPI被廣泛應(yīng)用，探測(cè)隨著不同認(rèn)知狀態(tài)實(shí)驗(yàn)條件下腦區(qū)之間的連接調(diào)制關(guān)系。

心理-生理交互作用分析方法由Friston與其同事于1997年提出[8]，用來(lái)表示心理變量同生理變量之間的調(diào)制關(guān)系。從數(shù)學(xué)上看，在某個(gè)實(shí)驗(yàn)條件下，將一個(gè)區(qū)域的激活水平與第二個(gè)區(qū)域的激活水平進(jìn)行回歸，那么斜率反映第二個(gè)區(qū)域?qū)Φ谝粋€(gè)區(qū)域的影響。如果在另一個(gè)實(shí)驗(yàn)參數(shù)條件下重復(fù)回歸，這個(gè)斜率會(huì)產(chǎn)生變化，那么這種變化就是心理-生理交互作用而導(dǎo)致的。PPI分析方法基于GLM的因子模型，在實(shí)際操作時(shí)如圖2所示。首先，要選定一個(gè)感興趣區(qū)域作為種子區(qū)域，將功能成像圖像的每一個(gè)體素都用實(shí)驗(yàn)條件、感興趣區(qū)域的時(shí)間序列以及這兩者之間的交互作用建模。設(shè)定感興趣區(qū)域的時(shí)間進(jìn)程作為生理變量，感興趣的實(shí)驗(yàn)條件對(duì)比作為分析中的心理變量，這兩者的乘積作為分析用的交互作用變量(生理變量調(diào)制心理變量所得的GLM回歸量)。然后，將這3個(gè)因素以及其他不感興趣的效果(比如全局激活效應(yīng)、時(shí)間效應(yīng)等)對(duì)功能成像數(shù)據(jù)中每個(gè)體素的時(shí)間序列進(jìn)行GLM建模，其模型表達(dá)式如下：

(5)

式中，Xi為成像圖像中第i個(gè)體素的信號(hào)值，βi和βG為待估計(jì)參數(shù)，εi為估計(jì)后的殘差。

在PPI分析中，交互作用項(xiàng)XY×gP的幅度值βi通常是功能連接性研究中感興趣的變量，而主效應(yīng)在這種研究中往往被當(dāng)作不感興趣的變量進(jìn)行控制。

圖2 心理-生理交互作用模型Fig.2 Psychophysiological interaction model

在不同的實(shí)驗(yàn)狀態(tài)中，PPI作為GLM回歸量進(jìn)行參數(shù)估計(jì)，會(huì)得到不同的統(tǒng)計(jì)參數(shù)圖(顯示的是種子區(qū)與大腦每個(gè)體素的BOLD信號(hào)之間的相關(guān)程度)，再通過統(tǒng)計(jì)比較得到最終結(jié)果的統(tǒng)計(jì)參數(shù)圖。若發(fā)現(xiàn)結(jié)果存在顯著的交互作用，就表示激活區(qū)域與種子區(qū)域之間存在受到感興趣實(shí)驗(yàn)因素影響的功能連通性。

按照相同思想，心理-生理交互作用還可以擴(kuò)展為生理-生理交互作用，即用兩個(gè)區(qū)域時(shí)間序列的交互作用來(lái)進(jìn)行建模，而不再是區(qū)域時(shí)間序列和實(shí)驗(yàn)條件之間的交互作用。更復(fù)雜的模型可以根據(jù)兩個(gè)區(qū)域的時(shí)間序列和一個(gè)實(shí)驗(yàn)條件的主效應(yīng)以及其之間的交互關(guān)系進(jìn)行建模，這就是“生理-生理-心理”三因素交互作用。

近10年來(lái)，PPI分析在各類認(rèn)知功能腦網(wǎng)絡(luò)的研究中應(yīng)用廣泛，其中以研究情緒的腦神經(jīng)機(jī)制較為常見。由于杏仁核這一腦區(qū)在處理面部情感功能中占有舉足輕重的地位，所以大多數(shù)研究都是選取杏仁核作為種子區(qū)進(jìn)行PPI分析[25]。PPI分析經(jīng)常和強(qiáng)化學(xué)習(xí)模型和主觀價(jià)值模型結(jié)合來(lái)探究學(xué)習(xí)獎(jiǎng)勵(lì)和決策機(jī)制，這使得研究結(jié)果更符合觀測(cè)的行為數(shù)據(jù)和fMRI數(shù)據(jù)，具有真實(shí)的生理學(xué)意義。目前，較多的研究是將該方法用于探究各類神經(jīng)精神疾病的神經(jīng)機(jī)制，尤其是對(duì)精神分裂癥、帕金森綜合癥和創(chuàng)傷應(yīng)激性障礙等的神經(jīng)機(jī)制[26-28]。

PPI分析能夠評(píng)估參與某個(gè)任務(wù)的腦功能網(wǎng)絡(luò)活動(dòng)如何被心理狀態(tài)調(diào)節(jié)的過程，從而探測(cè)不同認(rèn)知狀態(tài)實(shí)驗(yàn)條件下腦區(qū)之間的連接調(diào)制關(guān)系。不同于單個(gè)腦區(qū)的建模分析，PPI分析研究的是在局部腦網(wǎng)絡(luò)水平上對(duì)相關(guān)腦區(qū)的調(diào)制作用。因此，基于模型的fMRI方法利用PPI分析，將研究水平又從神經(jīng)元活動(dòng)水平拓展到了腦網(wǎng)絡(luò)水平，揭示了大腦在某種認(rèn)知條件下各相關(guān)腦區(qū)協(xié)同完成任務(wù)的功能整合過程。相比傳統(tǒng)的fMRI分析，這種方法能夠提供對(duì)大腦活動(dòng)的生理和心理整合影響的信息。

3 基于模型的fMRI方法的最新進(jìn)展

最近幾年，在認(rèn)知神經(jīng)科學(xué)和影像研究中，迅速發(fā)展起來(lái)的一類計(jì)算模型是真實(shí)的生物物理計(jì)算模型[29]，它從細(xì)胞水平和突觸層面來(lái)描述可能發(fā)生的電、化學(xué)活動(dòng)事件，從而探究在疾病狀態(tài)下突觸機(jī)制是否遭到破壞。由于這種模型以網(wǎng)絡(luò)模塊的形式對(duì)特定認(rèn)知活動(dòng)過程進(jìn)行詳細(xì)研究，所以可以將這種網(wǎng)絡(luò)層面的交互也納入基于模型的fMRI方法的第二個(gè)層面(連通性模型)。這一類模型主要包含兩個(gè)全局參數(shù)，即突觸神經(jīng)網(wǎng)絡(luò)中本地節(jié)點(diǎn)復(fù)發(fā)性興奮強(qiáng)度和兩節(jié)點(diǎn)間遠(yuǎn)程連接強(qiáng)度。特別突出的是，Anticevic研究小組使用此模型設(shè)計(jì)了藥理學(xué)fMRI實(shí)驗(yàn)，基于任務(wù)正激活和靜息狀態(tài)網(wǎng)絡(luò)之間具有反相關(guān)關(guān)系，他們探測(cè)了大范圍反相關(guān)神經(jīng)網(wǎng)絡(luò)之間的交互作用，觀測(cè)了突觸活動(dòng)受到擾動(dòng)后的表現(xiàn)[30]。他們的模型由兩個(gè)模塊組成：一個(gè)是任務(wù)激活，承擔(dān)工作記憶的計(jì)算；另一個(gè)是任務(wù)去激活，信號(hào)來(lái)自于高度活躍的基線狀態(tài)。通過模擬發(fā)現(xiàn)，整個(gè)網(wǎng)絡(luò)的去抑制作用導(dǎo)致了靜息狀態(tài)模塊不能關(guān)閉，這破壞了工作記憶任務(wù)中激活和去激活的模式。該研究提供了一個(gè)范例，即一個(gè)特定認(rèn)知過程的微環(huán)路模型怎樣被整合進(jìn)系統(tǒng)層面的交互，并對(duì)基于任務(wù)的功能連接做出相關(guān)的預(yù)測(cè)。在精神分裂癥NMDA受體功能可能受到影響的假說下，Anticevic等研究了正常人施加氯胺酮后其工作記憶任務(wù)的表現(xiàn)(模擬精神分裂癥狀)，結(jié)果建立了大范圍反相關(guān)神經(jīng)系統(tǒng)、認(rèn)知過程中谷氨酸的作用和精神分裂癥相關(guān)癥狀之間的聯(lián)系[30]。在2015年，他們還發(fā)現(xiàn)NMDA受體拮抗劑對(duì)前額皮層連通性的影響更類似于精神分裂癥的早期階段而非慢性精神分裂癥[31]，這對(duì)于利用計(jì)算模型結(jié)合藥物干預(yù)的全新fMRI手段來(lái)研究精神分裂癥等精神疾病的機(jī)制、治療，推動(dòng)神經(jīng)生物學(xué)研究手段的進(jìn)展，都具有重要意義[32]。

4 總結(jié)與展望

在傳統(tǒng)方法中，一個(gè)特定任務(wù)或條件下，通常只是分析報(bào)道一組被激活的腦區(qū)。這樣的描述有助于了解特定認(rèn)知過程的空間定位，但卻不能深入了解被激活的腦區(qū)如何參與實(shí)現(xiàn)這些過程；而理解這些實(shí)現(xiàn)過程，對(duì)于進(jìn)一步揭示認(rèn)知活動(dòng)、情感反應(yīng)、記憶生成乃至疾病變化有著極為重要的價(jià)值，其潛力還遠(yuǎn)遠(yuǎn)沒有被充分挖掘?；谀Ｐ偷膄MRI方法正好克服了傳統(tǒng)神經(jīng)成像研究所采取方法的局限性，是一種有效探測(cè)大腦功能活動(dòng)的分析方法。

基于模型的fMRI方法雖然是一種強(qiáng)有力的技術(shù)，但是它也存在許多問題。首先，使用這種方法需要測(cè)試大腦中高度特定的信號(hào)，并允許測(cè)試一個(gè)特定的計(jì)算假設(shè)，但同時(shí)它可能會(huì)限制其檢測(cè)不符合特定先驗(yàn)假設(shè)的意外結(jié)果，因此這可能是研究者們?nèi)粤?xí)慣使用更傳統(tǒng)的分析方法的原因之一。其次，這個(gè)方法的一個(gè)潛在弱點(diǎn)是分析結(jié)果可能取決于模型中自由參數(shù)的設(shè)置，已有研究指出精確地設(shè)定自由參數(shù)并不總是必要的，而且對(duì)確定不同腦區(qū)的精確計(jì)算作用可能更難[33]。最后，由于fMRI時(shí)空分辨率的限制，基于模型的fMRI方法還不能提供洞察在神經(jīng)元或功能柱層面上更精細(xì)的計(jì)算信號(hào)的傳遞情況，尤其是在不同的交叉區(qū)域內(nèi)，神經(jīng)元可能會(huì)傳遞不同的計(jì)算信號(hào)。

鑒于以上這些局限性，有必要將基于模型的fMRI方法和其他的技術(shù)結(jié)合，如可以和fMRI同步采用實(shí)驗(yàn)手段，或結(jié)合人類可以承受以犧牲空間精度為代價(jià)獲取更高時(shí)間分辨率的成像手段(比如MEG或EEG)，這可能會(huì)是未來(lái)研究的一個(gè)方向。尤其是在同步腦電-功能磁共振(EEG-fMRI)數(shù)據(jù)應(yīng)用方面，可利用兩者的優(yōu)勢(shì)建立類似Hopfied脈沖神經(jīng)網(wǎng)絡(luò)的模型，從而有望對(duì)單個(gè)神經(jīng)元的放電活動(dòng)進(jìn)行研究；還可以建立動(dòng)態(tài)系統(tǒng)模型，研究功能柱或神經(jīng)集群的功能整合性和時(shí)間同步性。另外，值得注意的是，基于模型的fMRI方法和有效連通性模型一樣，都關(guān)注某個(gè)特定功能活動(dòng)在大腦中的實(shí)現(xiàn)過程，其區(qū)別在于前者是針對(duì)某個(gè)特定的功能活動(dòng)或認(rèn)知過程的計(jì)算模型來(lái)尋找其中的隱含腦區(qū)，而后者是需要根據(jù)一定的先驗(yàn)知識(shí)或數(shù)據(jù)本身來(lái)探知種子區(qū)與其相關(guān)腦區(qū)之間的信息流關(guān)系。已有人研究將動(dòng)態(tài)因果模型(一種有效連通性模型)結(jié)合基于模型的fMRI方法，這樣可將計(jì)算模型的內(nèi)部變量用于調(diào)節(jié)腦區(qū)間的連接強(qiáng)度[34]。因此，在今后的神經(jīng)影像研究中，將多種方法結(jié)合，用于探究多個(gè)腦區(qū)間的信息流特征，這將會(huì)是一個(gè)極具前途的技術(shù)途徑。

[1]O’DohertyJP,DayanP,FristonK,etal.Temporaldifferencemodelsandreward-relatedlearninginthehumanbrain[J].Neuron, 2003,38(2):329-337.

[2]O’DohertyJP,HamptonA,KimH.Model-BasedFmriAndItsApplicationToRewardLearningAndDecisionMaking[J].AnnalsoftheNewYorkAcademyofSciences, 2007,1104(1):35-53.

[3]ForstmannBU,WagenmakersE-J.Model-BasedCognitiveNeuroscience:AConceptualIntroduction[M]//ForstmannBU,WagenmakersEJ.AnIntroductiontoModel-BasedCognitiveNeuroscience.NewYork:SpringerNewYork, 2015: 139-156.

[4]HuettelSA.Event-relatedfMRIincognition[J].Neuroimage, 2012,62(2):1152-1156.

[5]Gl?scherJP,O′DohertyJP.Model‐basedapproachestoneuroimaging:combiningreinforcementlearningtheorywithfMRIdata[J].WileyInterdisciplinaryReviews:CognitiveScience, 2010,1(4):501-510.

[6]FuWT,AndersonJR.Fromrecurrentchoicetoskilllearning:areinforcement-learningmodel[J].JournalofExperimentalPsychology:General, 2006,135(2):184-206.

[7]ParkSQ,KahntT,RieskampJ,etal.Neurobiologyofvalueintegration:whenvalueimpactsvaluation[J].TheJournalofNeuroscience, 2011,31(25):9307-9314.

[8]FristonK,BuechelC,FinkG,etal.Psychophysiologicalandmodulatoryinteractionsinneuroimaging[J].Neuroimage, 1997,6(3):218-229.

[9]O’DohertyJP,BuchananTW,SeymourB,etal.Predictiveneuralcodingofrewardpreferenceinvolvesdissociableresponsesinhumanventralmidbrainandventralstriatum[J].Neuron, 2006,49(1):157-166.

[10]MathysC,DaunizeauJ,FristonKJ,etal.ABayesianfoundationforindividuallearningunderuncertainty[J].FrontiersinHumanNeuroscience, 2011,5(2):39.

[11]SuttonRS,BartoAG.Reinforcementlearning:Anintroduction[M].Cambridge:CambridgeUnivPress, 2011.

[12]O'DohertyJ,DayanP,SchultzJ,etal.Dissociablerolesofventralanddorsalstriatumininstrumentalconditioning[J].Science, 2004,304(5669):págs. 452-454.

[13]SeymourB,DawN,DayanP,etal.DifferentialEncodingofLossesandGainsintheHumanStriatum[J].JournalofNeurosciencetheOfficialJournaloftheSocietyforNeuroscience, 2007,27(18):4826-4831.

[14]Gl?scherJ,HamptonAN,O'DohertyJP.Determiningaroleforventromedialprefrontalcortexinencodingaction-basedvaluesignalsduringreward-relateddecisionmaking[J].CerebralCortex, 2009,19(2):483-495.

[15]MurrayG,CorlettPL,PessiglioneM,etal.Substantianigra/ventraltegmentalrewardpredictionerrordisruptioninpsychosis[J].MolecularPsychiatry, 2008,13(3):267-276.

[16]ChenC,OmiyaY,YangS.Dissociatingcontributionsofventralanddorsalstriatumtorewardlearning[J].JournalofNeurophysiology, 2015,114(3):1364-1366.

[17]WhiteCN,CongdonE,MumfordJA,etal.Decomposingdecisioncomponentsinthestop-signaltask:amodel-basedapproachtoindividualdifferencesininhibitorycontrol[J].JournalofCognitiveNeuroscience, 2014,26(8):1601-1614.

[18]HuS,IdeJS,ZhangS,etal.Conflictanticipationinalcoholdependence—Amodel-basedfMRIstudyofstopsignaltask[J].NeuroImage:Clinical, 2015,8:39-50.

[19]BratecSM,XieX,SchmidG,etal.Cognitiveemotionregulationenhancesaversivepredictionerroractivitywhilereducingemotionalresponses[J].Neuroimage, 2015,123:138-148.

[20]DavisT,LoveBC,PrestonAR.Striatalandhippocampalentropyandrecognitionsignalsincategorylearning:simultaneousprocessesrevealedbymodel-basedfMRI[J].JournalofExperimentalPsychology:Learning,MemoryandCognition, 2012,38(4):821-839.

[21]BartraO,McGuireJT,KableJW.Thevaluationsystem:acoordinate-basedmeta-analysisofBOLDfMRIexperimentsexaminingneuralcorrelatesofsubjectivevalue[J].Neuroimage, 2013,76:412-427.

[22]KableJW,GlimcherPW.Theneuralcorrelatesofsubjectivevalueduringintertemporalchoice[J].NatureNeuroscience, 2007,10(12):1625-1633.

[23]PetersJ,BüchelC.Overlappinganddistinctneuralsystemscodeforsubjectivevalueduringintertemporalandriskydecisionmaking[J].TheJournalofNeuroscience, 2009,29(50):15727-15734.

[24]MiedlSF,BüchelC,PetersJ.Cue-inducedcravingincreasesimpulsivityviachangesinstriatalvaluesignalsinproblemgamblers[J].TheJournalofNeuroscience, 2014,34(13):4750-4755.

[25]DasP,KempAH,LiddellBJ,etal.Pathwaysforfearperception:modulationofamygdalaactivitybythalamo-corticalsystems[J].Neuroimage, 2005,26(1):141-148.

[26]DasP,KempAH,FlynnG,etal.Functionaldisconnectionsinthedirectandindirectamygdalapathwaysforfearprocessinginschizophrenia[J].SchizophreniaResearch, 2007,90(1):284-294.

[27]WuT,ChanP,HallettM.EffectiveconnectivityofneuralnetworksinautomaticmovementsinParkinson'sdisease[J].Neuroimage, 2010,49(3):2581-2587.

[28]BryantRA,KempAH,FelminghamKL,etal.Enhancedamygdalaandmedialprefrontalactivationduringnonconsciousprocessingoffearinposttraumaticstressdisorder:AnfMRIstudy[J].HumanBrainMapping, 2008,29(5):517-523.

[29]WadeJ,KelsoS,CrunelliV,etal.Biophysicallybasedcomputationalmodelsofastrocyte～neuroncouplingandtheirfunctionalsignificance[J].FrontiersinComputationalNeuroscience, 2013,7:44.

[30]AnticevicA,GancsosM,MurrayJD,etal.NMDAreceptorfunctioninlarge-scaleanticorrelatedneuralsystemswithimplicationsforcognitionandschizophrenia[J].ProceedingsoftheNationalAcademyofSciences, 2012,109(41):16720-16725.

[31]AnticevicA,CorlettPR,ColeMW,etal.N-Methyl-D-Aspartatereceptorantagonisteffectsonprefrontalcorticalconnectivitybettermodelearlythanchronicschizophrenia[J].BiologicalPsychiatry, 2015,77(6):569-580.

[32]AnticevicA,MurrayJD,BarchDM.Bridginglevelsofunderstandinginschizophreniathroughcomputationalmodeling[J].ClinicalPsychologicalScience, 2015,3(3):433-459.

[33]WilsonRC,NivY.Ismodelfittingnecessaryformodel-basedfMRI?[J].PlosComputationalBiology, 2015, 11 (6):e1004237.

[34]DenOudenHE,FristonKJ,DawND,etal.Adualroleforpredictionerrorinassociativelearning[J].Cerebralcortex, 2009,19(5):1175-1185.

The Review of Model-Based fMRI Approach

Chen Fuqin Zhang Junran*Yang Bing

(DepartmentofMedicalInformationEngineering,SchoolofElectricalEngineeringandInformation,SichuanUniversity,Chengdu610065,China)

Model-based fMRI approach has emerged as a promising potential technique in neuroimaging field since the new century. Compared to conventional fMRI approach, model-based fMRI approach can provide insight into how a particular cognitive process is implemented in a specific brain area or brain circuit as opposed to merely identifying where a particular process is located. It can reveal the relationship between internal variable of the model and the neuroimaging data, which provides an important approach to investigate brain functional activity effectively. This article mainly focused on the model-based fMRI approach in terms of the two computational frameworks (modeling single area: including reinforcement learning model and subjective value model; modeling brain areas interaction: psychophysiological interaction), and briefly described the application of model-based fMRI approach as well as its latest progress. Finally, we discussed the existing deficiencies of this approach and a prospect for its future development trend.

model-based fMRI approach; computational model; reinforcement learning model; subjective value model; psychophysiological interaction model

10.3969/j.issn.0258-8021. 2016. 03.012

2015-12-28， 錄用日期:2016-03-11

國(guó)家自然科學(xué)基金(81000605,81110108007); 廣東省自然科學(xué)基金重點(diǎn)項(xiàng)目(S20120200-10867); 四川省科技計(jì)劃項(xiàng)目(2015HH0036)

R318;R445.2

A

0258-8021(2016) 03-0340-08

*通信作者(Corresponding author)， E-mail:zhangjunran@126.com