[论文解读] Estimating the dimensionality of neural responses with fMRI Repetition Suppression

Mattia Rigotti, Stefano Fusi|arXiv (Cornell University)|May 12, 2016

Neural dynamics and brain function参考文献 17被引用 5

一句话总结

本文提出一种新颖的fMRI方法——重复抑制（RS-fMRI），用于估计单个体素内神经种群响应向量的维度，即使在平均BOLD信号无明显差异的脑区亦可实现。通过测量重复抑制（RS）下的响应模式重叠，该方法揭示了神经回路如何整合多重输入，当输入非平凡地混合时，维度随之增加，从而实现对高阶皮层区域功能特性的表征。

ABSTRACT

We propose a novel method that exploits fMRI Repetition Suppression (RS-fMRI) to measure the dimensionality of the set response vectors, i.e. the dimension of the space of linear combinations of neural population activity patterns in response to specific task conditions. RS-fMRI measures the overlap between response vectors even in brain areas displaying no discernible average differential BOLD signal. We show how this property can be used to estimate the neural response dimensionality in areas lacking macroscopic spatial patterning. The importance of dimensionality derives from how it relates to a neural circuit's functionality. As we show, the dimensionality of the response vectors is predicted to be high in areas involved in multi-stream integration, while it is low in areas where inputs from independent sources do not interact or merely overlap linearly. Our method can be used to identify and functionally characterize cortical circuits that integrate multiple independent information pathways.

研究动机与目标

• 开发一种用于估计fMRI中神经种群响应维度的方法，尤其适用于缺乏宏观空间模式的脑区。
• 解决在传统多变量模式分析（MVPA）因神经元间信号相互抵消而失效的高阶皮层区域中测量神经计算的挑战。
• 将神经维度与信息整合的功能角色（如多流汇聚）联系起来。
• 提供一个基于模型的框架，将fMRI信号与神经种群编码的潜在结构联系起来。

提出的方法

• 将fMRI BOLD信号建模为单个神经元放电率的线性叠加，形式为B_e = β∑f_i(e)，假设每个事件具有标量BOLD响应。
• 应用放电率适应模型以模拟重复抑制，即重复刺激导致因神经元疲劳而引起BOLD响应降低。
• 利用重复刺激呈现所获得的RS矩阵，以估计体素内神经响应向量之间的重叠。
• 通过RS矩阵推断不同刺激下响应向量之间的相对距离，将维度估计为响应向量构成矩阵的秩。
• 通过模拟验证该方法在独立输入源在汇聚区域混合时检测维度增加的能力。
• 将该方法与MVPA进行比较，显示当体素内神经元间信号相关性较低或为零时，该方法仍保持有效性。

实验结果

研究问题

• RQ1 是否可利用fMRI重复抑制来估计在平均BOLD信号无明显变化的体素中神经种群响应的维度？
• RQ2 神经响应的维度如何与皮层回路中多条独立信息通路的整合相关？
• RQ3 当体素内神经元间信号发生抵消时，所提出的RS-fMRI方法在检测神经码结构方面如何优于MVPA？
• RQ4 汇聚区域中输入混合程度（g）与由此产生的神经响应维度之间存在何种关系？

主要发现

• 该方法成功估计了传统MVPA因神经元选择性平衡导致的信号相互抵消而失效的体素中的响应维度。
• 随着汇聚区域中独立输入混合程度的提高，维度随之增加，在输入等量混合时达到峰值99（10×10−1），表明存在非线性整合。
• 当体素内神经元间信号相关性趋近于零时，RS-fMRI信号仍保持稳健，而MVPA的性能则随1/√N下降。
• 该方法揭示了线性或非相互作用输入区域的维度较低，而参与多流整合的区域维度较高。
• 模拟结果证实，RS-fMRI方法能够检测功能汇聚，并表征高阶皮层回路中发生的整合类型。