[论文解读] Measuring Consciousness

Siddhartha Sen|arXiv (Cornell University)|Sep 20, 2016

Neural Networks and Applications参考文献 3被引用 3

一句话总结

本文提出了一套理论框架，通过脑电图（EEG）衍生的脑波相关函数与香农信息论来测量意识。通过计算随时间变化的信息函数 $ C(t) $ 及其导数 $ D(t) $，该模型将意识量化为大脑中的动态信息处理过程，数值越高表示意识水平越高，并与伽马波活动存在强烈关联。

ABSTRACT

A measurement based formula for consciousness, C, as a function of time t, is constructed. The formula depends on identifying a natural relevant self-generated, time-dependent dynamical process inherent in any entity. For human beings the relevant dynamical process identified is the ensemble of brain waves, observed in EEG measurements, that are represented in the model by their measured time dependent correlation functions. These correlation functions define the accessible dynamical state of the brain at any moment of time. From them a time dependent probability function, P(t), is extracted by using a mathematical identity. According to information theory, -P(t) log P(t), is a measure of the information contained in the brain waves. Consciousness, C, is defined by this information theory formula: it is not localized, does not depend on specific hardwire details of the brain, but reflects the information content present in brain waves. Justifications, based on observational evidence, are given for the formula and it is shown that C reflects the degree of "awareness" that a person has at a given moment of time. The model explains the observed time delay between when a brain wave is seen to initiate an action and when there is awareness that the action has been initiated, in terms of the way brain waves processes information. Some testable consequences of the model, including the role dreaming sleep plays in long term memory storage, are discussed. It is also shown that non living entities have C=0.

研究动机与目标

• 开发一个基于实验EEG数据的可测试、以测量为基础的意识模型。
• 将意识定义为非固定脑结构，而是神经集合中的动态信息处理过程。
• 在脑波模式（如伽马波、delta波）与意识水平之间建立定量关联。
• 为使用相关函数与信息论测量主观体验提供理论依据。
• 基于随时间变化的信息度量（如 $ D(t) $）区分有意识与无意识状态，依据神经动力学特征。

提出的方法

• 从 $ N $ 个脑区点的EEG相关函数中提取随时间变化的概率分布 $ P_N(t) $。
• 应用香农信息公式 $ C(t) = -\sum P_N(t) \ln P_N(t) $ 来量化与意识相关的信息含量。
• 将信息处理速率定义为 $ D(t) = \frac{dC}{dt} $，代表意识的动态特性。
• 使用平均场近似，以权重 $ c_i $（总和为1）表示delta、theta、alpha、beta和gamma波的贡献。
• 依赖实证EEG数据，根据脑状态（如清醒时 $ c_4 $ 占主导，深睡时 $ c_1 $ 占主导）分配 $ c_i $ 值。
• 通过 $ D(t) = \sum_{i=1}^5 c_i \omega_i \frac{dC_i(x)}{dx} $（其中 $ x = \omega_i t $）将 $ D(t) $ 与脑波频率关联，实现神经振荡动力学与意识水平的直接连接。

实验结果

研究问题

• RQ1 意识能否被量化为源自EEG相关函数的随时间变化的信息含量？
• RQ2 信息处理速率 $ D(t) $ 与已知意识状态（如快速眼动睡眠、深睡、癫痫失神发作）的相关性如何？
• RQ3 尽管神经活动水平高，伽马波成分 $ c_5 $ 在多大程度上能区分有意识与无意识状态？
• RQ4 该模型能否通过信息论度量区分植物状态与最小意识状态？
• RQ5 记忆获取与随时间变化的神经信号在模型中如何促进连续自我感的产生？

主要发现

• 该模型通过 $ C(t) $（脑波的信息含量）和 $ D(t) $（该信息量的变化率）来定义意识，二者均源自EEG相关函数。
• 在 $ D(t) $ 值较低的状态（如快速眼动睡眠或癫痫失神发作）被归类为无意识，即使神经活动水平很高。
• 伽马波活动（$ c_5 $）在清醒和快速眼动睡眠状态中持续存在，但在癫痫失神发作中缺失，解释了其意识水平较低的原因。
• 平均场近似使模型能够为不同脑波类型分配依赖于状态的权重 $ c_i $，其中清醒时 $ c_4 $ 占主导，深睡时 $ c_1 $ 占主导。
• 导数 $ D(t) $ 被证明依赖于频率分量 $ \omega_i $，从而将神经振荡动力学与意识度量直接关联。
• 该模型支持意识源于动态、随时间变化的信息处理过程，而非静态脑连接结构的观点，且自我的连续性与记忆及持续的信息流密切相关。