[论文解读] Perceptual decision making: Biases in post-error reaction times explained by attractor network dynamics

Kevin Berlemont, Jean‐Pierre Nadal|arXiv (Cornell University)|Mar 2, 2018

Neural dynamics and brain functionNeuroscience参考文献 93被引用 22

一句话总结

该论文提出，无反馈情境下感知决策中观察到的错误后减速与错误后准确率提升这两种行为现象，源于简化吸引子网络模型中的内在非线性动力学。通过引入错误后抑制性电流，该模型定性且定量地再现了这些序列效应，表明这些现象源于网络动力学本身，而非外部反馈或显式记忆机制。

ABSTRACT

Perceptual decision making is the subject of many experimental and theoretical studies. Whereas most modeling analysis are based on statistical processes of accumulation of evidence, less attention is being devoted to the modeling with attractor network dynamics, even though they describe well psychophysical and neurophysiological data. In particular, very few works confront attractor models predictions with data from continuous sequences of trials. Recently however, a biophysical competitive attractor network model has been used to describe such sequences of decision trials, and has been shown to reproduce repetition biases observed in perceptual decision experiments. Here we propose an extension of the reduced attractor network model of Wong and Wang (2006) to get more insights into such effects. We make explicit the conditions under which such network can perform a succession of decisions, and show that the model provides a mathematical framework for studying the effects of a trial on the decision made on the next one. We study in details the reaction times properties during a sequence of decision trials, and show that the model reproduces behavioral data, both qualitatively and quantitatively. In particular, we find that the decision made on the current trial is biased toward the one made on the previous trial. More remarkably, we show that, in the absence of any feedback about the correctness of the decision, the network exhibits post-error slowing, a subtle effect in agreement with empirical data.

研究动机与目标

• 解释在无反馈或显式记忆单元参与下，感知决策中的错误后减速与错误后准确率提升现象。
• 研究吸引子网络中的内在非线性动力学如何在连续决策任务中引发序列效应。
• 确定决策后抑制输入在何种条件下可实现稳定、重复的试验表现，避免陷入吸引子或丢失对先前状态的记忆。
• 将模型预测与序列二选一决策任务中反应时和准确率的实证数据进行比较。
• 证明一阶序列效应（如错误后调整）可自然地从网络动力学中产生，即使没有额外的记忆模块。

提出的方法

• 将简化版Wong和Wang（2006）吸引子网络模型进行改进，以引入错误后抑制性电流。
• 引入一种基于生物物理机制的抑制输入，在每次决策后被触发，以重置网络活动。
• 对网络的非线性动力学进行数学分析，以识别支持稳定试验序列的参数区域。
• 对连续的两选择强制性选择（TAFC）试验序列进行数值模拟，试验间间隔短至500毫秒。
• 分析序列中反应时与错误率，以评估错误后与正确后的动力学特征。
• 将模型输出与实证行为数据中关于错误后减速与错误后准确率提升的结果进行对比。

实验结果

研究问题

• RQ1 一个最小化的吸引子网络模型是否能在无反馈或显式记忆单元参与的情况下，再现错误后减速与错误后准确率提升？
• RQ2 在何种动力学条件下，决策后的抑制输入可实现稳定、重复的试验表现，同时避免陷入吸引子或丢失记忆？
• RQ3 反应时与准确率如何依赖于网络在序列决策过程中的非线性动力学？
• RQ4 一阶序列效应在多大程度上是网络动力学的内在属性，而非由额外机制引起？
• RQ5 为何即使受试者未意识到自身错误，错误后效应仍会持续存在？这基于网络的动态状态如何解释？

主要发现

• 该模型以定性正确且数量级恰当的方式再现了错误后减速（错误后反应时变长）与错误后准确率提升（错误率降低）现象。
• 这些效应自然地源于带有错误后抑制性输入的吸引子网络的非线性动力学，无需依赖反馈或显式记忆模块。
• 当抑制输入参数调制得当时，网络可避免陷入首个吸引子或丢失对先前动力学的记忆。
• 在产生一阶序列效应的参数条件下（如 ICD,max = 0.035 nA），不会再现更高阶效应（如二阶偏差或复杂重复模式），表明该最小化模型存在局限性。
• 错误后与正确后的发放率分布显著重叠，使得单次试验中的错误检测变得困难，这或可解释为何错误常未被有意识察觉。
• 该模型表明，错误后效应并非源于策略性调整，而是网络在决策状态后松弛动力学的固有特性。