[论文解读] Quantifying Neural Efficiency and Capacity: A Differential Equation Interpretation of Polynomial Contrasts

Jason Steffener, Karen Li+2 more|arXiv (Cornell University)|Jun 20, 2016

EEG and Brain-Computer Interfaces参考文献 12被引用 3

一句话总结

本文提出了一种新颖的微分方程框架，用于建模n-back任务fMRI数据中的多项式对比，从而量化神经效率（脑活动增加速率）和容量（激活上限）。该方法应用于21名健康成年人，得出全脑范围的这些参数度量，为工作记忆动态提供了机制性解释，并支持认知神经科学中的理论模型。

ABSTRACT

Task based neuroimaging tools for the study of cognitive neuroscience provide insight into understanding how the brain responds to increasing cognitive demand. Theoretical models of neural-cognitive relationships have been developed based on observations of linear and non-linear increases in brain activity. Neural efficiency and capacity are two parameters of current theoretical models. These two theoretical parameters describe the rate of increase of brain activity and the upper limits of the increases, respectively. The current work demonstrates that a quadratic model of increasing brain activity in response to the n-back task is a solution to a differential equation model. This reinterpretation of a standard approach to analyzing a common cognitive task provides a wealth of new insight. The results include brain wide measures of neural efficiency and capacity. The quantification of neural-cognitive relationships provides evidence to support current cognitive neuroscience theories. In addition, the methods provide a framework for understanding the neural mechanisms of working memory. This allows estimation of the effects of experimental manipulations within a conceptual research framework. The proposed methods were applied to twenty-one healthy young adults while engaging in four levels of the n-back task. All methods are easily applicable using standard current software packages for neuroimaging.

研究动机与目标

• 开发一个数学框架，将神经影像数据中的多项式对比解释为微分方程的解。
• 将神经效率与容量量化为工作记忆任务中具有生物学意义的参数。
• 为认知负荷增加时脑活动上升提供机制性解释。
• 在一致的理论模型中实现对实验操作影响的估计。
• 提供一种可使用标准神经影像软件的实用方法，以促进在认知神经科学研究中的广泛应用。

提出的方法

• 将n-back任务的认知负荷增加建模为受试者脑激活的二次函数。
• 推导出一个二阶线性微分方程，其解与fMRI信号中观察到的二次趋势相匹配。
• 利用微分方程的参数提取神经效率（增加速率）和容量（渐近上限）。
• 将该模型拟合至21名健康年轻成年人执行四个水平n-back任务的fMRI数据。
• 应用标准神经影像软件处理流程，估计多项式对比，随后求解微分方程参数。
• 通过展示模型与认知需求下神经反应的理论预期一致，验证该模型。

实验结果

研究问题

• RQ1 n-back任务fMRI数据中的多项式对比能否被解释为微分方程的解？
• RQ2 如何利用该框架从神经影像数据中提取出可解释的神经效率与容量参数？
• RQ3 该微分方程模型是否能为认知负荷下脑活动增加提供更具生物学意义的解释？
• RQ4 该方法能否在单一理论框架内量化实验操作对神经效率与容量的影响？
• RQ5 所提出的方法是否可使用标准神经影像软件包实现？

主要发现

• n-back任务中脑活动的二次增加在数学上等价于二阶线性微分方程的解。
• 通过该方法在21名健康年轻成年人的全脑范围内成功量化了神经效率与容量。
• 该方法为脑活动如何随认知需求而扩展提供了机制性解释，支持了认知神经科学中既有的理论模型。
• 该框架允许在一致的数学模型中估计实验操作对神经效率与容量的影响。
• 所有方法均可使用标准神经影像软件实现，提升了认知神经科学研究中的可及性与可重复性。
• 结果表明，fMRI数据中的多项式对比可通过微分方程视角重新解释，从而获得具有生物学可解释性的参数。