报告人：Serge O. Dumoulin

整理人：龚曦紫

审核人：方方

2018年3月6日下午，来自荷兰Spinoza Centre的 Serge O. Dumoulin教授，应IDG／麦戈文脑研究所的方方教授邀请来到北京大学，在王克桢1113会议室为大家带来了一场题为“Cognitive Neuroscience: from Vision to Attention and Numerical Cognition”的学术报告。Serge O. Dumoulin教授的主要研究方向是计算神经科学与脑成像的交叉——计算神经成像（Computational Neuroimaging）。在本场讲座中， Dumoulin教授从认知神经科学的新兴研究手段切入，与我们分享如何利用这些研究方法，对视觉注意以及数值认知过程进行研究。

群体感受野算法（population receptive field，pRF）

感受野是视觉神经元具有的一个普遍的特性。无论初级还是高级的视觉神经元通常只针对一部分空间位置的视觉刺激反应。在视觉科学的研究中，感受野（Receptive Field，RF）是一个相当重要的概念。要了解神经元的加工过程，首先就是要了解神经元的感受野，进而明确神经元接受到的物理信息。在脑成像中，由于fMRI的分辨率在mm量级，一个体素（voxel）中包含有成千的神经元，voxel中接收到的物理信息不能简单地用单个神经元的感受野进行推理，因此需要对群体的感受野进行刻画。pRF算法就是为了对群体感受野进行描述而开发出来。

研究者可以通过多种不同的视觉刺激，来获得pRF算法所需要的fMRI时间序列信息。pRF算法假设群体感受野可以用2D Gaussian进行刻画，对于每个voxel，独立地通过计算估计出能够最好地预测观测信号的参数组。具体流程如图1。pRF算法是对voxel内神经元特性的一个统计累计，pRF的参数依赖于voxel内神经元群体的大小以及内在的特性（Dumoulin & Wandell, 2008）。

图 1  pRF线形模型的估计流程图

通过pRF算法，研究者能对不同的神经反应特性建立合适数学的模型，从而进一步对其加深了解。如pRF算法可以用于估计视野地图、群体感受野的大小、偏侧化、周围抑制等特性，从而更好地理解大脑的建构。

7T fMRI

随着技术的发展，MRI的磁场强度从最初的1.5T发展到现在常见的3T和4T以及最近10年发展出来的7T。高场强的MRI可以提供更多的信息，这不仅体现在了数据量的增多上，信号的信噪比也有了极大的提升。利用7T的MRI，一方面可以在传统的空间分辨率上（体素边长大于1mm），利用其更高的信噪比进行实验，比如空间上功能地图的划定。而另一方面，7T的MRI可以将空间分辨率推进到1mm以下，从而进行更为敏感的实验（Dumoulin et al., 2017）。在传统研究中，研究者通过神经电生理的手段研究微观的单个神经元的活动特性，通过fMRI研究宏观的脑区的活动特性，而介于其中，还存在有神经元之间的组织活动，包括以往熟知的功能柱以及构成大脑皮层的6层神经元结构（laminae）。7T的MRI使得研究者可以从这样的组织层面探究大脑的功能活动特异化，探测laminae之间信息的链接与传递。信息前馈传递到的空间位置与反馈传递的空间位置，都可以通过7TMRI获取（Dumoulin, 2017）。

结合7TMRI与pRF算法进行研究，可以获得更为稳定的结果。以laminae的成像为例。MRI的原理决定了其是以神经反应最终的血氧代谢变化来推断神经反应的强度。但是由于大脑血管的走向，血液是从大脑的皮层方向流向大脑的深部结构的，故fMRI的幅值信号会显示出从皮层到深部逐渐减弱的倾向。这样的幅值变化，并不能反应大脑活动的特性，而是血液活动因素的混淆。通过7T可以得到，信号首先传递到V1的中间laminae，然后分别往表层与深层传递。依照加工过程的假设，加工层级靠后的神经元会有更大的感受野。pRF的结果符合了上述假设并且与猴子神经电生理的结果吻合（Dumoulin et al., 2017）。

空间注意（Spatial Attention）

内源性的注意对于我们的神经加工过程以及视觉知觉起到了非常重要的作用。比如空间注意，通过影响神经元反应特性得以更集中地处理注意位置的信息。Reynolds和Heeger提出了注意域（Attention Field）的模型，用Gaussian来对空间注意及其效应进行描述。结合前文感受野的假设，空间注意域与感受野的交互作用可以用两个Gaussian相乘进行模拟，结果同样符合Gaussian。也就是说，如果空间注意域与中性条件下感受野的Gaussian均值相同，乘积表明在注意条件下，注意位置感受野的反应强度有增强。而如果空间注意域与中性条件下感受野的Gaussian均值存在差异，乘积的均值会处于空间注意的与中性条件下感受野的均值的中间，具体的位置与空间注意和中性感受野的方差有关。这表明了在注意条件下，非注意位置的感受野会发生偏移。在整个空间上，所有的非注意位置感受野都向注意位置发生迁移，最终导致有更多的神经元对注意位置的刺激进行了加工。

为了验证这样的预测，Dumoulin教授在强注意条件下，同时测量被试全空间的群体感受野。实验得到了注意域在左侧与注意域在右侧两个注意条件下被试的pRF。将两个不同注意条件下被试同一voxel的pRF进行比较。结果发现，确实，所有的pRF都趋向注意域发生了水平的迁移（图2A，图2B）。对不同视觉加工层级脑区的分析表明，随着加工层级的提高，迁移量也随之增大（图2 C）。进一步估计不同加工层级的注意域与中性条件下的pRF，结果表明，在全脑，注意域的大小似乎相对恒定，迁移量的变化主要来源于中性pRF的大小差异（图2 D）(Klein, Harvey & Dumoulin, 2014)。

图 2  空间注意导致pRF迁移

进而，教授通过7T的MRI，进行了laminae层级的脑成像，试图探究这种迁移的来源。注意条件下pRF的迁移，可能是前馈的结果，从LGN开始就存在有注意增强的效应，信号向前传递，下一层级继承了这种注意的效应。同时这种迁移也可能是注意自上而下的一个反馈的信号导致的。通过laminae层级的成像，发现在深部皮层也就是白质附近的pRF的迁移是最大。这比较符合迁移来源于反馈的假设。但同时可以看到，在皮层的各个深度，迁移效应均存在，说明迁移也存在有一部分的自下而上的成分。

除了fMRI的实验，教授同时也对行为层面的影响上进行了探究。在注意条件下，被试的RF发生了变化，从而可能影响被试对于距离的知觉。实验在左右两侧分别呈现了两个视觉刺激，要求被试在注意一侧的条件下，判断哪一侧的刺激之间距离更长，并进行匹配调节。如果存在有RF的迁移，即注意侧反应的神经元数目变多，从而可能导致距离感知变长。行为实验的结果证实了注意会扰乱位置感知，这与注意域假设和前文所述的成像结果一致(Klein et al., 2016)。

数值认知（Numerical Cognition）

最后一部分，Dumoulin教授简单介绍了关于数值认知的研究。数值主要是用来表示一组物体的个数大小。在成人、婴儿和动物的研究中都发现被试具有相当的数值加工能力，尤其是对较小的数值。这种加工能力，与抽象符号能力无关，而与初级感知觉更为类似。因此，数值认知在大脑中的组织可能与视知觉、运动皮层类似，以地形图的形式存在。

图 3  数值认知

研究者要求被试在7T的fMRI中注视在中央视野的视觉刺激（如图3 A所示），其数值在1-7和20（基线）中变化，完成与数值加工无关的颜色探测任务。结果确实发现在顶叶的某些神经元存在数值选择性（图3 B）。并且，通过拟合数值的tuning发现，tuning的宽度随着偏好的数值的增大而增大（图3 C）。在皮层上的定位发现，靠中央神经元偏好小数值，而靠外侧的神经元偏好大数值。此外，类似皮层放大现象，偏好小数值的神经元要显著地多（图3 D）。这些结果在被试间、在不同类的视觉数值刺激中都得到了很好的重复。这一方面，表明了结果的可靠性，另一方面，说明数值选择性反应不可以用刺激本身的其他视觉特征解释。同样的，对V1的反应进行分析并未发现与数值相关的选择性；在被试间，具有数值特异性反应的顶叶区相对视觉加工区的位置是被试间变化的；甚至对于阿拉伯数字的控制实验未见类似特异反应。这些结果都进一步验证了上述反应确实是数值特异的(Harvey et al., 2013)。

在随后的研究中，研究者在顶叶同样发现了对物体大小特异的反应。偏好大的物体的神经元与偏好小的物体的神经元比例相似，说明尽管对物体大小特异与对数值特异的神经元有很大的重叠，但是其内在的机制是不一样的(Harvey et al., 2015)。

参考文献

Dumoulin, S. O., Fracasso, A., van der Zwaag, W., Siero, J. C. W. C., & Petridou, N. (2017). Ultra-high field MRI: Advancing systems neuroscience towards mesoscopic human brain function. NeuroImage. doi:10.1016/j.neuroimage.2017.01.028

Dumoulin, S. (n.d.). Layers of Neuroscience. Neuron,96(6), 1205–1206. doi:10.1016/j.neuron.2017.12.004

Klein, B. P., Harvey, B. M., & Dumoulin, S. O. (2014). Attraction of position preference by spatial attention throughout human visual cortex. Neuron,84(1), 227–237. doi:10.1016/j.neuron.2014.08.047

Klein, B. P., Paffen, C. L., Pas, S. F., & Dumoulin, S. O. (2016). Predicting bias in perceived position using attention field models. Journal of vision, 16(7), 15. doi:10.1167/16.7.15

Harvey, B. M., Klein, B. P., Petridou, N., & Dumoulin, S. O. (2013). Topographic representation of numerosity in the human parietal cortex. Science (New York, N.Y.), 341(6150), 1123–6. doi:10.1126/science.1239052

Harvey, B. M., Fracasso, A., Petridou, N., & Dumoulin, S. O. (2015). Topographic representations of object size and relationships with numerosity reveal generalized quantity processing in human parietal cortex. Proceedings of the National Academy of Sciences of the United States of America,112(44), 13525–30. doi:10.1073/pnas.1515414112

Dumoulin, S. O., & Wandell, B. A. (2008). Population receptive field estimates in human visual cortex. NeuroImage, 39(2), 647–60. doi:10.1016/j.neuroimage.2007.09.034