功能网络拓扑的可分离变化是早期类别学习与自动化发展的基础
神经元与认知
2016-10-12 v1
摘要
最近的研究表明，包括额叶、颞叶和顶叶皮层在内的多模态联合区是人类学习和执行认知任务期间功能网络重构的焦点。另一方面，类别学习的神经计算理论表明，基底神经节及相关皮层下结构是某些分类任务早期学习期间功能网络重构的焦点，但随着自动化分类表现的发展，其重要性会降低。结合网络科学和多层回归方法，我们探讨了小脑区连通性的变化如何预测视觉分类任务训练期间的行为变化。我们发现，以准确率变化为指标的初始类别学习，是由皮层下区域日益高效的整合处理所预测的，表现为更高的功能特异性、模块间更高效的整合，以及信息处理冗余度成本的降低。以正确反应速度变化为指标的自动化发展，则由较低的聚类系数（特别是在皮层下区域）、较高的强度（在皮层区域最高）和较高的介数中心性所预测。通过结合神经计算理论和网络科学方法，这些结果综合了多模态联合区和皮层下结构在类别学习自动化发展过程中的分离作用。
引用
@article{arxiv.1408.4180,
title = {Dissociable changes in functional network topology underlie early category learning and development of automaticity},
author = {F. A. Soto and D. S. Bassett and F. G. Ashby},
journal= {arXiv preprint arXiv:1408.4180},
year = {2016}
}