利用活动测量模型推断脑计算机制

高分辨率功能成像正在提供越来越丰富的动物和人类脑活动测量数据。主要挑战是如何利用此类数据深入洞察大脑的计算机制。第一步是定义能够执行相关行为任务的候选脑计算模型（BCMs）。随后，我们希望推断哪个候选 BCM 最能解释测得的脑活动数据。在此，我们描述了一种方法，即为每个 BCM 补充一个测量模型（MM），该模型模拟脑活动测量反映神经元活动的方式（例如 fMRI 体素中的局部平均或阵列记录中的稀疏采样）。生成的生成模型（BCM-MM）产生模拟测量值。为了避免必须拟合 MM 以预测脑活动数据的每个独立测量通道，我们在汇总统计量层面上比较测量数据与预测数据。我们描述了该方法的一种新颖具体实现，称为带有测量模型的概率 RSA（pRSA），它使用表征相异性矩阵（RDMs）作为汇总统计量。我们通过基于深度卷积神经网络进行视觉物体识别的 fMRI 测量模拟（局部平均体素）验证了该方法。结果表明，测量方式对活动模式的采样强烈影响表观的表征相异性。然而，对测量过程的建模可以解释这些效应，即使在大量噪声下，不同的 BCMs 仍然可区分。pRSA 方法使我们能够对 BCM 集合执行贝叶斯推断，并在每种情况下识别数据生成模型。