量化神经效率与容量：多项式对比度的微分方程解释
定量方法
2016-06-21 v1 神经元与认知
摘要
用于认知神经科学研究的基于任务的神经成像工具为理解大脑如何响应不断增加的认知需求提供了洞察。基于对大脑活动线性和非线性增加的观察，已经发展出了神经-认知关系的理论模型。神经效率和容量是当前理论模型的两个参数。这两个理论参数分别描述了大脑活动的增长率及其增长的上限。当前工作证明，响应n-back任务的大脑活动增加的二次模型是微分方程模型的解。这种对分析常见认知任务标准方法的重新解释提供了丰富的新见解。结果包括神经效率和容量的大脑全局测量。神经-认知关系的量化为支持当前认知神经科学理论提供了证据。此外，这些方法为理解工作记忆的神经机制提供了一个框架。这允许在概念研究框架内估计实验操纵的效应。所提出的方法被应用于执行四个级别n-back任务的二十一名健康年轻成年人。所有方法均可使用当前标准的神经成像软件包轻松应用。
引用
@article{arxiv.1606.06249,
title = {Quantifying Neural Efficiency and Capacity: A Differential Equation Interpretation of Polynomial Contrasts},
author = {Jason Steffener and Karen Li and Syrina Alain and Johannes Frasnelli},
journal= {arXiv preprint arXiv:1606.06249},
year = {2016}
}