您的位置:首页 > 科研进展

冯廷勇教授团队采用机器学习的神经活动模式预测个体的跨期选择

发布时间:2018-11-22 来源:本站原创 作者:本站编辑   浏览次数:

冯廷勇教授团队采用机器学习的神经活动模式预测个体的跨期选择

 

跨期选择要求人们对于发生在不同时间点的事件的成本和收益进行权衡而最终做出决策。尽管以往研究已经揭示了跨期选择的神经机制,提示以腹侧纹状体等脑区为核心形成的价值评估功能网络、以背外侧前额叶等脑区为核心的认知控制网络及以海马等脑区为核心的预期想象网络的参与是决定个体最终跨期决策的神经机制。但已有研究基于传统的行为-脑范式 (Behavioural-Brain configuration),并未有稳健的证据从脑-行为视角 (Brain-Behavioural reconfiguration) 验证人类跨期选择决策的认知神经机制。

近日,冯廷勇教授团队在著名神经影像学杂志 Cortex(中科院SCI一区,IF=4.907 刊发题为“ Pattern classification differentiates decision of intertemporal choices using multi-voxel pattern analysis”的学术论文,利用机器学习的多体素模式识别分析 (Multi-voxel pattern analysis) 解决了这一问题,该研究基于脑-行为的视角提供了可靠的证据表明脑价值评估网络、认知控制网络及预期想象网络的神经活动模式能够显著的判别个体将会作出什么样的跨期决策,识别正确率高达84.3%

结果发现,基于机器学习的线性支持向量机 (support vector machine, SVM) 算法,基于体素的全脑神经活动模式将能够显著的预测个体在跨期选择中的决策,并提示背外侧前额叶,海马等团块更高的识别决策权重(见图1)。

1 全脑体素BOLD信号模式加权值图谱及对应的直方曲线图(基于SVM算法)

此外,为保证该研究的可重复性,本研究进一步采用独立的非参数高斯过程处理识别算法 (Gaussian process classifier, GPC) 基于独立样本验证本研究的结果。令人鼓舞地是,无论采用SVM算法还是GPC算法在样本集1或在独立样本集2上进行多重体素模式识别分析,全脑体素的神经活动模式均能显著的预测和识别个体的跨期选择决策,并表现出相似的神经活动模式 (Neuronal pattern)。因此,本研究采用最小统计虚无假设联合分析法 (Minimum statistic / Conjunction null hypothesis, MS/CN) 在定量分析中验明了其高度相似的神经拓扑模式,提示了本研究的高可重复性及结果的可靠性 (见图2)

2 基于体素的神经活动模式图谱及多算法 (SVM GPC) 联合分析结果

 

为进一步探索基于脑区的神经激活模式对于识别个体跨期决策的贡献,本研究同时进行了多尺度区域性感兴趣区分析 (Multi-Scale ROI analysis),将Power定义的先验模板提取为264个独立的球形区域以表征各个功能区域,然后以此为二阶分析限制区域 (second-level mask)在跨样本(即在样本1上进行机器学习及训练,在样本2上进行测试)上进行验证。结果发现,双侧腹内侧前额叶,左侧背外侧前额叶,左侧海马回,双侧腹侧纹状体的神经信息编码能够显著的识别个体的跨期选择解决(见图3)。

总之,本研究首次从脑-行为的判别视角出发,通过机器学习的两种独立算法在多样本上实现了对人类跨期选择决策的识别,并得到了交叉验证。因此,本研究提供了一个稳健的证据揭示了跨期选择的认知神经机制,拓展了领域内对于评估、控制、预期三网络模型的认识。

论文的第一作者为西南大学在读硕士生陈志毅,冯廷勇教授为通讯作者。该研究得到国家自然科学基金面上项目(31571128)和中央高校基本科研业务费的资助(SWU1509392SWU1809357)。同时,陈志毅同学在第二十一届全国心理学学术会议(2018.11.2-4,北京)硕博学术论坛中提交的论文《A meta-analytical review of brain activity linking delay discounting in patients with addiction, ADHD and obesity-general disorder: Evidence from a trans-disease process》荣获全国青年优秀论文一等奖(硕士类唯一),该论文系在我部冯廷勇教授悉心指导下完成。

 

文章索引

Chen Z, Guo Y, Zhang S, Feng T. Pattern classification differentiates decision of intertemporal choices using multi-voxel pattern analysis. Cortex. In press. DOI: 10.1016/j.cortex.2018.11.001