基于通用语义模型的自传体心理意象特征神经解码研究

《Nature Communications》：Neural decoding of autobiographical mental image features with a general semantic model

本研究针对语言理解与自传体想象是否共享神经表征这一关键问题，通过功能磁共振成像技术，首次证明句子理解与自传体心理意象在默认模式网络的三个子系统（Core-DMN、MT-DMN、FT-DMN）中存在共享表征空间。研究人员利用预训练的语义解码模型，成功从不同个体的fMRI数据中零样本解码出个体特异性自传体特征评分，为理解人类记忆与语言的神经基础提供了重要证据。

　　

当我们阅读一段文字时，大脑是如何将抽象符号转化为生动意义的？当我们回忆个人经历时，神经系统又是如何重现那些独特体验的？这两个看似不同的认知过程——语言理解与自传体想象，长期以来被认为由相对独立的大脑系统负责。传统观点认为，语言理解主要依赖语义系统（涉及颞叶、顶叶和额叶的外侧区域），而自传体/情景记忆则主要由中线皮层区域和海马体支持。然而，这种严格划分正受到越来越多研究的挑战。

在这项发表于《Nature Communications》的重要研究中，安德森（Andrew J. Anderson）团队通过精巧的实验设计，揭示了这两种认知功能在神经表征层面的深刻联系。研究人员招募了50名年龄各异的参与者（25名年轻成人和25名老年成人），让他们想象20种常见场景（如婚礼、葬礼、派对等）的个人经历，并对每个心理意象进行20个维度的体验特征评分。随后，在功能磁共振成像（fMRI）扫描过程中，参与者根据文字提示重新想象这些自传体场景。

研究的创新之处在于，团队使用了一个预训练的语义解码模型，该模型基于另一组14名参与者在阅读240个句子时的fMRI数据训练而成。令人惊讶的是，这个从未接触过自传体想象数据的模型，能够成功地从新参与者的fMRI活动中解码出个体特异性的心理意象特征。这意味着，尽管任务不同、参与者不同，但大脑在表征句子意义和个人经历时，使用了共享的神经编码机制。

特别值得关注的是，这种共享表征主要存在于默认模式网络（Default Mode Network，DMN）的三个子系统中：Core-DMN（核心子系统）、MT-DMN（内侧颞叶子系统）和FT-DMN（额颞叶子系统）。传统上，Core-DMN和MT-DMN与自传体/情景回忆和模拟密切相关，而FT-DMN则更多参与语言理解和概念表征。本研究却发现，这三个子系统都以某种程度共同编码了语言理解和自传体想象的语义内容。

研究方法上，团队主要运用了功能磁共振成像技术记录脑活动，采用Schaefer-1000皮层分区系统将大脑划分为1000个功能区域，使用预训练的跨参与者语义解码模型进行特征重建，通过个体差异分析评估解码的特异性，并利用表征相似性分析比较不同模型的性能。此外，预测方差分配分析帮助确定了各个体验特征的独立贡献。

结果

心理意象特征可通过通用语义解码模型从fMRI数据重建

研究发现，20个体验特征中的11个能够从fMRI数据中显著准确地重建，包括社交、言语、沟通、头部动作、听觉、愉悦感、音乐、下肢动作、亮度、运动和触觉等特征。社交相关特征的重建准确度最高，这与默认模式网络在心理理论（Theory of Mind）和社会认知中的作用一致。虽然9个特征未能达到显著重建水平，但进一步分析表明，这可能是由于全皮层回归分析未能很好地捕捉某些在DMN子系统中可重建的特征。

重建的心理意象特征评分反映个体间差异

通过个体差异分析，研究证明重建的特征评分确实反映了参与者特有的自传体内容，而非泛化的群体水平语义。当分析所有50名参与者时，个体间差异的解码准确率达到70%。特别值得注意的是，社交评分在区分不同个体的心理意象内容中发挥了主导作用，在所有参与者中解码准确率达76%。

DMN子系统重建特征评分的个体间差异

分别分析三个DMN子系统的结果表明，Core-DMN和FT-DMN重建了与社会互动相关的特征（社交、沟通、言语），而MT-DMN则更擅长重建与运动（路径）和感知（颜色、味觉）相关的特征。每个DMN子系统都能捕捉到个体间差异，但各自擅长解码的特征类型有所不同。这一发现揭示了DMN各子系统在整合不同类型经验信息中的特异性和互补性。

体验特征对预测心理意象fMRI数据的独立贡献

预测方差分配分析确定了7个对预测fMRI数据有独立贡献的体验特征：社交、沟通、路径、下肢、颜色、运动和不适感。其中，社交特征预测了跨越所有三个DMN子系统的大片皮层区域，特别是与心理理论相关的脑区。路径特征则主要预测MT-DMN的活动，这与该子系统在空间导航和心理模拟中的已知功能一致。

基于体验特征评分的解码结果与GPT-2相当

为验证当前体验特征集的完备性，研究还比较了基于20个体验特征的模型与包含1024个特征的GPT-2语言模型的表现。表征相似性分析表明，两种方法在重建心理意象场景的相似性结构方面表现相当，没有显著差异。这说明相对简练的体验特征集已能捕获自传体心理意象的关键神经表征，同时也为未来使用更复杂模型留下了空间。

研究结论表明，人类大脑在想象自传体经历和理解阅读的句子意义时，使用了共享的表征空间，这一空间覆盖了默认模式网络的三个子系统。这一发现有助于弥合情景记忆与语义记忆系统之间的传统界限，表明它们之间的区分可能比以往认为的更加模糊。

更重要的是，研究提供了概念验证，表明无需为特定个体定制解码模型，也能从fMRI数据中提取自我生成心理状态的个体化特征。这种跨任务、跨参与者的解码能力，为未来脑机接口技术的发展提供了新的可能性。例如，在临床设置中，可能通过分析脑活动来了解无法正常沟通的患者的内心体验和思想内容。

研究的实际意义还体现在公开提供了预训练的解码映射，使其他研究人员能够在新fMRI数据集中推断心理状态的体验内容，特别是在社会认知指标的开发方面具有应用潜力。

当然，研究也存在一些局限性。当前解码方法主要适用于能够重建/预测的特征，而驱动跨任务/参与者预测的关键特征仅限于社交、沟通、路径、下肢、颜色和运动等。未来使用更大、更全面覆盖人类经验的数据集，可能会开发出能更准确重建更多特征的fMRI解码器。

总之，这项研究通过创新的实验设计和分析方法，揭示了语言理解与自传体想象在神经层面的深刻联系，为理解人类认知的基本架构提供了重要见解。它不仅是神经科学研究方法学上的重要进展，也为未来开发更精准的脑活动解码技术奠定了坚实基础，最终可能推动新一代脑机接口技术的发展，帮助人们更好地理解人类思维和记忆的本质。