视觉数量表征的神经几何学：跨视觉通路的早期视觉与联合皮层区差异

本研究通过fMRI结合模型驱动与数据驱动分析方法，揭示了数量信息在人类大脑中的分布式表征机制。研究人员操控视觉集合的数量(number)、项目大小(item size)、总场面积(total field area)等正交变量，发现数量信息从早期视觉区(V1-V3)到背侧(IPS1-5)和腹侧流(VO1-2)联合皮层均存在独立表征，且呈现不同的神经编码几何学：早期视觉区为线性等级表征，联合皮层则形成弯曲的"数字线"结构。该发现挑战了传统顶叶主导的数量处理范式，为数学认知的神经基础提供了新见解。

　　

数量感知能力是人类与生俱来的核心认知功能，从购物时快速估算商品数量到科学家处理实验数据，这种对离散物体数量的直觉判断渗透在生活的每个角落。传统神经科学研究将数量处理定位于顶叶皮层，但近年来越来越多证据表明，大脑对"多少"的编码可能远比想象的更为复杂。当面对散落的苹果时，我们的大脑如何区分"数量多"和"单个苹果大"这两种不同属性？这个看似简单的问题背后，隐藏着视觉系统分离与整合不同数量特征的精密机制。

意大利特伦托大学心理与认知科学研究中心的研究人员通过创新性的实验设计，在《Communications Biology》发表的研究中揭开了这一谜题。他们采用3T功能磁共振成像技术，记录31名成年人在执行数量估计任务时的全脑活动。实验严格控制刺激参数，正交操纵数量(6/10/17/29个点)、单点面积(0.04-0.2视觉平方度)和总场面积(9/13.5视觉度直径)三个变量。通过结合模型驱动的表征相似性分析(RSA)和数据驱动的多维尺度分析(MDS)，系统考察了数量信息在大脑中的表征模式。

关键技术方法包括：全脑表面基分析、基于概率图谱的ROI划分、半偏相关RSA控制变量间共线性、GCSS分析识别跨被试稳定激活区。行为任务采用样本-匹配范式，要求被试保持数量信息并进行偶然出现的比较判断，确保注意力集中。数据分析阶段通过TFCE校正解决多重比较问题，噪声天花板标准化实现跨区域比较。

全脑任务激活网络
对比样本刺激与基线的单变量分析显示，任务激活广泛分布于双侧半球，从早期视觉区延伸至顶叶的中央后回、额叶的中央前沟，以及内侧和外侧枕颞区。这一发现为后续分析提供了全脑范围的神经活动背景。

数量信息的独立表征
ROI半偏相关RSA结果显示，数量信息在几乎所有区域均能独立于其他视觉特征被解码，且在联合皮层呈现明显的层级增强效应。具体而言：

• 早期视觉区(V1-V3)：数量与总场面积(TFA)、密度等特征共同表征
• 背侧流联合区(V7-IPS345)：数量表征强度呈梯度上升(β=0.02)
• 腹侧流联合区(VO1-VO2)：同样表现出数量表征的增强(β=0.02)
  非数量特征如总场面积在早期视觉区表征最强，随处理层级升高而减弱(β=-0.09)，呈现与数量相反的模式。

全脑搜索light分析
超越预设ROI的搜索light分析证实，数量表征广泛分布于顶叶皮层(包括顶内沟上下)、前顶叶、枕顶交界区，以及颞叶中部向前外侧的延伸区域。这些区域与Harvey& Dumoulin报道的"数量拓扑图"空间位置相近，但本研究通过严格的特征控制证实了其特异性。

神经表征几何学差异
MDS分析揭示了不同脑区独特的编码模式：

• 早期视觉区：一维线性排列，完美对应数量等级
• 腹侧流联合区(VO1-VO2)：保持线性编码结构
• 背侧流联合区(IPS1-5)：弯曲的二维结构，第一维编码数量等级，第二维区分极端值(6/29)与中间值(10/17)
• 非视网膜拓扑区(NPC1-2/NTO)：均呈现弯曲编码模式，提示高级区域普遍采用相对数量编码策略

这项研究通过多模态分析方法，首次系统描绘了数量信息在大脑中的分布式表征图谱。其核心发现挑战了传统认知中"数量处理专属顶叶"的观点，证明早期视觉区已具备数量信息提取能力，而联合皮层则发展出更复杂的编码策略。特别值得注意的是，腹侧流的数量表征可能与数学教育诱导的"数字形式区"形成功能连接，为符号数字认知的神经基础提供了新解释。弯曲的神经表征几何学则提示，高级皮层可能同时编码绝对数量和相对等级信息，这种双重编码机制可能是人类灵活数量判断的基础。该成果不仅为发展性计算障碍等数学学习困难提供了新的神经标记，也为人工智能领域构建更接近人类的数量处理算法提供了生物学启示。