视觉感知中的香农熵预测启动效应：基于噪声分布统计距离的认知建模

这篇综述创新性地将香农熵(Shannon entropy)和KL散度(Kullback-Leibler divergence)应用于视觉启动效应研究，提出多参数动态模型（含刺激新颖性、任务相关性、噪声强度和时间变量t），成功预测形状辨别任务中目标-干扰项关系的反应时差异，为知觉不确定性量化提供了信息论新范式。

　　

Highlight

视觉不确定性在嘈杂观察中的早期过滤机制

感知不确定性首先通过感觉受体（Norwich, 1977）在早期加工阶段被过滤。这些受体的抑制功能使得仅有相关信息被传递到高阶知觉层，而噪声成分被衰减。根据该假设，视觉噪声不应被建模为不确定性来源——本质上它根本不应被纳入知觉编码体系。

更主流的噪声处理方式是通过信号检测理论（Signal Detection Theory, SDT）和贝叶斯建模（Bayesian modeling）。前者将不确定性量化为知觉判断中的噪声，后者则将其视为先验分布与感觉数据间的失配。然而，尽管启动效应可通过高阶知觉框架建模，这些框架仍无法对"完全损坏"的视觉噪声观察做出有意义的假设——它们只能将噪声观察视为对有意义刺激的内部响应表征。

现代理论将外部噪声与内部噪声视为完全独立的误差源，这是合理的，因为外部噪声受到独立的高阶神经系统调节而非受体层面。但我们提出将两类噪声统一在信息熵框架下，通过数学等效性实现整合：当系统对外部随机噪声的确定性达到最优（熵≈0），其表征方差将趋近临界低值，从而在感官空间中实现噪声与信息刺激的表征兼容。

信号强度与注意分配对不确定性的动态影响

视觉不确定性随信号强度动态变化——刺激暴露时间越长，相关不确定性越低（Stein等, 2005）。据此，我们模型需考虑：阈下呈现或未被注意的干扰项始终比超阈值信号具有更嘈杂的表征，因为短暂暴露会产生噪声激活模式。注意分配同样影响不确定性，任务无关干扰项必然比目标刺激具有更高的不确定性。

启动效应的经典解释在意识访问范式（反应延迟源于注意抑制）和阈下范式（延迟源于自下而上的特征错配）间存在分歧。我们的模型通过引入干扰项方差常数修正和强度参数调节，实现了两类范式的统一解释——将启动效应纯粹定义为神经活动模式间的关系。

Calculation

形状辨别任务的熵驱动建模

本研究模拟涉及形状辨别和视觉噪声掩蔽的知觉任务。核心假设是：当目标先前作为干扰项出现时会产生更高的相对熵（Tipper, 1985）。最大效应预计出现在两个强信号单次呈现时，此时KL散度计算公式为：

KL(q) = ∑p(θ)log(p(θ)/q(θ))

Experiment

几何形状启动效应实证

实验采用经典负启动范式，包含四种几何图形（圆形/三角形/矩形/星形）。刺激作为干扰项（蓝色）或目标（红色）出现在强制辨别任务中，部分试次会附加灰色噪声掩蔽。通过测量对噪声掩蔽目标的反应时，验证了KL散度预测的准确性——当目标前试次包含高熵干扰项时，反应延迟达显著性水平（p<0.01）。

Discussion

噪声分布统计距离的解释力

我们证实了目标反应时可建模为目标与前一刺激噪声分布间的统计距离。特别地：1）干扰项-目标KL散度能解释几何形状启动效应；2）噪声掩蔽条件下，系统通过临界低方差实现噪声过滤；3）时间参数t对所有刺激具有普适性衰减效应。该框架为知觉学习中的动态表征变化提供了量化工具。