一种基于序列证据累积的决策任务递归神经网络模型

《Cognitive Neurodynamics》：A recurrent neural network model for a decision-making task based on sequential evidence accumulation

　　

摘要

决策过程通常涉及证据的积累，这一过程依赖于多个脑区之间的协同神经活动。大量研究表明，背外侧前额叶皮层（DLPFC）参与了决策过程中的证据积累。DLPFC中的单个神经元会随着证据的积累而展现出逐渐变化的反应，而神经元群则能够稳定地编码那些有助于将感官输入转化为行动的综合证据。先前的研究提出了决策过程中证据积累的计算模型，但目前仍不清楚如何在不同时间尺度上动态整合序列信息，以及如何维持已积累状态的稳定性。为了解决这些问题，我们提出了一个结合强化学习的循环神经网络（RNN）模型，用以探究决策任务中证据积累背后的神经计算机制。模拟结果显示，该模型成功学会了执行证据积累决策任务。循环单元的群体活动展现出不同的编码模式：一部分在对不同刺激条件下的即时证据作出短暂反应；另一部分则随着有利于首选目标的证据积累量逐渐增加或减少活动，从而反映了证据积累的过程。进一步分析表明，该网络并非仅仅追踪即时证据，而是倾向于随时间整合这些信号以做出决策。这一特性与DLPFC神经元在类似任务中的行为相似，也凸显了该模型在动态整合证据方面的能力。此外，我们发现抑制特定单元的活动以及破坏网络连接都会降低模型的决策性能，从而证明了这种网络结构在完成任务中的关键作用。总体而言，模拟结果表明该模型能够逐步积累输入的证据以用于决策，并为理解神经层面证据积累的机制提供了一种可能的计算方法。