A063 NeuroImage 方法学解读｜表征几何分析：怎样区分“地图变了”和“读取方式变了”
来源：公众号 PSY-Brain_Frontier ｜ 发布：2026-10-25 ｜ 原文链接
● 认知神经科学前沿文献分享
论文信息：Geometric reformatting of shared relational maps during flexible decisions
发表时间：2026-10-03
发表期刊：NeuroImage
01 一张地图，能不能服务不同的决策目标
我们常说大脑会形成“认知地图”，可地图形成以后，困难的是使用。假设你已经知道一群人的能力和道德评价，下一次判断可能只问“谁更有能力”，也可能要求把两个维度合起来。要是每换一个问题就重新建一张地图，过去学到的关系很难迁移；要是永远照着同一套距离读，当前目标又可能被无关信息干扰。
中国科学院合肥肿瘤医院的研究团队，把这个问题做成了一个二维社会关系任务。31名健康成人先学习16张脸在“能力”和“道德”两个维度上的相对等级，每个维度4个等级，16张脸组成一个4×4的关系空间。筛查后留下24人，女性12人，平均年龄26.63岁。第三天，参与者在3T扫描仪里完成功能磁共振成像（functional magnetic resonance imaging，fMRI），每个试次先看到情境提示，再看两张脸，判断哪一张更符合当前要求：单维任务只按能力或道德选择，混合任务要把两个维度整合起来。决策阶段共180个试次，单维120个、混合60个。
选择正确率能告诉我们目标维度有没有影响判断，反应时能告诉我们冲突会不会让人变慢，但它们很难回答一个更具体的问题：目标改变时，大脑是切换到另一张子地图，还是保留原来的二维关系结构，只改变读取距离的方式？论文要检验的是后一种可能。
02 从选择和反应时，追踪到表征空间的形状
研究者先把每个试次写成关系空间里的变量：目标维度和非目标维度上的等级差，两个维度是否支持同一个选择的一致性，以及混合任务里两个维度等权整合后的对角等级差。选择用带随机截距的二项广义线性混合模型分析，反应时用线性模型分析。
核心分析是表征相似性分析（representational similarity analysis，RSA）。作者预先写好三个理论模型：二维模型保留能力和道德构成的共享地图，一维模型把表征压到当前任务对齐的轴上，情境模型控制情境本身的影响。每位参与者的 fMRI 数据在半径3个体素的全脑搜索光中处理，单维任务里16张脸乘以两个情境得到32个条件，神经活动模式之间的距离组成神经表征不相似矩阵（representational dissimilarity matrix，RDM），再与三个理论矩阵放进同一个一般线性模型比较。
Fig. 1 中，作者展示了二维社会关系任务、单维与混合判断流程，以及从 RSA 到几何重格式化和全脑搜索光分析的整体框架。
但判断“更像二维还是更像一维”，只能说明读取了哪种距离，不能单独证明地图的局部几何真的变了。因此作者又计算几何重格式化指标，把关系空间里的方向拆成两条轴：任务相关轴，表示当前需要的能力或道德信息；一致性轴，表示两个维度是否共同支持同一个选择。行为端用反应时对不同方向距离的依赖估计主观几何，神经端用搜索光内理论匹配关系向量的距离比值估计几何变化。
作者还做了留出身份预测：用部分脸的关系结构训练，在未参与拟合的脸上，比较理论约束的联合重格式化模型、固定二维模型、情境依赖的维度加权模型和更灵活的情境特异二次模型。另一条验证线是卷积神经网络—长短期记忆网络（convolutional neural network–long short-term memory，CNN-LSTM）：模型按同样的任务结构训练，只从局部等级差学习，再用隐藏层的 RSA 和重格式化指标追踪训练过程，30次独立模拟把随机种子作为统计单位。
03 固定的二维分析之外，几何指标多看到了什么
行为结果先说明，同一张地图被不同地读取。单维任务里，目标维度的等级差强烈预测选择（系数1.264，校正后 P<.001）；两个维度支持同一选项时表现更好，互相冲突时变差。混合任务里，对角等级差显著预测选择，单维优势变量没有显著作用，与整合读取一致。
反应时更接近“读取空间”的证据：单维判断中，一维任务对齐的拓扑在留出数据上预测反应时的 R² 为0.56，二维地图模型为0.37；混合判断中，二维模型为0.37，高于一维模型的0.29。目标只要求能力或道德时，决策时间更像在一条压缩的一维路径上计算；两个维度都要用时，完整的二维距离重新变得重要。
脑内的表征也是两种读法并存。双侧海马和眶额皮层／内侧前额叶区域显著匹配共享的二维模型；背外侧前额叶、楔前叶、扣带和下顶叶等额顶控制区域，则表现出与任务对齐的一维表征。CNN-LSTM 里也出现了相似的组合：训练第100步起二维表征稳定显著，第200步起一维表征稳定显著。
Fig. 3 中，作者展示了人类 fMRI 与 LSTM 中共享二维地图和任务对齐一维表征的结果；结果显示，海马及眶额皮层／内侧前额叶匹配二维模型，额顶控制区域匹配一维模型，LSTM 中二维表征先于一维表征出现。
如果只做固定的二维 RSA，最多能看到海马等区域保留了一张可复用的关系地图；如果只看选择正确率，又只能说冲突信息会干扰决策。加上方向化的几何重格式化指标，作者才看到两条不同的变化：单维任务沿任务相关轴的重格式化更强（行为检验 t=-16.485），混合任务沿一致性轴的重格式化更强（t=35.689），均 P<.001。两项神经指标都来自单维任务的数据：任务相关轴的拉伸见于下顶叶和岛叶，一致性轴的拉伸见于海马和内侧前额叶。留出身份比较里，理论约束的联合模型优于情境依赖的维度加权模型和情境特异的二次模型，但它没有胜过固定二维模型，后者在1个搜索光中心反而占优（t=−6.64，P_FWER=.0080）。作者把稳定的二维几何视为很强的基线，重格式化是叠加在上面的局部偏离；把底层二维几何固定、只改变下游权重的结构化零模型，不能系统地重现这两类指标。
Fig. 5 中，作者展示了沿一致性轴和任务相关轴的行为与神经重格式化；反应时估计显示，单维任务更强调任务相关轴，混合任务更强调一致性轴；两项神经指标都来自单维任务数据，任务相关轴的拉伸见于下顶叶和岛叶，一致性轴的拉伸见于海马和内侧前额叶。
CNN-LSTM 还给出了两类拉伸的时间线：与一致性轴有关的变化在初始化时已有轻微偏差，早期训练迅速增强；任务相关轴的变化到第700步才稳定显著。削弱情境提示后，一致性轴的重格式化反而增加，任务相关轴的重格式化减弱。心理生理交互（psychophysiological interaction，PPI）结果显示，海马、岛叶和楔前叶之间的连接随任务相关信息变化，但论文没有给出信息传递方向或因果作用。
解读时有几处要小心。研究对象是24名健康成人完成的社会关系任务，fMRI 和模型模拟都支持“共享二维结构加局部重格式化”这一解释，但没有证明某个区域因果地产生了几何变化，CNN-LSTM 里出现的几何形状也不能直接等同于人脑的计算。作者在讨论里提出，需要更高时间分辨率的记录和更有生物约束的模型，才能进一步厘清地图提取、目标信号与几何重格式化之间的因果关系。
04 自己的数据能不能用这套几何分析
论文用的是24名参与者在 fMRI 里完成任务时的多体素活动模式，刺激是16张脸构成的4×4关系空间；120个单维试次给每个“身份×情境”条件留下4—11个观测，平均7.5个，神经活动模式就在这些观测上估计。关系空间和候选的理论模型在看神经数据之前就已写好，任务相关轴和一致性轴由任务结构明确给出，底层几何的改变与固定表征上的下游权重变化，则靠留出身份预测和结构化零模型来区分。
这套方法适合有任务结构、刺激身份和重复观测的多体素或神经群体数据。若迁移到 EEG、MEG 或神经元群体记录，需要把每个时间窗的活动整理成可比较的条件模式，并确认时间对齐、试次数、噪声处理和理论 RDM 的定义不会把任务差异混入几何指标。还要保留留出身份预测、固定二维结构的零模型和多重比较校正，分别检验局部重格式化能否泛化、下游权重能否单独解释结果，以及不同搜索范围或时间窗下结论是否稳定。论文直接验证的是 fMRI 与 CNN-LSTM；迁移到其他数据类型时，这些条件需要逐项核对。