第13章 计算神经科学

学习目标

  • 理解计算神经科学在心理学研究中的角色
  • 掌握 Marr 三层次与“算法层-实现层”映射思路
  • 了解常见计算神经模型及其适用场景
  • 能设计一个行为-神经联合建模的基础方案

关键概念

  • Marr 三层次
  • 规范性模型与机制性模型
  • 神经编码与神经解码
  • 生成模型
  • 参数可识别性

正文

13.1 什么是计算神经科学？

如果说认知建模回答的是“行为如何产生”，那么计算神经科学进一步回答：

这些计算如何在神经系统中实现？

它不是单纯“跑神经网络”，而是把三类证据连接起来：

  1. 行为数据（选择、RT、学习曲线）
  2. 神经数据（EEG/fMRI/单元活动）
  3. 理论模型（RL、Bayes、DDM、吸引子等）

13.2 Marr 三层次：最重要的理论框架

Marr 提出理解认知系统可分三层：

  1. 计算层（computational level）：系统在解决什么问题？
  2. 算法层（algorithmic level）：它用什么表示和规则求解？
  3. 实现层（implementational level）：神经系统如何物理实现？

在心理学研究中，常见断裂是：

  • 有行为层模型，但缺神经实现证据
  • 有神经激活图，但缺算法解释

计算神经科学的价值就在于补上这条断裂链。

13.3 从“相关激活”到“计算变量映射”

早期研究常问：某脑区是否被激活？

更强的问题是：某脑区是否编码某个计算变量？

例如在强化学习任务中：

\[\delta_t = r_t - Q_t(a_t)\]

这里 \(\delta_t\) 是预测误差。我们可以检验：

  • EEG 某时间窗振幅是否随 \(\delta_t\) 变化
  • fMRI 某 ROI 的 BOLD 是否与 \(\delta_t\) 共变

这类“模型变量 -> 神经信号”的映射，比纯条件对比更接近机制解释。

13.4 常见模型家族与用途

模型家族 典型问题 神经实现线索
强化学习（RL） 试错学习、奖惩更新 纹状体/中脑多巴胺与预测误差
贝叶斯模型 不确定性推断、信念更新 前额叶和顶叶中的精度/不确定性编码
DDM/证据积累 速度-准确率权衡 前额叶与顶叶积累信号
吸引子模型 工作记忆维持、竞争决策 递归兴奋与抑制平衡、持续活动
预测编码框架 感知与层级误差传播 自上而下预测与自下而上误差回路

13.5 规范性模型 vs 机制性模型

  1. 规范性模型（normative）：在理想条件下“应该怎么做”（如最优贝叶斯）
  2. 机制性模型（mechanistic）：系统“实际上怎么实现”（如有噪声、有资源约束）

优秀研究通常把二者结合：

  • 先用规范性模型定义任务计算目标
  • 再用机制模型解释真实偏差和神经实现

13.6 生成模型思维：从“拟合”走向“解释”

一个模型至少应做到两件事：

  1. 能生成类似行为数据
  2. 能解释神经指标的变化趋势

这要求你不仅做后验相关，还要做模拟检验：

  • 用拟合参数生成行为
  • 生成潜在变量轨迹（如 \(Q_t\), \(\delta_t\), 不确定性）
  • 对照真实神经信号看趋势是否一致

如果模型只能拟合行为，却无法解释神经数据，机制解释力就有限。

13.7 行为-神经联合建模的三种常见路线

路线A：顺序式（最常见）

  1. 先拟合行为模型
  2. 提取 trial-level 潜变量
  3. 在神经分析中作为回归量

优点：实现简单。缺点：行为拟合误差不会反馈到神经层。

路线B：层次联合模型（更完整）

在一个概率模型中同时建模行为与神经观测：

\[p(behavior, neural | \theta) = p(behavior|\theta)p(neural|\theta)\]

优点：参数共享、不确定性传播更合理。缺点：建模与计算复杂。

路线C：状态空间神经模型

把隐藏认知状态作为动态变量，行为与神经都是该状态的观测通道。

优点：统一时间过程解释。缺点：对数据质量要求高。

13.8 一个最小可执行案例

研究问题：人在波动环境中的奖励学习如何实现？

步骤：

  1. 行为任务：二选一赌博，奖励概率随区块变化
  2. 行为模型：比较 RL 与卡尔曼滤波器
  3. 模型比较：LOO-CV 或 AIC/BIC
  4. 神经映射：用 \(\delta_t\) 与不确定性做 EEG/fMRI 回归
  5. 机制判断：
    • 若预测误差信号显著但不确定性不显著，偏向 RL 解释
    • 若二者都显著且学习率动态变化，偏向卡尔曼类解释

13.9 参数可识别性与解释边界

联合建模常见陷阱：

  1. 参数太多，数据不够，导致不可识别
  2. 两个模型都能解释数据，难以区分
  3. 神经变量与行为变量高度共线

最低限度应做：

  • 参数恢复
  • 模型恢复
  • 稳健性分析（不同先验、不同预处理）

13.10 前沿方向（供选题参考）

  1. 神经调控 + 计算模型：TMS/tDCS 干预模型参数
  2. 精神病理计算表型：用模型参数刻画症状维度
  3. 闭环实验：根据实时神经信号在线更新任务难度
  4. 大模型与神经表示对齐：比较人工网络与大脑表征结构

小结

  • 计算神经科学的核心任务是把“行为算法”和“神经实现”连接成可检验链条。
  • Marr 三层次提供了组织研究问题的主轴，模型变量映射提供了落地方法。
  • 真正有解释力的研究，不只报告激活，更要验证模型在行为和神经层的一致性。

练习与思考

  1. 用 Marr 三层次重写你自己的一个研究问题，每层至少写出一个可检验假设。
  2. 针对 RL 与卡尔曼两种学习模型，设计一个可以区分它们的神经指标分析方案。
  3. 设想一个“行为 + EEG”联合建模项目，列出你的参数恢复与模型恢复计划。