企业官网建设流程全解析

全脑表征相似性分析

传统任务态fMRI分析擅长定位不同任务条件引起的激活变化，但人物关系、记忆内容和语义概念等复杂信息往往以分布式活动模式存在，难以仅用信号强弱进行描述。

Kriegeskorte等人系统提出的表征相似性分析（representational similarity analysis，RSA），将不同条件之间的模式差异组织为表征不相似性矩阵（representational dissimilarity matrix，RDM），通过与行为、理论或计算模型的RDM进行比较，可以进一步揭示不同信息在神经表征空间中的组织方式。

一、为什么需要表征相似性分析？

传统任务态 fMRI 分析主要比较不同条件下各体素的 BOLD 信号强度，适合回答“哪里激活更强”。但激活增强并不意味着该脑区表征了特定人物、事件或记忆内容。不同条件的平均活动可能相近，多体素活动模式却存在明显差异。

多体素模式分析（multivoxel pattern analysis，MVPA）将分析重点从总体信号幅度转向体素群内部的活动分布模式。其中，分类分析主要检验不同刺激类别或认知状态能否根据多体素模式加以区分；RSA则进一步关注关注不同条件之间的多体素模式关系。它通过计算条件两两之间的模式差异，构建RDM，再与行为、刺激特征或计算模型构建的RDM进行比较，从而检验神经表征结构是否符合理论预测。

RSA 可在预先定义的感兴趣区内进行，也可采用 searchlight 方法在全脑逐位置计算。全脑 searchlight RSA 最终生成的是表征相似性统计图，用于定位哪些局部多体素模式包含与目标模型一致的表征结构。需要注意的是，这张图反映的是表征几何或模式信息的空间分布，而不是传统意义上的 BOLD 激活强度分布。

二、方法核心：从活动模式到RSA score

假设实验条件包含n个条件，计算任意两个条件i和j的模式“差异”（dissimilarity），记d(i, j)，即可构建一个 n × n 的 RDM。矩阵主对角线为 0，且通常上下三角对称，因此包含 n(n−1)/2 个独立条件对。

1. 构建神经 RDM

常用不相似度量包括：

• dissimilarity相关距离：

• 欧式或马氏距离：

• Crossnobis距离：

假设独立分区数量为M，

表示条件i在第 m个分区中的活动模式，

表示其余分区的平均活动模式，则：

图1.表征差异矩阵的计算过程。相关性为0时表示完全一致，为1时表示完全无关，为2时表示完全相反，RDM中每个单元格反映了与这两组实验条件相关的活动模式之间的差异程度。

2. 构建模型RDM

除神经 RDM 外，还需要根据研究假设构建模型 RDM。模型可以来源于实验类别、行为评分、刺激特征、语义信息或计算模型。模型 RDM 与神经 RDM 必须对应相同的n个实验条件，并采用完全一致的条件排列顺序。

3. 比较 RDM，计算 RSA score

由于对称 RDM 的上下三角包含重复信息，因此去除主对角线后，仅提取上三角或下三角并向量化：

随后计算两个向量之间的相关性，如Pearson 相关，Spearman 相关，Kendall’s tau，多元回归 RSA 或偏相关分析。

RSA 的核心不是某个条件的活动强度，而是神经 RDM 与模型 RDM 所描述的表征结构是否一致。

4. 全脑searchlight RSA

全脑 searchlight RSA 是探索神经表征空间分布的常用方法，其过程与 MVPA 解码中的searchlight 分析类似。分析时，以每个体素为中心建立一个球形局部邻域，在邻域内提取不同实验条件的多体素活动模式并构建神经 RDM，随后将其与行为 RDM、理论模型 RDM或计算模型 RDM进行比较。通过在全脑范围内逐位置重复这一过程，最终生成 RSA 统计图，用于定位哪些局部脑区包含与目标模型一致的表征结构。

图2.用于自我-他人亲密度的全脑searchlight RSA。

三、标准流程：从实验设计到统计分析

第一步是实验设计与数据获取。设计包含多个条件及重复试次的实验，采集 fMRI、EEG、MEG 等神经数据，同时获取反应时、准确率或主观评分等行为数据。

第二步是数据预处理与模式估计。对神经数据进行去噪、头动校正等预处理，并通过条件水平或单试次 GLM 等方法，估计各条件或试次的多变量活动模式。

第三步是构建神经 RDM。选择相关距离、欧氏距离、马氏距离或 Crossnobis 距离，计算条件两两之间的模式差异，形成神经 RDM。

第四步是构建模型 RDM。根据研究假设、行为评分、刺激特征或计算模型，构建与神经 RDM 条件顺序一致的模型 RDM。

第五步是比较神经 RDM 与模型 RDM。提取两个 RDM 的上三角或下三角元素，通过 Pearson、Spearman、Kendall 相关或回归分析计算 RSA score。若采用 searchlight RSA，则在全脑各局部邻域内重复上述计算，生成个体 RSA 统计图。

第六步是统计推断。对个体 RSA score 或 RSA 图进行组水平检验，并根据分析范围采用置换检验、FWE、FDR或TFCE等方法进行多重比较校正，从而检验目标表征结构是否具有统计学意义。

图3.基于searchlight的多元回归RSA。

四、结果如何解读

RSA score 反映神经 RDM 与模型 RDM 之间的一致程度。正值越大，说明局部神经表征结构越符合模型预测；接近0表示二者缺乏稳定对应；负值则表示神经表征结构与模型预测方向相反。

对于全脑 searchlight RSA，显著脑区表示该局部多体素活动模式包含与目标模型一致的表征信息，而不是该脑区的 BOLD 激活更强，也不代表球心处的单个体素独立编码了这些信息。

需要注意，显著相关只能说明神经表征与模型具有结构对应关系，不能证明该模型是唯一解释或存在因果关系。若多个模型之间存在相关性，应加入竞争模型或控制模型，并采用多元回归、偏相关或模型比较分析。无显著结果：可能是模型不正确，也可能来自模式估计不可靠、条件不足等。

五、应用场景一：解析社会关系表征

RSA特别适合研究人物、社会距离和人际关系等难以用简单类别描述的高维信息。它不仅能够判断大脑是否区分不同人物，还可以进一步分析人物之间的关系如何组织在神经表征空间中。

Chikazawa等（2026）让21名参与者在观看电视剧前后接受fMRI扫描，并采用全脑 searchlight RSA，比较人物关系 RDM 与神经 RDM。结果显示（如图3），观看电视剧后，人物关系效价与神经表征结构之间的对应关系增强，主要涉及左侧前部缘上回、左侧顶上回和右侧内侧前额叶皮层。其中，对抗性关系的表征效应更加突出，而亲和性关系未达到报告阈值。这类分析可进一步用于研究社会等级、群体关系、人物熟悉度和自我-他人距离，并比较这些社会维度在不同脑区中的表征方式。

六、应用场景二：揭示担忧与沉思的共享神经表征

RSA能够比较不同心理过程是否具有共同的神经表征结构，尤其适合研究担忧、沉思等内容不同但可能共享认知机制的复杂心理状态。

Puccetti等（2025）让39名参与者在fMRI扫描中思考个体化的担忧、沉思和中性内容，并采用全脑searchlight RSA。结果显示，担忧与沉思在内侧前额叶、前扣带、岛叶、海马、杏仁核和外侧前额叶等区域呈现相似表征，但与中性思维明显不同。这些结果支持担忧和沉思共享“重复性消极思维”机制。该方法还可用于比较焦虑、抑郁和创伤相关思维的共同与特异性神经表征。

图4.基于searchlight的多元回归RSA。

七、它适合回答哪些研究问题

RSA特别适合研究条件之间的关系结构，而不仅是某个条件是否引起更强激活。常见问题包括：

• 不同人物、物体或概念如何在脑内区分和聚类？

• 社会距离、人物关系和情绪效价如何组织在神经表征空间中？

• 记忆编码与提取时的表征是否一致？

• 不同任务、时间点或意识状态是否共享相似表征？

• 哪些脑区的表征结构与行为、语义特征或计算模型相符？

• 不同人群或疾病状态的神经表征结构是否发生改变？

• 人工神经网络不同层级与大脑不同区域是否具有对应关系？

简而言之，当研究重点是“信息如何被组织和表征”，而不是“哪个条件激活更强”时，RSA通常更合适。

结语：从激活图到表征图

RSA的价值在于，它把研究重点从“某个脑区激活得更强吗”推进到“信息在脑内如何组织”。RSA不只关注单个条件的反应强度，而是通过比较条件之间的模式关系，描绘人物、记忆、概念和感知信息的表征结构。

总体而言，可以把RSA理解为一种“表征空间的读法”：它不仅回答大脑能否区分不同信息，还揭示这些信息如何聚类、分化和重组。通过将神经RDM与行为、理论或计算模型连接起来，RSA为理解脑与认知之间的关系提供了一条可比较、可检验的分析路径。

参考文献

1. Kriegeskorte N, Mur M, Bandettini P A. Representational similarity analysis-connecting the branches of systems neuroscience[J]. Frontiers in systems neuroscience, 2008, 2: 249.

2. Courtney A L, Meyer M L. Self-other representation in the social brain reflects social connection[J]. Journal of Neuroscience, 2020, 40(29): 5616-5627.

3. Chikazawa I, Ishibashi R, Nakano T. Antagonism shapes social maps in the human brain[J]. Communications Psychology, 2026, 4(1): 100.

4. Puccetti N A, Stamatis C A, Timpano K R, et al. Worry and rumination elicit similar neural representations: neuroimaging evidence for repetitive negative thinking[J]. Cognitive, affective, & behavioral neuroscience, 2025, 25(2): 488-500.

扫下方二维码免费获取

全脑表征相似性分析专题

文献及资料汇总！

👇👇👇