作为主动推理的自我调节学习:fMRI神经反任务的动态因果建模
Gabriela Vargas1,2, David Araya2,3, Pradyumna Sepulveda4,5
1Institute for Biological and Medical Engineering, Schools of Engineering, Medicine and Biological Sciences, Pontificia Universidad Catolica de Chile, Santiago, Chile.
Frontiers in neuroscience
|August 31, 2023
概括
成功的神经反自我调节学习涉及更强的上下脑连接. 这突出了认知控制在掌握大脑活动调节中的作用.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 大脑与计算机的接口
背景情况:
- 神经反训练旨在修改大脑活动以改善结果.
- 成功的自我调节学习背后的神经机制仍然不太了解.
- 大约50%的人通过神经反努力实现有效的自我调节.
研究的目的:
- 通过神经反研究自我调节学习的神经机制.
- 识别与成功与不成功的神经反训练相关的大脑过程.
- 为了比较层次上的上下 (主动推理) 和自下而上的 (强化学习) 连接模型.
主要方法:
- 使用实时功能性MRI数据的动态因果建模 (DCM).
- 分析了针对补充运动区域的18名参与者的神经反训练数据.
- 在成功和不成功的学习者之间比较有效的连接模式.
主要成果:
- 成功学习者表现出明显更强的上下有效连接到目标大脑区域.
- 在成功的学习者中,自上而下的网络参与度增加反映了目标导向任务和认知控制的模式.
- 在成功和不成功的自我调节学习者之间观察到不同的大脑连接模式.
结论:
- 认知机制,特别是层次认知控制,对于成功的神经反自我调节至关重要.
- 这些发现支持了主动推理框架的原则来解释自我调节的学习.
- 这项研究增强了对神经动力学和大脑自我调节的认知架构的理解.
