3,094
个编辑
更改
跳到导航
跳到搜索
第93行：
第93行： + + + +
→意识程度的度量（Φ）计算框架
== 意识程度的度量（Φ）计算框架 ==
== 意识程度的度量（Φ）计算框架 ==
理解网络整合度的计算后，便可理解真正的整合度 <math>\Phi</math> 的计算。首先，将复杂网络替换为大脑构成的因果网络，其中节点可视为神经元，连边代表突触链接；其次，将连边理解为两个节点间的因果联系，其强弱对应因果联系的[[有效信息]]（即将系统二分后干预其中一个子系统的状态分布，其子系统之间的[[互信息]]，考察的是被切分的两个网络间的因果影响，具体可参见[[有效信息]]词条）。
综上，很显然，右侧网络更易被拆分，其<math>\Phi</math>值可能越小。一个因果网络的信息整合程度是所有子网络中因果瓶颈处的有效信息所能达到的最大值，而具有这一最大有效信息的子网络便是意识发生的区域。
整合信息量（Φ） 指标用于量化系统的内在信息整合能力，其核心在于度量系统各部分之间因果交互的紧密程度，从而反映出系统整合信息的效能。从本质上讲，Φ 是系统内在属性的函数，具体定义为“在最小信息二分切割下可交换的有效信息量”，适用于量化分布式网络（如大脑）中信息被统一处理的程度。Φ值越高，表示系统越能作为一个整体整合信息，而非仅仅是独立部分的集合。<ref name="">{{cite journal|author1=Tononi G|title=An information integration theory of consciousness|journal=BMC Neuroscience|year=2004|volume=5|issue=1|page=42|url=https://doi.org/10.1186/1471-2202-5-42}}</ref>。
整合信息量（Φ） 指标用于量化系统的内在信息整合能力，其核心在于度量系统各部分之间因果交互的紧密程度，从而反映出系统整合信息的效能。从本质上讲，Φ 是系统内在属性的函数，具体定义为“在最小信息二分切割下可交换的有效信息量”，适用于量化分布式网络（如大脑）中信息被统一处理的程度。Φ值越高，表示系统越能作为一个整体整合信息，而非仅仅是独立部分的集合。<ref name="">{{cite journal|author1=Tononi G|title=An information integration theory of consciousness|journal=BMC Neuroscience|year=2004|volume=5|issue=1|page=42|url=https://doi.org/10.1186/1471-2202-5-42}}</ref>。