251
个编辑
更改
→NIS+数值试验
=NIS+数值试验=
=NIS+数值试验=
==大脑fMRI==
==大脑fMRI==
PLL：q = 1优于q的其他值。尽管观察到q = 1时[math]\displaystyle{ \Delta{J} }[/math]的标准差较大，但NIS框架（红色条形图）支持了这一发现。因此，作者得出结论：当被试观看电影时，大脑不同区域的活动可以在每个时间步上用一个实数来表示。此外，作者还将CE的结果与静息数据进行了比较，——这样呢？
PLL：q = 1优于q的其他值。尽管观察到q = 1时[math]\displaystyle{ \Delta{J} }[/math]的标准差较大，但NIS框架（红色条形图）支持了这一发现。因此，作者得出结论：当被试观看电影时，大脑不同区域的活动可以在每个时间步上用一个实数来表示。此外，作者还将CE的结果与静息数据进行了比较，——这样呢？
YMZ：这个结论感觉有点不清晰。下面这一段是我们最近一个宣传稿（还没发出来）里对这个实验的一段评述，你可以整理一下用统一的人称再表述出来。
“当荣英淇考察这些维度的因果涌现水平时，得到q=1维是更好的选择，如下图：”（CE柱状图）
“该图中，绿色柱子就是NIS+应用于第一组实验数据所计算出不同维度q下的因果涌现数值。可以看出q=1的数值最高。为了比对，团队也用NIS框架分析了同样的数据，如图中的红色柱子所示，可以看出它在不同维度上的分布与绿色柱子近似相同，但是因果涌现度量都比较小。这说明，q=1 维能够展现因果涌现是一个稳定客观的结果，其次，NIS+由于最大化了EI，因而会让这一结果更加突出。
综合来看，当被试在看同一组视频的时候，它们的fMRI数据用一个维度的宏观动力学就可以很好地概括大脑的活动了。荣英淇利用归因分析技术，追踪这一个维度的宏观态数据到底和哪些原始数据维度有关，并把归因分析的强度值分配到这100个原始微观态维度所对应的脑区，如下图所示：”（脑图）
“可以看出，颜色较深的区域大多都是负责视觉信号加工的脑区。
第二组试验结果如图中的黄色柱子所示。这个时候，因果涌现最大的维度在q=3或q=7的位置。这个时候，大脑的动态表现无法简化为一个一维的宏观动力学，而至少需要3~7个维度才能对大脑的活动进行概括。
综合这两组实验可以得出结论，首先NIS+是可以直接从fMRI时间序列数据揭示出大脑在不同尺度的动力学，并发现因果涌现主要发生在哪个尺度；当被试集中看视频的时候，大脑活动可以被一个维度的宏观信号所概括，这一维度主要代表的是视觉区域的活动状态，大脑发生了非常明显的因果涌现现象；而在静息态下，被试大脑虽然也发生了因果涌现现象，但强度明显低于前者。大脑的主要活动则相对第一组更复杂，因为它不能简单地被一个维度的宏观态所概括，而是集中在一个3~7维的介观尺度上。”
* 这些区域的数字神经元可能协同作用
* 这些区域的数字神经元可能协同作用
PLL：The numeric neurons in these areas may collaborate and function collectively. 根据这句话翻译的，要不改成——这些区域的神经元可能协同作用。？
PLL：The numeric neurons in these areas may collaborate and function collectively. 根据这句话翻译的，要不改成——这些区域的神经元可能协同作用。？
YMZ：可以。我后面也会跟英淇确认一下这个术语。
=总结=
=总结=