JOVANA
Explore Library Glossary Getting Started Three Levels Fields How it works Mission
Join the mission
All guides

讀取情緒:生物標記與顱內解碼

在你能依情緒調整刺激之前,你必須從腦部量測情緒——這是本領域最困難、也最迷人的問題,而少數幾項里程碑式的人類記錄,確實推進了這道前沿。

究竟什麼才算是情緒生物標記?

情感狀態生物標記是持續神經活動中的一項特徵,用以追蹤病人此刻的感受——這是一個狀態標記,須與僅僅與『患有該診斷』相關的特質標記區分開來。閉迴路需要的是狀態標記:某種在症狀升高時上升、在緩解時下降,且快到足以據以行動的訊號。候選特徵是前幾冊熟悉的那些——特定頻段的頻帶功率跨頻率耦合,以及邊緣系統各部位間的連結性——只是現在改為對『感受到的情緒』做迴歸,而非對游標。

把情緒解碼為隱藏狀態

最有原則的作法,是把情緒視為一個低維的潛在狀態:你從不直接觀測到它,但它同時驅動神經記錄與偶爾的自我回報。這正是你在第二冊見過的狀態空間模型,如今帶有兩個觀測通道:密集的神經特徵與稀疏的情緒標籤。人類顱內研究已用此框架顯示,多部位的邊緣系統活動攜帶了關於數日間情緒變化、可被解碼的資訊。

\begin{aligned} x_{t+1} &= A\,x_t + \epsilon_t \qquad &\text{(latent mood dynamics)} \\ y_t &= C_y\, x_t + \nu_t \qquad &\text{(dense neural features)} \\ m_t &= C_m\, x_t + \eta_t \qquad &\text{(sparse self-reports)} \end{aligned}

情緒作為驅動兩種觀測的隱藏狀態。潛在狀態 xₜ 依動力學 A 演變;神經特徵 yₜ 每一刻皆可取得,但情緒標籤 mₜ 僅偶爾到來。像偏好子空間辨識這類方法,會學習 xₜ 中與情緒共享的子空間——而非僅僅是最大的神經變異量。

該方法所處理的微妙之處至關重要:邊緣系統記錄中最大的變異來源,通常並非情緒。天真的解碼器會鎖定變異最大的任何東西——喚起、動作、假影。像偏好子空間辨識這樣的技術,會明確地萃取動力學中與情緒行為相關的那一部分,這正是為何顱內情緒解碼是一個建模問題,而不僅是濾波問題。

個人化生物標記,一次一位病人

迄今為止,閉迴路精神神經調控的里程碑式人類示範都是單一受試者(N-of-1)的:在單一病人身上,研究者於一段症狀監測期間從多個部位記錄,搜尋一項其波動能追蹤該病人症狀狀態的特徵,再用它來觸發刺激。所浮現的生物標記是個人化的——某特定部位的某一特定帶限訊號——而不會被假定能移轉到下一個人身上。這正是個人化精神神經調控的具體樣貌。

同一個迴路,如今在解碼層面具體化:『感測』階段即為本講的情緒解碼器,它萃取一個個人化生物標記,並以其數值決定是否施予刺激。

p\!\left(\text{symptomatic}\mid y_t\right) = \sigma\!\Big(\textstyle\sum_{k} w_k\, \log P_k(y_t) + b\Big), \qquad \sigma(z)=\frac{1}{1+e^{-z}}

所發現的生物標記常採用的一種簡單、可詮釋的形式:對選定部位/頻段之對數頻帶功率 P_k 的邏輯斯讀出。其透明性至關重要——臨床醫師能檢視是哪個部位的哪個頻段在驅動決策,而黑盒解碼器則會將此隱藏。

把真值問題講清楚

上述每一項結果都受其標籤所限。你是在一個人身上、以數日到數週的記錄窗、用每天寥寥數次的主觀評分來擬合解碼器——在這樣的情境下,找到一個偶然相關的特徵是危險地容易的。誠實的研究者會把發現的情緒生物標記視為一個有待前瞻性驗證的假說,而非事實,並設計搜尋流程以控制該風險。我們會在最後一講回到這正是的失敗模式——對個人生物標記的過度擬合。