摘 "要""從腦智發(fā)育視角來講， 神經(jīng)系統(tǒng)隨著心理發(fā)展會產(chǎn)生出一系列具有功能特異化（specialization）且高度協(xié)同的模塊。這些模塊之間究竟如何協(xié)同支撐兒童情感與認知功能發(fā)展呢？本研究綜合利用多個經(jīng)典的情感與認知任務范式（含注意網(wǎng)絡測試、情緒匹配和工作記憶任務）以及層級化（hierarchical）的多體素神經(jīng)表征建模方法， 重點考察7～12歲學齡兒童多元需求（multi-demand）額頂系統(tǒng)在情感與認知任務驅(qū)動下的通用性（task-general）作用以及分層級神經(jīng)表征的組織方式。結(jié)果表明：兒童低年齡組、兒童高年齡組和成人組被試均表現(xiàn)出了多元需求額頂系統(tǒng)（包括頂內(nèi)溝和額眼區(qū)域）共同參與多種情感與認知任務的現(xiàn)象， 即跨任務共同激活; 值得強調(diào)的是， 學齡兒童多元需求額頂系統(tǒng)表現(xiàn)出了更低水平的跨任務神經(jīng)表征可泛化性（generalizability）， 而作為控制分析的前扣帶回、背外側(cè)前額葉和前腦島則沒有表現(xiàn)出組間的可泛化性差異。我們推測多元需求額頂系統(tǒng)在發(fā)育中可能作為一個潛在的通用性“樞紐”， 通過組構(gòu)性（compositionality）的信息組織方式， 實現(xiàn)不同任務目標驅(qū)動下分層級的神經(jīng)表征與計算， 進而支撐情感與認知功能隨齡的發(fā)展。本研究突破了當前單任務范式視角下的發(fā)展認知神經(jīng)科學研究框架， 有望為理解跨情感與認知領域的腦智發(fā)育工作原理和開發(fā)人工智能新型算法提供新的啟示。

關鍵詞""情感與認知， 腦智發(fā)育， 特異化， 神經(jīng)表征， 可泛化

分類號""B842; B845

1 "前言

從兒童期到成年期， 人類大腦功能性發(fā)育為不同情感與認知能力的發(fā)展及成熟奠定了生物學基礎（Paus， 2005; Toga et al.， 2006）， 這其中包括神經(jīng)模塊的特異化（Kanwisher， 2010; Richards， 2001）以及神經(jīng)系統(tǒng)的分離、整合和協(xié)作等過程（Baum et al.， 2017， 2020; Cole amp; Schneider， 2007; Fair et al.， 2009; Qin et al.， 2012， 2014）。到目前為止， 研究者們達成的共識是神經(jīng)模塊可以在發(fā)育進程中支持特定認知功能的成熟， 但是， 在多神經(jīng)生物模式下如何共存以支持跨情感與認知領域下不同能力的發(fā)展， 還未有研究進行探索。要解決這一問題， 需要從跨領域發(fā)展的視角出發(fā)， 結(jié)合多種情感與認知范式、任務態(tài)磁共振成像和層級化的統(tǒng)一模型建構(gòu)， 考察多類別情感與認知領域下的通用性神經(jīng)發(fā)育基礎。

在發(fā)展認知神經(jīng)科學領域， 神經(jīng)特異化的概念最早是由弗朗茲·瑟夫·加爾（Franz Joseph Gall）提出的， 他認為大腦是思維的載體， 思維是由不同的心智能力組成的， 而不同的心智能力各自位于特定的大腦皮層中（Kanwisher， 2010）。之后形成的“成熟理論” （The maturational perspective）也同樣認為， 大腦特定區(qū)域的成熟與新的感覺、運動或高級認知功能的出現(xiàn)是有直接聯(lián)系的（Johnson， 2001; Kanwisher， 2010）。這些研究認為， 在兒童期的特定年齡階段， 新認知功能的出現(xiàn)取決于新大腦皮層區(qū)域的成熟， 其神經(jīng)解剖發(fā)育程度可以用于確定該區(qū)域?qū)J知功能的發(fā)育程度（Diamond amp; Goldman-Rakic， 1989; Johnson， 2001）， 而且不同的認知能力特異于各自的大腦皮層區(qū)域（Atkinson， 1984; Johnson， 1990; Richards， 2001）。大腦皮層特異化成熟有許多極具代表性的腦區(qū)， 比如， 梭狀回面孔識別區(qū)（Fusiform face area， FFA）和旁海馬空間加工區(qū)（Parahippocampal"place area， PPA） （Kanwisher， 2010; Kanwisher et al.， 1997）。雖然神經(jīng)特異化理論被許多科學家所認可， 但是它也并不能完美的解釋功能性大腦發(fā)育研究所有的發(fā)現(xiàn)。一些研究表明， 神經(jīng)解剖學認為發(fā)育最晚的腦區(qū)， 比如前額葉皮層， 實際上在嬰兒出生后不久就被某些認知功能誘發(fā)了激活（Johnson， 2001）。因此， 新情感與認知功能的出現(xiàn)， 并不一定是由于神經(jīng)發(fā)育過程中原本不成熟的“沉默”區(qū)域發(fā)展為成熟的“活躍”區(qū)域而形成的。例如， 嬰兒在出生后的幾個月就能夠?qū)η榫w的表達進行感知， 左右腦均會變得活躍， 但是針對不同情緒則會發(fā)展出不同的左右腦偏向神經(jīng)反應模式（Missana amp; Grossmann， 2015）。盡管如此， 在兒童腦智發(fā)育過程中， 神經(jīng)特異化現(xiàn)象不可否認是一定存在的， 只是可能大腦的神經(jīng)發(fā)育過程中不只存在這一種成熟機制。隨著發(fā)育認知神經(jīng)科學領域研究的不斷深入， 許多研究者開始向神經(jīng)特異化提出質(zhì)疑。例如， 有研究發(fā)現(xiàn)每一個紋狀體外皮層區(qū)域都在執(zhí)行許多不同類型的視知覺任務， 而不像視覺系統(tǒng)中的多數(shù)神經(jīng)元那樣執(zhí)行唯一性的單功能分析（Schiller， 1996）。此外， 盡管我們通常認為布洛卡區(qū)的左側(cè)額葉是特異于語言認知加工的腦區(qū)， 但也有研究發(fā)現(xiàn)語言處理相關的大腦區(qū)域同時參與到了其他多種認知領域當中（Gazzaniga， 2004）。

基于發(fā)展認知神經(jīng)科學的理論和實證研究進展， 有研究者提出了用于解釋人類功能性大腦發(fā)育機制的通用性理論——式特異化理論（The interactive specialization theory）， 旨在解釋可觀測行為發(fā)展的功能性大腦發(fā)育基礎（Johnson， 2001， 2011）。之所以將這種廣泛性的觀點稱為“架構(gòu)（Frameworks）”或“通用性理論（General theories）”， 因為其來源是基于對大量數(shù)據(jù)的思考和觀點總結(jié)（Johnson， 2011; Morton amp; Frith， 1995）。交互式特異化理論認為， 功能性腦發(fā)育是以腦區(qū)或神經(jīng)系統(tǒng)間的相互作用為基礎而發(fā)展成熟的， 嬰兒期新認知能力的產(chǎn)生與多個腦區(qū)激活模式的變化緊密相關， 而不是僅僅與一個或多個腦區(qū)的激活強度的變化有關（Johnson， 2000）。Friston等研究者指出， 某個腦區(qū)對于特定認知能力的響應屬性取決于該腦區(qū)與其他腦區(qū)的協(xié)作模式及其當前的激活狀態(tài) （Friston amp; Price， 2001）。杏仁核與前額葉皮質(zhì)作為情感過程的關鍵性神經(jīng)環(huán)路， 在神經(jīng)發(fā)育過程中會出現(xiàn)網(wǎng)絡連接模式由正向負的“發(fā)展性轉(zhuǎn)變” （Gee et al.， 2013）。將這一主張延伸到腦智發(fā)育上來， 意味著我們應該觀察個體發(fā)育過程中皮層激活模式的變化， 因為腦區(qū)之間會通過相互協(xié)作和競爭以獲取其在新的計算能力中的角色。在兒童期的腦發(fā)育中， 皮層對刺激加工的動態(tài)變化與腦區(qū)間相互作用以塑造區(qū)域連通的規(guī)律是一致的， 比如， 多腦區(qū)構(gòu)成的神經(jīng)系統(tǒng)協(xié)同支持特定基礎認知的發(fā)展（Hao et al.， 2024）。此外， 來自于遺傳導致功能性大腦發(fā)育障礙的研究發(fā)現(xiàn)， 多個皮層和皮層下腦區(qū)間的異常協(xié)作均會導致自閉癥和威廉斯氏綜合征等發(fā)育障礙的發(fā)生（Filipek， 1999; Rumsey amp; Ernst， 2000）。

多元需求系統(tǒng)（Multiple demand system）是一個以不同神經(jīng)表征模式參與多種情感與認知任務的共激活神經(jīng)系統(tǒng)， 認知方面包括感知覺、注意、工作記憶和執(zhí)行控制等過程， 情感方面包括情緒識別、情緒調(diào)節(jié)等過程（Adolphs， 2002; Camilleri et al.， 2018; Duncan， 2010; Duncan amp; Owen， 2000; Sugiura et al.， 2023）。單細胞和功能性磁共振成像方面的證據(jù)表明， 多元需求系統(tǒng)在參與和控制各種認知任務時起著關鍵的“樞紐”作用， 比如， 專注于當前認知操作的具體內(nèi)容， 會隨著注意力的轉(zhuǎn)移而快速重新組織并有效分離連續(xù)的任務步驟（Duncan， 2010， 2013; Fedorenko et al.， 2013）。許多功能性神經(jīng)影像學研究的發(fā)現(xiàn)都集中在有些許差異的額頂系統(tǒng)上， 該系統(tǒng)在執(zhí)行各種任務時會出現(xiàn)共激活現(xiàn)象， 比如， 選擇性注意、執(zhí)行功能、按鍵抑制、沖突監(jiān)控以及新穎問題解決等（Cole amp; Schneider， 2007; Dosenbach"et al.， 2006; Duncan amp; Owen， 2000; Fedorenko et al.， 2013; Hugdahl et al.， 2015）。在探索復雜的人類行為背后的神經(jīng)發(fā)育基礎這個問題上， 不僅僅是要探索神經(jīng)系統(tǒng)如何控制孤立的思想或行為步驟， 還必須弄清楚核心的神經(jīng)系統(tǒng)是如何將任務分解為子部分并依次解決這些子問題的， 而多元需求系統(tǒng)的神經(jīng)活動很有可能就是此類情感與認知過程的基礎， 用以解釋跨不同情感與認知領域的廣泛激活以及在人類復雜行為背后的核心作用。到目前為止， 還未有研究對多元需求額頂系統(tǒng)在兒童腦智發(fā)育過程是如何成熟以及對兒童多種情感與認知發(fā)展的影響進行過探索。

最近， 神經(jīng)科學領域的研究者們開始關注神經(jīng)系統(tǒng)組構(gòu)性（Compositionality）編碼和神經(jīng)表征泛化（Generalization）機制對多種情感與認知能力的通用性支持作用（Kragel et al.， 2018; Yang et al.， 2019）。此外， 額頂多元需求系統(tǒng)， 被認為是支持不同認知能力切換的靈活性“樞紐”， 這可能是通過基于神經(jīng)元群體的組構(gòu)性編碼機制實現(xiàn)的， 該機制能夠通過組織神經(jīng)元群體在不同模式下的神經(jīng)計算信息以支持多種情感與認知功能（Cole， Reynolds， et al.， 2013）。一個神經(jīng)元在執(zhí)行多種不同任務時可能被激活也可能未被激活， 不同的任務可能被各自“私有”的神經(jīng)元集群所支持， 也可能涉及其相關神經(jīng)系統(tǒng)中的每個神經(jīng)元， 又或介于這兩種模式之間。如果多個任務需要一個共同的基礎認知過程， 那這不同的任務會使用一部分共享的神經(jīng)元集群， 而組構(gòu)性（Compositionality）這一概念被研究者引入就為共享的神經(jīng)元集群如何支持多個任務提供了途徑（Reverberi et al.， 2012）， 該規(guī)則隨后又在機學習的神經(jīng)網(wǎng)絡模型中得到了印證（Yang et al.， 2019）。在人類神經(jīng)影像研究中， 位于額頂皮層的前額葉參與了許多情感與認知功能， 不同的神經(jīng)表征模式可以發(fā)揮各種功能， 例如通過向大腦的其他部分提供自上而下的指令， 引導著認知過程正常進行（Miller amp; Cohen， 2001; Stuss amp; Knight， 2013）， 它在多種任務表征中還支持著規(guī)則的理解和運用等（Cole et al.， 2011; Sakai， 2008; Tschentscher et al.， 2017; Wallis et al.， 2001）， 此外， 還有外側(cè)前額葉皮層中復雜認知表征對組構(gòu)性編碼的有效支持（Cole et al.， 2011; Reverberi et al.， 2012）。有研究者將功能性磁共振成像數(shù)據(jù)在不同任務下神經(jīng)激活的多變量表征模式分解為不同層級成分， 識別了潛在的可泛化認知子領域但特異于認知領域的多變量表征形式， 他們發(fā)現(xiàn)， 內(nèi)側(cè)額葉皮層表征可泛化支持到單類研究和認知子領域?qū)蛹壦剑?但卻特異于不同的認知領域（Kragel et al.， 2018）。將神經(jīng)泛化指標應用到腦智發(fā)育領域， 可以理解為某一特定神經(jīng)系統(tǒng)通過組構(gòu)性的編碼機制， 在發(fā)育中逐漸成熟從而支持多種情感與認知發(fā)展的過程。這一發(fā)現(xiàn)為神經(jīng)整合理論的發(fā)展提供了可能性， 該理論解釋了通過不同神經(jīng)元群體融合的機制來達成特定計算目標的過程， 即在某一特定的神經(jīng)系統(tǒng)中實現(xiàn)跨情感與認知領域神經(jīng)信息加工和計算的功能， 以支持多種心理行為的執(zhí)行。

關于功能性腦發(fā)育理論的探索， 盡管基于不同皮層區(qū)域的相繼成熟導致相關情感與認知功能發(fā)展的理論已經(jīng)獲得了許多實證性研究的支持， 但是， 越來越多的證據(jù)為兒童腦智發(fā)育的探索指出了新的方向， 即新情感與認知功能的出現(xiàn)是不同腦區(qū)或神經(jīng)系統(tǒng)間相互作用新模式的結(jié)果。而且， 這些腦區(qū)或神經(jīng)系統(tǒng)之間相互作用導致的各類情感與認知功能神經(jīng)表征激活模式的改變， 也可能是人類習得新情感與認知功能的內(nèi)在特征， 即學習泛化的神經(jīng)基礎。綜合多元需求系統(tǒng)和交互式特異化理論構(gòu)想（Johnson， 2011）， 已有研究已經(jīng)充分證明特定神經(jīng)系統(tǒng)可以在發(fā)育進程中支持特定情感或認知功能的成熟， 我們推測， 還存在著一種特殊的神經(jīng)系統(tǒng)， 可以在差異化的神經(jīng)表征共激活模式下， 通過組構(gòu)性編碼機制對不同情感或認知功能相應的神經(jīng)表征信息進行組織， 從而支持不同情感與認知領域的成熟。也就是說， 兒童大腦發(fā)育過程中， 除神經(jīng)特異化進程外， 可能還存在著另外一種潛在的支持多情感與認知發(fā)展的腦發(fā)育進程。如圖1所示， 是我們結(jié)合了多元需求系統(tǒng)、交互式特異化理論和本研究的實驗設計提出的構(gòu)想， 試圖描繪一個跨情感與認知領域發(fā)展的多層級神經(jīng)表征泛化機制的模型。針對多元需求系統(tǒng)參與的情感與認知過程， 我們選取了具體代表性的認知領域內(nèi)的注意和工作記憶任務， 以及情緒領域的情緒識別任務對上述問題進行了探索。

2 "方法

2.1""被試

本研究共招募了548位正常發(fā)育的兒童被試（7～12歲， 平均值 ± 標準差（M ± SD） = 9.20 ± 1.33歲）和104名健康的成年人（19～25歲， M ± SD"= 21.91 ± 1.81歲）， 所有被試均來自學校和社區(qū)招募， 入組被試的人口統(tǒng)計學信息見表1。被試在執(zhí)行情感與認知任務的同時進行功能性磁共振成像掃描，

這些任務包括注意網(wǎng)絡測試（Attention network test， ANT）、數(shù)字N-Back工作記憶（Working memory， WM）和情緒匹配（Emotion matching， EM）任務。根據(jù)赫爾辛基宣言的標準， 實驗程序已獲當?shù)貍惱砼鷾剩?實驗前被試會仔細閱讀并簽署書面知情同意書， 對于兒童， 由其父母之一或法定監(jiān)護人簽署。被試均報告無視力問題史、無神經(jīng)或精神疾病史、無影響按鍵反應的手部運動疾病史、目前未使用任何藥物或毒品。由于需要統(tǒng)一構(gòu)建多層級結(jié)構(gòu)模型， 因此納入分析的被試需要完成所有任務并且滿足頭動剔除標準， 平均頭動位移（framewise displacement， FD）值小于0.5 mm （ANT任務兩次實驗均需滿足標準）， 最終滿足入組標準的被試包括89名被試的成人組（19～24歲， M ± SD"= 21.74 ± 1.64歲）和182名兒童， 兒童按照出生天數(shù)平均分到了兒童低年齡組（7～9歲， M ± SD"= 8.22 ± 0.67歲）和兒童高年齡組（9～12歲， M ± SD"= 10.24 ± 0.74歲）。相對于總體樣本， 最終納入分析的樣本量剔除比例較高， 其原因是由于兒科神經(jīng)影像學檢查通常極具挑戰(zhàn)性， 例如， 掃描過程中頭部運動過多、掃描任務意外中止、以及需要4個任務同時滿足剔除標準等。我們目前的研究（剔除比例66%）以及國際上類似的兒童研究（剔除比例49%）均會遇到這樣的問題（Zhang et al.， 2019）， 頭部運動對fMRI數(shù)據(jù)收集的質(zhì)量和后續(xù)數(shù)據(jù)分析的可靠性有著至關重要的影響， 因此我們選擇了相對嚴格的納入標準， 具體的被試篩選流程見補充材料（見網(wǎng)絡版圖S1）。此外， 為了排除未被篩除被試和篩除被試在認知或情感上特質(zhì)差異對實驗結(jié)果的影響， 我們對比了兩組被試各個任務的績效， 未發(fā)現(xiàn)顯著性的任務績效差異， 結(jié)果報告見補充材料（見網(wǎng)絡版表S1）。

2.2""功能磁共振影像掃描參數(shù)

我們通過使用Siemens 3.0 T磁共振成像掃描儀（Magnetom Prisma syngo MR D13D， 德國埃爾蘭根）， 采用64通道線圈， 獲取了基于血氧水平依賴響應的T2*敏感平面回波快速成像序列的功能性全腦神經(jīng)影像。通過以下參數(shù)獲取了平行于前后聯(lián)合（anterior commissure， AC; posterior commissure， PC）并覆蓋整個大腦的33個軸向切片（層厚為3.5 mm， 層距為0.7 ms）：重復時間（repetition time， TR）為2000 ms， 回波時間（echo time， TE）為30 ms， 翻轉(zhuǎn)角（flip angle， FA）為90°， 體素尺寸（voxel size）為3.5"m × 3.5 mm × 3.5 mm， 視場（field of view， FOV）為224 mm × 224 mm。每個受試者的高分辨率解剖圖像是通過三維矢狀T1加權(quán)磁化準備快速梯度回波序列采集的， 共采集192層， 重復時間為2530"s， 回波時間為2.98 ms， 翻轉(zhuǎn)角為7°， 反轉(zhuǎn)時間（inversion time， TI）為1100 ms， 體素尺寸為1.0 mm × 1.0 mm × 1.0 mm， 采集矩陣（acquisition matrix）為256×224， 視場為256 mm × 224 mm， 每層層厚為1 mm。

2.3""功能磁共振影像數(shù)據(jù)預處理

我們使用了基于Nipype 1.2.0的fMRIPrep 1.4.1 （Esteban et al.， 2019， 2020; Gorgolewski et al.， 2011）對功能影像數(shù)據(jù)進行了預處理。對于每個受試者的每個有效數(shù)據(jù)， 前4個功能圖像會被剔除， 以減輕機器磁化準備和受試者適應掃描噪聲對圖像數(shù)據(jù)質(zhì)量的影響， 并執(zhí)行了以下預處理流程。首先， 使用fMRIPrep的自定義腳本生成參考體及其剝離顱骨的版本， 基于共同映射到血氧水平依賴（blood oxygenation level-dependent， BOLD）參考的場圖， 使用源自Greve的epidewarp.fsl腳本的定制工作流（Glasser et al.， 2013）， 估計了用于校正磁化率變形的變形場， 然后基于估計的磁化率失真指數(shù)， 計算出未變形的BOLD圖像， 以實現(xiàn)與結(jié)構(gòu)數(shù)據(jù)更準確地配準。然后， 使用flirt （FSL 5.0.9）和基于邊界的配準方法將BOLD圖像配準到T1加權(quán)結(jié)構(gòu)圖像（Greve amp; Fischl， 2009; Jenkinson amp; Smith， 2001）。配準一共設置了9個自由度， 以解決BOLD圖像中的失真問題。在使用mcflirt （FSL 5.0.9）進行時空濾波之前， 先估算相對于BOLD參考圖像的頭動參數(shù)（變換矩陣及6個平移和轉(zhuǎn)動參數(shù)） （Jenkinson et al.， 2002）。使用AFNI_20160207的3dTshift功能對每個任務的功能像進行了時間層校正（Cox amp; Hyde， 1997）。通過應用單一復合變換來校正頭動和磁化率失真， 并將所得圖像重采樣到原始空間。之后， 將圖像重采樣到標準空間中， 并在“MNI152NLin6Asym”空間中生成經(jīng)過預處理的BOLD圖像。

在去除非穩(wěn)態(tài)圖像并使用6 mm的半高全寬高斯核進行空間平滑之后， 自動對MNI （Montreal Neurological Institute）標準空間時間序列上的預處理圖像執(zhí)行基于獨立成分分析的ICA-AROMA （Automatic removal of motion artifacts）算法去除了頭動偽影（Pruim et al.， 2015）。此外， 還計算了“aggressive”噪聲回歸因子， 并將其加入到混淆變量文件中?；陬A處理的圖像， 還計算了幾個混淆變量的時間序列：包括FD值、DVARS和3個全局信號（腦脊液、白質(zhì)和全腦平均信號）， FD和DVARS是針對每個整體功能圖像序列計算的， 均使用了Nipype中的相關程序包實現(xiàn)（Power et al.， 2014）。另外， 自動獲取了一系列生理噪聲回歸量， 包括時間（tCompCor）和解剖（aCompCor）成分， 時間成分是皮層下區(qū)域Mask中前5%的可變體素計算出的6個成分。解剖成分是在將上述Mask與在T1w空間中計算的CSF和WM的交集內(nèi)計算的6個成分， 用以進行基于成分的干擾信號噪聲校正（Behzadi et al.， 2007）。該校正過程是對進行過預處理的圖像（使用截止時間為128s的離散余弦濾波器）的時間成分和解剖成分進行高通濾波后， 進行了主成分的估計。對于每個CompCor分解， 保留了具有最大奇異值的k個分量（算法自動計算， 每個被試會有所差異）， 使得噪聲成分的時間序列足以解釋干擾Mask （腦脊液、白質(zhì)等）中50%的變異， 干擾Mask （腦脊液、白質(zhì)）是基于解剖像進行自動化分割得到的。超出0.5 mm FD值或1.5倍標準化DVARS閾值的圖像被標注為運動異常值， 隨后通過組合相關變換（包括頭部運動變換矩陣、可用的敏感度失真校正以及與解剖和輸出空間的聯(lián)合配準）進行插值。體素重采樣使用了“antApplyTransforms”的Lanczos插值算法進行， 以最大程度地減小其他平滑核的平滑影響（Lanczos， 1964）。

2.4""單變量一般線性模型分析

各情感與認知任務的實驗流程如下（圖2）：（1）ANT的每個試次均以中央注視點開始， 隨機持續(xù)約400至1000 ms， 隨后出現(xiàn)150 ms的提示線索， 線索消失后出現(xiàn)450 ms的固定注視點， 隨后， “小魚”靶刺激出現(xiàn)并一直持續(xù)顯示， 直到參與者按下反應按鈕或達到1000 ms的時間限制， 最后， 固定注視點再次出現(xiàn)， 持續(xù)時間為1000 ms減去相應的受試者反應時間。受試者按鍵之后， 計算機顯示屏呈現(xiàn)視覺反饋。對于每次試驗， 受試者必須按向左或向右按鈕以指示靶刺激階段中居中呈現(xiàn)小魚的方向， 我們要求受試者在每次試驗中盡可能快速、準確地做出決定。每個受試者參與兩次試驗以達到足夠的試次數(shù)和統(tǒng)計強度， 每次實驗共96個試次， 每個提示條件各24個試次， 持續(xù)時間大約6 min。（2）WM需要完成3個工作記憶負荷（0-， 1-和2-Back）任務， 每次循環(huán)由8～12 s的靜息基線開始。在每個Block中， 通過屏幕向受試者呈現(xiàn)由15個數(shù)字組成的隨機序列， 每個數(shù)字在屏幕中央持續(xù)400 ms， 然后間隔1400 ms。每個Block持續(xù)27 s， 共12個Block持續(xù)時間大約6 min。在0-Back條件下， 要求受試者判斷當前屏幕中央呈現(xiàn)的數(shù)字是否為“1”， 如果是則按鍵確認; 在1-Back條件下， 要求受試者判斷屏幕中央呈現(xiàn)數(shù)字是否與前一次呈現(xiàn)為同一個數(shù)字; 在2-Back條件下， 要求受試者判斷屏幕中央呈現(xiàn)的數(shù)字是否與往前第二個呈現(xiàn)的為同一個數(shù)字。（3）EM任務包括情緒和方向識別兩個條件， 在情緒識別的Block中， 受試者被要求觀看3張情緒面孔， 并判斷底部的兩個面孔中哪一個與頂部的目標面孔表達了相同類別的情緒（憤怒或恐懼）。在方向識別控制條件的Block中， 受試者被要求觀看由混亂的面孔素材填充的3個橢圓圖形（垂直或水平呈現(xiàn)）， 并要求他們在底部選擇與上部目標方向相同的一個。每個Block都以5 s的條件提示開始， 指示該Block是情緒或方向識別條件， 每個Block中刺激呈現(xiàn)6次， 每次5 s。每個Block持續(xù)35 s， 共10個Block， 持續(xù)時間大約6 min。

為評估ANT， WM和EM中與任務相關的大腦激活反應， 我們分別構(gòu)建了3個任務中各實驗條件的回歸因子。對于ANT， 將條件（無提示、雙側(cè)提示、中心提示、空間提示）建模為獨立的事件相關回歸因子， 包括警覺（雙側(cè)提示 v.s. 無提示）和定向（空間提示 v.s. 中心提示）條件; 對于WM任務， 分別將兩個條件（1-Back和2-Back）以及作為基線的0-Back建模為單獨的回歸變量; 對于EM任務， 將情緒和方向識別控制條件建模為單獨的回歸變量。對于以上任務各條件， 相關的對比參數(shù)估計圖像最初是在個體水平上生成的， 為了保證后續(xù)激活和建模分析中各年齡組人數(shù)的平衡， 我們將兒童分為兩個組， 分別是兒童低年齡組（7～9歲， N"= 91）， 兒童高年齡組（9～12歲， N"= 91）， 以及成人組（19～24歲， N"= 89）， 隨后按照分組進行了組水平激活分析， 用于尋找不同情感與認知領域下多元需求額頂系統(tǒng)的神經(jīng)共激活模式和神經(jīng)泛化水平的計算。3個任務的回歸因子與SPM12中的典型血液動力學響應函數(shù)（hemodynamic response function， HRF）進行了卷積。此外， 還包含了每個受試者的在腦脊液和白質(zhì)中提取的全局信號、6個頭動序列參數(shù)（包括3個平動以及3個轉(zhuǎn)動參數(shù)）， 以消除與噪聲和頭部運動相關變異性的影響。我們使用1/128 Hz的高通濾波， 并在一般線性模型框架中使用一階自回歸模型（first-order autoregressive model， AR （1） ）進行了序列相關校正。顯著的激活簇是通過嚴格的1 discovery rate （FDR）多重比較校正（閾值q"= 0.05， 激活簇 gt; 45個體素）來確定的。

2.5""多元需求額頂神經(jīng)系統(tǒng)ROIs的定義

在對多元需求額頂系統(tǒng)的感興趣區(qū)（region of interesting， ROI）進行定義時， 為了避免雙浸（double dipping）對于統(tǒng)計結(jié)果的影響， 我們使用了基于術(shù)語的Neurosynth平臺（www.neurosynth.org）對ROI進行了獨立定義， 我們直接在該平臺使用“domain general”一詞進行了搜索并找到相關的大腦激活圖（圖3）。然后， 在此基礎上我們只取強度最高的前50%的體素以過濾掉低相關的區(qū)域， 最終選定了多元需求額頂系統(tǒng)的代表性皮層區(qū)域， 包括雙側(cè)的頂內(nèi)溝（intraparietal sulcus， IPS）和雙側(cè)的額眼區(qū)域（frontal eye field， FEF）， 此外， 我們還選取了支持注意、工作記憶和情緒功能的相關腦區(qū)作為本研究的控制分析ROI， 這些ROI在前人文獻中也充分地參與著這些功能的執(zhí)行， 是具有代表性的腦區(qū)（Barbey et al.， 2013; Petersen amp; Posner， 2012; Uddin et al.， 2017）， 包括雙側(cè)的側(cè)前扣帶回（dorsal anterior cingulate cortex， dACC）、背外側(cè)前額葉皮層（dorsolateral prefrontal cortex， DLPFC）和前部腦島（anterior insula， AI）。對于多元需求額頂系統(tǒng)的代表性皮層區(qū)域， 本研究試圖探索是整個額頂網(wǎng)絡還是其中的關鍵腦區(qū)存在神經(jīng)表征泛化現(xiàn)象， 因此分別針對IPS+FEF、IPS、FEF均進行了跨情感與認知領域的神經(jīng)泛化水平進行測量。

2.6""跨情感與認知領域的多層級神經(jīng)泛化模式分析

我們通過構(gòu)建跨情感與認知領域的多層級結(jié)構(gòu)表征分析方法（Kragel et al.， 2018）， 評估了任務誘發(fā)的多體素神經(jīng)活動模式在不同情感與認知進程中的可泛化性， 然后檢查了本研究中兒童低年齡組、兒童高年齡組和成人組之間跨情感與認知領域的神經(jīng)泛化水平的發(fā)育性差異。在預先定義好的ROI下， 分別構(gòu)建了3個年齡組被試的多個情感與認知領域內(nèi)不同條件下的多體素激活模式層級結(jié)構(gòu)模型。該模型被組織為3個層級結(jié)構(gòu)（圖4左）， 包括不同的情感/認知條件作為第一層， 跨情感/認知任務作為第二層， 以及可泛化的跨情感與認知領域作為最高的第三層（測量的是跨不同情感與認知領域的多體素激活模式泛化程度）。

我們使用了一般線性模型（General linear model， GLM）進行了建模后的參數(shù)估計（圖4）。表征相異性矩陣（Representational dissimilarity matrices， RDM）代表神經(jīng)差異的觀測值（Y）， 是通過皮爾遜相關系數(shù)（r）計算所有被試的情感與認知過程成對匹配的空間距離之后， 再用1減去該值得到的（1 ? r）。GLM是根據(jù)3個層級的理論相異性（X）的加權(quán)總和構(gòu)建的， 包括從二元向量計算歐氏距離得出的理論相異性矩陣， 代表著第一層的不同情感/認知條件（18個RDM）、第二層的跨情感/認知任務（9個RDM）、第三層的跨情感與認知領域（3個RDM）， 共30個以及一個常數(shù)項（C）之間的相對關系。此GLM公式如下：

其中， Y代表著神經(jīng)相異性矩陣的空間距離， X_i代表著模型中每個層級的每個理論相異性的歐式距離， 代表著每個X_i對應的參數(shù)估計值， 即我們主要關注的神經(jīng)模式的可泛化性， C代表一個常數(shù)項。這種方法使我們能夠探索多體素激活模式的可泛化性指標， 以及不同的情感與認知領域之間共享多元需求機制的有效性， 層級結(jié)構(gòu)模型的參數(shù)估計（β）提供了神經(jīng)模式泛化水平的估計。

在本研究中， 我們主要關注代表可泛化的跨情感與認知領域的第三層級參數(shù)估計， 在此層級上， 各回歸因子可評估跨不同情感與認知領域的泛化程度， 正值代表不同過程之間共享的空間模式可泛化水平。參數(shù)估計值（β）的顯著性推論是通過使用bootstrapping重新構(gòu)建所有受試者的神經(jīng)激活模式來進行的， 該過程涉及針對所有受試者的神經(jīng)激活模式的5000次迭代來重建神經(jīng)相異性的觀測值（Y）。在每次重建中， 通過對每組被試在不同情感與認知條件下進行組內(nèi)抽樣， 再使用神經(jīng)激活表征模式來構(gòu)建了一個新的RDM并進行相應GLM的參數(shù)估計。然后， 5000次bootstrapping中生成的參數(shù)估計值（β）作為樣本分布， 并通過使用正態(tài)近似進行推斷， 將顯著性定義為參數(shù)估計值中小于0的樣本的比率。為了檢查發(fā)育性的變化， 我們比較了3組受試者之間的參數(shù)估計的差異， 每次我們使用獨立樣本t檢驗從5000次迭代中針對這3組每組隨機選擇100個值進行組間的兩兩比較并獲得p值， 這個過程會重復1000次， 因此， 相應的顯著性定義為差異不顯著結(jié)果（我們使用了p"= 0.001的閾值決定是否顯著）的總數(shù)量除以1000。這么做的原因在于我們使用的方法在5000次迭代中本身就具有一定的隨機性， 每次迭代會對每個情感與認知條件成對匹配的神經(jīng)相異性進行隨機化， 因此所產(chǎn)生的參數(shù)估計值（β）也有所不同， 這就構(gòu)成了5000次結(jié)果的樣本分布因此， 進行組間差異比較時， 要隨機抽取100個值進行t檢驗。

3 "結(jié)果

3.1""不同情感與認知領域下多元需求額頂系統(tǒng)的神經(jīng)共激活

我們試圖尋找不同情感與認知領域下多元需求額頂系統(tǒng)的神經(jīng)共激活模式， 以考察該系統(tǒng)對于跨情感與認知領域發(fā)展的通用性支持作用。因此， 我們選擇了認知領域中注意的警覺和定向條件、工作記憶的1-Back和2-Back條件以及情感領域中情緒識別和控制條件， 顯著的激活簇是通過1 discovery rate （FDR）多重比較校正（閾值q"lt; 0.05， 激活簇 gt; 45個體素）來確定的， 通過疊加這些任務的神經(jīng)激活以獲取神經(jīng)共激活的結(jié)果。如圖5所示， 紅色區(qū)域表示被試在6個條件中均被激活的腦區(qū)的重疊部分， 即各條件的激活交集。在3組被試中， 我們發(fā)現(xiàn)雙側(cè)頂內(nèi)溝、雙側(cè)額眼區(qū)域均出現(xiàn)了跨情感與認知領域的神經(jīng)共激活模式， 另外， 右側(cè)腹側(cè)額葉皮層（ventral frontal cortex， VFC）和左側(cè)前輔助運動區(qū)（pre-supplementary motor area， pSMA）也表現(xiàn)出了部分組別的共激活現(xiàn)象， 但未在所有組別出現(xiàn)（如圖5所示， 各組別重疊腦區(qū)報告表格見網(wǎng)絡版表S2）， 說明了這些腦區(qū)共同參與了這些任務的執(zhí)行， 該結(jié)果與以往有關多元需求系統(tǒng)的研究發(fā)現(xiàn)表現(xiàn)出了高度一致的神經(jīng)激活模式（Duncan， 2010; Fedorenko et al.， 2013）， 頂內(nèi)溝和額眼區(qū)域是我們最為關注的多元需求額頂系統(tǒng)的核心組成部分。我們認為， 對其神經(jīng)發(fā)育規(guī)律的探索， 需要從該系統(tǒng)中不同層級神經(jīng)元的差異性共激活出發(fā)， 最終找出多元需求系統(tǒng)在兒童跨情感與認知領域發(fā)展中的影響機制。

3.2""跨情感與認知領域神經(jīng)泛化水平的發(fā)育性差異

我們在檢查跨情感與認知領域的神經(jīng)表征泛化水平的發(fā)育性差異時發(fā)現(xiàn)， 成人在多元需求額頂系統(tǒng)（雙側(cè)IPS + 雙側(cè)FEF： p"= 0.0018）中表現(xiàn)出了顯著高于隨機水平的跨情感與認知的神經(jīng)泛化水平， 特別是在雙側(cè)IPS中（p"= 0.004）， 但是， 在控制分析的ROI （包括雙側(cè)dACC、雙側(cè)DLPFC和雙側(cè)AI， ps≥0.991）中卻未發(fā)現(xiàn)統(tǒng)計上顯著的皮層區(qū)域（圖6）。有趣的是， 我們在兩個兒童組的多元需求系統(tǒng)和控制分析的ROI中也均未發(fā)現(xiàn)顯著的皮層區(qū)域（ps ≥ 0.854）。隨后， 我們使用了bootstrapping方法檢查了兒童低年齡組、兒童高年齡組和成人組之間泛化水平的發(fā)育性差異， 結(jié)果表明， 兒童在多元需求額頂系統(tǒng)中各個腦區(qū)均表現(xiàn)出了更低的跨情感與認知領域的神經(jīng)泛化水平（ps"≤"0.05） （圖6）。

4 "討論

本研究通過融合發(fā)展心理學、無創(chuàng)功能性磁共振成像、跨情感與認知領域的多任務范式（包括注意網(wǎng)絡、工作記憶和情緒匹配任務）和創(chuàng)新性的層級化神經(jīng)表征統(tǒng)一建模等跨學科技術(shù)方法， 基于多元需求系統(tǒng)在不同任務的共激活規(guī)律和交互式特異化理論的觀點， 從神經(jīng)系統(tǒng)不同層級的信息加工機制出發(fā)， 依靠更為底層的基于神經(jīng)元族群的共激活信息編碼規(guī)則， 考察了多元需求系統(tǒng)在兒童跨情感與認知領域發(fā)展中的神經(jīng)表征基礎， 以探討適合于兒童領域通用性發(fā)展的神經(jīng)表征架構(gòu)及其發(fā)育規(guī)律。具體而言， 利用跨情感與認知領域的多層級分布式神經(jīng)表征建模方法， 我們發(fā)現(xiàn)了兒童在多元需求額頂系統(tǒng)中的頂內(nèi)溝和額眼區(qū)域表現(xiàn)為更低的神經(jīng)表征泛化水平， 即更弱的跨情感與認知領域的神經(jīng)泛化程度?；诖?， 我們推測在兒童腦智發(fā)育過程中， 多元需求系統(tǒng)可能作為一個潛在的領域通用性架構(gòu)， 通過組構(gòu)性的信息編碼加工方式， 來進行不同層級情感與認知功能對應神經(jīng)表征信息的分離和整合， 從而支持著兒童跨情感與認知領域的一般性發(fā)展。

在本研究中， 我們旨在通過多個情感與認知領域下不同任務的神經(jīng)激活情況， 檢查兒童心理發(fā)展過程中的多元需求額頂系統(tǒng)基礎。兒童接受功能磁共振成像掃描的同時， 執(zhí)行了3個情感和認知任務， 包括注意網(wǎng)絡測試、數(shù)字N-Back工作記憶和情緒匹配任務。由于兒童被試均為7～12歲的學生， 頭動控制能力相對成人較弱， 因此我們使用了最新的名為fMRIPrep （Esteban et al.， 2019， 2020）的預處理工作流程， 能夠有效減輕頭動和偽影對數(shù)據(jù)質(zhì)量的影響， 針對多個情感與認知領域的各年齡組構(gòu)建一般線性模型檢查了兒童和成人在不同條件下的神經(jīng)共激活。我們發(fā)現(xiàn)了多元需求額頂系統(tǒng)（雙側(cè)頂內(nèi)溝和額眼區(qū)域）在3組被試中均出現(xiàn)了跨情感與認知領域的神經(jīng)共激活模式， 另外， 右側(cè)腹側(cè)額葉皮層（ventral frontal cortex， VFC）和左側(cè)前輔助運動區(qū)（pre-supplementary motor area， pSMA）也表現(xiàn)出了部分組別的共激活現(xiàn)象， 但未在所有組別出現(xiàn)。后續(xù)研究發(fā)現(xiàn)， 多元需求額頂系統(tǒng)IPS和FEF存在3個組別的可泛化水平差異， 說明了IPS和FEF存在差異性共激活現(xiàn)象， 通過神經(jīng)泛化作用支持著多種情感與認知功能的發(fā)展成熟。雖然腹側(cè)額葉皮層和前輔助運動區(qū)也部分存在共激活現(xiàn)象， 但是一個腦區(qū)在多個任務下被激活并不代表該腦區(qū)存在神經(jīng)泛化， 還可能存在其他的神經(jīng)支持機制， 對于這些機制的探索為我們未來的研究提供了新的思路和方向。這一現(xiàn)象與許多先前的發(fā)現(xiàn)是一致的， 比如， Duncan發(fā)現(xiàn)多元需求系統(tǒng)的激活與流體智力關系密切， 而流體智力也是許多認知能力的生理基礎（Duncan， 2010）， 與此同時， 多元需求系統(tǒng)在執(zhí)行選擇性注意、任務切換、反應抑制、沖突監(jiān)控、新異問題解決等大量的認知任務中均出現(xiàn)了共激活現(xiàn)象（Cole amp; Schneider， 2007; Dosenbach et al.， 2006; Duncan amp; Owen， 2000; Fedorenko et al.， 2013; Hugdahl et al.， 2015）。此外， 隨著年齡的增長， 該系統(tǒng)的激活在多種條件下表現(xiàn)出了不同模式（線性或非線性）的發(fā)育性變化（Hao et al.， 2021）， 在一定程度上又說明了該系統(tǒng)的神經(jīng)計算機制在兒童情感與認知發(fā)展中發(fā)生著復雜的變化。這些發(fā)現(xiàn)進一步說明了， 對兒童跨情感與認知領域發(fā)展的神經(jīng)發(fā)育基礎的探索， 單純的檢查皮層區(qū)域激活的強度無法闡明其中的復雜機制， 需從不同層級的加工機制出發(fā)， 依靠更為底層的基于神經(jīng)元族群的共激活信息編碼規(guī)則， 最終找出多元需求額頂系統(tǒng)在兒童跨情感與認知領域發(fā)展中的影響機制。

通過應用多層級神經(jīng)表征泛化模型的分析方法， 我們檢查了兒童與成人之間不同條件下多變量神經(jīng)表征模式的發(fā)育性差異， 發(fā)現(xiàn)了兒童在多元需求額頂系統(tǒng)中表現(xiàn)了更弱的跨情感與認知領域相關的神經(jīng)泛化水平， 特別是其內(nèi)部的頂內(nèi)溝皮層區(qū)域最為顯著。多元需求額頂系統(tǒng)共同參與著多種情感與認知功能過程（Cole amp; Schneider， 2007; Dosenbach et al.， 2006; Duncan amp; Owen， 2000; Fedorenko et al.， 2013; Hugdahl et al.， 2015）， 本研究的結(jié)果在注意、工作記憶和情緒任務中印證了這一現(xiàn)象。只有成人在多元需求額頂系統(tǒng)中， 特別是頂內(nèi)溝皮層區(qū)域， 表現(xiàn)出了顯著的跨情感與認知領域的神經(jīng)泛化水平， 此外， 3組被試在多元需求額頂系統(tǒng)中也表現(xiàn)出了顯著的發(fā)育性差異， 說明了兒童該腦區(qū)的組構(gòu)性信息編碼加工機制還未成熟， 在支持不同情感與認知任務時未能執(zhí)行穩(wěn)定的差異性共激活模式（Reverberi et al.， 2012）， 其表現(xiàn)就是雖然在各過程均被激活， 但是卻未能對不同層級情感或認知功能相應的神經(jīng)表征信息進行有效的信息組織。本研究評估了反映多元需求系統(tǒng)中潛在共享結(jié)構(gòu)對不同情感與認知領域的可泛化性， 我們發(fā)現(xiàn)了涉及不同神經(jīng)元群體出現(xiàn)的差異性共激活機制， 該機制可能支撐著多元需求額頂系統(tǒng)對表征信息的分離和整合加工， 并影響著從童年到成年期過程中的情感與認知發(fā)展。對于神經(jīng)泛化的解釋可以源自計算神經(jīng)科學的組構(gòu)性編碼機制與多個認知過程在組織上的分離和整合有關（Yang et al.， 2019）。額頂皮層作為多元需求系統(tǒng)的核心節(jié)點， 對于多種情感與認知功能的底層神經(jīng)支持是至關重要的（Duncan， 2010; Miller amp; Cohen， 2001）， 這與我們的發(fā)現(xiàn)也是一致的。

以往的實證性研究和計算模型研究提出了額頂皮層的組構(gòu)性編碼機制（Cole， Laurent， et al.， 2013; Kragel et al.， 2018; Yang et al.， 2019）， 該機制作為一種基礎性的神經(jīng)特質(zhì)， 支撐著多種高級情感與認知功能的切換， 以適應多樣性的外界需求。人腦神經(jīng)影像學研究還表明， 背外側(cè)前額葉皮層中復雜認知任務的表征也是基于組構(gòu)性編碼支持的（Cole et al.， 2011; Reverberi et al.， 2012）?；谇叭搜芯恐械睦碚摵蛯嵶C性證據(jù)， 表明多元需求額頂系統(tǒng)在多種情感與認知任務的執(zhí)行中起著關鍵作用， 可能存在一種不同情感與認知功能的組構(gòu)性編碼機制， 支持著神經(jīng)信息的組織和協(xié)調(diào)以適應多種任務需求。基于本研究的發(fā)現(xiàn)， 我們推斷， 多元需求額頂系統(tǒng)在促進從兒童到成年期的情感與認知功能的高度整合和成熟中起到了重要作用。此外， 我們還建立了神經(jīng)元族群差異性共激活與組構(gòu)性編碼機制之間的聯(lián)系， 作為一種潛在的機制來支持跨情感與認知領域的整合性發(fā)展。神經(jīng)泛化過程是兒童跨情感與認知領域發(fā)展的基礎架構(gòu)， 支持發(fā)育過程中多種情感與認知功能的增強和完善， 或許也作為通用性的機制支持著學習泛化能力的產(chǎn)生與發(fā)展。

5 "結(jié)論

本研究通過融合多種情感與認知任務范式， 以大樣本的7～12歲正常發(fā)育的學齡兒童和18～22歲健康成人為主要研究對象， 結(jié)合發(fā)展心理學、認知行為實驗、無創(chuàng)功能性磁共振成像以及層級化的多體素神經(jīng)表征建模等跨學科技術(shù)手段和方法， 基于交互式特異化理論模型和多元需求額頂系統(tǒng)理論通用性建構(gòu)的研究背景， 系統(tǒng)考察了兒童跨情感與認知領域發(fā)展的層級化分布式神經(jīng)表征發(fā)育基礎。本研究推論：多元需求額頂系統(tǒng)通過神經(jīng)元群體共激活的組構(gòu)性編碼機制， 影響著兒童跨情感與認知領域的發(fā)展， 這可能是兒童腦智發(fā)育的基本特征。本研究突破了現(xiàn)有兒童認知發(fā)展的交互式特異化理論模型， 為發(fā)展認知神經(jīng)科學領域有關腦智發(fā)育機理的解析， 提供了來自功能性影像學和發(fā)展心理學方面的新證據(jù)， 并幫助促進提高基礎教育質(zhì)量水平和啟發(fā)基于腦智發(fā)育的人工智能新型算法和理論模型。

本研究促進了我們對兒童跨情感與認知領域發(fā)展規(guī)律的理解， 然而， 目前的研究還存在著一些局限性：例如， 本研究僅采用了3種情感與認知領域的6個過程， 未來的研究應該納入更多的情感與認知條件來驗證本研究的假設， 探索實驗結(jié)論是否普適于更多的領域。由于各情感與認知任務的設計不同， 存在regressor、contrast數(shù)量不一致的情況， 這對統(tǒng)計檢驗力和本研究中重要結(jié)果是否存在影響是值得商榷的， 需要后續(xù)改進實驗設計來驗證此問題。此外， 本研究使用了多個情感與認知任務， 并非是在一次任務中進行了多個情感與認知過程， 因此， 本研究并不能說明多元需求額頂系統(tǒng)的泛化發(fā)育能夠更好地支持認知靈活切換。由于本研究的分析時基于組水平的結(jié)果， 盡管通過bootstrapping可以得到顯著性， 但并不能得到每個個體的泛化水平的指標， 這限制了它作為客觀生物標記的可能性。最后， 我們考察了兒童跨情感與認知領域的分布式神經(jīng)表征發(fā)育基礎， 然而目前的無創(chuàng)腦功能成像技術(shù)的時空分辨率有限， 仍然無法完全表征精確的神經(jīng)元激活， 亟待新的技術(shù)革新和更優(yōu)化的研究設計來解決這個問題。

參""考""文""獻

Adolphs， R. （2002）. Neural systems for recognizing emotion. Current Opinion in Neurobiology， 12（2）， 169?177.

Atkinson， J. （1984）. Human visual development over the first 6 months of life. A review and a hypothesis. Human Neurobiology， 3（2）， 61?74.

Barbey， A. K.， Koenigs， M.， amp; Grafman， J. （2013）. Dorsolateral"prefrontal contributions to human working memory. Cortex， 49（5）， 1195?1205.

Baum， G. L.， Ciric， R.， Roalf， D. R.， Betzel， R. F.， Moore， T. M.， Shinohara， R. T.， ... Satterthwaite， T. D. （2017）. Modular segregation of structural brain networks supports the development of executive function in youth. Current Biology， 27（11）， 1561?1572.

Baum， G. L.， Cui， Z.， Roalf， D. R.， Ciric， R.， Betzel， R. F.， Larsen， B.， ... Satterthwaite， T. D. （2020）. Development of structure?function coupling in human brain networks during youth. Proceedings of the National Academy of Sciences， 117（1）， 771?778.

Behzadi， Y.， Restom， K.， Liau， J.， amp; Liu， T. T. （2007）. A component based noise correction method （CompCor） for BOLD and perfusion based fMRI. Neuroimage， 37（1）， 90?101.

Camilleri， J. A.， Müller， V. I.， Fox， P.， Laird， A. R.， Hoffstaedter， F.， Kalenscher， T.， amp; Eickhoff， S. B. （2018）. Definition and characterization of an extended multiple- demand network. Neuroimage， 165， 138?147.

Cole， M. W.， Etzel， J. A.， Zacks， J. M.， Schneider， W.， amp; Braver， T. S. （2011）. Rapid transfer of abstract rules to novel contexts in human lateral prefrontal cortex. Frontiers in Human Neuroscience， 5， 142.

Cole， M. W.， Laurent， P.， amp; Stocco， A. （2013）. Rapid instructed task learning： A new window into the human brain’s unique capacity for flexible cognitive control. Cognitive， Affective， amp;behavioral Neuroscience， 13（1）， 1?22.

Cole， M. W.， Reynolds， J. R.， Power， J. D.， Repovs， G.， Anticevic， A.， amp; Braver， T. S. （2013）. Multi-task connectivity reveals flexible hubs for adaptive task control. Nature Neuroscience， 16（9）， 1348?1355.

Cole， M. W.， amp; Schneider， W. （2007）. The cognitive control network： Integrated cortical regions with dissociable functions. Neuroimage， 37（1）， 343?360.

Cox， R. W.， amp; Hyde， J. S. （1997）. Software tools for analysis and visualization of fMRI data. NMR in Biomedicine， 10（4‐5）， 171?178.

Diamond， A.， amp; Goldman-Rakic， P. S. （1989）. Comparison of human infants and rhesus monkeys on Piaget’s AB task： Evidence for dependence on dorsolateral prefrontal cortex. Experimental Brain Research， 74（1）， 24?40.

Dosenbach， N. U.， Visscher， K. M.， Palmer， E. D.， Miezin， F. M.， Wenger， K. K.， Kang， H. C.， ... Petersen， S. E. （2006）. A core system for the implementation of task sets. Neuron， 50（5）， 799?812.

Duncan， J. （2010）. The multiple-demand （MD） system of the primate brain： Mental programs for intelligent behaviour. Trends in Cognitive Sciences， 14（4）， 172?179.

Duncan， J. （2013）. The structure of cognition： Attentional episodes in mind and brain. Neuron， 80（1）， 35?50.

Duncan， J.， amp; Owen， A. M. （2000）. Common regions of the human frontal lobe recruited by diverse cognitive demands. Trends in Neurosciences， 23（10）， 475?483.

Esteban， O.， Ciric， R.， Finc， K.， Blair， R. W.， Markiewicz， C. J.， Moodie， C. A.， ... Gorgolewski， K. J. （2020）. Analysis of task-based functional MRI data preprocessed with fMRIPrep. Nature Protocols， 15（7）， 2186?2202.

Esteban， O.， Markiewicz， C. J.， Blair， R. W.， Moodie， C. A.， Isik， A. I.， Erramuzpe， A.， ... Gorgolewski， K. J. （2019）. fMRIPrep： A robust preprocessing pipeline for functional MRI. Nature Methods， 16（1）， 111?116.

Fair， D. A.， Cohen， A. L.， Power， J. D.， Dosenbach， N. U.， Church， J. A.， Miezin， F. M.， Schlaggar， B. L.， amp; Petersen， S. E. （2009）. Functional brain networks develop from a “l(fā)ocal to distributed” organization. PLoS Computational Biology， 5（5）， e1000381.

Fedorenko， E.， Duncan， J.， amp; Kanwisher， N. （2013）. Broad domain generality in focal regions of frontal and parietal cortex. Proceedings of the National Academy of Sciences， 110（41）， 16616?16621.

Filipek， P. A. （1999）. Neuroimaging in the developmental disorders： The state of the science. The Journal of Child Psychology and Psychiatry and Allied Disciplines， 40（1）， 113?128.

Friston， K. J.， amp; Price， C. J. （2001）. Dynamic representations and generative models of brain function. Brain Research Bulletin， 54（3）， 275?285.

Gazzaniga， M. S. （2004）. The cognitive neurosciences. MIT Press.

Gee， D. G.， Humphreys， K. L.， Flannery， J.， Goff， B.， Telzer， E. H.， Shapiro， M.， ... Tottenham， N. （2013）. A developmental shift from positive to negative connectivity in human amygdala?prefrontal circuitry. Journal of Neuroscience， 33（10）， 4584?4593.

Glasser， M. F.， Sotiropoulos， S. N.， Wilson， J. A.， Coalson， T. S.， Fischl， B.， Andersson， J. L.， ... Polimeni， J. R. （2013）. The minimal preprocessing pipelines for the Human Connectome Project. Neuroimage， 80， 105?124.

Gorgolewski， K.， Burns， C. D.， Madison， C.， Clark， D.， Halchenko， Y. O.， Waskom， M. L.， amp; Ghosh， S. S. （2011）. Nipype： A flexible， lightweight and extensible neuroimaging"data processing framework in python. Frontiers in Neuroinformatics， 5， 13.

Greve， D. N.， amp; Fischl， B. （2009）. Accurate and robust brain image alignment using boundary-based registration. Neuroimage， 48（1）， 63?72.

Hao， L.， Li， L.， Chen， M.， Xu， J.， Jiang， M.， Wang， Y.， ... Qin， S. （2021）. Mapping domain-and age-specific functional brain activity for children’s cognitive and affective development. Neuroscience Bulletin， 37（6）， 763?776.

Hao， L.， Peng， S.， Zhou， Y.， Chen， X.， Qiu， J.， Luo， W.， ... Qin， S. Z. （2024）. Neural specialization with generalizable representations underlies children’s cognitive development of attention. American Psychologist， doi： 10.1037/amp0001283.

Hugdahl， K.， Raichle， M. E.， Mitra， A.， amp; Specht， K. （2015）. On the existence of a generalized non-specific task- dependent network. Frontiers in Human Neuroscience， 9， 430.

Jenkinson， M.， Bannister， P.， Brady， M.， amp; Smith， S. （2002）. Improved optimization for the robust and accurate linear registration and motion correction of brain images. Neuroimage， 17（2）， 825?841.

Jenkinson， M.， amp; Smith， S. （2001）. A global optimisation method for robust affine registration of brain images. Medical Image Analysis， 5（2）， 143?156.

Johnson， M. H. （1990）. Cortical maturation and the development"of visual attention in early infancy. Journal of Cognitive Neuroscience， 2（2）， 81?95.

Johnson， M. H. （2000）. Functional brain development in infants： Elements of an interactive specialization framework."Child Development， 71（1）， 75?81.

Johnson， M. H. （2001）. Functional brain development in humans. Nature Reviews Neuroscience， 2（7）， 475?483.

Johnson， M. H. （2011）. Interactive specialization： A domain- general framework for human functional brain development？ Developmental Cognitive Neuroscience， 1（1）， 7?21.

Kanwisher， N. （2010）. Functional specificity in the human brain： A window into the functional architecture of the mind. Proceedings of the National Academy of Sciences， 107（25）， 11163?11170.

Kanwisher， N.， McDermott， J.， amp; Chun， M. M. （1997）. The fusiform face area： A module in human extrastriate cortex specialized for face perception. Journal of Neuroscience， 17（11）， 4302?4311.

Kragel， P. A.， Kano， M.， Van Oudenhove， L.， Ly， H. G.， Dupont， P.， Rubio， A.， ... Wager， T. D. （2018）. Generalizable representations of pain， cognitive control， and negative emotion in medial frontal cortex. Nature Neuroscience， 21（2）， 283?289.

Lanczos， C. （1964）. Evaluation of noisy data. Journal of the Society for Industrial and Applied Mathematics， Series B： Numerical Analysis， 1（1）， 76?85.

Miller， E. K.， amp; Cohen， J. D. （2001）. An integrative theory of prefrontal cortex function. Annual Review of Neuroscience， 24（1）， 167?202.

Missana， M.， amp; Grossmann， T. （2015）. Infants’ emerging sensitivity to emotional body expressions： Insights from asymmetrical frontal brain activity. Developmental Psychology，"51（2）， 151?160.

Morton， J.， amp; Frith， U. （1995）. Causal modeling： A structural approach to developmental psychopathology."In D. Cicchetti"amp; D. J. Cohen （Eds.）， Developmental psychopathology， Vol. 1. Theory and methods"（pp. 357–390）. John Wiley amp; Sons.

Paus， T. （2005）. Mapping brain maturation and cognitive development during adolescence. Trends in Cognitive Sciences， 9（2）， 60?68.

Petersen， S. E.， amp; Posner， M. I. （2012）. The attention system of the human brain： 20 years after. Annual Review of Neuroscience， 35（1）， 73?89. https：//doi.org/10.1146/annurev-"neuro-062111-150525

Power， J. D.， Mitra， A.， Laumann， T. O.， Snyder， A. Z.， Schlaggar， B. L.， amp; Petersen， S. E. （2014）. Methods to detect， characterize， and remove motion artifact in resting state fMRI. Neuroimage， 84， 320?341.

Pruim， R. H.， Mennes， M.， van Rooij， D.， Llera， A.， Buitelaar， J. K.， amp; Beckmann， C. F. （2015）. ICA-AROMA： A robust ICA-based strategy for removing motion artifacts from fMRI data. Neuroimage， 112， 267?277.

Qin， S.， Cho， S.， Chen， T.， Rosenberg-Lee， M.， Geary， D. C.， amp; Menon， V. （2014）. Hippocampal-neocortical functional reorganization underlies children’s cognitive development. Nature Neuroscience， 17（9）， 1263?1269.

Qin， S.， Young， C. B.， Supekar， K.， Uddin， L. Q.， amp; Menon， V. （2012）. Immature integration and segregation of emotion- related brain circuitry in young children. Proceedings of the National Academy of Sciences， 109（20）， 7941?7946.

Reverberi， C.， G?rgen， K.， amp; Haynes， J. -D. （2012）. Compositionality"of rule representations in human prefrontal cortex. Cerebral Cortex， 22（6）， 1237?1246.

Richards， J. E. （2001）. Cortical indexes of saccade planning in infants. Infancy， 2（2）， 123?133.

Rumsey， J. M.， amp; Ernst， M. （2000）. Functional neuroimaging of autistic disorders. Mental Retardation and Developmental"Disabilities Research Reviews， 6（3）， 171?179.

Sakai， K. （2008）. Task set and prefrontal cortex. Annual Review of Neuroscience， 31， 219?245.

Schiller， P. H. （1996）. On the specificity of neurons and visual areas. Behavioural Brain Research， 76（1?2）， 21?35.

Stuss， D. T.， amp; Knight， R. T. （2013）. Principles of frontal lobe function. Oxford University Press， USA.

Sugiura， M.， Katayori， Y.， Muratsubaki， T.， Shiratori， M.， Hanawa， S.， Nejad， K. K.， ... Fukudo， S. （2023）. Automatic adaptive emotion regulation is associated with lower emotion-related activation in the frontoparietal cortex and other cortical regions with multi-componential organization. Frontiers in Behavioral Neuroscience， 17， 1059158.

Toga， A. W.， Thompson， P. M.， amp; Sowell， E. R. （2006）. Mapping brain maturation. Trends in Neurosciences， 29（3）， 148?159.

Tschentscher， N.， Mitchell， D.， amp; Duncan， J. （2017）. Fluid intelligence predicts novel rule implementation in a distributed frontoparietal control network. Journal of Neuroscience， 37（18）， 4841?4847.

Uddin， L. Q.， Nomi， J. S.， Hébert-Seropian， B.， Ghaziri， J.， amp; Boucher， O. （2017）. Structure and function of the human insula. Journal of Clinical Neurophysiology， 34（4）， 300?306.

Wallis， J. D.， Anderson， K. C.， amp; Miller， E. K. （2001）. Single neurons in prefrontal cortex encode abstract rules. Nature， 411（6840）， 953?956.

Yang， G. R.， Joglekar， M. R.， Song， H. F.， Newsome， W. T.， amp; Wang， X. -J. （2019）. Task representations in neural networks trained to perform many cognitive tasks. Nature Neuroscience， 22（2）， 297?306.

Zhang， Y.， Padmanabhan， A.， Gross， J. J.， amp; Menon， V. （2019）. Development of human emotion circuits investigated using a big-data analytic approach： Stability， reliability， and robustness. Journal of Neuroscience， 39（36）， 7155?7172.

Developmental differences in generalizable neural representations driven by multiple emotional and cognitive tasks

HAO Lei^1，2， XU Tianwei³， ZHOU Wenlong³， YANG Jie³， PENG Siya²， LIU Minglan⁴， XU Jiahua⁵，WANG Yanpei²， TAN Shuping⁵， GAO Jiahong⁶， HE Yong²， TAO Sha²， DONG Qi²， QIN Shaozheng²

（¹"College of Teacher Education， Southwest University， Chongqing 400715，"China） （²"State Key Laboratory of Cognitive Neuroscience and Learning amp; IDG/McGovern Institute for Brain Research， Beijing Normal University， Beijing 100875， China）（³"Qiongtai Normal University Key Laboratory of Child Cognition amp; Behavior Development of Hainan Province， Haikou 571127， China） （⁴"Beibei Teacher Training College， Chongqing 400700， China） （⁵"Beijing HuiLongGuan Hospital， Peking University， Beijing 100096，"China） （⁶"Center for MRI Research， Academy for Advanced Interdisciplinary Studies amp; McGovern Institute for Brain Research， Peking University， Beijing 100871， China）

Abstract

From the perspective of development， childhood is one of the most critical stage during brain development： neural system and cognitive"behavior undergo a prolonged and intricate developmental process. A central question in developmental cognitive neuroscience pertains to how our brain develop highly specialized yet interacting neural modules to support a wide spectrum of cognitive and emotional functions. It is still inconclusive how these neural systems interplay and work together to promote cognitive and emotional maturation.

The early maturational perspective believed that as the anatomical structure of a specific cortical area matures， each neural module will “perform their duties” to support the development of corresponding cognitive functions. Later， the interactive specialization theory argued that there is a special brain function module with the properties of a general"developmental architecture to support the development of different cognitive abilities， which can co-activate in multiple neurobiological models. Recently， researchers proposed a multi-demand system model， where the frontal-parietal network system supports various cognitive functions through diverse neural activation modes， fostering cognitive flexibility， and playing a role in coordinating and integrating different levels of neural computing resources across cognitive domains during children’s brain development. Based on the interactive specialization and multi-demand system model， the present study put forward the scientific questions： whether the multi-demand frontal-parietal system have a general neural representation pattern under different cognitive subdomain tasks， and how this pattern supports the development of children’s multiple cognitive domains through a hierarchical distributed neural representation organization.

Integrating traditional developmental psychology with non-invasive functional magnetic resonance imaging in cognitive neuroscience， we used multiple task paradigm （attention network test， numerical N-Back working memory and emotion matching tasks） across cognitive domains and innovative hierarchical distributed neural representation modeling to explore a general neural representation framework and its developmental rules for multiple cognitive domains. By building hierarchical distributed neural representation modeling method across multiple cognitive domains， we systematically investigate the developmental patterns of neural information representation in children and adults. The results indicated that both children and adults exhibited the phenomenon of the multiple-demand frontoparietal system （including the intraparietal sulcus and frontal eye area） jointly participating in a variety of emotional and cognitive tasks， that is， co-activation across tasks; it is worth emphasizing that the multiple-demand frontoparietal system in children showed lower levels of generalizability of neural representations across tasks， whereas the anterior cingulate gyrus， dorsolateral prefrontal cortex， and anterior insula， which were used as control analyses， did not show differences in generalizability between the groups.

We speculate that the multi-demand frontoparietal system may serve as a potential universal “hub” during development. Through compositional information coding organization， it can enable hierarchical neural representation and computation driven by different task goals， thereby supports the development of emotional and cognitive functions"with age. This study breaks through the current research framework of developmental cognitive neuroscience from the perspective of a single-task paradigm and is expected to provide new insights into the working principles of brain development across emotional and cognitive domains， as well as to inspire the new artificial intelligence algorithms.

Keywords "emotion and cognition， cognitive and brain development， specialization， neural representation， generalization