埃默里大学在PNAS上发文，研究了个体通过主观价值的评估来指导其完成基于努力的目标导向行为的神经机制。为此，研究者让被试在fMRI中完成一项基于努力的决策任务。在此过程中，关于努力成本和奖励大小的信息是随时间而分开呈现的，从而使我们能够基于选择相关信息的展开而建立不同的努力/奖赏计算模型。最后，研究者发现腹内侧前额叶（vmPFC）涉及编码主观价值的预期，背侧前扣带（dACC）和前脑岛的活动与努力的折现和对主观价值预期的误差有关。该发现强调了当选择的信息不充分时，大脑如何计算和监控基于主观价值的预期。

关键词：决策 主观价值预期  BOLD 任务态

    我们每天都会做出成百上千次如何努力以达到自己的目标的决策。这些决定必须经常在信息不完整的情况下作出，在这些条件下，我们即使选择付出努力也可能得不到想要的回报。因此，这些选择需要通过潜在的主观价值评估来指导基于努力的目标导向行为。然而，到目前为止，研究者尚不清楚该过程的神经机制。因此，研究者为了探究该问题，让被试在MRI中完成一项基于努力的决策任务。

 方法

    研究者首先招募了31名被试(14 male, Mage = 20.8, SDage = 3.4; 详细信息见附录，表二)，让被试在MRI（西门子3T Tim Trio，32导）中完成基于努力的决策任务：被试需要在实验中选择”是不努力而获得1美元” 还是“努力获得更高的奖赏”(选择努力程度（20%，50%，80%，100%；按键速度）和奖赏（（$1–$5.73）；独立变化)，此任务有三个阶段（Cue1：呈现努力水平或奖赏大小，Cue2: 呈现Cue1未呈现的另一项，decision：被试选择）（图1A）。最后，一名被试因头动过大，一名被试因在任务中睡着（还有这操作？），还有一名被试因未完成决策任务而被剔除。最终对28名(13 male, Mage = 20.2, SDage = 2.1)被试的数据进行了后续分析。为了更好地估计工作和奖励如何影响个人的选择，研究者使用了一个双参数的effort discounting model拟合数据。

 数据处理：

    研究者使用SPM12对所有被试的影像数据进行分析，首先进行了预处理（包括：时间层校正,头动矫正，将个体的功能图像配准到个体的结构像，空间标准化（MNI），高斯平滑（6-mm FWHM）），然后利用3个GLMs（一般线性模型）来进行进一步的统计分析:

GLM1:确定编码奖赏或努力的脑区

GLM2确定编码主观价值以及整合努力和奖赏信息的脑区

GLM3确定编码主观价值预期与主观价值预期误差的脑区

最后，对全脑结果使用FWE （cluster-corrected threshold of P <0.05）进行校正。

主观价值（SV）和主观价值预期误差（SVPE）的算法见附录，公式1和2.

结果：

行为结果：参与者在66%的试验中选择了更高的努力选项（图1）。正如研究者预料，更大的奖励和更小的努力成本吸引了更多的努力选择。而且模型拟合的结果与前人的研究的结果一致，相较于线性、抛物线和双曲线模型（见SI附录，表S1），该模型具有更优的拟合效果（由AIC和BIC决定）。个人和群体平均主观价值折现曲线如图1 C所示。

图1. A.实验设计流程。

        B. 基于努力水平和奖励幅度的努力选择的比例。

        C.根据计算模型的结果，个人和组平均值（深蓝色）的主观值曲线。

影像分析结果

    研究发现了一个包括脑岛，dACC，辅助运动区和纹状体（VS）的网络，这些区域与基于努力的决策任务以及其他各种功能有关（图2A）。但研究者没有发现与努力成本有关的脑区。之后，研究者利用GLM2分析发现vmPFC[x = 4, y = 32, z = -8, t = 5.02, cluster-corrected tocontrol for family-wise error rate (pFWE) < 0.001]（图2C）与dACC(x = -8, y = 20, z = 42, t = 4.69, cluster corrected pFWE= 0.001)（图2B）与主观价值的编码有关，这与前人的研究一致。

图2.A.Cue2呈现激活的脑区.

       B.与主观价值降低相关的dACC的BOLD信号升高。

       C.与主观价值大小相关的vmPFC的BOLD信号升高。

    考虑到只在cue1下的主观价值编码和可能已经形成的预期，研究者将GLM1分为主观价值是否只基于cue1信息还是可能在cue2信息下改变(例如,如果在提示2中需要付出很高的努力，那么在提示1中以很高的奖励开始的trail的价值可能会变得明显不那么有吸引力）。之后，研究者将奖赏分为高奖赏（80%-100%）和低奖赏（20%-50%），发现在高奖赏的cue1下观察到脑岛更大的激活（图3.），但却没有发现其在高努力的cue1下激活（图3.B）

图3 A.cue1为高奖赏时，BOLD信号变化； B.cue1为高努力时，BOLD信号变化。

    研究者利用滑动窗分析（GLM3）对基于预期和计算预期差异进行建模来探究与主观价值预期误差（subjective value prediction error, svpe）有关的脑区，发现dACC(x = 8, y = 24, z = 32, t = 4.52, clustercorrected pFWE < 0.001)，背内侧尾状核(x = 12, y = 2,
z = 12, t = 4.18, cluster-corrected pFWE = 0.006)和前脑岛(x = -36, y = 16, z = -10, t = 6.26, cluster-corrected pFWE< 0.001)在基于努力的选择过程中，这些脑区在预测误差信号的编码中发挥作用（图4）。而且，即使在控制了选择困难、主观价值和选择结果（努力选择或无努力选择）相关的回归因素时，这些结果仍然存在。此外，研究者为了更好地知晓这些脑区在主观价值预期编码上与主观价值评估上的特异性，研究者将dACC，脑岛和尾状核作为ROI，对它们的亚区进一步研究，研究者发现dACC的前部（图4.D），背侧脑岛（图4.E）和后侧尾状核（图4.F）与主观价值预期误差编码更为密切。

图4.(A)与SVPE（主观价值预期误差）相关的脑区激活；

    （B）相对于主观价值，脑岛BOLD信号对SVPE的响应更强；

    （C）dACC响应于SVPE的BOLD信号增强；

    （D）对于主观价值，前侧dACC比后侧dACC的BOLD活动更强；(E)尾状核响应于SVPE的BOLD信号增强。

    研究者再次利用滑动窗分析cue1时(cue2呈现之前)编码主观价值预期的脑区，最终发现当cue1为努力信息时，没有追踪到任何脑区与编码努力的主观价值预期相关；而当cue1为奖赏信息时，vmPFC(x = 2, y = 48, z = -8, t = 6.27,cluster-corrected pFWE < 0.001; 图5)与之有关。

图5.，cue1条件时奖赏信息时vmPFC的激活与BOLD信号。

一句话总结：本文发现vmPFC，dACC涉及编码主观价值；dACC，前脑岛和背内侧尾状核的活动与努力的折现和对主观价值预期的误差有关；而主观价值预期的编码主要在于vmPFC。

参考文献：Arulpragasam AR, Cooper J A, Nuutinen M R, et al. Corticoinsular circuits encode subjectivevalue expectation and violation for effortful goal-directed behavior[J].Proceedings of the National Academy of Sciences, 2018: 201800444.

欢迎微信扫码关注思影科技获取脑影像资讯和课程信息

获取原文：关注“思影科技”公众号，回复“原文”或“培训”，获取原文pdf及补充材料下载链接，同时欢迎浏览我们的培训通知以及数据处理业务介绍。（直接点击下文紫色与蓝色字即可浏览）：

第一届功能磁共振提高班（主要基于任务态）

第四届磁共振弥散张量成像数据处理班（多模态研究必备）

第三届磁共振脑影像结构班

第二届磁共振ASL（动脉自旋标记）数据处理班

 第五届磁共振脑网络数据处理班（进阶）

 第八届功能磁共振数据处理基础班（基础入门）

 
招聘公告：脑影像数据处理工程师2名（join Us） 

思影数据处理业务一：功能磁共振（fMRI）数据处理

思影数据处理业务二：结构磁共振成像(sMRI)与弥散张量成像(DTI)处理业务

思影数据处理业务三：ASL数据处理