读心术——狗的大脑如何表达它所看到的东西？

科学家们从狗的大脑中解码了视觉图像，首次揭示了狗的大脑是如何重构所见的东西的。

　　

研究结果表明，狗狗对周围环境中的行为更敏感，而不是对谁或什么在做动作。

研究人员记录了两只清醒的、不受约束的狗的功能磁共振神经数据，让它们分三次观看30分钟的视频，总共90分钟。然后他们使用机器学习算法来分析神经数据中的模式。

埃默里大学心理学教授、论文通讯作者格雷戈里·伯恩斯(Gregory Berns)说:“我们证明，我们可以在狗狗观看视频时监测它大脑的活动，并至少在一定程度上重建它所看的内容。我们能够做到这一点，这是非常了不起的。”

该项目的灵感来自于最近机器学习和功能磁共振成像(fMRI)技术的进步，这些技术可以解码来自人类大脑的视觉刺激，为感知的本质提供了新的见解。除了人类，该技术只应用于少数其他物种，包括一些灵长类动物。

这篇论文的第一作者艾琳·菲利普斯(Erin Phillips)说:“虽然我们的研究只是基于两只狗，但它证明了这些方法对狗有效的概念。我希望这篇论文有助于为其他研究人员将这些方法应用于狗以及其他物种铺平道路，这样我们就可以获得更多数据，更深入地了解不同动物的思维方式。”

Berns和他的同事开创了训练技术，让狗走进功能磁共振成像扫描仪，在测量它们的神经活动时，保持完全静止和不受约束。十年前，他的团队发表了第一张完全清醒、不受约束的狗的功能核磁共振(fMRI)大脑图像。这为伯恩斯所谓的“狗狗计划”打开了大门——一系列探索最古老的驯化物种思维的实验。

多年来，他的实验室发表了关于犬类大脑如何处理视觉、语言、气味和奖励(如接受表扬或食物)的研究。

与此同时，机器学习计算机算法背后的技术也在不断改进。这项技术使科学家能够解码一些人类大脑活动模式。这项技术通过检测一个人在观看视频时看到的不同物体或动作的大脑数据模式来“读心术”。

“我开始想，‘我们能把类似的技术应用到狗身上吗?’”Berns回忆说。

第一个挑战是想出狗狗可能会觉得有趣的视频内容，可以看很长一段时间。埃默里大学的研究团队在一个万向节和自拍杆上安装了一个录像机，这样他们就可以从狗的角度拍摄稳定的画面，从人的腰高或略低的角度拍摄。

他们用这种设备制作了一个半小时的视频，视频中记录了大多数狗的生活场景。活动包括人们爱抚狗狗，接受人们的款待。狗狗的镜头还显示了它们嗅嗅、玩耍、吃东西或牵着皮带走路。活动场景显示汽车、自行车或滑板车在路上驶过;一只在房子里走的猫;穿过小路的鹿;人们坐着;人们拥抱或亲吻;人们向镜头提供橡胶骨头或球;人们吃东西等等。

视频数据被时间戳划分为各种分类器，包括基于对象的分类器(如狗、车、人、猫)和基于动作的分类器(如嗅、玩或吃)。

在接受功能磁共振成像(fMRI)实验训练的狗狗中，只有两只狗狗有足够的注意力和气质可以完全静止地躺着，不休息地观看30分钟的视频，其中包括三次共90分钟的视频。这两只“超级明星”犬分别是黛西(Daisy)和布博(Bhubo)。

“它们甚至不需要食物，”科学家在功能磁共振成像过程中监测了这些动物，并观察了它们的眼睛在视频中的轨迹。“这很有趣，因为这是严肃的科学，投入了大量的时间和精力，但归根结底是这些狗看了其他狗和人类做傻事的视频。”

两个人也进行了同样的实验，他们躺在功能磁共振成像中，分三次观看相同的30分钟视频。

大脑数据可以用时间戳映射到视频分类器上。一种机器学习算法，一种被称为Ivis的神经网络，应用于数据。神经网络是一种通过让计算机分析训练示例来进行机器学习的方法。在这种情况下，训练神经网络对大脑数据内容进行分类。结果发现，使用神经网络开发的模型在将大脑数据映射到基于对象和基于动作的分类器上时显示了99%的准确性。在解码来自狗的视频内容的情况下，该模型并不适用于对象分类器。然而，在解码狗的动作分类时，准确率是75%到88%。

研究结果表明，人类和狗的大脑在工作方式上存在重大差异。

“我们人类是非常面向对象的，”Berns说。“在英语中，名词的数量是动词的10倍，因为我们特别痴迷于物体的命名。狗狗似乎不太关心它们看到的是谁或什么，而是更关心动作本身。”

Berns指出，狗和人的视觉系统也有很大的不同。狗只看到蓝色和黄色的阴影，但它们的视觉感受器密度略高，用来检测运动。

他说:“狗狗的大脑首先对动作高度协调，这是完全有道理的。动物必须非常关注环境中发生的事情，以避免被吃掉，或监控它们可能想要捕猎的动物。行动和运动是最重要的。”

Erin M. Phillips, Kirsten D. Gillette, Daniel D. Dilks, Gregory S. Berns. Through a Dog's Eyes: fMRI Decoding of Naturalistic Videos from the Dog Cortex. Journal of Visualized Experiments, 2022