利用机器学习量化情景记忆认知成分：解锁记忆奥秘

为探究为何有些事件被记住而有些被遗忘，得克萨斯大学奥斯汀分校的研究人员开展 “Using machine learning to simultaneously quantify multiple cognitive components of episodic memory” 主题研究。结果表明多维方法提升记忆预测准确性，该研究为记忆研究及干预提供重要依据。

　　你是否曾好奇，为什么有些经历在脑海中挥之不去，而有些却转瞬即逝？在心理学领域，这一问题长期以来困扰着研究者们。理解记忆形成与遗忘的机制，不仅对基础科学意义重大，还能为改善不同人群在工作、学习场景中的学习效果提供潜在方法。过往研究尝试解码成功与失败的大脑状态来探究该问题，但成果有限。其中一个重要原因是，以往研究常将情景记忆（episodic memory）视为单一维度的过程，忽略了其多维特性，尽管有证据表明感知、持续注意力、选择性注意力等多种认知功能均参与情景编码过程。

为解开记忆的奥秘，得克萨斯大学奥斯汀分校（University of Texas at Austin）的研究人员开展了一项富有创新性的研究。他们运用机器学习算法中的转移学习（transfer learning）技术，结合视觉感知、持续注意力和选择性注意力的大脑状态，通过对编码过程中脑电图（electroencephalography，EEG）活动的分析，来预测情景记忆表现。该研究成果发表在《Nature Communications》上。

研究人员在实验中采用了多种关键技术方法。他们招募 43 名 18 - 35 岁的右利手成年人作为研究对象，让参与者完成视觉感知、持续注意力、选择性注意力和情景记忆任务，并同步记录 EEG 数据。对 EEG 数据进行预处理后，利用基于正则化共同空间模式（Regularized Common Spatial Pattern，RCSP）的转移学习算法，训练二进制高低分类器，从源任务数据中提取特征并应用于目标任务，以此预测情景记忆表现 。同时，通过线性回归整合多源信息，并分析时间任务效应和编码成功历史对认知功能参与程度的影响。

研究结果显示：

1. 多维分析提升记忆预测准确性：与传统的单维方法相比，将情景记忆作为多维过程进行研究，运用转移学习能显著提高记忆预测准确率，从 72.0% 提升至 81.4%。控制分析验证了该多维方法的有效性，随机分配源标签会降低分类性能，且转移学习中对编码数据训练部分的调整十分关键，缺少调整会使记忆预测性能显著下降。
2. 各认知功能解释编码相关活动的独特方差：逐步添加视觉感知、持续注意力和选择性注意力作为源任务进行分类分析发现，添加每个源任务都能显著提高记忆分类性能，但提升幅度逐渐减小。这表明各源任务所涉及的认知子过程与编码子过程存在重叠，且各认知功能并非完全独立，在预测记忆成功方面，各认知域在不同个体间重要性相似，但在个体内部存在差异。
3. 时间任务效应影响认知功能参与度：随着任务时间增加，感知、持续注意力和选择性注意力水平显著下降，且这种下降在命中和未命中试验中相似。尽管记忆表现随时间也有下降趋势，但并不显著。进一步分析发现，持续注意力和选择性注意力任务中，时间任务效应明显，而感知任务受其影响不明显，这可能与任务时长有关。
4. 编码成功历史影响认知过程参与水平：事件之前的编码成功历史会影响当前事件潜在认知过程的参与水平。具体而言，前一事件为命中时，当前事件中感知、持续注意力和选择性注意力的神经证据水平更高；同时，当前事件为命中时，前一事件更可能涉及更高水平的潜在认知过程。不过，这种历史效应仅在持续注意力任务中显著，暗示其可能由持续注意力过程驱动。

在讨论部分，研究人员指出，将记忆视为多维过程进行研究，能显著提升对记忆结果的预测能力。转移学习利用源任务与编码相关活动的共享特征改善预测，但源任务与目标任务间存在的上下文差异可能会低估相关认知过程在记忆编码中的参与程度。此外，研究发现的时间任务效应和历史效应，与以往研究既有一致性，也存在差异。同时，该研究存在一定局限性，如源任务可能并非 “过程纯粹”，还有其他认知功能可能参与情景编码，研究未评估无关任务的影响，且遗忘事件不一定未被编码等。

尽管如此，这项研究仍具有重要意义。它揭示了情景记忆的多维属性，为基础科学研究提供了新的视角。在实际应用方面，多维评估方法大幅提高了记忆预测准确性，有助于开发个性化反馈系统，根据个体情况提供针对性干预措施，推动认知神经科学向设计有效、实时的记忆改善系统迈进。