方法文章

恐怖谷假说中人类相似性维度的感知与范畴化加工：若干方法学问题

19.8K 次观看

⸱

DOI：

10.3791/4375

⸱

2013年6月3日

 , 
1Department of Neuropsychology, University of Zurich

本文内容

摘要

对……的研究 恐怖谷假说 情感体验需要对假设的理解 人类相似度维度（DHL）该方案可实现双耳听力（DHL）的表征，并用于考察范畴知觉。文中展示了利用相同刺激材料及功能性磁共振成像（fMRI）来区分对物理变化和范畴变化有响应的脑区的方法。

摘要

森政弘的“恐怖谷”假说1,2提出，人们对类人角色（如机器人）以及由此延伸的虚拟形象（计算机生成的角色）的感知会引发积极或消极的情绪效价（valence），这取决于对象在“类人程度维度”（dimension of human likeness，DHL）上的视觉与行为真实程度（见图1）。然而，针对不同程度非人类角色所引发的主观情绪效价的研究结果却存在不一致3,4,5,6。造成这一现象的原因之一在于，人们对类人程度的感知并不完全符合该假说的假设。尽管DHL可依据森政弘的描述定义为物理相似性程度平滑线性变化的维度，但人们对DHL上对象的主观感知可用范畴化知觉（categorical perception, CP）的心理效应来解释7。目前仍需进一步的行为学与神经影像学研究，以探讨DHL上的范畴加工与CP机制，以及该维度潜在的范畴结构对情绪体验的可能影响。因此，本实验方案聚焦于DHL，并可用于检验CP现象。本文结合视频中展示的实验方案示例，讨论了该方案的方法学问题，以及在“恐怖谷”研究中使用来自形态连续体（morph continua）的刺激材料来表征DHL的相关问题。此外，简要说明了如何结合神经影像技术与形态刺激来表征DHL，以区分大脑中对物理类人相似性有神经响应的区域与对范畴变化及范畴加工有响应的区域。

方案

恐怖谷图形；效价与类人相似度；运动与静止曲线；机器人学与人类情感。
图1. 情绪体验的正负效价（valence）与感知类人相似度之间非线性关系的示意图。该关系总体呈正相关，但在图中曲线第一个与第二个正向峰值之间的现实主义水平处出现显著的负向峰值（即恐怖谷效应），此时高度逼真但可察觉为非自然的人形物体在外表和行为上的细微差异被认为会引发陌生感和个人不适感（即一种诡异的感觉）。示意图改编自2。

我们为以下每项任务使用了不同的参与者组。

1. 强迫选择分类任务

1.1 刺激材料

  1. 使用头像和真人图像作为亲本面孔（即 在变形过程中，通过连接端点生成线性变形连续体以表示DHL。我们分别使用32张人类面孔和32张虚拟形象面孔图像，创建了32个人类-虚拟形象连续体。使用建模套件Poser 7（Smith Micro Software）生成虚拟形象。 www.smithmicro.com），尽管还有其他可用软件。我们使用 Funmorpher（Zealsoft Inc., Eden Prairie, MN）生成这些形态连续体，但也可使用其他变形软件。
  2. 使用 morph 软件，在父代面孔的对应特征上放置控制点。对于每张面孔，我们在嘴部放置 20 个点，每只眼睛放置 18 个点，鼻部放置 20 个点，每条眉毛放置 8 个点。因此，我们共使用了约 100 个控制点。应尽量保持控制点数量恒定，但可根据需要增加额外的点，以消除连续体最终融合图像中的任何伪影。
  3. 确保在形态变换过程中不引入潜在的混淆因素。例如，我们采用每条连续变化序列的端点图像均为具有中性表情、直接凝视且无其他显著特征（如胡须或首饰）的未知非显著男性面部图像，并且端点图像在年龄、构型线索和整体面部几何结构方面高度匹配。
  4. 使用图像编辑软件（例如采用椭圆形黑色覆盖层）裁剪外部特征；我们使用的软件为 Adobe Photoshop CS3（www.adobe.com在进行形态变换之前，调整图像的位置，以确保构型线索的端点图像对齐，并调整每个连续体各端点刺激图像对的对比度、整体亮度和肤色，使其相匹配。
  5. DHL连续体的每种形态代表在预设增量下类人物理相似性的差异。我们生成了13种不同的渐变图像，并将其标记为M0至M12，即两个端点及11个中间形态。图2B).

1.2 刺激呈现与指导说明

  1. 采用双选迫选分类任务，以确定哪些形态图像被明确归类为虚拟形象或人类，并界定类别边界的位置8。
  2. 试验开始时先呈现一个注视点，持续500毫秒（要求参与者保持注视），随后呈现750毫秒的形态图像。本方案中所有任务的刺激呈现均使用Presentation软件（版本14.1，www.neurobs.com），但也可使用其他刺激呈现平台。
  3. 指导参与者通过按两个反应键中的一个，尽快且准确地将所呈现的形态刺激识别为虚拟形象或人类。

1.3 数据分析

使用多项式回归对头像-人类分类数据进行汇总，以描述反应函数的形状。首先，通过将逻辑函数模型拟合到每位参与者及每个连续体的反应数据中来确定该形状。先分析参与者间各个连续体的数据，确保逻辑函数具有最佳拟合效果。然后，利用从每个连续体的逻辑函数中得出的参数估计值（在参与者间取平均），通过单样本 t 检验检验其是否显著偏离零，从而检验所有连续体上头像-人类类别反应函数是否呈现阶跃状。通过将每个连续体逻辑函数的参数估计值进行logit变换，估算每个连续体上类别边界的位置9。我们使用SPSS第16版（www.ibm.com/software/analytics/spss）对强制选择分类任务和感知辨别任务的所有分析进行了处理。

反应时（RT）数据也可进行分析。在当前分析中，以13个形态位置为因子，将不同形态位置下的反应时差异进行单因素方差分析，每个个体在所有连续刺激序列中的平均反应时作为因变量。

心理测量函数、拟合曲线、类别边界；示意图显示人类在形态渐变序列中的分类情况
图 2. 强迫选择分类任务的结果（A）以及形态渐变序列的示例（B）。在图 B 中，以百分比形式显示了虚拟形象与真实人类两端之间13级形态连续体上线性物理变化的相对程度。在强迫选择分类任务中，M0 和 M4 被识别为虚拟形象，M8 和 M12 被识别为人类，如图 A 所示。

2. 感知辨别任务

2.1 刺激材料

  1. 对于此版本的相同-不同知觉辨别任务10，从每个形态连续体中选择在先前分类任务中被归类为虚拟形象（例如 M0 和 M4）的两个形态，以及被归类为人类（例如 M8 和 M12）的两个形态。为控制形态之间的物理差异，应选择在各连续体上代表等量物理变化增量的形态。我们采用了33.33%的增量（即 M0、M4、M8、M12）（图2B）。

面部形态变换示意图；虚拟形象与真人试验的比较，组内与组间分析。
图 3. “相同-不同”知觉辨别任务的刺激条件（N = 20）。选择形态变换图像以组成配对。配对中的形态图像来自同一类别（“组内”），完全相同（“相同”），或显示类别之间的变化（“组间”）。虚拟形象试验使用 M0、M4 和 M8 形态图像（A），真人试验使用 M4、M8 和 M12 形态图像（B）。注意，在虚拟形象试验中，每对形态图像的第一个图像始终为 M4，而在真人试验中始终为 M8，且虚拟形象与真人试验基于来自不同连续梯度的形态图像。

  1. 根据三种实验形态对条件（图3），将选定的形态对进行配对归类：“相同”（形态对中的两个形态完全相同，表示无物理或类别变化）、“类别内”（形态对中的两个形态均来自同一类别）和“类别间”（形态对中的两个形态代表不同类别）。
  2. 为研究形态对中两个形态之间的辨别能力与虚拟形象类别的关系（因此将这些形态对称为“虚拟形象试验”），需确保三种条件下每对形态中的第一个形态始终为M4（来自虚拟形象类别）（图3A）。由此得到“相同”条件下的形态对为M4 - M4，“类别内”为M4 - M0，“类别间”为M4 - M8。同样方法可用于与人类类别相关的形态对（因此称为“人类试验”），即确保每对形态中的第一个形态始终为M8：“相同”（M8 - M8）、“类别内”（M8 - M12）和“类别间”（M8 - M4）（图3B）。
  3. 始终确保每对形态中的两个形态均来自同一连续体，即它们最初融合时所处的连续体。对形态对的呈现顺序进行伪随机化，避免同一连续体内的形态对连续出现。对于特定连续体的虚拟形象或人类试验的呈现顺序是随机的，但在所有参与者之间进行平衡，以确保每位参与者仅观看来自任一连续体的虚拟形象试验或人类试验中的一种，并且观看的虚拟形象试验和人类试验数量相等。

2.2 呈现与说明

  1. 呈现一个注视点十字，持续500毫秒（要求参与者保持注视），随后在每对面孔中依次呈现每张面孔，每张面孔呈现500毫秒，同一对面孔中两张面孔之间的刺激间间隔（ISI）为300毫秒。我们还使用了75毫秒的ISI，以验证不同ISI时长是否会对辨别表现产生差异性影响。在不同形态对试验之间设置可变的试次间间隔：我们采用的间隔平均为2,500毫秒。
  2. 指导参与者观看包含形态对的每个试次，其中形态图像在试次中依次呈现，并要求其通过按键尽快且准确地判断每对面孔在外观上是“相同”还是“不同”。

2.3 数据分析

通过比较跨越类别边界的人脸对与位于边界同侧的人脸对，分析其辨别准确率。具体方法是，将“不同”反应（即判断一对人脸在物理外观上不同）的次数占总形态人脸对数量的比例进行计算，并进行2 × 3因子方差分析（ANOVA），其中包含3种“人脸对试验类型”（组内、组间、相同）和2种“刺激间隔时间”（ISI）条件（75毫秒、300毫秒）。当球形假设不成立时，采用Greenhouse-Geisser校正。分析中分别处理虚拟形象试验和真人试验的数据。

个体准确率得分也可通过以下方法确定 A' 统计量 47,79 （关于信号检测理论，参见， 例如 45, 46, 47). A' 提供了一种独立于反应偏向的辨别敏感性度量指标，其取值范围为0.5（随机水平）至1（完全辨别）。可使用多种软件包计算A'及其他辨别敏感性与偏向性指标。 46, 47, 48 49, 50采用2 × 2重复测量方差分析（ANOVA）评估辨别敏感性，因素包括2种“面孔配对试验类型”（组内、组间）和“刺激间隔时间（ISI）”条件（75毫秒、300毫秒），分别对虚拟形象试验和人类面孔试验进行独立分析，以A'作为因变量。反应偏向通常较少被报告，但参见 38对于反应偏差，我们采用了 βD 统计学 47 作为因变量，在另一个分析中采用相同的2 × 2方差分析设计。

反应时数据也可用于分析“不同”、“相同”和“介于之间”的反应。在此示例中，我们将虚拟形象和真实人物轨迹的“不同”、“相同”和“介于之间”条件合并为一次分析，以获得所有条件下的反应时总体概览。为此，我们进行了3 × 2 × 2的方差分析，因素分别为“面孔配对试验类型”（不同、相同、介于之间）、“类别”（虚拟形象、真实人物）和“刺激间隔时间”（75毫秒、300毫秒），因变量为每个个体在所有连续刺激序列中正确反应的平均反应时。

3. 功能磁共振成像任务

3.1 刺激材料

刺激条件， 即 在虚拟形象和人类实验中，用于组内、相同及组间条件下面孔对的形态刺激，与前述知觉辨别任务中所述相同。

3.2 呈现与说明

  1. 采用目标监测任务来考察在DHL上对物理和类别相关变化的内隐加工，同时保持参与者对感兴趣刺激的注意力。
  2. 指示参与者在检测到罕见目标时按下反应按钮。我们将所有形态对中的15%设为目标，以倒置方式呈现面孔。从一个未用于其他刺激呈现的形态连续体中随机选择四种可能的形态（M0、M4、M8或M12）之一作为目标。确保目标形态在每对形态中作为第一个或第二个形态呈现，以避免在监测目标时对形态对中第一个或第二个形态产生注意力差异。
  3. 每次扫描会话包含两个实验运行阶段，刺激呈现顺序在参与者间进行平衡。两次运行之间的休息时间允许参与者短暂休息。每个运行阶段开始时，参与者需注视一个十字，以建立MR信号的稳态。

3.3 扫描前受试者的准备

  1. 所有参与者在实验方案实施前均需签署书面知情同意书。实验方案、所有操作流程及知情同意书均须经当地伦理委员会批准。为避免大脑激活偏侧化的混杂因素，应扫描右利手参与者。控制既往使用虚拟形象经验可能带来的影响。
  2. 扫描前，参与者应熟悉实验室环境，了解扫描流程，明确目标监测任务的具体指示、总扫描时长，以及在需要时如何向工作人员发出警报。
  3. 进行扫描时，参与者仰卧于扫描床上。使用头部垫枕以确保舒适性，并尽量减少扫描过程中的头部移动。为参与者提供耳塞和耳机，以降低扫描仪噪声的影响，并便于与实验人员进行沟通。
  4. 将参与者的右手置于反应面板上，用于执行目标监测任务；左手则放置于紧急停止按钮旁，以便参与者在需要时随时终止扫描。
  5. 视觉刺激可通过放置在磁共振成像（MRI）扫描仪前方或后方的投影屏幕呈现。本研究采用一种与MRI兼容的头戴式显示设备（"VisuaStim - Digital", Resonance Technology Inc.）。该设备的优势在于可屏蔽除预定刺激以外的所有视觉输入。
  6. 在开始数据采集前，需确认刺激呈现系统、反应面板及紧急停止按钮均能正常工作。

3.4 数据记录与扫描参数

我们使用一台3-T全身磁共振成像仪（Philips Medical Systems，荷兰贝斯特）获取了全脑的结构和功能图像。结构图像采用T1加权三维扰相梯度回波脉冲序列进行采集（180层，TR = 20毫秒，TE = 2.3毫秒，翻转角 = 20°，视野FOV = 220 mm × 220 mm × 135 mm，矩阵大小 = 224 × 187，体素大小 = 0.98 mm × 1.18 mm × 0.75 mm，重切片至0.86 mm × 0.86 mm × 0.75 mm）。功能图像在每次运行中通过单次激发回波平面序列采集225次全脑扫描（重复时间TR = 2.6秒；回波时间TE = 35毫秒；视野 = 220 mm × 220 mm × 132 mm；翻转角 = 78°；矩阵大小 = 80 × 80；体素大小 = 2.75 mm × 2.75 mm × 4 mm，重切片至1.72 mm × 1.72 mm × 4 mm）。

3.5 数据分析

  1. 我们使用了 MATLAB 2006b（Mathworks Inc.，Natick，MA，USA）和 SPM5 软件包（http://fil.ion.ucl.ac.uk/spm) 用于预处理和 MRI 数据分析。预处理通常包括将图像与首次记录的体积对齐、运动校正、标准化至标准立体定向空间以及平滑处理（例如 6 mm3 核）。
  2. fMRI数据分析利用了一种称为重复抑制（repetition suppression, RS）的现象（11, 13, 14，参见相关综述 15, 16）。在DHL的背景下，形态对中的两种形态以快速连续的方式呈现。若刺激的第二个形态中出现第一个形态中已呈现的刺激或刺激属性的重复，则会导致激活程度降低即 特定刺激或其属性所敏感的脑区中的RS（反应敏感性）例如 物理或类别相关属性）。在本实验方案中，通过“组内”、“组间”和“相同”三种条件，对第一个和第二个形态之间刺激或刺激属性的重复进行操控，以考察数字人类形态（DHL）在物理属性和类别相关属性上的相似性或差异性。通过对比这些条件，功能性磁共振成像（fMRI）数据分析可识别出在重复刺激后，因信号下降程度的相对差异而参与处理特定刺激或其物理属性或类别相关属性的脑区。 17, 18, 19, 20.
  3. 使用以下刺激条件对比（组内、组间和相同）来识别沿DHL对物理变化和类别相关变化有响应的脑区。这些对比是根据三对面部条件中作为第二张面孔的渐变图像（morph）来定义的（注意，在虚拟形象和人类试次中，第一张渐变图像是相同的）。为检测虚拟形象试次中对物理变化的敏感性，采用M0与M8的对比 > M4，以及使用 M12 加 M4 > M8用于人类试验。用于检测在虚拟形象到人类方向上跨越边界时对类别变化选择性响应的脑区（即 虚拟试验），使用对比剂 M8 > M4 加 M0。在从人类到虚拟形象的方向上，使用对比 M4 > M8 加 M12。
  4. 在个体水平分析中，每个受试者在六种形态对条件下的每一对形态中的第二种形态所引发的fMRI反应（即 在虚拟角色和人类试验中，可使用“组内”、“同组”和“组间”等对比方式来比较这些条件下的脑活动差异。随后将这些个体层面的对比结果纳入组水平分析，以进行统计推断。

结果

1. 强迫选择分类任务

N = 25 名参与者的反应数据分析已在文献7中报道。结果证实，每位个体连续体以及所有连续体总体的拟合回归曲线斜率均呈现逻辑斯蒂（logistic）分布特征（图2A）。该斜率反映了一种S形阶跃函数，表明参与者对连续体中融合面孔的反应在“恐怖谷”（DHL）上存在类别化成分。因此，曲线斜率的特征表现为：在虚拟形象或人类分类反应中，其下渐近线和上渐近线分别趋近于100%的虚拟形象判断和100%的人类判断。相比之下，由拟合的逻辑斯蒂曲线得出的平均类别边界值估计，以及分类反应上下渐近线之间的纵坐标中点表明，分类判断中最大不确定性（50%）与M6融合图像相关联。

RT 数据的分析结果也见于文献7。对所有渐变图像（见图4）的反应时（RT）分析显示，渐变序列中类人形象和虚拟形象两端的反应时最短，随着图像与两端距离的增加，反应时逐渐延长，在 M6 位置反应时最长，此时类别判断的不确定性最大，如图2B所示。为更清晰地验证这一结果，可将 M6 位置的平均反应时值与其他所有渐变位置的平均反应时值进行比较。对所有渐变序列进行合并后，以渐变位置（两个水平：M6 与其他所有渐变图像）为因素、反应时为因变量进行单因素重复测量方差分析（RM-ANOVA），结果显示，M6 位置的反应时（M = 1.42，SD = 0.26）与其他渐变位置的反应时（M = 0.99，SD = 0.46）之间存在极显著差异，F(1,24) = 62.04，p < 0.001。

综上所述，分类反应数据证实了 CP 存在的第一个标准得以满足，即存在一个类别边界（所有标准参见例如 11）；而类别判断的反应时间与反应数据一致，表现为随着分类不确定性的增加，反应时间延长。

反应时间与形态位置的关系；柱状图；认知实验；反应时间分析。
图4. 强制选择分类任务的反应时间结果，显示在形态位置M6处的刺激分类判断具有最长的平均反应潜伏期，该位置的分类模糊性最大。误差条表示±1个标准误。

2. 感知辨别任务

N = 20 名参与者的数据分析此前已在文献7中报道。以该研究中虚拟形象试验的数据为例（图5），分析结果显示，在“组间”条件下，跨越类别边界的面部配对的辨别准确率有所提高，而在“组内”条件下，未跨越类别边界的面部配对的辨别准确率则有所降低，这一结果与范畴化知觉（CP）现象一致。数据还显示，在类别内部也存在辨别准确率的显著差异，即“组内”条件下的面部配对辨别准确率高于“相同”条件。75 毫秒和 300 毫秒的刺激间隔时间（ISI）变化对参与者的反应产生了不同程度的影响，但在人类形象试验中未观察到此类影响。

Bar graph of avatar trial responses; % different responses at time intervals; data analysis.
图5. “相同-不同”知觉辨别任务中虚拟形象试验的结果。参与者（N = 20）判断形态对中的形态在外观上是否相同或不同。在控制形态沿连续体相对距离的情况下，结果显示，跨越类别边界（由强制选择分类任务确定）的面孔对的辨别准确率优于来自同一类别的形态对即 边界的人类或虚拟形象一侧，从而证明了在人类相似性连续体上的范畴化知觉。还测试了较短和较长的ISI（75毫秒和300毫秒）的影响，发现仅对虚拟形象试验的辨别表现产生影响。误差线表示±1个标准误。

使用 A' 作为衡量区分能力且不受反应偏向影响的统计量，在虚拟形象试验中，面孔配对试验类型对区分敏感性存在显著的主效应（即 （组内与组间），F(2,38) = 107.11， p < 0.001，对跨类别具有更高的辨别敏感性（A' = 0.89, SD = 0.07），相较于类别内配对A' = 0.55, SD = 0.17) (图6）。类似地，对于跨类别的刺激，其辨别敏感性显著更高（A' = 0.94, SD 小于类别内配对（= 0.1）A' = 0.56, SD = 0.22）在人类路径中，F(2,38) = 107.11， p < 0.001。面孔对试次类型对ISI无影响。使用 βD 作为衡量反应偏向的统计量，面孔配对试验类型的偏向存在显著的主效应 [F(2,38) = 70.53, p < 0.001]，参与者表现出强烈倾向，将类别内的配对判断为不同βD = 0.81，SD = 0.23）与跨类别配对的反应相比βD = -0.18，SD = 0.59）。这与以下观点一致：当相同-相异判断在类别内配对中更具难度时，参与者倾向于偏好“相异”的决策。

柱状图比较虚拟形象与人类试验中平均感知辨别力 A'（带误差线）。
图 6. 使用 A' 统计量作为独立于反应偏倚的辨别能力度量指标（N = 20），在虚拟形象和人类试验中，跨类别配对的辨别敏感性均高于类别内配对。误差线表示 ±1 个标准误。

RT 数据分析显示，虚拟形象与人类试验之间以及短时距与长时距 ISI 之间均无差异。如预期所示，三种刺激配对条件在反应时上存在显著的主效应（见 图7)，F(2,38) = 34.55， p < 0.001. 组内对比的预先计划检验显示，跨类别面孔的反应时（RT）即 “between”面孔对试验类型）的反应速度显著更快（M = 0.79, 东南 = 0.05），相较于类别内的面孔对（“类别内”试验类型）M = 1.26, 东南 = 0.09）[F(1,19) = 60.09， p < 0.001] 以及相同面孔对条件下的面孔对M = 0.88, 东南 = 0.08），F(1,19) = 43.1， p < 0.001.

柱状图比较虚拟形象和人类试验中的反应时间，带有表示数据变异性的误差线。
图 7. 虚拟形象与人类试验（N = 20）在“相同-不同”知觉辨别任务中的反应时间（RT）结果。该图显示，跨越类别边界刺激对（i.e. 在“组间”条件下）的反应时间短于来自同一类别内的面部刺激。误差线表示 ±1 标准误。

分类反应数据因此证实了范畴化知觉（CP）存在的第二个标准，即对于跨越范畴边界的刺激对，其辨别准确率高于来自同一范畴内部、间距相等的刺激对。这表明存在一种所谓的辨别边界，使得在范畴边界附近的物理刺激特征具有更高的敏感性。反应时（RT）数据进一步支持了这一结论，显示被试对跨范畴面孔对的反应潜伏期短于范畴内面孔对。

这种特定的知觉辨别任务并未定义沿DHL的辨别边界的具体位置。可以使用更小的形态对之间的形态距离来解决这一问题。此处我们展示一个使用传统ABX辨别任务的示例12, 13。ABX辨别任务包括依次呈现不同的面部刺激（例如 形态A和形态B），随后再次呈现A或B中的一个作为目标刺激X。在观看图像A、B和X之后，参与者需要判断A或B中哪一个与X相同。在此示例中，呈现了形态之间的两步辨别程序（即 1-3、2-4、3-5等）（图8B）。相关分析见文献8。为便于说明，对24名参与者进行了ABX辨别任务，使用4个形态连续体，每个连续体包含11个形态，端点刺激选自Cheetham 等7的研究。在完成ABX辨别任务后，同一组参与者进行了强制选择分类任务。这种任务呈现顺序被认为可以最小化显式类别决策对ABX辨别任务的影响。图8B清楚地表明，在由类别边界预测并与其对齐的形态位置上，知觉辨别敏感性出现峰值（见图8A）。使用形态间的两步距离，可在形态对M5-M7之间的区间内清晰识别出辨别表现的峰值。有关使用ABX范式及以猴、牛和人面部为端点、在类人度维度上构建的形态刺激的研究结果，详见文献8。

类别与辨别边界图；平均反应、拟合曲线；感知分析。
图8. ABX感知辨别任务与强迫选择分类任务的代表性结果。ABX感知辨别任务中的两步辨别程序（即 1-3、2-4、3-5等）在图B中显示，其感知辨别敏感性的峰值可由图A所示强迫选择分类任务中确定的类别边界所预测。图A展示了四个连续体的拟合回归曲线的逻辑分布特征。当将融合面孔判断为人类的分类判断不确定性达到最大值50%时，对应于M6融合级别。

相同-不同辨别任务证实了范畴化知觉（CP）存在的第三个标准，即辨别边界与范畴边界相一致。换句话说，范畴边界的位置能够预测辨别边界的位置。

第四个标准在脑性瘫痪研究中并不总是被采用13, 14，该标准要求在类别内部的辨别能力处于随机水平。采用ABX设计的示例数据表明，对于位于连续体端点与类别边界之间的那些形态，其辨别能力略高于随机水平。

3. 功能性磁共振成像任务

4.3.1 对物理变化的敏感性

通过比较第一和第二形态之间存在物理变化的条件与不存在此类变化的条件，结果显示梭状回中的一个脑区（图9A）对虚拟人物试验中面部形态在物理外观上沿差异梯度（DHL）呈现的细微变化具有敏感性。图中未展示人类试验的类似结果。该区域被称为梭状回面孔区，因其在视觉系统处理面部信息过程中发挥重要作用。结合人类试验的结果，本发现与既往报道的梭状回区域对面部物理属性差异23、面部几何结构16, 21, 24以及面部纹理21的反应特征相一致。

4.3.2 对类别变化的敏感性

图9B 以虚拟形象试验为例，展示了在DHL上对类别变化敏感的大脑区域。该结果通过比较第一和第二混合图像之间存在类别变化的条件与不存在此类变化的条件而获得。成像数据显示，在虚拟形象试验中（即沿DHL从虚拟形象到人类方向的变化）海马体、杏仁核和脑岛表现出响应性。这些脑区的作用需结合所使用的实验范式及分类过程进行解释，已有相关描述7。通常情况下，杏仁核对人脸、情感效价、新异性以及不确定性具有响应性55, 56, 57, 58, 59。有研究提出，杏仁核会根据情境的情感意义影响其他参与分类的大脑区域的处理过程60。脑岛在与类别处理以及不确定性条件下的信息处理相关研究中被一致报道61, 62, 63。在本实验范式的背景下，该区域可能有助于增强分类处理所需的注意资源63。其特定激活区域也可能与不确定性、威胁或潜在威胁的信号传递有关64, 65。海马体参与视觉分类和知觉学习过程66。在人类试验中的类别变化（即沿DHL从人类到虚拟形象方向的变化）揭示了壳核、尾状核头部和丘脑对该条件具有响应性。通常，这些脑区与学习刺激-类别关联、标记类别归属、分类过程中的决策不确定性、在不同潜在类别规则之间切换以及调整表征的类别边界以最小化错误有关67, 68, 69, 70。

从广义上以及在所采用的实验范式背景下解读这些结果表明，头像面孔与人类面孔代表了不同的分类问题，这取决于个体对特定类别先前分类经验的程度（例如 25）；参与者在人类面孔加工方面具有专家水平的能力，但在选择时特别排除了那些报告曾有头像面孔接触经验（例如 在电子游戏、电影或“第二人生”中）的个体，并且在实验后的访谈中也确认，他们此前从未见过我们所呈现的这类面孔。

显示杏仁核、岛叶、海马体活动分析的大脑 MRI 扫描；冠状面和轴向视图。
图 9. 在虚拟形象实验中，沿DHL的物理变化和类别变化的神经相关性。激活图叠加在单个受试者的冠状面（A）、横断面（B）和矢状面（C）视图上。颜色条表示激活图的t值梯度（p < 0.005，20个连续体素）。

讨论

恐怖谷假说的核心预测是，积极或消极的情感体验会随着感知到的人类相似度的变化而产生77（有关这一假说的详细综述，参见78）。因此，仔细考察人类相似度的实际感知方式本身便是一项重要的研究任务。同样重要的是，在恐怖体验实验中如何表征类人程度的变化（DHL）。因此，本实验方案聚焦于DHL。一种方法是使用形态连续体（morph continua）来表征人类相似度，这种方法已在“恐怖”相关研究中得到应用5, 6, 26, 27, 28。形态连续体的优势在于，它能够将类人外观上受控的实验性差异与主观感知和体验的行为测量指标（例如类别判断、恐怖感）以及潜在的神经机制关联起来7。这种精细的研究方法尤为重要，因为恐怖谷假说并未预测出在何种确切的人类相似度水平下，积极情感体验会转变为恐怖体验78。如果森政弘的推测是正确的，那么关于DHL上类别加工的研究发现7将提示，恐怖体验最有可能发生在类别边界处，即知觉决策最模糊的位置。这一点仍有待验证。

为了能够解释所研究的DHL（通过形态连续体表示）与其他相关变量之间的关系，应使用单一的形态连续体，而不是两个甚至三个并列的连续体5,28。并列的连续体会因在DHL中引入不连续性，而无法准确表征甚至改变了森政弘关于类人相似性的概念。这可能会影响知觉辨别任务中的表现，因为不连续点以及由形态化过程产生的任何差异点可能被受试者用作可靠但非实验设计本意的参考点，从而引导知觉判断（参见29）。在每个形态连续体中，所有形态都应严格控制，以确保在整个连续体上表示出等量的物理变化增量5,28。这一点在本实验方案中尤为重要，因为对连续体上形态距离的实验控制，能够检验与DHL上物理类人相似性线性差异相关的感官信息是否以线性或非线性方式在认知中表征。非线性特征体现在分类反应斜率的阶梯状函数（图2A 和 图5A）以及沿DHL对刺激属性的知觉敏感性差异中（参见 图4 和 图5B）。本方案使用面部图像作为端点，且未施加其他实验性操控。未来关于范畴化知觉（CP）与类人相似性的研究可进一步探讨特定特征（例如眼睛的真实感与其他面部特征真实感的比较，或面部几何结构操控与面部纹理操控的比较）如何差异性地影响沿DHL的范畴加工过程（参见30,38）。

形变过程能够将连续体端点的对应特征（如面部构型线索）平滑地融合在一起。在形变过程中，面部信息（如上部面部特征和头发轮廓）的形变困难26可能会引起被试对特征对齐差异的关注，从而潜在地导致其反应出现偏差。这种偏差很可能是系统性的，因为形变差异与形变连续体端点之间的形变距离相关，且在形变连续体的中点处差异最大。在我们的形变连续体中，该中点对应于感知敏感性最高的类别边界。对我们其中一项预实验研究（一项强制选择分类任务）数据的再分析，比较了眼部区域形变效果良好与较差的连续体（较差的形变导致不同形变图像之间眼部纹理对齐存在轻微不一致）。再分析结果证实，在形变效果较差的连续体中，分类决策反应存在系统性偏差，即较差的形变实际上导致类别边界相对地向人类一端偏移。这可能是因为形变差异被感知为一种“非人类定义性”特征所致。

使用基于端点刺激生成的连续体也可能导致反应偏差，其中非面部信息（如头部装饰和面部饰品）仅出现在一个端点刺激中27。在这种情况下，可以对面部图像进行裁剪，使参与者关注研究感兴趣的刺激信息，而非图像中其他显著特征。当使用包含非人类属性与人类属性共同呈现的图像作为连续体的端点时，即使该图像是为了代表DHL的人类端，也可能导致系统性的反应偏差6。此时，人类相似性与主观感受（如诡异体验）等变量之间的关系，便无法依据森政弘关于DHL及假设中的“诡异谷”效应进行解释。

CP 可能出现在除人类相似性之外的其他维度上31, 10, 22, 32, 33, 34, 35，并且与类别相关的信息在个体接触他人时可被自动加工36。因此，在本实验方案中，应注意控制视觉线索所引发的影响，这些线索可能指示DHL上其他与类别相关的维度差异，从而影响参与者对人类相似性的判断。这些线索可能涉及种族、性别、面部独特性、熟悉度与身份识别以及面部表情（参见5, 26, 27, 28）。本方案通过使用于连续体端点的图像在面部几何结构和面部特征构型上高度匹配，力求在知觉辨别任务和fMRI研究中，最小化快速连续呈现的面部渐变图像之间产生的生物运动感知。该方法（连同刺激条件下所用渐变图像在连续体中的相对位置）也有助于最小化同一连续体中不同渐变图像之间身份差异的感知。

的 迫选分类任务 确定连续体中哪些形态被明确归类为虚拟形象和人类，以用于选择感知辨别任务和fMRI研究中的形态刺激。我们从每条连续体中选取了四种形态M0、M4、M8和M12图2B 和 2C）。除了控制沿DHL的物理变化程度外，选择M4和M8还基于以下理论考虑。Mori将感知不确定性（及相关的诡异体验）描述为发生在与效价—人类相似性关系曲线斜率的两个正向峰值之间区域所对应的现实性水平上（见 图1）。在这些峰值处，对象被视为非人类或人类。通过在类别加工框架内重新构建其考虑，这些峰值可被视为反映了正确分类的类别实例在人类相似性程度上的体现（即 非人类与人类）跨越了类别边界。但森并未明确说明这种分类的效率如何（即 感知确定性）必须处于这些峰值位置，尽管在每个峰值处对物体的识别显然被认为是相对高效且无需费力的。因此，在连续体上界定两个类别之间过渡并反映两个正向峰值的两个形态位置，是采用比通常在范畴化知觉（CP）研究中更为保守的标准来确定的。例如 66%，如在 32, 34因此，在超过85%的试验中，M4形态被平均识别为虚拟形象，而M8形态在超过85%的试验中被识别为人类。请注意，该标准适用于任意一条连续体中的M4和M8两种形态。采用此方法，所选择的这两种形态旨在依据范畴化知觉（CP）的理解以及Mori对“恐怖谷”假说的描述，捕捉非人类与人类物体之间沿DHL（拟人化程度连续体）的类别转变感。

本方案采用了一种变体方法 相同-不同知觉辨别任务 10 用于检测CP。该任务的优点在于，参与者无需被告知需要识别哪些具体的相似性或差异性，仅需判断刺激相同或不同即可。此外，参与者无需知晓类别标签。当类似ABX任务等辨别任务所要求的记忆负荷增加时，标签可能被用作区分刺激的一种策略。 42相同-不同任务的优点在于记忆负荷相对较低，且该任务可促进对刺激物的直接比较。为减少标签化可能带来的影响，通常先呈现辨别任务，再进行迫选决策任务。 40本方案基于两组不同的参与者进行辨别和迫选决策任务 7, 41这是因为强迫选择任务用于为区分任务筛选刺激材料. 但如果同一参与者需接受两项任务测试，则应修改方案，先进行区分任务，再进行迫选决策任务。

本方案中的相同-不同辨别任务采用固定辨别设计（关于游动设计，参见 例如 39）。这意味着在化身和人类试验的“相同”、“类内”和“类间”条件下，M4和M8始终分别作为每对刺激中的第一个刺激呈现。本实验设计规定，每位参与者仅观看来自某一连续体的化身或人类试验的形态刺激，而不会同时观看两者。以化身试验为例，这意味着每对刺激中的第一个刺激始终为M4，而在“类内”条件中，第二个刺激为即 M1）和“之间”（即 M8）条件在给定的连续体中出现频率相等，并且不再从该特定连续体中抽取其他刺激用于人类试验。该方法旨在避免选择性地增强某一连续体跨类别面孔的表征，从而促进其辨别能力。为了排除或出于比较目的研究将所述虚拟形象试验与人类试验呈现在同一实验区组中可能对跨类别表征和辨别产生的影响，可采用一种实验设计，即将所述虚拟形象试验与人类试验分别呈现在不同区组中（区组顺序在不同被试间进行平衡）。

当前的相同-相异辨别任务中，相同试次与相异试次的比例为1:2。该比例可能诱发被试倾向于做出“相异”判断的反应偏差（尽管其他因素也可能影响这种偏差） 44, 51). 基于信号检测理论（Signal Detection Theory, SDT）得出的指标常用于区分反应偏向（β 或 c）用于根据参与者的敏感性从多个反应中选择其一A' 或 d') 在区分感觉刺激方面的应用（综述见， 44）。随着 d' 可能因违反信号检测论（SDT）假设而导致受反应偏向的影响而发生变化 52，我们采用了非参数敏感性度量 A' 53. 对于反应偏差，我们采用了 βD 47. 或者，c 已被推荐为 43, 44，部分原因是它不依赖于变化 d' 54. 总体而言，当前结果表明，对于跨越类别边界的形态刺激，其感知敏感性高于类别内的形态刺激。

本方案中用于区分任务的形态选择意味着，该任务要求对在连续体上相隔四个步骤的形态进行区分（即 四步鉴别法，参见 图2B）。但这种形态间四步的差异程度过大，无法更精确地确定在哪个实际形态位置上的辨别能力最强（即 判别边界）（图5B）。CP 的一个重要标准是（其他标准见 例如 11）在于强迫选择任务中的类别边界与辨别任务中的辨别边界之间存在对齐关系。换句话说，类别边界的形态位置应能预测辨别边界的形态位置。验证这种特定对齐点的一种方法是采用一种辨别任务，其中成对形态刺激之间的形态距离被逐步减小。为便于说明， 图5B 展示了使用传统ABX辨别任务作为相同-不同辨别任务可能替代方案的初步数据结果 12, 13图中清晰地显示出，在由范畴边界所预测的形态位置上，感知辨别敏感性存在一个峰值。在参与者数量更多的研究中应用信号检测论（SDT）进行分析，将进一步验证沿DHL存在范畴感知（CP）效应的发现。连续体端点刺激的实际选择、生成的形态数量以及需辨别形态之间的步长大小，将显著影响参与者所面临的认知负荷及其在连续体上辨别形态的能力。

CP的一个经典标准是，类别边界的位置能够预测实际辨别表现峰值的位置。即 判别边界 80这一点可以说是循环衰变（CP）最重要的判据 81要得出该预测的确凿结论，需要设计一项实验，在辨别任务中呈现代表整个形态连续体所有部分的形态配对，以确定峰值的实际位置。 38基于形态连续体的某些特定片段来考察辨别表现，可能导致实际表现峰值的真实位置被遗漏，从而难以最终证实范畴化知觉（CP）。需要注意的是，即使是Lieberman早期的CP研究 等 82 未能达到该研究自身设定的严格标准，即预测的与实际的辨别能力峰值应趋于一致，且其他研究者也未严格应用这一标准例如11，另见 80）。然而，即使对该标准采用较为宽松的解释，确定实际表现峰值的位置仍然至关重要。此外，考察整个形态连续体的全部范围还有一个优势，即可以检查数据是否在与预期相反的位置出现性能峰值，例如由形态转换过程产生的伪影所导致的情况。

除了反应结果外，迫选分类任务中的反应时（RT）数据还可作为认知加工刺激信息难度以及将刺激归类为“虚拟形象”或“人类”时竞争性反应倾向的指标70, 71。因此，当刺激位于或最接近类别边界时，其分类判断的反应时应最长。图4显示情况确实如此。综合来看，反应函数的形状与类别判断的反应时数据表明，将刺激分配到某一离散类别的过程在加工难度上存在显著差异。为评估反应时，本方案要求参与者在分类判断时尽可能快速且准确地做出反应。考虑到速度-准确性权衡可能对反应结果产生影响72, 73，我们在预实验中进行了检验并发现，无论指导语要求参与者尽可能快速且准确地识别呈现的形态刺激，还是仅要求尽可能准确地识别，虚拟形象-人类类别的反应函数在形状和位置上均表现出高度稳健性。这表明参与者通常采用一种偏向准确性的决策策略，尽管该推论尚需更深入的验证。根据森政弘的假设，即难以区分类人物体与人类形象可能引发负性情绪体验，探究类人刺激的较长反应时是否与负性情感的测量指标相关将具有重要意义。本研究还收集并分析了相同-不同辨别任务中的反应时数据。反应时数据已被用于支持反应结果的解释80。与ABX任务不同，相同-不同任务为反应时的测量提供了明确的时间起点。正确反应的反应时在跨类别配对中应短于类别内配对74，但由于多种因素可能影响该任务中相同-不同判断的反应时75, 76，其解释可能较为复杂。然而，反应时数据仍支持如下观点：相较于类别内判断，较不困难的跨类别决策能够更快完成（见图7）。

需要指出的是，Mori 的假说并未考虑在人类范畴内，物理特征可能实际上会沿着 DHL 发生变化的可能性（图 2）7。这正是该假说原始效价—人类相似性关系中第二个正向峰值位于 DHL 人类端的原因（图 1）。该假说对 DHL 非人类方面的强调，影响了诸多在其指导下开展的研究，包括一些未使用形态连续体的研究 4, 37，而其他研究则使用单一的人类面孔来代表 DHL 的人类方面 3。此类研究试图考察诡异体验，但结果尚不明确。与类别知觉（CP）相关的研究发现提示，这些研究可能并未呈现足以引发针对 DHL 上类别模糊性所导致的知觉决策的内隐或外显过程，以及冲突解决过程所需的刺激材料。

本方案演示了如何利用从代表DHL的连续体中提取的融合图像，通过fMRI结合重复抑制效应，识别对物理类人相似性变化和类别相关信息变化敏感的脑区。fMRI实验设计的有效性在很大程度上取决于融合刺激的精心生成与筛选。因此，采用强制选择和感知辨别任务，以确保不同连续体在头像-人类分类曲线形态上的可比性。即 反应函数的斜率）以及分辨能力上的差异。这种fMRI设计的优势在于，它能够实现Mori所描述的刺激条件即 在fMRI方法学限制下，通过根据假设中对人类相似性的定义所选择的刺激材料，模拟对新型非人类物体的被动观察——这些物体在物理外观上与其人类对应物存在细微差异——同时在控制沿类人形态梯度（DHL）的物理变化效应的前提下，考察类别加工的影响。该fMRI实验范式并非旨在研究诡异感体验，但可加以调整以探究与类别边界本身相关的情感体验。这将是迈向在大脑中考察源自DHL的刺激材料所引发的类别加工、类别模糊性与情感体验之间关联的重要一步。

致谢

本工作基于欧洲联盟FET集成项目PRESENCCIA（合同编号27731）资助的研究。

材料

本文使用的材料清单
姓名公司目录编号评论
FunmorphZealsoft 公司
Poser 7Smith Micro 软件公司www.smithmicro.com
Adobe；Photoshop；CS3Adobewww.adobe.com
演示软件版本 14.1，www.neurobs.com
SPSS 版本 16www.ibm.com/software/analytics/spss
磁共振兼容头戴式显示器Resonance Technology 公司"VisuaStim - Digital"
3 特斯拉全身磁共振成像系统Philips 医疗系统公司
MATLAB 2006bMathworks 公司
SPM5 软件包http://fil.ion.ucl.ac.uk/spm

参考文献

  1. Mori, M. Bukimi no tani [The uncanny valley. Energy. 7, 33-35 (1970).
  2. Androids as an experimental apparatus: Why is there an uncanny valley and can we exploit it?. MacDorman, K. Toward Social Mechanisms of Android Science: A CogSci 2005 Workshop, , 106-118 (2005).
  3. Tinwell, A., Grimshaw, M., Williams, A. The uncanny wall. International Journal of Arts and Technology. 4, 326-341 (2011).
  4. Tinwell, A. Uncanny as usability obstacle. HCI. 12, 622-631 (2009).
  5. MacDorman, K. F., Ishiguro, H. The uncanny advantage of using androids in cognitive and social science research. Interaction Studies. 7, 297-337 (2006).
  6. Upending the uncanny valley. Hanson, D., Olney, A., Prillman, S., Mathews, E., Zielke, M., Hammons, D., Fernandez, R., Stephanou, H. E. 20th National Conf. on Artificial Intelligence and the 17th Innovative Applications of Artificial Intelligence Conf, , 1728-1729 (2005).
  7. Cheetham, M., Suter, P., Jancke, L. The human likeness dimension of the "uncanny valley hypothesis": behavioral and functional MRI findings. Front Hum. Neurosci. 5, 126(2011).
  8. Campbell, R., Pascalis, O., Coleman, M., Wallace, S. B., Benson, P. J. Are faces of different species perceived categorically by human observers? Proc. Biol. Sci. 264, 1429-1434 (1997).
  9. Finney, D. J. Probit analysis. , (1964).
  10. Angeli, A., Davidoff, J., Valentine, T. Face familiarity, distinctiveness, and categorical perception. Q.J. Exp. Psychol. (Hove). 61, 690-707 (2008).
  11. Studdert-Kennedy, M., Liberman, A. M., Harris, K. S., Cooper, F. S. Theoretical notes. Motor theory of speech perception: a reply to Lane's critical review. Psychol. Rev. 77, 234-249 (1970).
  12. Liberman, A. M., Hariris, K. S., Hoffman, H. S., Griffith, B. C. The discrimination of speech sounds within and across phoneme boundaries. J. Exp. Psychol. 54, 358-368 (1957).
  13. Harnad, S. R. Introduction: Psychological and cognitive aspects of categorical perception: A critical overview. In: Categorical perception: The groundwork of cognition. Harnad, S. R. , Cambridge University Press. New York. 1-25 (1987).
  14. Repp, B. H. Categorical perception: Issues, methods, findings. Speech Lang. Adv. Basic Res. Pract. 10, 243-335 (1984).
  15. Grill-Spector, K., Henson, R., Martin, A. Repetition and the brain: neural models of stimulus-specific effects. Trends. Cogn. Sci. 10, 14-23 (2006).
  16. Jiang, X., Rosen, E., Zeffiro, T., Vanmeter, J., Blanz, V., Riesenhuber, M. Evaluation of a shape-based model of human face discrimination using FMRI and behavioral techniques. Neuron. 50, 159-172 (2006).
  17. Henson, R. N. Neuroimaging studies of priming. Prog. Neurobiol. 70, 53-81 (2003).
  18. Grill-Spector, K., Malach, R. fMR-adaptation: a tool for studying the functional properties of human cortical neurons. Acta. Psychol. (Amst). 107, 293-321 (2001).
  19. Jiang, X., Bradley, E., Rini, R. A., Zeffiro, T., Vanmeter, J., Riesenhuber, M. Categorization training results in shape- and category-selective human neural plasticity. Neuron. 53, 891-903 (2007).
  20. van der Linden, M., van Turennout, M., Indefrey, P. Formation of category representations in superior temporal sulcus. J. Cogn. Neurosci. 22, 1270-1282 (2010).
  21. Jiang, F., Dricot, L., Blanz, V., Goebel, R., Rossion, B. Neural correlates of shape and surface reflectance information in individual faces. Neuroscience. 163, 1078-1091 (2009).
  22. Rotshtein, P., Henson, R. N., Treves, A., Driver, J., Dolan, R. J. Morphing Marilyn into Maggie dissociates physical and identity face representations in the brain. Nat. Neurosci. 8, 107-113 (2005).
  23. Xu, X., Yue, X., Lescroart, M. D., Biederman, I., Kim, J. G. Adaptation in the fusiform face area (FFA): image or person. Vision Res. 49, 2800-2807 (2009).
  24. Liu, X., Steinmetz, N. A., Farley, A. B., Smith, C. D., Joseph, J. E. Mid-fusiform activation during object discrimination reflects the process of differentiating structural descriptions. J. Cogn. Neurosci. 20, 1711-1726 (2008).
  25. Poldrack, R. A., Prabhakaran, V., Seger, C. A., Gabrieli, J. D. Striatal activation during acquisition of a cognitive skill. Neuropsychology. 13, 564-574 (1999).
  26. Ho, C. C., MacDorman, K. F., Pramono, Z. A. D. Human emotion and the uncanny valley: A GLM, MDS, and isomap analysis of robot video ratings. ACM/IEEE international conference on human-robot interaction, , 169-176 (2008).
  27. Seyama, J., Nagayama, R. S. The Uncanny Valley: Effect of Realism on the Impression of Artificial Human Faces. Presence: Teleoperators and Virtual Environments. 16, 337-351 (2007).
  28. Hanson, D. Exploring the aesthetic range for humanoid robots. CogSci Workshop: Toward Social Mechanisms of Android Science, , (2006).
  29. Pastore, R. E. Categorical perception: Some psychophysical models. Categorical perception: The groundwork of cognition. Harnad, S. , New York. 29-52 (1987).
  30. MacDorman, K. F., Green, R. D., Ho, C. C., Koch, C. T. Too real for comfort? Uncanny responses to computer generated faces. Computers in Human Behavior. 25, 695-710 (2009).
  31. Levin, D. T. Race as a visual feature: using visual search and perceptual discrimination tasks to understand face categories and the cross-race recognition deficit. J. Exp. Psychol. Gen. 129, 559-574 (2000).
  32. Beale, J. M., Keil, F. C. Categorical effects in the perception of faces. Cognition. 57, 217-239 (1995).
  33. Calder, A. J., Young, A. W., Perrett, D. I., Etcoff, N. L., Rowland, D. Categorical perception of morphed facial expressions. Visual Cognition. 3, 81-117 (1996).
  34. Etcoff, N. L., Magee, J. J. Categorical perception of facial expressions. Cognition. 44, 227-240 (1992).
  35. Campanella, S., Quinet, P., Bruyer, R., Crommelinck, M., Guerit, J. M. Categorical perception of happiness and fear facial expressions: an ERP study. J. Cogn. Neurosci. 14, 210-227 (2002).
  36. Macrae, C. N., Bodenhausen, G. V. Social cognition: thinking categorically about others. Annu. Rev. Psychol. 51, 93-120 (2000).
  37. Schneider, E., Wang, Y., Yang, S. Exploring the Uncanny Valley with Japanese Video Game Characters. Conference proceedings of DIGRA 2007, , SMU Press. (2007).
  38. Looser, C. E., Wheatley, T. The tipping point of animacy: How, when, and where we perceive life in a face. Psychological Science. 21, 1854-1862 (2010).
  39. Macmillan, N. A., Goldberg, R. F., Braida, L. D. Resolution for Speech Sounds: Basic sensitivity and context memory on vowel and consonant continua. Journal of the Acoustical Society of America. 84, 1262-1280 (1988).
  40. Newell, F. N., Bulthoff, H. H. Cognition Categorical perception of familiar objects. Cognition. 85, 113-143 (2002).
  41. Rotshtein, P., Henson, R. N., Treves, A., Driver, J., Dolan, R. J. Morphing Marilyn into Maggie dissociates physical and identity face representations in the brain. Nat. Neurosci. 8, 107-113 (2005).
  42. Massaro, D. W., Cohen, M. M. Categorical or continuous speech perception: A new test. Speech Communication. 2, 15-35 (1983).
  43. Snodgrass, J. G., Corwin, J. Pragmatics of measuring recognition memory: Applications to dementia and amnesia. Journal of Experimental Psychology: Genera. 117, 34-50 (1988).
  44. Macmillan, N. A., Creelman, C. D. Detection theory: A user's guide. , Cambridge University Press. Cambridge. (1991).
  45. Snodgrass, J. G., Levy-Berger, G., Haydon, M. Human experimental psychology. , Oxford University Press. New York. (1985).
  46. Donaldson, W. Accuracy of d' and A' as estimates of sensitivity. Bulletin of the Psychonomic Society. 31, 271-274 (1993).
  47. Donaldson, W. Measuring recognition memory. Journal of Experimental Psychology: General. 121, 275-278 (1992).
  48. Stanislaw, H., Todorov, N. Calculation of signal detection theory measures. Behavior Research Methods, Instruments, & Computers. 31, 137-149 (1999).
  49. Wright, D. B., Horry, R., Skagerberg, E. M. Functions for traditional and multilevel approaches to signal detection theory. Behavior Research Methods. 41, 257-267 (2009).
  50. Sorkin, R. D. Spreadsheet signal detection. Behavior Research Methods, Instruments, & Computers. 31 (1), 6-54 (1999).
  51. Verde, M. F., Macmillan, N. A., Rotello, C. M. Measures of sensitivity based on a single hit rate and false-alarm rate: The accuracy, precision, and robustness of d', Az, and A'. Perception & Psychophysics. 68, 643-654 (2006).
  52. Swets, J. A. Form of empirical ROCs in discrimination and diagnostic tasks: Implications for theory and measurement of performance. Psychological Bulletin. 99, 181-198 (1986).
  53. Pollack, I., Norman, D. A. A nonparametric analysis of recognition experiments. Psychonomic Science. 1, 125-126 (1964).
  54. Macmillan, N. A. Signal detection theory as data analysis method and psychological decision model. A handbook for data analysis in the behavioral sciences: Methodological issues. Keren, G., Lewis, C. , Erlbaum. Hillsdale, NJ. 21-57 (1993).
  55. Todorov, A., Engell, A. The role of the amygdala in implicit evaluation of emotionally neutral faces. Soc. Cogn. Affect. Neurosci. 3, 303-312 (2008).
  56. Phelps, E. A., LeDoux, J. E. Contributions of the amygdala to emotion processing: from animal models to human behavior. Neuron. 48, 175-187 (2005).
  57. Herwig, U., Kaffenberger, T., Baumgartner, T., Jancke, L. Neural correlates of a "pessimistic" attitude when anticipating events of unknown emotional valence. Neuroimage. 34, 848-858 (2007).
  58. Levy, I., Snell, J., Nelson, A. J., Rustichini, A., Glimcher, P. W. Neural representation of subjective value under risk and ambiguity. 103, 1036-1047 (2010).
  59. Neta, M., Whalen, P. J. The primacy of negative interpretations when resolving the valence of ambiguous facial expressions. Psychol. Sci. 21, 901-907 (2010).
  60. Seger, C. A., Miller, E. K. Category learning in the brain. Annu. Rev. Neurosci. 33, 203-219 (2010).
  61. Volz, K. G., Schubotz, R. I., von Cramon, D. Y. Predicting events of varying probability: uncertainty investigated by fMRI. Neuroimage. 19 (1), 271-280 (2003).
  62. Grinband, J., Hirsch, J., Ferrera, V. P. A neural representation of categorization uncertainty in the human brain. Neuron. 49, 757-763 (2006).
  63. Heekeren, H. R., Marrett, S., Ungerleider, L. G. The neural systems that mediate human perceptual decision making. Nat. Rev. Neurosci. 9, 467-479 (2008).
  64. Gray, M. A., Critchley, H. D. Interoceptive basis to craving. Neuron. 54, 183-186 (2007).
  65. Wager, T. D., Phan, K. L., Liberzon, I., Taylor, S. F. Valence, gender, and lateralization of functional brain anatomy in emotion: a meta-analysis of findings from neuroimaging. Neuroimage. 19, 513-531 (2003).
  66. Poldrack, R. A., Rodriguez, P. How do memory systems interact? Evidence from human classification learning. Neurobiol. Learn. Mem. 82, 324-332 (2004).
  67. Seger, C. A., Cincotta, C. M. The roles of the caudate nucleus in human classification learning. J. Neurosci. 25, 2941-2951 (2005).
  68. Seger, C. A., Peterson, E. J., Cincotta, C. M., Lopez-Paniagua, D., Anderson, C. W. Dissociating the contributions of independent corticostriatal systems to visual categorization learning through the use of reinforcement learning modeling and Granger causality modeling. Neuroimage. 50, 644-656 (2010).
  69. Filoteo, J. V., Maddox, W. T., Salmon, D. P., Song, D. D. Information-integration category learning in patients with striatal dysfunction. Neuropsychology. 19, 212-222 (2005).
  70. Bonnet, C., Fauquet Ars, J., Estaún Ferrer, S. Reaction times as a measure of uncertainty. Psicothema. 20 (1), 43-48 (2008).
  71. Hyman, R. Stimulus information as a determinant of reaction time. J. Exp. Psychol. 45, 188-196 (1953).
  72. Wickelgren, W. A. Speed-accuracy tradeoff and information processing dynamics. Acta. Psychologica. 41, 67-85 (1977).
  73. Zacksenhouse, M., Bogacz, R., Holmes, P. Robust versus optimal strategies for two-alternative forced choice tasks. Journal of Mathematical Psychology. 54 (2), 230-246 (2010).
  74. Campanella, S., Chrysochoos, A., Bruyer, R. Categorical perception of facial gender information: Behavioural evidence and the face-space metaphor. Visual Cognition. 8, 237-262 (2001).
  75. Farrell, B. 'Same - different' judgments: A review of current controversies in perceptual comparisons. Psychological Bulletin. 98, 419-456 (1985).
  76. Palmer, J., Huk, A. C., et al. The effect of stimulus strength on the speed and accuracy of a perceptual decision. J. Vision. 5, 376-404 (2005).
  77. Mori, M. The uncanny valley (K. F. MacDorman & Norri Kageki, Trans.). IEEE Robotics and Automation. 19 (2), 98-100 (1970).
  78. MacDorman, K., Green, R., Ho, C. -C., Koch, C. Too real for comfort? Uncanny responses to computer generated faces. Comput. Hum. Behav. 25, 695-710 (2009).
  79. Grier, J. B. Nonparametric indexes for sensitivity and bias - computing formulas. Psychological Bulletin. 75 (6), 424-429 (1971).
  80. Repp, B. H. Categorical perception: Issues, methods and findings. Speech and language: Advances in basic research and practice. Lass, N. 10, Academic Press. Orlando, FL. 244-335 (1984).
  81. de Gelder, B., Teunisse, J. P., Benson, P. J. Categorical perception of facial expressions: Categories and their internal structure'. Cognition and Emotion. 11 (1), 1-23 (1997).
  82. Liberman, A. M., Harris, K., Hoffmann, H. S., Griffith, B. The discrimination of speech sounds within and across phoneme boundaries. J. Exp. Psychol. 54, 358-368 (1957).

重印与许可

标签

类别知觉人类相似性维度形态连续体迫选分类知觉辨别任务神经影像学方法虚拟形象人类分类边界对齐分析刺激生成方案
恐怖谷假说中人类相似性维度的感知与范畴化加工：若干方法学问题
联系我们
向图书馆推荐

隐私政策

使用条款

政策

版权所有 © 2026 MyJoVE Corporation。保留所有权利。