情节编码过程中的神经自组织:基于源定位脑电图(EEG)的深度递归有效连接分析

《Frontiers in Psychology》:Neural self-organization during episodic encoding: deep recurrent effective connectivity from source-localized EEG

【字体: 大 中 小 】 时间:2026年03月23日 来源:Frontiers in Psychology 3.8

编辑推荐:

  理解支持感知认知的大规模脑网络间动态、方向性交互作用仍然是一项重大挑战。研究人员聚焦于超广度即时自由回忆范式中知觉编码阶段的神经动力学,构建了一种从源定位脑电图(EEG)估计有效连接的计算框架。研究人员将标准化低分辨率脑电磁断层扫描(sLORETA)与受生物学

  
理解支持感知认知的大规模脑网络间动态、方向性交互作用仍然是一项重大挑战。研究人员聚焦于超广度即时自由回忆范式中知觉编码阶段的神经动力学,构建了一种从源定位脑电图(EEG)估计有效连接的计算框架。研究人员将标准化低分辨率脑电磁断层扫描(sLORETA)与受生物学启发的循环神经网络(RNN)相结合。该模型纳入了关键神经生物学约束,包括戴尔定律(Dale's Law)、分离的兴奋性与抑制性群体以及群体特异性时间常数,从而比传统黑箱机器学习方法具有更高的可解释性。研究人员将此框架应用于大规模三重网络框架——凸显网络(SN)、默认模式网络(DMN)和任务正性网络(TPN)——的研究,比较休息状态与两种不同刺激类型(几何图形和词语)的自由回忆任务编码阶段的双向交互作用。推断出的连接模式揭示了状态依赖钐依赖性和双向影响,特别是SN在回忆期间对DMN和TPN的驱动性促进、休息期间更强的TPN→DMN抑制,以及DMN→SN影响在不同状态间的反转。研究人员还通过揭示心理视觉心像个体差异的中介影响来补充计算发现,该个体差异通过视觉心像生动性问卷(VVIQ)测量。具体而言,研究人员发现了VVIQ与SN直接或经DMN调制后间接到达TPN的连接强度之间的两条选择性潜在关联链路,分别对应几何图形和词语编码。推断出的连接模式对基于切换的理论解释提出了挑战,并强调了深度递归有效连接作为理解情节编码中自组织动力学新途径的重要性。
研究人员在《Frontiers in Psychology》发表的这项研究旨在解决理解大规模脑网络动态、方向性交互作用如何支持感知认知这一核心挑战。传统研究方法在解析网络间因果机制方面存在明显局限:功能连接方法仅能捕捉统计关联,无法指明一个网络如何对另一个网络施加方向性影响;而传统的机器学习循环神经网络(RNN)虽能捕捉复杂时间依赖性,却通常作为不透明黑箱运作,缺乏生理学可解释性。在此背景下,研究人员开发了一种受生物学约束的神经质量模型框架,以推断情节记忆编码期间大规模脑网络间的有效连接,从而突破现有方法的局限。

该研究的理论价值在于推动对三重网络模型的理解从离散切换模式转向连续自组织动态。凸显网络(SN)、默认模式网络(DMN)和任务正性网络(TPN)构成认知神经科学的核心框架,但现有研究对其因果机制和网络间自组织原理的认识仍不充分。研究人员通过开发具有神经生理学可解释性的计算模型,揭示了认知状态如何从网络动态重组中涌现,为理解记忆、注意等高级认知功能的神经基础提供了新的理论视角。

研究采用超广度即时自由回忆范式,其心电图记录来自15名健康右利手成人被试(平均年龄20.13岁,标准差1.92;11名女性,4名男性),均来自卡尔顿大学SONA被试库。该任务包含词语和几何图形两种刺激条件的编码阶段,每种条件呈现16个项目,远超工作记忆容量。脑电图数据采集使用64通道Neuroscan系统,参考电极置于鼻尖,采样率1000 Hz。被试还完成了视觉心像生动性问卷(VVIQ)以评估心理心像能力的个体差异。

脑电图预处理使用MNE-Python工具包,包括通道重映射、去除非脑电图辅助通道和应用平均参考。源定位分析采用标准化低分辨率脑电磁断层扫描(sLORETA),基于"fsaverage"解剖学模板构建三层边界元模型,利用10 mm间距的体素源空间,施加松散方向约束(loose = 1.0)和深度加权(depth = 0.8),信噪比设为3.0。随后将源定位数据配准至人类连接组计划多模态表(HCP MMP 2.0),提取46个双侧皮层区域的区域时间序列。

核心计算方法为研究人员开发的受生物学启发的循环神经网络(BIRNN)。该模型在源定位的46个皮层区域水平上实现神经质量动力学,每个区域维持四类生物学基础的隐藏状态:兴奋性群体状态、抑制性群体状态、慢速适应性状态(捕捉活动依赖性疲劳或后超极化过程),以及大规模网络状态(代表四个宏观皮层网络的自上而下影响)。模型实现离散化的耦合微分方程系统,兴奋性群体接收五类输入:外部观测活动、网络状态自上而下驱动、其他区域的循环性兴奋、抑制性群体的循环性抑制,以及减性适应。兴奋性与抑制性群体按照具有不同时间常数的一阶神经质量方程演化,适应性状态则更慢地演化并对兴奋性群体提供负反馈。在网络层面,区域兴奋性活动通过固定投影矩阵映射至四个典型功能系统,网络状态通过循环更新方程演化,其中网络间耦合矩阵为模型的核心可解释参数。

模型训练采用下一步预测框架,损失函数为均方误差(MSE)与生物学正则化项之和,使用AdamW优化器(学习率5×10??)训练150个周期。正则化策略包括提前终止、自适应学习率调度、L1连接稀疏化正则化及AdamW权重衰减。统计显著性采用单样本t检验结合Benjamini-Hochberg错误发现率(FDR)校正评估,基线验证采用Granger因果检验进行对比分析。探索性分析将推断的连接模式与VVIQ评分进行关联,采用稳健非线性回归方法。

研究结果部分,行为数据显示被试对词语刺激平均正确回忆11.27项(70%),几何图形刺激12.00项(75%),VVIQ评分平均55.53分。在BIRNN模型结果方面,网络连接模式分析显示:凸显网络(SN)对默认模式网络(DMN)和任务正性网络(TPN)均表现出强烈的兴奋性影响。SN→DMN耦合在任务状态(均值=0.846)显著强于休息状态(均值=0.369),而SN→TPN耦合在两个状态均保持高水平(任务均值=1.409,休息均值=1.468)。TPN→DMN抑制性连接在两个状态均较强,但休息状态(均值=?1.806)强于任务状态(均值=?1.171),提示TPN介导的DMN抑制并非纯粹的任务特异性现象。DMN对SN的影响在不同状态间出现显著反转:任务期间为弱正性(0.115),休息期间转为强负性(?0.506),表明状态依赖的调制关系。DMN和TPN的自我抑制连接在两个状态均保持一致显著性。训练过程中,戴尔定律约束始终维持,时间常数保持在生理学合理范围内(兴奋性约5–30 ms,抑制性约10–100 ms)。

基线模型验证结果方面,BIRNN模型与传统的Granger因果检验进行对比。Granger分析检测到所有主要网络对的统计显著方向性连接,验证观察到的模式并非模型结构的产物。然而,Granger因果检验存在关键局限:仅提供无符号的F统计量,无法区分兴奋性促进与竞争性抑制。例如,Granger检测到强效TPN→DMN耦合(任务期间F=425.4,休息期间F=413.7),但无法揭示这实际上是竞争性抑制(神经质量模型揭示:任务期间均值=?1.17);同样,Granger显示SN→TPN(F=471.4)和SN→DMN(F=133.8)的强统计依赖性,但无法确定这些影响的符号。BIRNN模型揭示这些为强正向促进连接(SN→TPN:+1.41;SN→DMN:+0.85),从而将凸显网络识别为调节性枢纽而非竞争性抑制器。

连接与心像能力关联分析结果部分,鉴于BIRNN识别SN→TPN耦合最为核心,研究人员开展了探索性相关分析以检验与心像能力的可能关系。对于休息状态、整个任务数据以及几何图形回忆条件,所有回归均显示非常微弱的相关(R2 ≤ 0.09)。然而,对于词语回忆,VVIQ随SN→TPN强度增加而增加(R2 = 0.25,r(14) = 0.51;Simes-Bonferroni校正p < 0.05)。对DMN与TPN双向连接的另一项探索性分析显示,在图形回忆中VVIQ与DMN→TPN之间存在强相关(R2 = 0.41,r(14) = 0.64;Simes-Bonferroni校正p < 0.01),该关系似乎由SN介导。

在讨论部分,研究人员指出这项研究利用受生物学约束的神经质量模型从源定位脑电图学习基于模型的有效连接,为情节记忆检索期间的大规模网络动态提供了机械论可解释的描述。研究结果挑战了三重网络模型作为离散切换模块组的传统观点,强烈支持系统作为连续自组织、动态耦合架构运作的解释。关于凸显网络的作用,SN并非作为在DMN和TPN之间分配处理的二元控制器,而是全局调节性枢纽,挥之即维持亚稳态、准备性增强的网络配置,这与将其视为竞争性网络切换器的模型相矛盾。

DMN–TPN关系也反映了情境依赖的涌现动态。TPN→DMN抑制在两个状态均出现,但休息状态幅度更大(?1.806对比?1.171),提示该耦合反映内在组织基线而非纯粹任务驱动机制。最显著的状态依赖性重组出现在DMN→SN通路,从任务期间的弱促进性转为休息期间的强抑制性,表明DMN在休息期间主动下调凸显处理以稳定内部聚焦的认知状态,支持将休息状态视为主动稳定组织模式而非被动基线的当代理论。

与Granger因果检验的基线验证确认,标准统计方法虽能检测方向性连接,但无法解析关键组织原则。无符号F统计量无法区分兴奋性促进与竞争性抑制,无法揭示SN对DMN和TPN施加强效正向影响,或DMN→SN在不同状态间经历极性反转。这些机械性洞见仅在强制执行生物学约束(戴尔定律、兴奋性/抑制性分离)时出现,表明模型复杂性在此处购买的是可解释性而非仅仅拟合噪声。

探索性分析初步表明,观察到的连接模式可能与视觉心像能力的个体差异相关。心像能力较强的被试在记忆任务期间表现出DMN内部增强的整合以及更强的DMN→TPN促进,初步提示基于心像的策略可能影响吸引子状态在回忆期间形成和稳定的方式,及其与知觉的交互作用。

研究结论部分,研究人员指出这些结果为推进三重网络模型向更梯度化、双向性、自组织框架的修订提供了初步支持,其中认知状态以及心像等心理能力的个体差异,从网络间耦合的动态调整中涌现。休息期间观察到的清晰结构进一步表明,休息状态连接可能反映主动的组织模式,提醒避免将其解释为中性基线。更广泛而言,这项工作展示了有效连接建模如何能够桥联神经生物学机制、网络层面组织和有意义的心理变异性。推断的连接模式对基于切换的理论解释提出了挑战,并强调了深度递归有效连接作为理解情节编码中自组织动力学新途径的重要性。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号