你休息的时候，你的大脑正在自动“复习”( 二 )

文章图片
在WebofScience数据库中，以主题“Neuralreplay”进行检索所得
人类运动学习后的神经回放研究
在本节中，我们将简单地介绍来自哈佛医学院SydneyS.Cash团队在2020年（Eichenlaubetal. ， 2020）和2022年（Rubinetal. ， 2022）的两项研究，不同于其他研究中更多地使用MEG等非侵入式神经活动无创记录技术和神经解码（decoding）中的多变量模式分析方法来对正常人的脑活动进行监测和分析，这两项研究中使用植入式微电极阵列，对病人在序列运动学习后的神经元放电情况进行了直接的记录。
如其中一位研究者BeataJarosiewicz博士所说“这是第一个直接证据，证明我们也可以看到人类在学习后的休息期间有帮助巩固记忆的回放现象……我们在动物身上研究了几十年与回放有关的记忆巩固机制，看起来很可能也适用于人类。 ”
在Cash团队的这两项研究中，被试首先完成微电极阵列设备校准（熟悉如何通过意图移动光标），然后被要求闭眼休息约半小时，记录其静息态下的脑活动指标（Rest1）；随后被试会完成一个类似电子游戏“西蒙”（Simon）的序列运动学习任务：电脑首先显示目标序列，然后被试通过自己的意念想象去操纵光标按照这样的序列运动（iBCI ，详见下图和视频），其中被试需要完成的重复序列和随机序列试次数量呈现3:1的比例（Sequencegame）；任务结束后，被试会再次闭眼休息并被记录学习后的脑活动情况（Rest2）。

文章图片
在2022年的研究中，实验者还会在这一基础上记录被试在任务前一天晚上和当天晚上睡眠时的大脑活动情况（如下图所示）。

文章图片
在第一篇研究（2020）中，研究者提取了每个电极通道上的发放功率（spikepower ， 250-5000Hz的总频谱功率），然后使用模板匹配方法（Templatematchingapproach）评估了神经元发放功率时空模式相似度，将每个目标/每个试次的神经活动模式的平均值作为单独的时空模板，将其与前后Rest阶段中每个时间步长的神经活动模式进行相关分析，以检测单个目标和整体序列的神经回放现象。
计算并确定每个模板的相关系数（CC）峰值，将CC大于95%的定义为候选回放事件，并将回放指数（RI）定义为CC峰值的平均值占比变化（Rest2-Rest1）。结果发现重复序列和随机序列的RI分布如下图A所示，该结果表明，完成序列运动学习任务之后，重复序列在休息时的大脑中得到了更多的回放。
此外，研究者还设置了时间膨胀因子（timedilationfactor），结果显示，上述发现的显著的神经回放现象在0.1*（即比实际时间快10倍）的时间尺度上达到峰值（如下图B、D所示），即神经回放不遵循原始事件的实际时间，而是以一种时间压缩的形式发生。

文章图片
在2022年的第二项研究中则发现，不仅是序列运动学习之后紧跟着的休息期间，在距离任务足够久的睡眠期间，大脑也会产生持续的神经回放（如下图所示）：

文章图片
A：任务期间神经活动模式；C：夜间睡眠期间不同时间点上候选回放事件的神经活动示例
并且，在睡眠期间的远程神经回放同样呈现一种时间压缩的形式（如下图所示）：

文章图片
此外，在这项研究中， Cash研究团队还表明睡眠期间的神经回放与短波睡眠（SWS）阶段的尖波涟漪（Sharpwaveripples ， SPW-Rs）爆发有关（如下图所示），这一在非人动物身上被普遍证实的特点也因植入式脑机接口技术（iBIC）的发展，首次得以在人类被试中被直接证明。