導(dǎo)讀

人類的許多行為都是由在不同時(shí)間尺度上發(fā)生的共同過(guò)程所支配的。標(biāo)準(zhǔn)的事件相關(guān)電位分析假設(shè)有關(guān)實(shí)驗(yàn)事件的響應(yīng)持續(xù)時(shí)間是固定的。然而，最近對(duì)動(dòng)物的單個(gè)單元記錄顯示，在需要靈活計(jì)時(shí)的行為中，神經(jīng)活動(dòng)尺度跨越了不同的持續(xù)時(shí)間。本研究采用了一種通用的線性建模方法，使用固定持續(xù)時(shí)間和可變持續(xù)時(shí)間回歸器的組合，以分離人類腦磁/腦電圖(M/EEG)數(shù)據(jù)中的固定時(shí)間和縮放時(shí)間成分。研究者利用這一點(diǎn)來(lái)揭示人類頭皮記錄電位在四個(gè)獨(dú)立EEG數(shù)據(jù)集中的一致時(shí)間尺度，包括時(shí)距知覺(jué)、產(chǎn)生、預(yù)測(cè)和基于價(jià)值的決策。時(shí)間尺度響應(yīng)的試次間變化預(yù)測(cè)了被試反應(yīng)時(shí)間的試次間差異，證明了這種時(shí)間尺度信號(hào)與行為時(shí)間變化的相關(guān)性。本研究結(jié)果為研究人腦中的靈活計(jì)時(shí)行為提供了一種通用的方法。

前言

現(xiàn)實(shí)世界中的行動(dòng)和感知需要靈活的時(shí)間安排。我們可以快走或慢走，可以識(shí)別以不同節(jié)奏播放的同一首音樂(lè)，并在長(zhǎng)短時(shí)間間隔內(nèi)形成時(shí)間預(yù)期。在許多認(rèn)知任務(wù)中，反應(yīng)時(shí)間的變異性是根據(jù)內(nèi)部證據(jù)積累來(lái)建模的，因此相同的動(dòng)態(tài)過(guò)程在不同的試次中以不同的速度展開(kāi)。

靈活的時(shí)間安排在我們的生活中至關(guān)重要，然而，盡管經(jīng)過(guò)幾十年的研究，它的神經(jīng)關(guān)聯(lián)仍然受到廣泛的爭(zhēng)論。腦磁圖和腦電圖(M/EEG)由于具有高時(shí)間分辨率的特點(diǎn)，因而在理解計(jì)時(shí)的神經(jīng)基礎(chǔ)方面發(fā)揮了特別重要的作用，通常用于分析這類數(shù)據(jù)的方法是事件相關(guān)電位(ERP)，它可以在多次重復(fù)刺激中進(jìn)行平均事件鎖定反應(yīng)。例如，這種方法已被用于識(shí)別在一定時(shí)間間隔內(nèi)的緩慢負(fù)向信號(hào)的存在。這個(gè)信號(hào)被稱為關(guān)聯(lián)性負(fù)變(CNV)，被認(rèn)為與時(shí)間有關(guān)，因?yàn)樗男甭逝c時(shí)間間隔的持續(xù)時(shí)間成反比。

重要的是，ERP分析策略隱含地假設(shè)神經(jīng)活動(dòng)以相對(duì)于實(shí)驗(yàn)事件的固定時(shí)間延遲發(fā)生。然而，最近的研究表明，單個(gè)神經(jīng)元水平上的大腦活動(dòng)可以用時(shí)間尺度模型進(jìn)行最好地解釋，在該模型中，活動(dòng)可以根據(jù)產(chǎn)生的間隔長(zhǎng)度被拉伸或壓縮的單個(gè)響應(yīng)來(lái)解釋。當(dāng)猴子被提示產(chǎn)生不同長(zhǎng)度的間隔時(shí)，時(shí)間尺度模型解釋了內(nèi)側(cè)額葉皮層單個(gè)單元的神經(jīng)反應(yīng)的大部分差異。這表明，靈活的計(jì)時(shí)機(jī)制是通過(guò)調(diào)節(jié)一個(gè)共同神經(jīng)過(guò)程的速度來(lái)實(shí)現(xiàn)的，這一觀點(diǎn)可以從動(dòng)力學(xué)系統(tǒng)理論的角度來(lái)看。與動(dòng)力學(xué)系統(tǒng)在一系列神經(jīng)計(jì)算中所起的廣泛作用一致，最近對(duì)神經(jīng)集群的研究表明，時(shí)間偏差是許多不同集群記錄和行為任務(wù)的共同特性。例如，在感官和基于價(jià)值的決策過(guò)程中，時(shí)間尺度也隱含在證據(jù)整合的神經(jīng)關(guān)聯(lián)中（這在先前的研究中也被提出作為時(shí)間估計(jì)的機(jī)制）。

成功地表征人類的時(shí)間尺度成分，可以為研究時(shí)間尺度在更復(fù)雜的層級(jí)任務(wù)中的作用打開(kāi)大門(mén)，如音樂(lè)創(chuàng)作或言語(yǔ)感知，以及在時(shí)序受損的患者群體中。然而，目前尚不清楚神經(jīng)反應(yīng)的時(shí)間尺度是如何在人類頭皮上(使用非侵入性記錄)顯現(xiàn)出來(lái)的。這是因?yàn)镋RP分析策略的固定時(shí)間特性。而且ERP的一個(gè)成分，稱為CNV，其在不同的時(shí)間間隔內(nèi)以不同的速度變化，這表明存在時(shí)間尺度。但關(guān)鍵是，由于疊加問(wèn)題，任何縮放的活動(dòng)都將在頭皮上與固定時(shí)間的成分混合。

因此，本研究開(kāi)發(fā)了一種方法來(lái)分離EEG中的縮放時(shí)間和固定時(shí)間成分(圖1A)。本研究提出的方法建立在最近開(kāi)發(fā)的基于最小二乘回歸的方法之上，這些方法已被證明有助于分離相互重疊的固定時(shí)間成分，如刺激相關(guān)的活動(dòng)和反應(yīng)相關(guān)的活動(dòng)。為了克服疊加問(wèn)題，這些方法使用一般線性模型(GLM)以去卷積潛在重疊的神經(jīng)反應(yīng)。在此基礎(chǔ)上，使用GLM來(lái)估計(jì)固定時(shí)間的ERP，其中設(shè)計(jì)矩陣中填充了時(shí)滯“stick函數(shù)”(一個(gè)回歸量，在感興趣的時(shí)間點(diǎn)周圍的值為1，在其他時(shí)間點(diǎn)為0)。重要的是，stick函數(shù)可以捕獲潛在神經(jīng)響應(yīng)中的重疊(圖1B)，并且可以通過(guò)向模型估計(jì)中添加正則化懲罰來(lái)提高對(duì)神經(jīng)數(shù)據(jù)的擬合度。在沒(méi)有任何重疊的情況下，GLM將完全返回傳統(tǒng)的ERP。

圖1.基于回歸的模擬數(shù)據(jù)分解成功地復(fù)原了縮放時(shí)間和固定時(shí)間成分。

這里引入的關(guān)鍵創(chuàng)新是，除了固定持續(xù)時(shí)間回歸器外，此模型中還允許使用可變持續(xù)時(shí)間回歸器，以測(cè)試縮放時(shí)間響應(yīng)的存在。特別是，該模型允許stick函數(shù)的持續(xù)時(shí)間根據(jù)刺激和反應(yīng)之間的間隔而變化，這意味著相同的神經(jīng)反應(yīng)可以在不同的試次中跨越不同的時(shí)間。因此，所提出的方法不是對(duì)每種條件的平均間隔持續(xù)時(shí)間進(jìn)行建模，而是捕捉試次到試次反應(yīng)的變異性。返回的縮放時(shí)間電位是刺激和反應(yīng)之間的時(shí)間流逝百分比的函數(shù)。

研究者在單個(gè)EEG傳感器上模擬了間隔計(jì)時(shí)任務(wù)的數(shù)據(jù)，該任務(wù)由兩個(gè)固定時(shí)間成分(鎖定線索和反應(yīng))和一個(gè)跨越線索和反應(yīng)之間的縮放時(shí)間成分組成(圖1A)。本研究提出的方法成功地復(fù)原了所有三個(gè)成分(圖1C)，而傳統(tǒng)的ERP方法掩蓋了縮放時(shí)間成分(圖1A)。重要的是，在真實(shí)的EEG數(shù)據(jù)中，研究者在所有傳感器上重復(fù)了這種方法，潛在地揭示了固定時(shí)間與縮放時(shí)間成分的不同頭皮分布(以及不同的神經(jīng)源)。

通過(guò)分離固定和縮放成分，本研究方法超越了以往處理EEG實(shí)驗(yàn)中時(shí)序變化的方法。例如，可以通過(guò)平移整個(gè)波形或單個(gè)ERP成分來(lái)調(diào)整EEG試次的事件相關(guān)時(shí)序。另一方面，原始EEG可以通過(guò)升采樣/降采樣或動(dòng)態(tài)時(shí)間變化將試次與一個(gè)共同時(shí)間框架對(duì)齊。然而，這些方法并不是設(shè)計(jì)來(lái)分解固定時(shí)間和縮放時(shí)間成分的。最后，可以使用另一種基于回歸的方法——時(shí)間響應(yīng)函數(shù)(TRF)來(lái)量化連續(xù)變量對(duì)EEG的影響。TRFs在捕捉不同類型的延遲活動(dòng)方面特別靈活。本研究方法與TRFs有關(guān)，因?yàn)樗婕暗酱烙?jì)輸入信號(hào)與連續(xù)回歸量的卷積。然而，與TRFs不同的是，本研究方法包含一個(gè)額外的縮放步驟，其中輸入信號(hào)被拉伸或壓縮(圖1)。

時(shí)頻分解也可以很容易地分離高頻和低頻響應(yīng)。事實(shí)上，大量的神經(jīng)振蕩都與時(shí)間知覺(jué)有關(guān)。人們可能會(huì)合理地預(yù)期拉伸/壓縮信號(hào)在時(shí)頻域中的表現(xiàn)不同。然而，與本研究所提出的方法不同的是，時(shí)頻分解并不容易用來(lái)尋找縮放時(shí)間響應(yīng)的時(shí)間尺度。如果信號(hào)在同一頻段，時(shí)頻分解也無(wú)法將固定時(shí)間響應(yīng)與縮放時(shí)間響應(yīng)分開(kāi)。

本研究分析了四個(gè)獨(dú)立的EEG數(shù)據(jù)集，包括三個(gè)間隔計(jì)時(shí)任務(wù)和一個(gè)決策任務(wù)。在第一個(gè)任務(wù)中，參與者根據(jù)提示生成目標(biāo)間隔(短、中或長(zhǎng))(圖2A)。參與者能夠根據(jù)提供的反饋?zhàn)龀龈咏繕?biāo)時(shí)間間隔的反應(yīng)。在第二個(gè)任務(wù)中，參與者評(píng)估了計(jì)算機(jī)生成的時(shí)間間隔(圖2B)。生成的時(shí)間間隔越接近目標(biāo)時(shí)間間隔，參與者越有可能判斷反應(yīng)是“準(zhǔn)時(shí)”的。在第三個(gè)任務(wù)中，參與者根據(jù)節(jié)奏預(yù)測(cè)對(duì)即將發(fā)生的事件進(jìn)行時(shí)間預(yù)測(cè)(圖2C)。

圖2.三種時(shí)間估計(jì)和一種決策范式的任務(wù)示意圖。

在第四個(gè)任務(wù)中，參與者在成對(duì)零食中進(jìn)行選擇(圖2D)，在這個(gè)過(guò)程中，反應(yīng)時(shí)間的變化可以被建模為隨時(shí)間推移的內(nèi)部證據(jù)積累過(guò)程，與證據(jù)積累相關(guān)的神經(jīng)活動(dòng)可在頭皮上測(cè)量。快速、簡(jiǎn)單試次EEC的增長(zhǎng)速度快于緩慢、困難試次EEG的增長(zhǎng)速度，這表明內(nèi)部證據(jù)積累的速率更高。因此，本研究預(yù)測(cè)EEG將包含一個(gè)與不同證據(jù)積累速率相關(guān)的潛在尺度成分。

在所有四項(xiàng)任務(wù)中，可以觀察到一個(gè)與前后固定時(shí)間成分不同的縮放時(shí)間成分(圖3)，這類似于傳統(tǒng)的ERP。通常，ERP成分由其極性和頭皮分布來(lái)定義。觀察到的縮放時(shí)間成分具有共同的極性(負(fù)性)和頭皮分布(中央)。在每項(xiàng)任務(wù)中，基于聚類的置換檢驗(yàn)顯示，縮放時(shí)間成分與零顯著不同。這些差異是由產(chǎn)生任務(wù)中36-87%(P＜0.001)、感知任務(wù)中42-100%(P＜0.0001)、預(yù)測(cè)任務(wù)中18-27%(P=0.004)和決策任務(wù)中36-55%(P＜0.001)的團(tuán)簇驅(qū)動(dòng)的。

圖3.在所有四種范式中都一致地觀察到了縮放時(shí)間成分，其頭皮地形圖與固定時(shí)間成分不同。

為了進(jìn)一步驗(yàn)證本研究方法，研究者通過(guò)計(jì)算每個(gè)任務(wù)和參與者的縮放指數(shù)來(lái)量化時(shí)間尺度(圖4)。為了計(jì)算這一點(diǎn)，拉伸/壓縮每個(gè)epoch，以匹配每個(gè)任務(wù)中的最長(zhǎng)間隔，按條件求平均，然后使用較短間隔的拉伸版本計(jì)算用于預(yù)測(cè)較長(zhǎng)間隔的決定系數(shù)。首先對(duì)原始數(shù)據(jù)執(zhí)行此操作，然后分別對(duì)僅包含固定時(shí)間成分和縮放時(shí)間成分的數(shù)據(jù)執(zhí)行此操作。在所有四項(xiàng)任務(wù)中，縮放成分的縮放指數(shù)都超過(guò)了固定成分的縮放指數(shù)。

圖4.未混合信號(hào)在其縮放程度上存在定量差異。

然后本研究考察了縮放時(shí)間成分與行為變異性的關(guān)系：縮放時(shí)間成分的潛伏期能否預(yù)測(cè)被試的反應(yīng)時(shí)間？本研究關(guān)注的是時(shí)間產(chǎn)生和決策任務(wù)，其中間隔持續(xù)時(shí)間等于響應(yīng)時(shí)間。由于不同試次的響應(yīng)時(shí)間不同，建模的縮放成分也不同。為了測(cè)量成分潛伏期，本研究使用主成分分析(PCA)對(duì)時(shí)間產(chǎn)生任務(wù)中中央電極上的延遲活動(dòng)進(jìn)行建模。與簡(jiǎn)單的峰值檢測(cè)不同，PCA可以解釋一系列波形動(dòng)態(tài)。首先回歸出GLM識(shí)別的固定時(shí)間成分，得到的數(shù)據(jù)集只包含剩余的縮放時(shí)間活動(dòng)。然后，計(jì)算了三種時(shí)距條件下的平均縮放時(shí)間活動(dòng)(圖5A-C)。將PCA分別應(yīng)用于每種時(shí)距條件，并一致地揭示了與縮放時(shí)間成分形狀匹配的第一個(gè)主成分和與它的時(shí)間導(dǎo)數(shù)匹配的第二個(gè)主成分。這一分析證實(shí)了本研究數(shù)據(jù)中縮放時(shí)間成分的存在，因?yàn)樗侨コ潭〞r(shí)間成分后的第一主成分。至關(guān)重要的是，添加或減去第二個(gè)主成分可以捕獲縮放時(shí)間成分的潛伏期變化。在反應(yīng)時(shí)間分位數(shù)中，可以發(fā)現(xiàn)PC2得分與反應(yīng)時(shí)間顯著相關(guān)(圖5D)。這意味著，縮放時(shí)間成分達(dá)到峰值的時(shí)間越早，被試對(duì)該試次的反應(yīng)就越快。該結(jié)果在決策任務(wù)中得到了驗(yàn)證(圖5E)。

圖5.縮放時(shí)間成分的變化預(yù)測(cè)了時(shí)間估計(jì)中的行為變化。

方法

模擬。使用MATLAB 2020a（Mathworks，Natick，USA）模擬了時(shí)間產(chǎn)生任務(wù)中的線索相關(guān)和反應(yīng)相關(guān)EEG。線索和反應(yīng)之間有短、中、長(zhǎng)三種間隔。在延遲期間，研究者模擬了拉伸或壓縮以填充間隔的縮放響應(yīng)。總共模擬了每種條件(短、中、長(zhǎng))的50個(gè)試次。模擬代碼可在https://github.com/chassall/temoralscaling上獲得。

EEG預(yù)處理。對(duì)于所有三個(gè)計(jì)時(shí)任務(wù)，使用EEGLAB在MATLAB 2020b（Mathworks，Natick，USA）中對(duì)EEG進(jìn)行預(yù)處理。首先將EEG降采樣至200Hz，然后應(yīng)用0.1-20 Hz的帶通濾波器和50Hz的陷波濾波器進(jìn)行濾波。將EEG進(jìn)行雙側(cè)乳突平均重參考(并在產(chǎn)生/感知任務(wù)中復(fù)原AFz電極點(diǎn))。使用獨(dú)立成分分析(ICA)去除眼動(dòng)偽跡。在每個(gè)試次開(kāi)始時(shí)呈現(xiàn)十字注視點(diǎn)后，對(duì)ICA進(jìn)行3s周期的數(shù)據(jù)訓(xùn)練。使用iclabel函數(shù)識(shí)別眼動(dòng)成分，然后將其從連續(xù)數(shù)據(jù)中剔除。在數(shù)據(jù)分析之前，決策任務(wù)的EEG已經(jīng)過(guò)預(yù)處理。這是一個(gè)同步EEG-fMRI記錄，預(yù)處理包括通過(guò)濾波和PCA，以及0.5-40Hz帶通濾波去除與磁共振相關(guān)的偽影。與本研究的其他分析一致，將EEG進(jìn)行TP7和TP8(位于乳突附近)平均重參考，并應(yīng)用了額外的20Hz低通濾波。

ERPs。為了構(gòu)建傳統(tǒng)的ERP，首先圍繞線索(所有任務(wù))、響應(yīng)(感知任務(wù))、探測(cè)(產(chǎn)生任務(wù))、目標(biāo)(預(yù)測(cè)任務(wù))和決策(決策任務(wù))創(chuàng)建EEG epoch。使用線索前200ms的窗口對(duì)epoch進(jìn)行基線校正。在感興趣事件周圍定義基線（從-20到20ms的平均EEG），并在除決策任務(wù)外的所有情況下刪除基線。然后，刪除樣本間電壓相差超過(guò)50μV或整個(gè)時(shí)期的電壓變化超過(guò)150μV的任何試次。然后，為每個(gè)參與者和任務(wù)創(chuàng)建了條件線索和響應(yīng)/探測(cè)/目標(biāo)/決策平均值。

回歸ERP(rERP)。為了將EEG信號(hào)數(shù)據(jù)中的固定時(shí)間和縮放時(shí)間成分分離開(kāi)來(lái)，本研究使用與模擬數(shù)據(jù)相同的GLM程序來(lái)估計(jì)rERPs。使用的設(shè)計(jì)矩陣包括線索和響應(yīng)/探測(cè)/目標(biāo)的常規(guī)stick函數(shù)，以及從線索到響應(yīng)/探測(cè)/目標(biāo)/決策的拉伸/壓縮stick函數(shù)。每個(gè)固定時(shí)間響應(yīng)跨越1000 ms或200個(gè)EEG采樣點(diǎn)。對(duì)于產(chǎn)生/感知任務(wù)，選擇估計(jì)330個(gè)縮放時(shí)間點(diǎn)，相當(dāng)于“中等”間隔的持續(xù)時(shí)間。對(duì)于預(yù)測(cè)任務(wù)，選擇估計(jì)200個(gè)縮放時(shí)間點(diǎn)，相當(dāng)于短和長(zhǎng)條件(700ms和1300ms)的平均值。對(duì)于決策任務(wù)，估計(jì)了153個(gè)縮放時(shí)間點(diǎn)(大致相當(dāng)于平均決策時(shí)間)。與傳統(tǒng)的ERP方法不同，該分析是在連續(xù)EEG上進(jìn)行的。為了識(shí)別連續(xù)EEG中的偽跡，研究者使用了ERPLAB工具箱中的basicrap函數(shù)，其閾值為150μV(2000ms窗口，1000ms步長(zhǎng))。如果有任何頻段損壞，則會(huì)對(duì)其進(jìn)行標(biāo)記。標(biāo)記的樣本從GLM中排除。此外，刪除與產(chǎn)生任務(wù)中異?？焖倩蚓徛憫?yīng)相關(guān)的樣本/行(小于0.2s或大于5s)。平均而言，共去除了產(chǎn)生任務(wù)中10.16%的樣本，感知任務(wù)中3.75%的樣本，預(yù)測(cè)任務(wù)中5.57%的樣本和決策任務(wù)中5.56%的樣本。為了檢驗(yàn)回歸變量之間的多重共線性，本研究計(jì)算了每個(gè)回歸變量的方差膨脹因子(VIF)，這是使用Unfold工具箱中的uf_vif函數(shù)完成的。為了減少多重共線性的影響并對(duì)估計(jì)施加平滑約束，本研究使用了Tikhonov正則化的一階導(dǎo)數(shù)形式。

討論

本研究結(jié)果提供了一種在人類M/EEG中恢復(fù)時(shí)間縮放信號(hào)的通用方法，其中縮放時(shí)間成分在頭皮與傳統(tǒng)的固定時(shí)間ERP混合。在所有四項(xiàng)任務(wù)中都顯示出明顯的縮放時(shí)間成分和頭皮地形圖。這些結(jié)果表明，靈活的認(rèn)知依賴于神經(jīng)活動(dòng)的時(shí)間尺度。對(duì)于熟悉時(shí)間知覺(jué)研究的人來(lái)說(shuō)，頭皮上存在時(shí)間尺度信號(hào)可能并不奇怪。由于EEG具有良好的時(shí)間分辨率，長(zhǎng)期以來(lái)一直被用于研究時(shí)距估計(jì)任務(wù)中的延遲活動(dòng)。如前所述，本研究感興趣的一個(gè)信號(hào)是額中央CNV，這是在傳統(tǒng)ERP分析中觀察到的。在傳統(tǒng)的ERP分析中，假設(shè)延遲活動(dòng)發(fā)生在固定的延遲時(shí)間內(nèi)。因此，CNV是通過(guò)對(duì)相同持續(xù)時(shí)間的多個(gè)線索鎖定EEG時(shí)段的平均來(lái)計(jì)算的。相反，本研究考慮了頭皮記錄的電位反映固定時(shí)間和縮放時(shí)間成分的可能性。通過(guò)分別建模固定時(shí)間和縮放時(shí)間成分，揭示了在所有時(shí)間間隔中普遍存在的縮放活動(dòng)。

本研究還觀察到?jīng)Q策任務(wù)中的時(shí)間尺度活動(dòng)，這是一個(gè)有點(diǎn)令人驚訝的結(jié)果，因?yàn)樵撊蝿?wù)沒(méi)有明確的時(shí)序成分(被試進(jìn)行簡(jiǎn)單的二元決策)。然而，時(shí)間是做出決策的媒介。從計(jì)算上講，二元決策的時(shí)間可以在漂移擴(kuò)散模型中捕獲到，作為有利于每種選擇的證據(jù)的積累。這種積累被認(rèn)為是由一個(gè)稱為中央頂葉正波(CPP)的ERP成分來(lái)表示的。有證據(jù)表明，CPP的斜率(可以是刺激鎖定，也可以是反應(yīng)鎖定)捕獲了證據(jù)積累的速度，相比于較慢/較難決策時(shí)的CPP，更快/更容易決策時(shí)的CPP上升速度更快。也許這些效應(yīng)也可以通過(guò)拉伸/壓縮一個(gè)共同的縮放時(shí)間成分來(lái)解釋，同時(shí)保持與刺激和反應(yīng)相關(guān)的活動(dòng)不變。此外，根據(jù)本研究結(jié)果，縮放時(shí)間成分的變化與決策相關(guān)：它預(yù)測(cè)了決策將在何時(shí)做出。

本研究方法不僅在概念上不同于先前使用回歸框架對(duì)時(shí)序變化進(jìn)行建模的工作，而且在機(jī)制上也是一個(gè)重要的發(fā)現(xiàn)。這表明，大腦可能通過(guò)調(diào)整原本一致的神經(jīng)反應(yīng)的持續(xù)時(shí)間來(lái)支持靈活的計(jì)時(shí)。這可以理解為在間隔估計(jì)期間改變動(dòng)態(tài)系統(tǒng)的速率。盡管在猴子的神經(jīng)生理學(xué)文獻(xiàn)中有這種時(shí)間尺度反應(yīng)的支持證據(jù)，但目前還沒(méi)有在人類中有任何直接證據(jù)支持這一觀點(diǎn)。事實(shí)上，這與目前主導(dǎo)M/EEG分析的固定持續(xù)時(shí)間反應(yīng)的主要框架相違背。

盡管本研究關(guān)注的是間隔計(jì)時(shí)和決策任務(wù)，但未來(lái)的研究可以將發(fā)現(xiàn)其他時(shí)間尺度的M/EEG信號(hào)用于已知的認(rèn)知過(guò)程。例如，靈活(快/慢)語(yǔ)音產(chǎn)生和感知的神經(jīng)基礎(chǔ)是一個(gè)活躍的研究領(lǐng)域，可能涉及一種時(shí)間尺度。靈活的時(shí)間安排在大量決策任務(wù)中也很重要，證據(jù)積累可以根據(jù)證據(jù)的強(qiáng)度快速或緩慢進(jìn)行。靈活的時(shí)間安排有助于通過(guò)時(shí)間注意力促進(jìn)一系列適應(yīng)性行為，而無(wú)序的時(shí)間安排是幾種臨床疾病的特征，這些都強(qiáng)調(diào)了表征人類參與者神經(jīng)反應(yīng)的時(shí)間尺度的重要性。

原文：Temporal scaling of human scalp-recorded potentials.

https://doi.org/10.1073/pnas.2214638119

小伙伴們點(diǎn)個(gè)“在看”，加

(星標(biāo))關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～