速递 | 神经活动区分新事物和习得的事件界限

标题：Neural Activity Differentiates Novel and Learned Event Boundaries

链接：https://www.jneurosci.org/content/44/38/e2246232024

作者：Youssef Ezzyat（卫斯理大学）、Abby Clements（斯沃斯莫尔学院）

摘要：人们在被称为事件边界的自然断点处解析连续的体验，这在理解环境的因果结构以及应对其中的不确定性方面非常重要。不过，目前还不清楚不同形式的不确定性会如何影响对连续经验的解析，以及这种不确定性又会如何影响大脑对正在进行的事件的处理。本文让 34 名被试接触一系列连续的语义上无意义的图像。我们通过一个图的随机游走生成了这些图像序列，这个图将图像分组为时间社区。在学习之后，我们要求参与者在自然断点（即事件边界）处分割另一个序列。参与者在社区之间的学习性转变以及新的转变中对序列进行了分段，这表明人们能够根据学习结构和预测误差将时间扩展的经验分割成事件。在新边界处更大的分割与刺激开始后 250 至 450 毫秒之间顶层头皮脑电图（EEG）活动增强相关。脑电图活动的多变量分类显示，新颖和学习的边界会引起不同模式的神经活动，尤其是在后电极中的 θ 带功率方面。学习还导致颞区社区内刺激的不同神经表示，而学习边界节点处的神经活动显示了相邻社区的预测证据。这些数据表明，人们在学习和新奇的边界上对体验进行细分，并且表明学习事件的边界触发了对即将到来的社区信息的检索，这些信息可能是对序列中下一个事件的预期的基础。

EEG 结果：

• P300 振幅：学习边界转换的 P300 振幅高于非边界转换，新颖边界转换的 P300 振幅与非边界转换的 P300 振幅的差异与新颖边界处的解析概率相关，但学习边界转换与非边界转换的 P300 振幅差异与解析概率无关。

• PCA 分析：通过 PCA 分析确定了数据中解释显著方差的潜在特征，发现活动在空间（后区域活动更强）和频率（特定频段如 θ、α、β 和 γ）上有显著变化。

• 新颖和学习边界的神经表征：使用 PCA 特征训练的分类器能够区分新颖与学习边界的神经活动，分类器对后电极的 θ 波段功率更为重要。

• 社区边界的预测表征：在学习边界节点观察期间，约 250 ms 后出现显著的预测反应，且在社区内花费时间越长，对相邻社区的预测越强；边界试验包含关于相邻社区的独特信息。

• 社区结构的神经表征：学习社区结构会影响头皮记录的活动模式，非边界对的模式相似性高于学习边界对，表明学习的社区结构塑造了事件的神经表征。