来源：北师大脑与认知科学
“读心解梦”一直以来是人们追求的梦想，从佛洛依德对于潜意识意义的追寻，到当今神经科学的神经信号解码，人们采用主观或客观的方式理解人类高级智能的脚步从未停止。早期人们理解人类意识的内涵，采用主观的报告以及其他主观推论等方式，通过与过去经验相结合，探寻梦境的内容所反应出的现实问题。神经科学的出现，能够让我们采用无创的方式对人类认知背后的神经信号进行探索。自时间相关电位、磁共振功能成像、脑磁图等无创神经信号采集范式兴起以来，数以万计的文章采用精妙的实验设计，从时间维度和空间维度对人类的高级认知过程进行了探查。其逻辑是采用精巧的实验设计，通过设置合理的条件与对照，来探究心理学操作对于神经活动的影响，从而建立起认知过程与神经影像结果的对应关系（例如不同脑区激活、成分等）（如图1a）。
图1：a. 任务诱发的神经活动。b. Intervention -based的数据分析方法示意图与data-driven的自发神经活动分析方法示意图。
相比起通过任务诱发，自发神经活动缺乏实验设计的操纵，因此我们无法从时间维度和空间维度揭示神经活动背后可操纵的功能意义。随着休息状态下的神经信号被发现具有一定的特征（如默认网络），人们逐渐发现，自发性的神经信号具有一定的固有属性。因此，基于数据驱动的功能连接、相位共振等研究应运而生，同时通过与传统心理学测量相结合，人们逐渐赋予自发性神经活动一定功能意义。但与任务诱发的神经信号不同，自发性信号关联的功能意义并没有实际实验操纵，同一种自发神经信号可以与多种心理学量表测量有关，但自发神经信号并不是该心理学特质的直接结果。
于是人们为了进一步理解，在睡眠、静息等过程中自发神经活动的功能意义，人们在自发性活动中引入任务相关的实验刺激，将自发活动人为分割为施加刺激相关的任务诱发实验。相比起数据驱动的方式，进一步探索了自发神经活动背后的功能意义，但自发神经活动仍然是“黑箱“。同时，施加的刺激一定程度上，使得自发神经活动具有任务诱发的特征。
结合表征相似性分析的进展，结合任务诱发的神经信号与自发神经信号，柳昀哲博士及其团队提出表征富集理论（representation-rich）。该理论基于大脑神经信号对于刺激的表征在任务诱发和自发活动下相似的假设，将任务诱发时的神经信号作为特征，解码自发神经活动背后的功能意义。早期的表征相似性分析等方法，构建任务诱发条件和自发神经活动的相似性，探索任务诱发的空间表征在自发神经活动中的空间表征形式。在时间维度上，基于该理论，对于一段时间的自发神经活动进行解码，我们便能够获得自发神经活动的时间维度表征形式，即什么样的神经表征，从何处开始，持续了多久时间。这种在时间维度上的表征特性与动物海马位置细胞研究有相似之处。动物在静息和睡眠状态下，海马通过尖波涟漪进行神经活动重现，从而对于动物探索迷宫的路径信息进行模拟，因此探索迷宫诱发的神经活动会以不同位置信息神经活动重现的形式在海马被解码出来。人类不仅对于位置信息的加工有着相似的机制，对于关联信息特征也存在类似的加工方式，因此，从自发性神经活动中解码任务内容的表征，为我们理解人类高级智能提供了一扇窗，即采用表征富集理论，探究人类神经活动重现的作用与意义（图2a）。
图2：a. 模式动物与人类的神经重现特征。b. 刺激诱发的神经活动与自发神经活动重激活。c. TDLM算法（详情请见Liu et al., 2021 elife）。d. 基于功能磁共振的序列分析（神经活动重现）。
基于表征富集理论，一般采用高时间采样率的脑电信号与脑磁图信号采集神经表征信息作为任务诱发的神经活动，并采用多导的数据作为特征训练分类器，以便在自发神经信号中进行解码。一般来说，在学习任务之后的自发神经信号中（睡眠/静息态），海马的自发神经信号与学习的内容及巩固有关，并且能够显著预测记忆效果。这使得我们相信，采用表征富集理论对海马神经活动重现进行研究，可以让我们对于自发神经活动的功能及内涵有更深的理解。人类神经活动重现与动物神经活动重现类似，都是神经信号在时间上的序列重现。对于人类来说，即任务诱发的神经表征会在自发神经活动中按一定的时间顺序重现。这种按时间出现的规则即为认知图谱，是促进我们灵活行为的重要成分之一。灵活行为的另一个目的，是为了基于现有的知识和概念，在陌生环境中完成目标导向的行为（Goal-directed behavior），即最大化未来可期待的累计奖励（或躲避惩罚）对于当前的折现。在进行目标导向的行为中，认知图谱表征了当前个体所处状态和未来状态之间的转换概率的特征，根据个体的行为是否基于不同状态的转换概率特征进行决策，可以将行为分为“基于模型的行为（model-based behaviors）”和“不基于模型的行为”（model-free behaviors）。不基于模型的行为依赖于刺激-反映联结，我们熟知的Rescorla–Wagner model即为不基于模型的行为建模方式。但不基于模型的行为无法使得个体脱离实际经验进行推理和计划行为，即无法对没有经历过的环境进行基于目标的行为。基于模型的行为能够促使人们对未曾经历过的事情进行推理和决策，同时也能够促使人们在陌生的新环境中进行推理。解码模型的表征对于理解人类高级智能具有重要的作用，因此对于神经活动重现的解码不仅能够促进我们对于自发神经活动功能的理解，更可以促进我们在强化学习的框架下，理解自发神经活动所维持的认知图谱在灵活决策时的重要作用以及奖赏后个体对于认知图谱的更新。在强化学习的框架下，柳昀哲博士采用精巧的实验设计，将神经活动重现与强化学习理论相结合，通过无创神经解码的方式，在实验中考察了神经活动重现与学习和推理的关系。实验结果印证了在强化学习框架下，神经活动重现能够促进个体在新环境下进行高效推理。表现出人类利用基于认知图谱神经活动重现进行推理的神经机制。
进一步，为了更深入理解表征富集理论对于理解人类高级认知功能的实际意义，采用跨物种研究，人类、猴和大鼠静息条件下神经活动重现有关的海马尖波涟漪与“默认网络”激活表现出时间上的耦合特征（图3）。潜在表明，默认网络在静息状态下的特征是为了通过海马尖波涟漪促进形成并维持认知图谱的神经表征。这为我们理解默认网络在精神疾病的异常表征及默认网络的随龄发育提供新的启示。
表征富集理论，以神经活动重现为窗口，为我们理解人类高级认知的“黑箱”开了一扇“亮窗” 。这也使得我们向着“解梦读心” 的梦想更近了一步。未来采用表征富集理论，对睡眠和静息态的自发神经活动进行解码，将为我们理解疾病、发育及教育提供丰富的支持。
图3：a. 人类神经活动重现尖波涟漪与默认网络的关系。b&c 模式动物神经活动重现和默认网络的关系。
本文受到中央高校基本科研专项资金支持，第一作者及通讯作者为北京师范大学认知神经科学与学习国家重点实验室与北京脑科学与类脑研究中心双聘研究员柳昀哲博士。本文受到了认知神经科学与学习国家重点实验室与伦敦大学学院共聘教授Raymond J. Dolan院士与牛津大学Timothy E. J. Behrens 院士的大力支持。
课题组详情请见：
北师大
https://brain.bnu.edu.cn/kytd/jsyjy/Ljs/18e25c12984e48eb966932924b9b76c7.htm
北京脑科学与类脑研究中心
https://www.cibr.ac.cn/science/team/detail/763
更多文章请见:
https://scholar.google.co.uk/citations?user=JTvHJzUAAAAJ
本文详情请见：
Liu, Y.*, Nour, M., Schuck, N., Behrens, T. E., Dolan, R. J. (2022) Decoding cognition from spontaneous neural activity. Nature Reviews Neuroscience
https://doi.org/10.1038/s41583-022-00570-z 第一及通讯作者
课题组前期积累 （*通讯作者， #并列第一）：
1. Liu, Y.*, Mattar, M., Behrens, T. E., Daw, N., Dolan, R.J. (2021) Experience replay is associated with efficient nonlocal learning. Science, 372(6544).
2. Nour, M. #, Liu, Y. #, Arumuham, A., Kurth-Nelson, Z., Dolan, R. (2021) Impaired neural replay of inferred relational structure in schizophrenia. Cell，184(16), 4315-4328.e17
3. Liu, Y.*, Dolan, R. J., Kurth-Nelson, Z., Behrens, T. E. (2019) Human replay spontaneously reorganises experience. Cell, 178(3), 640-652.
4. Liu, Y., Lin, W., Li, W., Wang, X., Pan, X., Yan, X., Rutledge, R. Ma, Y. (2019) Oxytocin modulates social value representations in the amygdala. Nature Neuroscience, 22(4), 633.
5. Higgins, C. #, Liu, Y.#, Vidaurre, D, Kurth-Nelson, Z., Dolan, R. J., Behrens, T. E., Woolrich, M (2021) Replay bursts coincide with activation of the default mode and parietal alpha network. Neuron, 109(5), 882-893.
6. Wimmer, G. E. #, Liu, Y. #, Vehar, N., Behrens, T. E., Dolan, R. J. (2020) Episodic memory retrieval success is associated with rapid replay of episode content. Nature Neuroscience, 1-9.
7. Liu, Y.*, Dolan, R. J., Higgins, C., Penagos, H., Woolrich, M., Ólafsdóttir, H. F., Barry, C., Kurth-Nelson, Z., Behrens, T. E. (2021) Temporally delayed linear modelling (TDLM) measures replay in both animals and humans. eLife, 10: e66917.
8. Wise, T. #, Liu, Y. #, Chowdhury, F., & Dolan, R. J. (2021). Model-based aversive learning in humans is supported by preferential task state reactivation. Science Advances, eabf9616.
9. Liu, Y., Lin, W., Liu, C., Wu, J., Luo, Y., Bayley, P., Qin, S. (2016) Memory consolidation reconfigures neural pathways involved in the suppression of emotional memories. Nature Communications, 7, 13375.
未来智能实验室的主要工作包括：建立AI智能系统智商评测体系，开展世界人工智能智商评测；开展互联网（城市）大脑研究计划，构建互联网（城市）大脑技术和企业图谱，为提升企业，行业与城市的智能水平服务。每日推荐范围未来科技发展趋势的学习型文章。目前线上平台已收藏上千篇精华前沿科技文章和报告。
如果您对实验室的研究感兴趣，欢迎加入未来智能实验室线上平台。扫描以下二维码或点击本文左下角“阅读原文”
