《Current Opinion in Neurobiology》：Hippocampal and cortical contributions to statistical learning
编辑推荐：
统计学习研究整合皮层振荡与海马体表征，揭示海马体通过时间变异性泛化与皮层交互支持统计学习。
Irene Zhou|Nicholas B. Turk-Browne
耶鲁大学心理学系与吴泽学院，100 College Street，New Haven，06510，CT，美国
人类大脑擅长从环境中提取规律性信息，使我们能够适应性地行动并做出预测。近年来，关于这种统计学习的神经基础的研究因所研究的脑机制以及规律性的时间和模式不同而有所分歧。一部分文献关注皮层区域中神经振荡与快速听觉序列的同步现象；另一部分文献则研究海马体中神经表征对较慢视觉序列的相似性变化。通过整合这些研究，我们发现了海马体在处理时间变异性方面的潜在作用，并探讨了海马体-皮层相互作用如何支持统计学习。
引言
生活中充满了丰富、复杂且新颖的体验，这些体验都基于环境的结构。通过统计学习（SL）来获取这种结构基础，有助于我们理解和记忆这些体验，并在未来更有效地与世界互动。在这里，我们重点关注自动且通常是隐性的环境规律性提取过程，特别是时间尺度上（从几分钟到几小时）的重复模式——这种SL能力贯穿我们的整个生命周期。
时间规律性可以有多种形式。特定的体验可能以某种特定顺序频繁出现（例如，构成单词的短音节序列），从而产生将项目分组为离散序列单元的简单规律性[1]（图1a）。学习这些简单规律性依赖于对转换概率（TPs）的敏感性——即在给定先前刺激的情况下出现新刺激的概率，在单元内部比在单元之间更高——以及将连续体验分割成有意义片段的能力[2]。更复杂的规律性可以扩展或独立于这些机制。例如，同时发生的体验可能会被无关项目打断，从而产生非相邻的依赖关系和更长时间范围的关系[3]（图1b）。或者，在图结构中的随机游走可以生成缺乏明显分割点的体验序列，但仍保留有信息的转换概率[4]（图1c）。图还可以生成具有层次结构的序列，在这种情况下，转换概率可能没有信息价值，但仍然可以在相互连接的状态社区边界处对体验进行分割[5]（图1d）。
最近，基于不同的神经机制理论，对简单规律性的统计学习进行了两条不同的研究方向。在一个方向中，刺激被快速呈现，通过头皮脑电图（EEG）或脑磁图（MEG）测量神经同步性来评估SL；而在另一个方向中，刺激被缓慢和/或异步呈现，通过功能性磁共振成像（fMRI）测量神经反应的幅度和空间模式，通常关注海马体。下面，我们将这两类研究联系起来，并指出未来研究的潜在统一方向。
研究片段
统计学习的神经测量
多个脑区与统计学习有关。下额回（IFG）在多种认知功能中起通用作用[6]，它参与跨模态的统计学习，对结构化的音节序列[7]、音调[8]和形状[9]表现出增强的激活。上颞回（STG）对语音和特征高度敏感[10,11]，通常与听觉统计学习相关，尤其是语言结构方面[7]。海马体……
弥合同步与表征之间的差距
在线同步研究和离线整合研究之间存在许多差异：神经成像技术、刺激的速度和节奏性、刺激类型以及解剖学基础（图2）。通常，使用EEG/MEG的研究探索快速且连续形式的在线同步效应，而使用fMRI的研究则关注缓慢且通常具有时间变异性学习的离线整合结果。同步效应主要发生在皮层区域……
结论
我们发现了两条关注不同脑区、时间尺度和感觉模态的统计学习研究线索，并探讨了现有的和未来的证据，以弥合这些分歧。在此过程中，我们还揭示了一些未充分研究的领域，包括阐明海马体在统计学习中的作用及其与皮层机制的相互作用（另见框1）。我们认为，在较慢且时间变化较大的序列中，海马体可能是统计学习所必需的。
利益冲突声明
作者声明他们没有已知的可能会影响本文所述工作的财务利益或个人关系。
致谢
我们感谢Elizabeth Goldfarb和Kia Nobre提供的有益意见。N.B.T.-B.得到了加拿大高级研究院的支持。
