编辑推荐：
本文利用多变量模式分析（MVPA），通过让参与者在清醒和睡眠时听随机及可预测的音调，记录脑电图（EEG）和脑磁图（MEG）。研究发现睡眠时大脑能保留部分预测相关信号，如刺激前激活和预测违反，但高阶预测信号减弱，为理解睡眠中的认知加工提供新视角。
### 研究背景
大脑具有从感官输入中提取统计规律并预测未来感官事件的能力，这一过程通常是自动的，无需太多意识努力。在睡眠这种认知资源减少的状态下，这种预测能力的维持程度一直是研究的热点。以往研究表明，睡眠中大脑对预测相关的反馈处理存在破坏，但仍有一些预测形式持续存在，不过具体情况尚不明晰。本研究旨在深入探究睡眠中大脑对预测相关信号的处理机制。
研究方法
- 实验对象：招募 37 名健康参与者，排除 3 名因技术问题数据无效者，最终 34 名参与者纳入研究，其中多数为男性，平均年龄 27.4 岁。参与者无精神或神经疾病及睡眠问题，且能在仰卧位快速入睡并保持睡眠。
- 实验设计：调整已有实验设计，参与者佩戴脑电图帽和头位指示线圈后，置于屏蔽的脑磁图房间。确定听力阈值并调整舒适音量后，让参与者听由 4 种不同频率纯音组成的序列，以 3Hz 的恒定速率呈现，每个音持续 100ms。在清醒状态下，参与者听 4 个音序列块，每个块含 1000 个刺激，块内音的总体呈现次数相同，但通过操纵过渡概率创建随机和可预测序列。随机序列中每个音出现概率相等（25%），无法预测下一个音；可预测序列中，一个音后接更高音的概率为 75%。为防止清醒时入睡，参与者佩戴特殊眼镜观看无声无语言场景的电影，并在块间检查状态提醒剩余块数。清醒听完 4 个块后，灯光调暗，参与者摘下眼镜小睡，期间音序列继续播放。为增加入睡概率，参与者测试前一晚少睡 2 小时。睡眠时音序列顺序伪随机化，避免连续出现两个相同块。实验结束后询问部分参与者是否注意到两种音序列，仅 3 人肯定回答。
- 信号采集：使用 MEGIN Triux 系统记录全脑磁信号，采样率 1000Hz，硬件滤波器 0.1 - 330Hz，通过 102 个磁力计和 204 个正交平面梯度计在 102 个位置采集信号。同时使用 16 个单通道 EEG 电极、左右水平眼电图（EOG）通道、两个下巴肌电图（EMG）通道和一个心电图（ECG）通道记录多导睡眠图数据，确保通道阻抗低于 5kOhm。
- 数据预处理：应用信号空间分离算法去除外部噪声并重新对齐数据，对连续数据进行 0.1Hz 高通滤波。通过半自动独立成分分析（ICA）去除眼动和心跳伪迹，手动识别并排除含跳跃伪迹的试验。定义 2 秒试验，包含 1 秒刺激前和 1 秒刺激后间隔。仅使用磁力计数据，EEG 数据用于睡眠分期。最后将数据重采样至 250Hz。
- 睡眠分期：按照美国睡眠医学协会（AASM）指南预处理多导睡眠图数据，EEG 和 EOG 数据经 40Hz 低通和 0.1Hz 高通滤波，EMG 数据经 10 - 100Hz 带通滤波。使用基于 Somnolyzer 算法的 Alice Sleepware G3 软件进行自动睡眠分期，该软件已通过专家验证。
- 数据分析方法：采用多变量模式分析（MVPA），使用 MVPA - Light 工具包在 Matlab 中进行。对预处理数据用 30Hz 抗混叠低通滤波，使用多类线性判别分析（LDA）分类器在单试验传感器水平数据上区分 4 种音，机会水平为 25%。通过 5 折交叉验证评估模型性能，重复 5 次以减少方差。使用跨时间解码和时间泛化解码分析不同方面的预测相关信号，并通过非参数聚类置换检验和方差分析（ANOVA）等进行统计分析。
研究结果
- N1 和 N2 睡眠中低水平刺激特征的处理持续存在：通过跨时间解码发现，在刺激呈现后，清醒、N1 和 N2 睡眠状态下均有显著高于机会水平（>25%）的解码准确率。清醒时在 40 - 370ms 和 420 - 510ms 出现显著聚类，N1 睡眠中有 3 个显著聚类，N2 睡眠中有 4 个显著聚类。这表明即使是细微的音调变化，在清醒和睡眠中都能反映在独特的神经激活中。但与清醒相比，N1 和 N2 睡眠中的解码准确率显著降低，说明特征特异性神经激活变弱。通过计算最大分类准确率发现，清醒状态下最高，N1 睡眠次之，N2 睡眠最低。
- 睡眠改变听觉神经激活的时间动态：时间泛化解码显示，所有状态下刺激呈现后均有显著聚类，但特征特异性信号在清醒时随时间的泛化性最强，N1 和 N2 睡眠中较弱，且 N1 和 N2 睡眠之间无显著差异。这表明睡眠中频率特异性神经激活的时间泛化性较差。通过跨状态解码发现，在不同状态间训练和测试分类器，能成功解码音的特征，说明清醒和睡眠状态下特征特异性神经激活存在相似性。
- 睡眠中高阶预测相关信号减弱：研究假设在可预测音序列中存在反映大脑预激活预期刺激特征的 “自下而上模式” 和携带音之间统计关联或转换规则的 “自上而下模式”。对比随机和可预测音重复时的自下而上激活模式，发现可预测音序列在目标音出现前解码准确率显著更高，且在清醒、N1 和 N2 睡眠中均如此，说明预期刺激的自下而上模式在睡眠中也能保留。而寻找携带音频率转换规则信息的自上而下预期模式时，发现清醒时可预测条件下存在更强的预测性自上而下模式，但在 N1 和 N2 睡眠的刺激前间隔未观察到。不过，在可预测音序列中，重复音相对更令人惊讶，会在刺激后产生强烈的预测相关效应，睡眠中也存在这种效应，可能反映预测违反激活了频率特异性表征规则。
研究讨论
本研究揭示了睡眠中预测相关信号的复杂情况。部分预测相关模式，如自下而上的特征特异性预激活和基本的预测违反得以保留，但与学习到的刺激间转换规则相关的自上而下模式仅在清醒时存在。睡眠中音调的特征特异性听觉表征较弱且时间泛化性差，可能阻碍对潜在关联的追踪和提取。本研究结果扩展了对睡眠中特征特异性预测的理解，证明了多变量模式分析（MVPA）在研究睡眠等无反应状态下人类认知的有效性。睡眠时大脑并非与环境完全隔绝，能处理传入的感官输入，本研究表明即使是无复杂认知属性、无需明确注意力分配的细微听觉刺激变化，在睡眠中也能被区分。睡眠中可解码信息超出简单感官编码，但分类性能下降，可能是因为特征特异性信息减少，这与动物研究中视觉丘脑皮质中继神经元信息传递比从清醒到深度睡眠逐渐降低的结果相符，也解释了神经激活时间泛化性差的原因。以往研究主要通过事件相关反应或连续听觉刺激和频率标记研究睡眠中的预测，本研究明确寻找特征特异性预激活的预测相关证据，观察到从清醒到睡眠过程中预测性预期处理的变化。结果表明并非所有预测在睡眠中都减弱，部分基本预测处理得以保留，但高阶自上而下调制未被证实，这与其他动物和人类皮质研究结果一致。然而，难以确定睡眠中预测过程的破坏是源于潜在感知或预测计算的根本变化，还是睡眠相关的脑电生理改变。未来研究可探讨广泛接触可预测音序列和明确编码音序列结构后睡眠中预测的情况，以及比较白天和夜间睡眠时刺激特征处理和预测处理的个体内变化。虽然本研究仅涉及白天睡眠的 N1 和 N2 阶段，但为后续研究提供了重要参考。
