颅内脑电记录揭示随机听觉流中隐含结构编码的神经机制

为解决大脑如何无意识地处理随机听觉序列中隐含的统计结构这一科学问题，Julian Fuhrer等研究人员利用颅内脑电图(iEEG)技术，通过信息论方法分析了高频活动(HFA)对过渡概率(TPs)的动态编码。研究发现，包括海马、额叶和颞叶在内的分布式神经网络能够自动编码随机刺激中的时间结构，为统计学习和预测编码理论提供了直接神经证据。这项发表于《Scientific Reports》的研究揭示了大脑在无注意状态下处理复杂环境信息的核心机制。

　　

在嘈杂多变的环境中，人类大脑能够高效提取感官输入中的规律性特征，这种能力被认为依赖于对环境中统计结构的内部建模。然而，这种隐式统计学习的神经机制，尤其是对随机序列中动态过渡概率(Transitional Probabilities, TPs)的编码过程，仍存在重大知识缺口。传统神经影像技术因时空分辨率限制，难以捕捉快速变化的神经活动特征，而现有研究多集中于有规律或注意参与的范式，对完全随机序列的处理机制知之甚少。

来自挪威奥斯陆大学RITMO中心的Julian Fuhrer团队在《Scientific Reports》发表的研究，通过颅内脑电图(iEEG)技术揭示了这一过程。研究人员利用22名耐药性癫痫患者的临床监测数据，在被动听觉oddball范式中记录高频活动(High-Frequency Activity, HFA, 75-145 Hz)——该频段被认为与神经元群体放电密切相关。通过创新的信息论方法，团队首次证明大脑能自动编码随机听觉流中动态变化的TPs，且该过程涉及跨模态的广泛神经网络。

关键技术包括：1) 采用多维度听觉oddball范式(Optimum-1)呈现随机序列；2) 基于癫痫患者临床iEEG记录获取高时空分辨率数据；3) 运用算法信息理论计算编码信息量；4) 建立理想观察者模型动态估计TPs；5) 结合人类连接组计划(HCP)的T1w/T2w图谱分析解剖层次关系。

iEEG非注意听觉任务设计
研究采用包含5类偏差声的多特征oddball序列，通过严格控制偏差声出现概率(P=0.1/类)和顺序随机性，构建具有动态TPs的随机序列。被试在被动阅读时接受刺激，确保注意力不集中于听觉输入。

编码信息在听皮层的层级分布
通过标准化压缩距离(NCD)量化偏差声与标准声响应间的信息差异，发现初级和次级听觉皮层(颞上平面、岛叶后部)表现出最高编码信息量，验证了该方法与传统异常检测研究的一致性。解剖层次分析显示，编码信息量与皮层层级呈显著负相关，证实了感觉处理的层级组织原则。

神经群体活动对过渡概率的敏感性
核心发现是61.53%的电极通道表现出显著的TP敏感性：当偏差声转换概率(TP)降低时，HFA编码信息增加，反之亦然。这种效应广泛分布于海马、额下回、颞叶等非听觉区域，其中海马和额下回敏感性最强。这表明大脑通过分布式网络持续监控环境中的统计规律，即使对于无行为相关性的随机序列。

讨论与意义
该研究为预测编码理论提供了直接证据：低TP事件引发更高的编码信息(预测误差)，驱动内部模型更新；而高TP事件对应更小的预测误差。特别值得注意的是海马的核心作用——其对TPs的高敏感性与其作为"超模态快速学习者"的功能定位一致，可能通过编码事件间的概率关系(而非具体声学特征)支持统计学习。

研究突破体现在三方面：1) 首次在完全随机序列中证明TP编码的神经基础；2) 揭示该过程无需注意参与，具有自动性；3) 明确了海马在隐性统计学习中的关键地位。这些发现为理解语言习得、环境适应等认知功能提供了新视角，也为开发基于神经编码的机器学习算法带来启示。

技术层面，研究创新性地将算法信息理论应用于神经信号分析，通过NCD量化复杂神经表征，克服了传统幅度测量的局限。临床方面，虽然样本来自癫痫患者，但电极覆盖区域与健康人群无异，为人类高级认知研究提供了独特窗口。未来研究可拓展至主动学习范式，或结合低频振荡探讨预测信号的传递机制。