海马-默认模式网络整合在神经事件边界影响跨边界BOLD表征与记忆回溯中的作用机制

本研究针对自然情境下人类如何通过神经事件边界分割连续经验并形成记忆的核心问题，通过分析Sherlock fMRI数据集，揭示了海马(HPC)与默认模式网络(DMN)在事件边界处的功能整合机制。研究发现，下顶叶(IPL)在高度网络整合(高PC值)或与前颞上回(aSTG)/腹外侧前额叶(vlPFC)对齐时，跨边界BOLD模式差异性与记忆成功显著相关；而内嗅皮层(EC)在低PC值或与海马旁回(PHC)对齐时，通过构建事件网络促进记忆回溯。该成果发表于《NeuroImage》，为理解自然认知中的记忆编码提供了新视角。

　　

在观看电影或聆听故事时，人脑会自发将连续经验分割为离散事件，这种分割过程对记忆形成至关重要。事件边界处显著的神经活动变化，尤其是海马(HPC)和默认模式网络(DMN)的协同作用，被认为是记忆编码的关键节点。然而，HPC-DMN系统如何通过跨区域整合与边界对齐来调节记忆过程，仍是未解之谜。

针对这一科学问题，研究人员利用公开的Sherlock fMRI数据集（包含17名受试者观看《神探夏洛克》的脑成像数据），通过隐马尔可夫模型(HMM)识别14个HPC-DMN区域的神经事件边界，结合参与系数(PC)量化网络整合程度，并分析跨边界BOLD模式差异性与事件记忆的关系。研究发现：1）下顶叶(IPL)在高度网络整合或与aSTG/vlPFC对齐时，跨边界BOLD模式差异性与成功记忆显著相关；2）内嗅皮层(EC)在低PC值或与PHC对齐时，通过构建事件网络促进记忆回溯。该成果发表于《NeuroImage》，揭示了神经事件边界在自然认知中的动态整合机制。

关键技术包括：1）基于HMM的神经事件边界检测（设定K=54个事件）；2）参与系数(PC)计算（14-TR时间窗）；3）跨边界BOLD模式差异性分析（4-TR时间窗）；4）事件网络拓扑分析（基于54×54模式相关性矩阵）。

神经事件边界在HPC-DMN区域间对齐
通过HMM分析发现，后部DMN区域（如PCun/PCC和IPL）的边界与人类标注事件高度匹配，且大多数HPC-DMN区域间存在显著边界对齐现象。例如，海马(HPC)与压后皮层(RSC)的边界对齐时，高PC事件表现出更强的BOLD模式差异性。

事件记忆与边界处BOLD模式变化相关
IPL区域在高PC事件边界处，成功回忆事件比遗忘事件表现出更大的BOLD模式差异性（均值1.091 vs 0.916）。当IPL与aSTG或vlPFC边界对齐时，这种记忆相关差异更为显著，表明前额-顶叶协同对事件分割的记忆编码具有调控作用。

事件网络拓扑影响记忆表现
内嗅皮层(EC)在低PC事件中，事件强度与回忆率呈正相关（r=0.45），尤其在EC与PHC边界对齐时更显著（r=0.47）。这表明EC可能通过构建事件间关联网络促进记忆，且该功能在EC与DMN其他区域功能分离时更为突出。

这项研究首次系统阐释了HPC-DMN系统通过双重机制——网络整合（PC）与边界对齐——调控事件记忆的神经基础。IPL作为"语义网络"枢纽，其高整合状态下的边界表征增强可能促进事件分离；而EC在低整合状态下构建的事件网络则支持跨事件关联。这些发现为理解阿尔茨海默病等记忆障碍的神经机制提供了新思路，即特定脑区在事件边界处的功能失调可能导致记忆碎片化。研究采用的自然范式与计算方法，也为未来探索真实场景下的认知神经机制建立了方法论框架。