风险决策中神经动态编码的分离选择子空间揭示证据积累的神经网络表征

本研究通过颅内脑电图(iEEG)记录癫痫患者执行经济风险决策任务时的神经活动，结合线性动态系统(LDS)建模和主成分分析(PCA)，首次揭示了人类风险决策过程中神经动态向不同选择子空间收敛的机制。研究发现高风险决策时神经活动会随决策时间临近逐渐分离至与选择对应的子空间，且该现象仅存在于风险情境(30–200?Hz高频活动)，为理解分布式神经网络如何编码证据积累提供了新视角。

　　

在复杂多变的环境中，人类如何做出风险决策一直是神经科学的核心问题。传统观点认为决策是前额叶等单一脑区的功能，但近年动物实验表明这实际涉及多脑区协同的分布式计算。然而，由于技术限制，人类风险决策中跨脑区的神经动态机制仍不清楚——非侵入性脑电图(EEG)信号混杂，功能磁共振成像(fMRI)时间分辨率不足，而动物模型又难以完全模拟人类复杂决策行为。这一认知空白严重制约了我们对赌博成瘾等决策障碍疾病机制的理解。

为此，美国加州大学旧金山分校等机构的研究团队创新性地利用癫痫患者术中的颅内电极记录优势，结合计算建模方法，在《Progress in Neurobiology》发表了突破性成果。研究招募34例药物难治性癫痫患者（最终纳入20例行为数据合格者），在其临床监测期间执行风险决策任务：每次选择确定的小额奖励或概率变化的赌博选项（赢概率0%-100%）。通过采集覆盖前额叶、岛叶、杏仁核等区域的局部场电位(LFP)，研究团队首次捕捉到人类决策过程中毫秒级精度的全脑网络活动。

关键技术包括：1）利用临床癫痫患者的立体定向脑电图(sEEG)和皮层脑电图(ECoG)实现高时空精度记录；2）采用线性动态系统(LDS)和主成分分析(PCA)对30–200?Hz高频活动进行降维建模；3）通过单试次神经轨迹分析揭示选择相关的动态过程。

结果部分显示：

1. 神经动态的维度特征：PCA分析发现7个主成分即可解释过半神经信号变异，支持决策信息主要通过低维空间编码的假说。
2. 风险特异性编码：仅在存在风险的决策中（赢概率非0%或100%），神经活动会随决策时间收敛至与"赌博"或"安全"选择对应的子空间，且子空间重叠度随时间降低达47.3%。
3. 跨频率比较：高频活动(30–200?Hz)的选择解码准确率显著高于低频段(p<0.001)，提示γ波段可能承载关键决策信息。

讨论指出，该研究首次证实人类风险决策存在"神经分离"现象：早期决策时神经活动在子空间间快速切换，临近选择时则稳定趋向特定子空间。这种动态模式与证据积累理论高度吻合，为理解分布式神经网络如何整合风险信息提供了新框架。临床方面，发现高频活动的主导作用为深部脑刺激(DBS)治疗决策障碍提供了新靶点。方法学上，通过结合iEEG与动态系统建模，建立了连接回归分析与潜状态模型的新范式。

该研究的局限在于样本均来自癫痫患者，且电极覆盖区域受临床需求限制。未来可通过结合fMRI与EEG在健康人群验证发现，并探索不同风险等级下的神经动态差异。这些发现不仅推进了决策神经机制的基础认知，也为开发基于神经解码的决策辅助设备奠定了理论基础。