多层漂移扩散广播模型：将时间证据转换为峰值间隔程序中的反应时序

《Journal of the Experimental Analysis of Behavior》：A multilayer drift-diffusion broadcast model: Converting temporal evidence into response timing

　　

峰值间隔（peak interval, PI）程序要求受试者学习将预期反应聚集在指向生物学关键结果的延迟周围，为间隔计时模型提供基准。这些基准包括：(a) 双稳态反应机制，其特征是在单个试次中靶时间附近反应率的突然增加（起始时间，start times）和下降（停止时间，stop times）；(b) 在相对时间尺度上重叠的钟形平均反应曲线；(c) 停止时间的变异系数（coefficient of variation, CV）低于起始时间；(d) 这些参数、其均值与差值之间的特定相关模式。本文提出一种多层计算模型，可预测峰值间隔程序中计时行为的这些关键标志。第一层构成时钟阶段，由接近单一边界的非耦合扩散过程组成。每个扩散过程首次跨过阈值均被广播至下游运动层。运动层以按漂移率（drift rate）缩放的泄漏项整合广播信号，以避免运动系统活动的饱和与重置。该模型被扩展以解释实时时间辨别（real-time temporal discrimination）。该模型家族偏离单时钟（single-clock）建模方法，并满足计时行为的核心经验基准。

本文关注峰值间隔程序（peak interval procedure, PI）中间隔计时（interval timing）的计算建模。PI程序通过固定间隔或固定时间安排使动物学会在预测刺激后、奖赏可得时间附近启动预期反应，并在奖赏省略后停止反应，形成单试次中的“中断—运行—中断”（break-run-break）模式。研究领域以起始时间、停止时间、平均反应曲线、变异系数（coefficient of variation, CV）及相关模式作为经验基准。已有模型包括标量计时理论（scalar timing theory, SET）、行为计时理论（behavioral theory of timing, BET）、学习计时模型（learning to time, LeT）、纹状体节拍频率模型（striatal beat-frequency model）以及时间自适应对立泊松漂移扩散模型（time-adaptive opponent-Poisson drift-diffusion model, TopDDM）等。问题在于：单时钟或双阈值方案难以同时保持TopDDM的高阈值噪声过滤原则并生成单试次break-run-break模式；部分模型存在机制缺口或额外复杂性。因此，研究人员提出多层漂移扩散广播模型（multi-layer drift-diffusion broadcast model, ML-TopDDM；文中亦称ML-DDM），试图在不违背TopDDM计算原则的前提下，将多个独立时钟的时间证据转化为下游运动反应时序。其意义在于为PI程序的核心经验基准提供多时钟、层级化的机制解释，并将时间累积与运动执行联系起来。

关键技术方法概述（不超过250字）：论文为理论建模研究，无样本队列来源，未收集新数据，主要采用MATLAB数值模拟。模型第一层为TopDDM时钟层，多个非耦合扩散过程并行运行并广播阈值首次跨过事件；第二层为带泄漏的运动积分器，泄漏率λ与漂移率A成比例缩放，以阈值θ决定反应。模拟初始设置20个独立TopDDM计时器，测试不同漂移率、扩散缩放、时钟数、泄漏权重和响应阈值，并进行500次运行；随后构建 logistic 概率响应扩展和带相互抑制的切换时间任务版本，比较模拟输出与文献经验基准。

结果部分前置的平均反应曲线与相关模式显示：模拟得到的平均反应曲线随目标间隔增大而变宽，并在相对时间尺度上近似重叠，支持标量特性（scalar property）。单试次反应呈现break-run-break模式；起始—停止呈显著正相关，起始—扩散呈显著负相关，中时—扩散仅在某些间隔呈显著负相关；停止时间CV低于起始时间CV，且起止时间CV跨时程近恒定。以更高扩散缩放（更噪声时钟）重复模拟后，相关模式与CV关系总体一致。小标题“结果对其他参数值与观察的泛化性”表明：研究人员测试不同参数值后发现，非耦合TopDDM过程数在较宽范围内不实质影响核心结果，但响应阈值需与过程数反向匹配；过程数过低时活动达不到反应阈值，过高时活动长期高于阈值导致持续反应。小标题“模型的概率扩展”表明：将运动层活动Y(t)通过logistic函数映射为瞬时反应概率，使运动阈值成为概率曲线拐点而非刚性开关；该扩展更支持文献报道的相关模式，包括中时—扩散正相关或不显著相关，并保持起始时间CV高于停止时间及标量特性。小标题“模型对切换时间任务的适应”表明：在切换时间任务中并行运行两套TopDDM过程，分别计时两个选项，并在两个运动单元间引入相互抑制；模拟切换时间分布与经验数据相近，切换时间CV在不同时长配对下近恒定，支持标量变异性。

讨论部分总结：ML-TopDDM不同于早期TopDDM实现，第一层保留单一最大化阈值以优化时间精度，但采用多个非耦合漂移扩散过程并行广播；第二层泄漏积分器作为时间衰减的加权记忆，泄漏率随漂移率缩放以维持信噪比和跨时程不变性。模型与漏整合阈值模型（leaky integrating threshold, LIT）一样将感觉决策变量与运动执行系统分离，但具体架构不同。概率响应版本优于确定性开关版本，主要因其更好解释中时—扩散相关模式，并与包理论及反应束框架一致。模型扩展至切换任务后，相互抑制减少冲突行为共触发。讨论还指出可通过调整第一层动力学解释反应复现现象，并可将学习规则用于漂移率参数化；未来可扩展至时间泛化及奖励幅度和概率影响。研究结论可译为：通过将多个并行跟踪通道与随后的泄漏汇聚阶段相结合，ML-DDM将经典多时钟框架和基底节实现与当代累积器理论连接起来；该类模型为将感知/时间证据与PI程序中的选择和计时行为联系起来提供了新方法，并赋予前运动系统在决策和间隔计时中更完整的角色。