脑电振荡中视听信息的分离编码:基于条件互信息的无节奏多感觉整合研究

《Journal of Neuroscience Methods》:Segregated encoding of auditory and visual information in EEG oscillations

【字体: 大 中 小 】 时间:2026年04月25日 来源:Journal of Neuroscience Methods 2.3

编辑推荐:

  本研究针对无节奏视听刺激下模态特异性神经编码的量化难题,利用条件互信息(CMI)分析猫头皮脑电(EEG),揭示了δ/低γ振荡偏好视觉、α/高γ振荡偏好听觉的分离编码规律,为多感觉整合机制提供了新的理论工具。

  
论文解读

研究背景:大脑如何从“混杂”的视听信号中“各取所需”?

在日常生活中,我们的大脑无时无刻不在处理着如潮水般涌来的多感官信息。当你观看一部电影时,视觉画面(演员的口型)和听觉信号(台词)必须被精准地整合,你才能理解剧情;但与此同时,大脑又必须有能力将来自不同感官的信息“拆解”开来,例如在嘈杂的派对上,你需要忽略视觉干扰,专注于听清某一个人的声音。这种“整合”与“分离”并行的能力,是多感觉处理的核心奥秘。
然而,现有的神经科学研究大多聚焦于节奏性(Rhythmic)的视听刺激(如规律闪烁的光和节拍声),发现大脑主要利用低频振荡(如δ和θ波段)来协调跨模态信息的整合。但在真实世界中,大量的感官输入是无节奏(Arrhythmic)或随机出现的——比如突如其来的敲门声和闪电。在这种非结构化的刺激下,大脑是否依然能够通过特定的神经振荡频率,分别“锁住”听觉和视觉信息?这个问题长期以来缺乏有效的量化工具。
传统的脑电(EEG)分析指标(如事件相关电位ERP或简单的互信息MI)难以精确剥离出在多感觉(Audiovisual, AV)条件下,哪些神经活动是专门贡献给“听”,哪些是专门贡献给“看”的。这正是本研究团队旨在攻克的难题:开发一种基于信息论的新方法,在时间尺度上“分离”出视听信息在神经振荡中的独立编码签名。

关键技术方法

本研究以14只轻度麻醉的成年猫为模型,记录了其在接受独立Poisson过程生成的随机点击声(听觉A)和闪光(视觉V)刺激时的头皮EEG。研究核心在于引入了条件互信息(Conditional Mutual Information, CMI)作为量化工具,通过三折交叉验证(将数据分为三个无重叠的分区)评估不同频率振荡(δ: 0.5–4 Hz 至 γ3: 90–120 Hz)在解释AV响应一致性时的贡献。该方法不假设响应线性,能同时利用相位和幅值信息,并通过时间反转(Time-reverse)操作验证编码特异性。

研究结果

1. 方法验证:CMI能够捕捉模态特异性神经签名

研究人员首先建立了CMI的分析框架:如果某个条件变量(如单纯的听觉响应RespA)包含了足以解释AV响应(RespAV)的信息,那么用它作为条件时,RespAV之间的剩余互信息(即CMI值)会显著降低。反之,如果将该条件变量的时间序列反转(破坏其时间结构),CMI值会升高。结果证实,使用原始的AV、A或V响应作为条件时,CMI值显著低于使用时间反转版本,证明了EEG信号中确实编码了与刺激时间结构相关的模态特异性信息。

2. 频率特异性编码:视听信息在频谱上的“分水岭”

通过对9个频段的分析,研究发现了清晰的频率-模态分离现象:
  • •
    视觉主导频段:Delta (δ, 0.5–4 Hz) 和 低Gamma (γ1, 30–55 Hz) 振荡表现出强烈的视觉偏好。它们的CMI值在视觉条件(V)下最低,且时间反转效应最显著,表明这些频段主要“忠诚”于编码视觉刺激的时间动态。
  • •
    听觉主导频段:Alpha (α, 8–12 Hz)、中Gamma (γ2, 65–90 Hz) 和 高Gamma (γ3, 90–120 Hz) 振荡则表现出听觉偏好。它们对听觉刺激(A)的响应最具解释力,揭示了听觉信息在高频振荡中的独特编码机制。
  • •
    双模态频段:Theta (θ, 4–8 Hz) 和 Beta (β1–β3, 12–30 Hz) 振荡对A和V刺激均表现出编码能力,可能是跨模态整合的潜在载体。

结论与意义

这项发表在Journal of Neuroscience Methods上的研究,不仅证实了在无节奏、宽带视听刺激下,大脑依然能够通过不同的振荡频率(δ/低γ for Vision, α/高γ for Audition)实现信息的分离编码(Segregated Encoding),更重要的是,它引入了条件互信息(CMI)这一强大的非线性工具来量化这一过程。
理论意义:它挑战了“低频振荡主导一切”的传统观点,揭示了高频γ振荡在听觉处理中的特异性作用,为理解多感觉分离的神经机制提供了新的频谱视角。
方法论意义:CMI分析框架为神经科学提供了一种不依赖线性假设、能同时利用相位和幅值信息的新颖分析流程,特别适用于处理非高斯分布、非稳态的生物医学信号。
潜在应用:该研究为临床神经精神疾病(如自闭症谱系障碍、精神分裂症)中常见的多感觉整合异常提供了可能的生物标志物(如特定频段的CMI异常),未来或可通过调控特定的神经振荡来改善患者的感知功能。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号