《Frontiers in Neuroscience》：Covariance-based analysis of spindle-band EEG during declarative and non-declarative odor cueing in sleep
编辑推荐：
摘要引言：睡眠通过对学习过程中所激活的神经回路进行再激活而支持记忆巩固。靶向记忆再激活（TMR）中，在睡眠期间呈现与记忆相关的感觉线索，能够增强陈述性记忆保持。然而，支持气味线索再激活的神经特征仍未得到充分表征。材料与方法：研究人员分析了来自一项TMR范式的高
摘要引言：睡眠通过对学习过程中所激活的神经回路进行再激活而支持记忆巩固。靶向记忆再激活（TMR）中，在睡眠期间呈现与记忆相关的感觉线索，能够增强陈述性记忆保持。然而，支持气味线索再激活的神经特征仍未得到充分表征。材料与方法：研究人员分析了来自一项TMR范式的高密度脑电图（EEG）记录，该范式旨在区分睡眠期间与陈述性和非陈述性气味提示相关的神经反应。研究人员在快纺锤波（12.5–16 Hz）和慢纺锤波（9–12.5 Hz）频段、通道子集（全部、额叶、中央和后部）以及多个线索后时间窗（0–2、0–4 和 0–7 s）中考察EEG分段。研究人员采用基于黎曼几何（Riemannian geometry）的被试内机器学习，对由陈述性记忆相关气味（Odor D）与载体对照诱发的EEG分段，以及由与运动任务相关的非陈述性气味（Odor M）与载体诱发的EEG分段进行分类。结果：相对于基于置换（permutation）得到的机会水平，解码表现在线索条件、频段、时间窗和通道子集中呈现条件依赖性模式。总体而言，陈述性条件（Odor D）的解码倾向高于非陈述性条件（Odor M），其中最强效应见于中央通道。通道水平贡献分析进一步表明，Odor D 在中央区域表现出更具空间结构性的协方差模式，而 Odor M 的贡献则更加弥散且一致性较差。这些效应幅度较小，且在多重比较校正后未能保持显著。讨论：这些结果提示，睡眠期间的陈述性气味提示较非陈述性气味提示更可能与结构化的纺锤波段EEG模式相关，尤其体现在中央通道，尽管效应幅度有限，且未通过多重比较校正。关键发现是在不同条件之间中央通道贡献模式存在差异，这与记忆相关的神经调制相一致。研究结果同时凸显了基于协方差的解码方法在探查分布式睡眠EEG动力学方面的潜力，但仍需在更大样本中进一步验证。
该文发表于《Frontiers in Neuroscience》，围绕睡眠依赖性记忆巩固（sleep-dependent memory consolidation）中的靶向记忆再激活（targeted memory reactivation, TMR）展开。研究背景在于，新近获得的信息并不会在编码后自动稳定保存，而是需要在睡眠中，尤其是非快速眼动睡眠（non-rapid eye movement, NREM）阶段，通过神经回路的再激活与加强，逐步转化为长期记忆。既往研究表明，声音或气味等感觉线索若在清醒学习阶段与特定记忆内容建立联系，则在睡眠期再次呈现这些线索，可选择性促进相关记忆痕迹的再激活，并改善醒后回忆表现。相比听觉线索，嗅觉线索具有不易干扰睡眠、可更直接影响新皮层与海马相关通路等优势，但与气味提示相关的睡眠脑电反应仍缺乏充分刻画，尤其尚不清楚其神经特征究竟反映“真正的记忆再激活”，还是仅仅反映对任务相关气味本身的感觉反应。正是在这一问题意识下，研究人员设计本研究，以区分陈述性记忆相关气味提示与非陈述性任务相关气味提示在睡眠中诱发的EEG差异，进而识别更接近记忆再激活本质的神经标记。
目前存在的核心问题包括：第一，气味TMR研究数量少于声音TMR，结果在空间分布、频谱特征和时间进程上并不一致；第二，传统EEG分析往往依赖预先选定的振荡指标，可能遗漏分布式、多通道协同变化的关键信息；第三，样本量较小的睡眠EEG研究中，深度学习方法往往受限，而如何用更稳健的方法从有限数据中提取与记忆再激活有关的特征，仍是方法学难点。因此，本研究的重要性在于：通过引入基于协方差结构的黎曼几何（Riemannian geometry）分类框架，在被试内水平比较两类气味提示与载体对照之间的睡眠EEG模式，为理解睡眠中气味诱导的记忆再激活机制提供新的系统层面证据。
研究人员使用23名健康青年受试者的高密度EEG数据，开展两晚交叉平衡实验。每晚受试者先完成一个与可学习序列无关的手指敲击任务，并暴露于一种与运动任务配对的气味（Odor M）；随后完成卡片位置配对的陈述性记忆任务，并暴露于另一种与陈述性任务配对的气味（Odor D）。入睡后，在慢波睡眠（slow-wave sleep, SWS；对应NREM3）阶段，研究人员分别在不同夜晚呈现Odor D或Odor M，并与无味载体（vehicle sham）交替刺激。研究的关键结论是：与非陈述性气味提示相比，陈述性气味提示在纺锤波段（spindle-band）EEG中更倾向于产生可区分、结构化的协方差模式，尤其体现在中央通道和较长时间窗中；不过，这些效应总体较弱，且在多重比较校正后未达到统计学显著。这一结论的意义在于，它支持了陈述性TMR可能伴随更有组织的睡眠神经动力学调制，并说明基于协方差的EEG解码策略能够作为探测睡眠分布式神经活动的一种有前景工具。
方法上，研究主要采用以下关键技术。样本来源为23名19–25岁的健康青年，使用129导高密度EEG系统进行整夜记录。研究人员提取刺激起始前后-5 至 +15 s 的EEG片段，经滤波、伪迹剔除、坏导插值和乳突重参考后，聚焦NREM睡眠数据。随后将EEG划分为快纺锤波（12.5–16 Hz）与慢纺锤波（9–12.5 Hz）两个频段，并按全脑、额区、中央区和后部通道，以及0–2、0–4、0–7 s 三个刺激后时间窗构建输入配置。分类采用PyRiemann框架，将每个试次转化为空间协方差矩阵这一对称正定（SPD）表示，并用最小均值距离（minimum distance to mean, MDM）分类器进行被试内分类；通过5折交叉验证重复5次评估性能，并以1,000次置换检验估计机会水平。另行实施通道水平贡献分析，以解释哪些协方差特征及空间通道更支持气味与载体的区分。
在结果部分，论文首先报告“3.1 Decoding performance relative to permutation-based chance”。该部分通过将真实分类准确率与置换机会水平比较，考察是否存在高于随机的解码能力。结果显示，解码表现受纺锤波频段、实验夜晚、脑区和时间窗共同影响。整体上，Night D（Odor D vs. vehicle）表现出更明显的高于机会水平趋势，而Night M（Odor M vs. vehicle）则较弱或基本缺乏此类证据。在快纺锤波分析中，仅Night D的部分条件达到未经校正的显著性，包括全通道0–4 s、全通道0–7 s、中央区0–7 s；在慢纺锤波分析中，也只有Night D的全通道0–4 s与0–7 s达到未经校正的显著。虽然无任何结果经假发现率（false discovery rate, FDR）校正后仍显著，但总体模式表明：陈述性气味提示比非陈述性气味提示更容易在纺锤波段产生可被分类器识别的EEG协方差结构，且快纺锤波更偏向较长时间窗和中央区域，慢纺锤波则在某些较早时间窗和后部区域表现出相对趋势。
“3.2 Normalized decoding differences between D and M conditions”进一步直接比较两类条件的标准化解码差值，即真实准确率减去置换机会水平后的表现。结果表明，大多数配置下Night D的标准化解码高于Night M，但效应大小和稳定性依赖于脑区与时间窗。在快纺锤波中，最长时间窗0–7 s 的差异最突出，全通道、中央区和后部区域均呈现接近显著的趋势；在慢纺锤波中，差异较弱，主要见于0–2 s 的中央区与后部区域，且缺乏长时间窗的清晰模式。研究人员进一步指出，这种效应并非由少数离群受试者驱动，因为在快纺锤波0–7 s条件下，多数受试者均表现出Night D高于Night M的方向性差异。中央区0–7 s 的可视化结果还显示，Night D的观察准确率均值高于其置换空分布均值，而Night M未见类似偏移。由此可见，陈述性线索在较长时间范围内、尤其是中央通道上，可能引发更稳定的可分辨神经反应。
“3.3 Central-channel contribution for Odor D versus vehicle classification”聚焦中央通道对Odor D与载体分类的贡献拓扑。研究人员通过后验解释分析，将分类器输出重新映射到协方差边及通道，得到通道层面的带符号贡献图。结果显示，在快纺锤波频段，不同时间窗中呈现相对局部化的空间模式：后中央通道对Odor D分类表现出更多正向贡献，而前中央通道则更偏向载体条件的负向贡献。这提示陈述性气味提示并非引起无差别的整体反应，而是在中央区域形成更有组织的协方差结构。慢纺锤波中，早期时间窗在中央通道上呈现较广泛的正向贡献，负向贡献较弱且分散，说明其模式相对弥散，但仍保留一定与Odor D相关的稳定性。
“3.4 Central-channel contribution for Odor M versus vehicle classification”给出了Odor M与载体分类的对应结果。与Odor D不同，Odor M在快纺锤波频段的中央通道贡献更多表现为早期时间窗中与载体相关的负向模式，且随后在前中央区域更为明显；慢纺锤波中虽在0–2 s时间窗可见与Odor M相关的正向贡献，但在后续时间窗中呈现正负混合、空间局部化程度不高的模式。将这两部分结果综合起来，可以看出陈述性与非陈述性气味提示在中央通道上的协方差组织方式存在区别：前者更具结构性和时间稳定性，后者更弥散、变异更大。这也是全文最有代表性的神经生理学发现之一。
在讨论部分，作者首先强调，研究通过被试内、基于协方差的EEG解码，比较了睡眠期间陈述性与非陈述性气味提示的神经反应。尽管所有显著性都未能通过多重比较校正，但多项分析仍一致地显示Night D较Night M具有更高的解码趋势，尤其位于中央区、后部区域以及全通道分析中，说明陈述性记忆相关气味可能与更结构化的睡眠纺锤波动力学相关。作者认为，这与既往关于中心-顶叶快纺锤波参与海马-皮层通信及陈述性记忆巩固的认识相符，也提示后部皮层可能参与与空间记忆和感觉表征相关的再激活过程。
作者随后指出，本研究的一个关键点是中央通道贡献模式的条件分离。Odor D在快纺锤波中表现出后中央正向、前中央相对相反的组织化格局，而Odor M更偏向不稳定或与载体相近的分布。作者谨慎说明，这些通道贡献图分别来自不同分类模型，因此不宜将两种条件的图值做简单直接相减；更合理的比较基础仍是基于置换机会水平的标准化解码差值。换言之，贡献图的作用主要是描述各条件内部判别性协方差模式的空间分布，而非提供严格的跨条件统计对照。
讨论还强调了睡眠记忆再激活EEG研究的复杂性。纺锤波等睡眠事件本身在时间上稀疏，个体间与试次间变异较大，而且气味被感知的精确时点不易严格控制，因此真正的重放（replay）相关神经信号很难表现为高度锁时、重复一致的事件。这意味着研究更适合从系统层面比较不同条件下的总体神经动力学差异，而不是期待寻找单一、稳定、强效的事件相关标志。本研究所采用的协方差—黎曼几何解码策略，正是在这一思路下尝试捕捉分布式、多通道关系模式，从而超越单纯振幅指标的局限。作者认为，在更大样本或更受控设计中，这一框架可能成为研究睡眠记忆再激活的重要方法学工具。
关于局限性，论文明确指出：其一，记忆再激活的神经特征可能在潜伏期、频率和空间分布上均存在较大变异，且试次标签只能由实验条件间接推断，难以精确对应每一次真实重放事件；其二，尽管观察到条件依赖模式，但效应量较小，且均未通过多重比较校正，因此结论应理解为“温和但一致的趋势”；其三，通道贡献图仅是描述性表征，而非条件间直接统计对照；其四，本研究采用被试内分类，尚不能说明跨个体泛化能力；其五，群体层面的统计推断是基于每位受试者置换空分布均值的简化方案，而非完全置换式群体推断；其六，本文未报告行为学结果，因为相同实验范式的行为结果已在既往研究中呈现，且当时并未在所有受试者中稳定观察到TMR的行为获益。因此，本文重点放在神经可区分性，而非脑—行为关系。
研究结论部分可译为：这些结果提示，睡眠期间的陈述性气味提示较非陈述性气味提示更可能与结构化的纺锤波段EEG模式相关，尤其体现于中央通道，尽管效应幅度较小，且未能通过多重比较校正。一个关键发现是两种条件在中央通道贡献模式上存在差异，这与记忆相关神经调制相一致。研究结果同时凸显了基于协方差的解码方法在探测分布式睡眠EEG动力学方面的潜力，但仍需在更大样本中进一步验证。
