《Neuroscience & Biobehavioral Reviews》：Revisiting deterministic motor sequence learning: EEG correlates and methodological challenges
编辑推荐：
运动序列学习通过动作排序实现技能习得。运动序列学习在时间域和频率域上调节脑电图（EEG）。运动序列学习与整体神经资源优化相关。运动学习表现出从全局连接向局部活动的减少。基线静息态（resting state）脑电图（EEG）活动可预测后续学习表现。
运动序列学习通过动作排序实现技能习得。运动序列学习在时间域和频率域上调节脑电图（EEG）。运动序列学习与整体神经资源优化相关。运动学习表现出从全局连接向局部活动的减少。基线静息态（resting state）脑电图（EEG）活动可预测后续学习表现。
**1. 引言**
运动学习是技能习得的关键过程，涉及动作序列的整合与环境适应。研究人员将运动学习分为运动序列学习与感觉运动适应两种类型，前者通过重复和巩固将离散动作整合为协调方案，后者则根据身体或环境变化灵活调整运动。运动学习被描述为多阶段过程，包括在线学习（训练期间表现改进）和离线学习（训练后巩固与长期保留）。已有研究采用正电子发射断层扫描（PET）和磁共振成像（MRI）识别了参与运动学习的脑区，包括初级运动皮层（M1）、前运动皮层、辅助运动皮层、初级体感皮层、顶上小叶、丘脑、壳核和小脑。然而，这些方法对时间动态的解析有限。脑电图（EEG）凭借高时间分辨率、非侵入性和便携性，成为研究运动序列学习时间神经模式的理想工具。EEG可区分运动准备、执行、监控和反馈处理相关的神经过程，并能在任务前记录静息态活动以预测后续学习表现，或任务后记录反映巩固过程的振荡活动。本研究旨在系统综述确定性运动序列学习相关的EEG变化，聚焦于健康个体在固定序列（无论是否明确意识）下的学习机制，并强调区分序列特异性学习与一般练习效应。
**2. 方法**
本研究采用叙事综述方法，参考PRISMA指南（2021年）确保研究筛选与报告的透明度。在PubMed、Web of Science和Scopus数据库中检索，使用关键词包括“motor learning”、“sequence learning”、“serial reaction time”、“SRT”、“procedural learning”与“EEG”、“Electroencephalogra*”、“ERP”、“event-related-potential*”。纳入标准：同行评议英文文献，健康参与者（18–65岁），采用EEG记录静息态或任务期活动，并报告行为数据以监测学习进展。排除标准：动物、临床人群、老年或婴儿研究，以及涉及基线生理调节（如脑刺激、神经反馈、药物等）的研究。本综述聚焦于确定性序列，即序列中每个元素可由前序信息预测，排除概率性序列研究。
**3. 结果**
**3.1 运动序列学习的方法论方法**
**3.1.1 实验范式**
主要范式为序列反应时（SRT）任务，参与者根据视觉刺激位置或特征按键响应，刺激按固定序列呈现。序列特异性学习通过比较序列块与随机块的行为表现（如反应时下降）来评估。17项研究采用SRT任务，多数为改进版本，包括随机块置于任务末端或与序列块交错。控制条件的设计影响结果解释，如随机块置于末端可能引入疲劳或唤醒混淆。少数研究采用显性序列条件（如告知参与者重复模式）或序列扰动（如插入违反预期）来评估学习。此外，指敲击任务（FTT）要求参与者重复练习整套按键序列以减少执行时间，不使用随机对照；离散序列生产任务（DSP）采用双任务范式，呈现离散序列后通过go/no-go信号区分准备与执行阶段。其他任务如3D机器人引导手部运动任务（Chatterjee等，2025）和基于LED矩阵按键范式（Bellomo等，2018）也被用于研究隐性和显性学习。
**3.1.2 一般练习效应控制**
多数研究（尤其是SRT范式）纳入随机或伪随机对照条件，以分离序列特异性效应与一般练习效应。序列特异性学习通过计算序列与对照条件的行为差异来评估。在指敲击或显性任务中，对照条件通常采用未见过的序列或部分扰动的序列，但需注意新颖性可能引发额外认知过程。
**3.1.3 意识控制**
在隐性学习研究中，需评估参与者对序列的意识水平。常用方法包括自我报告问卷、序列生成或识别任务，以及结合多种方法。自我报告法可能漏检部分显性知识，而强制选择法（如区分序列片段）可能受隐性记忆影响。在线行为指标（如反应时突然下降）也被用于检测意识获得。建议结合自评与客观测量以互补定性定量评估。
**3.2 运动序列学习的EEG相关指标**
**3.2.1 事件相关电位（ERP）**
运动序列学习与内侧额叶负波（MFN）的振幅和潜伏期变化相关。错误相关负波（ERN）在隐性学习中振幅增大与准确性提高相关，且潜伏期缩短反映预期过程；但部分研究未发现序列与随机条件间的差异。显性学习中，正确相关负波（CRN）振幅与运动改善相关，但可能反映一般练习效应。视觉P1、N1和P3成分的变化不一致：P1振幅在部分研究中随学习增加，但未在其他研究中复制；N1在显性学习中的增强可能反映视觉-运动表征形成；P3振幅随任务进程下降，但无序列特异性。N2b成分对序列偏差敏感，但未随学习自动化而系统性变化。运动准备相关成分如关联负变（CNV）和对侧延迟活动（CDA）在不熟悉序列中振幅更高，表明学习降低了运动准备复杂性和工作记忆负荷，而侧向准备电位（LRP）无明显变化。
**3.2.2 脑振荡**
**3.2.2.1 Theta节律**
中央额叶和顶叶区域的theta振荡在序列学习早期显著降低，随机刺激则保持较高功率，反映序列特异性效应。这种降低被解释为自动化后对认知控制需求的减少，与过度自上而下控制可能干扰隐性学习的观点一致。theta活动与反应时呈正相关，提示其参与行为适应。顶叶theta在早期学习阶段高于随机刺激，可能反映工作记忆参与，且随知识获得向额叶转移。
**3.2.2.2 Alpha节律**
alpha功率在枕顶叶和左颞叶区域随任务进程增加，但通常无序列特异性，主要反映神经效率提升（如功能抑制理论）。部分研究显示序列刺激下alpha功率在运动区随学习降低，但未与行为指标相关，整体支持一般练习效应。然而，有研究报道序列与随机刺激在中央和顶枕区alpha功率差异方向相反，需进一步澄清。
**3.2.2.3 Beta节律**
beta活动在运动和顶叶区域表现出学习相关调制。运动前beta在序列学习过程中降低，支持自下而上检测规律性；执行期beta增强，反映运动计划维持。beta功率与学习增益相关，且受个体策略和刺激不确定性（如时间预期）影响。低beta（<20Hz）和高beta（>20Hz）可能源于不同脑区（M1与前运动皮层），分别参与运动控制和时空注意。
**3.2.2.4 Gamma节律**
gamma功率在早期学习阶段较高，后期降低，无序列特异性；但部分研究显示序列刺激下gamma功率大于随机刺激，暗示编码中可能参与序列特异性加工。由于gamma易受肌电伪迹干扰，该频段研究较少，且多结合跨频耦合（如theta-gamma）分析。
**3.3 功能连接与运动序列学习**
功能连接研究显示，alpha频段额叶-颞叶间相位锁定值（PLV）在隐性学习后降低，与行为增益相关，提示向局部化处理转变。beta频段左半球额顶及额叶-中央区连接随序列学习减少，反映自上而下注意资源需求降低。alpha-gamma相位-振幅耦合（PAC）在序列执行时增强，参与序列处理。训练后静息态gamma连接在运动区与注意网络间变化，提示认知控制依赖减少。整体上，连接性降低与更好表现相关，支持局部效率优化观点。
**3.4 静息态预测因子**
静息态theta中线活动较低者隐性学习增益更大，反映过度自上而下控制的干扰。alpha频段运动区连接性较高与学习表现正相关，而纹状体alpha连接性较低与长期技能相关。beta频段全脑及运动-前运动区相干性较高预测更好学习，但基线beta连接性在运动区与视觉/注意网络间较低与离线增益相关，提示beta功率预测效果不稳定。
**4. 运动序列学习与感觉运动适应的EEG相关指标比较**
两种学习形式均涉及ERN和theta调制，反映错误监控与认知控制变化。但序列学习中theta降低与自顶向下控制需求减少相关，而适应中theta在运动前增加反映策略加工。alpha活动在两种学习中都呈现功率增加，反映神经效率提升。beta活动差异显著：序列学习中运动前beta降低促进自下而上处理，适应中beta调制与感觉预测误差相关。gamma活动在两种学习中均呈下降趋势，但功能意义不明。总体而言，许多EEG标记反映共享机制（如错误监控、效率提升），差异可能源于运动复杂性和感觉运动需求不同。
**5. 研究局限与未来方向**
本综述受限于研究异质性大、控制条件不足、缺乏MEG和颅内EEG（可接触基底节等皮层下结构）以及源重建方法应用少。未来需加强功能连接研究、采用源重建提升空间定位、应用机器学习模型，并发展新理论框架（如区分“what”和“how”方面，竞争排队模型）以深入理解序列学习神经机制。
**6. 结论**
本综述总结了确定性运动序列学习的EEG发现。时间域分析中，中线额叶负波和CNV/CDA与学习相关；频域分析中，theta活动降低反映自动化，alpha变化多反映一般练习效应，beta和gamma结果不一致。功能连接和静息态研究提示局部效率提升和连接性降低可预测学习。未来研究需加强控制条件以分离序列特异性效应。
