在自然情景下的情景记忆中，时间关系的抽象是基于具体情境的

《iScience》：Context-dependent abstraction of temporal relationships during naturalistic episodic memory

　　亮点
- 在自然记忆检索过程中，时间关系被抽象出来
- 时间顺序行为反映了时间距离和情节背景
- 在共享的情节背景下，时间距离的几何结构更为明显
- 颞前叶rTMS会破坏记忆中的时间关系几何结构

摘要
人类大脑如何表征两个记忆事件在时间上的距离？健康的成年人玩了一个第一人称互动视频游戏，并在功能性磁共振成像（fMRI）过程中判断事件对的时间顺序。通过表征相似性分析，我们发现在了阶段性叶（precuneus）及其周围的后内侧皮层中存在一种分布式的多体素活动模式，这种模式的几何结构能够追踪从不到1秒到大约18分钟的时间距离。这种表征无法用感知相似性、情境变化或任务难度来解释，并且在共享相同情节背景的事件中更为明显。在检索前对阶段性叶进行抑制性脑刺激会减弱这种表征模式，而不会改变整体的BOLD活动水平。这些发现表明，阶段性叶有助于组织记忆事件之间的时间关系，它是在结构化的情节背景下表示时间距离的，而不仅仅是简单的经过时间长度的度量。

图形摘要

引言
尽管物理时间可以通过时钟来测量，但大脑从记忆中重建的时间并非简单的秒数读数：实际体验和记忆中的持续时间可能与度量时间有明显差异。在这里，我们关注这种心理构造——即记忆事件对之间的时间距离，并探讨新皮层如何表示这种距离。虽然物理时间的流逝可以通过多个脑区的分布式活动来生物记录，但人类大脑如何抽象出情节记忆中事件之间的时间距离仍然是一个重要的挑战。在较短的时间尺度上，可以通过灵长类动物的单个神经元活动来推断流逝的时间。已经发现计时神经元在皮质-基底神经节回路、下顶叶皮层和内侧颞叶中编码时间。外侧内嗅皮层的整体群体状态也能编码从几秒到几小时的时间信息。相比之下，当复杂的、连贯的体验固化为长期记忆时，用于情节检索的时间表征神经回路与海马体依赖的编码和检索以及支持短暂时间处理的回路不同。虽然海马体的集体动态可以为时间上接近的事件形成时间戳，但这种表征在人类的大脑水平上尚未完全确定。

时间表征与情境构建紧密相关。项目表征在编码时与变化的“情境”相关联，因此在回忆时，如果项目是在同一时间情境中体验的，则会触发相同的情境。最近的框架显示，大脑将连续体验分割成由神经群体状态表示的离散事件。这些状态形成了神经“事件轨迹”，其中不同事件之间的神经模式差异可以作为时间和时空情境的编码。然而，关于情境效应对检索时神经活动的影响——特别是它们与时间分离的相互作用——的报告较少。

在前额叶皮层和海马体中，神经模式的差异随着项目之间以及时间上分离的自传体事件之间的时间间隔的增加而增加。随着时间间隔的延长，这种差异也相应增大。对于自传体记忆或情节事件的回忆，包括海马体、阶段性叶和角回在内的后内侧记忆系统起着关键作用。然而，关于后内侧系统如何表征事件之间的经过时间仍知之甚少。

时间-情境和漂移理论预测，随着时间分离的增加，神经模式会变得越来越不同，从而产生一个正向的单调时间距离代码。相反，区分/排斥理论则预测对于邻近或重叠的事件，其表征可以被主动推开，变得不那么相似，从而逆转了客观的相似性结构。因此，哪种模型在检索过程中占主导地位（分级距离代码还是排斥特征）仍是一个开放的实证问题，我们的参数化、二阶设计正好可以对此进行判断。此外，已知事件边界会影响情节编码和检索，但尚不清楚它们是否也影响时间关系本身的神经表征。具体来说，尚不清楚时间距离是作为与情境无关的度量来表示的，还是其神经表征几何结构嵌入在连贯的情节背景中。这些不同的假设对表征相似性分析有不同的预测。如果时间距离被编码为一个抽象的全局度量，那么表征相似性应该跨越情境边界保持不变。相反，如果时间表征嵌入在事件结构中，那么属于同一情节背景的事件的时间距离编码应该会被选择性地增强。

因此，我们的假设是，在检索过程中，事件之间的成对时间距离可以以多体素模式的形式揭示出来，而这种多体素模式受到编码时实施的情境编码的调节。我们研究了时间记忆的抽象过程，并确定了这一系统中不同区域在时间距离表征及其与情节背景相互作用中的作用。我们探讨了时间关系是作为与情境无关的度量来表示的，还是嵌入在情节结构中的。通过结合自然记忆、第一人称互动视频游戏（RSA）和经颅磁刺激（TMS），我们展示了时间表征是依赖于情境的，并且由后内侧记忆系统在因果上支持（图1A）。

图1 用于探测时间距离表征的互动视频游戏范式，同时进行fMRI和rTMS

图1A 实验会话1和2中，参与者玩了一个包含七个相关章节的第一人称视角视频游戏进行编码，24小时后，在fMRI期间对两个皮质位置中的一个进行20分钟的重复经颅磁刺激（rTMS），然后进行时间顺序判断任务。TMS位置的选择（在受试者内部）和视频游戏章节的选择在受试者之间进行了平衡（表S1）。两个实验会话在不同的日子进行，以尽量减少rTMS的滞后效应（平均间隔=8天）。参与者在实验会话前一天接受了结构MRI扫描，熟悉了游戏玩法，并测量了他们的活跃运动阈值（用于TMS）。

图1B 游戏玩法视频：每个编码会话包括七个章节（图S1）。

图1C 时间顺序判断任务。参与者选择视频游戏中较早出现的图像，并报告他们的置信水平。

图1D 根据每个受试者的具体游戏时长，生成了60个时间距离（TD）级别。尽管不同受试者的绝对TD值不同（图S1），但在图像选择过程中使用幂函数确保了它们的比例不变。这里显示了一个受试者（subj01）的实际TD值。

图1E 从同一章节（内部章节）或两个相邻章节（跨章节）中提取了两对图像。这两种条件下的60个TD级别在受试者内部是完全匹配的。注意，内部章节中的场景在情境上往往比跨章节中的场景更相似。

图1F TMS刺激位置被标记在一名受试者的MRI重建头骨上，用绿色指针表示。阶段性叶刺激的MNI坐标：x, y, z = 6, ?70, 44。

行为结果
总体而言，参与者对时间较长的距离（TD）的判断更为准确，尤其是当图像对来自同一章节（内部章节）时这种优势更为明显。在合并时间距离（TD）条件后，在TMS-vertex会话中，跨章节条件的平均准确率数值上更高（M = 0.71, SD = 0.46），而在TMS-precuneus会话中，内部章节的平均准确率数值上也更高（M = 0.69, SD = 0.46）。关于平均反应时间（RT），在TMS-vertex会话中，内部章节的平均RT数值上更高（M = 2.63, SD = 0.86），而在TMS-precuneus会话中也是如此（M = 2.74, SD = 0.82）。

混合效应逻辑回归分析了TD、情境和TMS位置对准确率的影响（图2A）。模型的固定效应解释了1.9%的准确率变异（边际R2 = 0.019），而包含随机效应的完整模型解释了4.3%的变异（条件R2 = 0.043）。TD显著预测了准确率，χ2(1) = 86.87, p < 0.001，时间较长的距离与更高的准确率相关（比值比 = 1.05）。情境（χ2(1) = 0.03, p = 0.872）和TMS位置（χ2(1) = 0.02, p = 0.880）没有显著的主效应。TD × 情境的交互作用显著，χ2(1) = 11.11, p < 0.001，表明对于内部章节对，时间较长的距离的准确率提升更为明显（斜率 = 0.09, SE = 0.01），而对于跨章节对则不然（斜率 = 0.04, SE = 0.01；差异：z = 3.33, p < 0.001）。同时观察到情境 × TMS位置的显著交互作用，χ2(1) = 17.29, p < 0.001。后续分析显示，阶段性叶刺激导致跨章节条件的准确率低于内部章节条件（比值比 = 0.82, z = ?2.82, p = 0.005），而顶点刺激则使跨章节条件的准确率高于内部章节条件（比值比 = 1.24, z = 3.06, p = 0.002）。TD和TMS位置之间没有显著的交互作用（χ2(1) = 0.01, p = 0.917），也没有三者的显著交互作用（χ2(1) = 0.47, p = 0.491）。

图2 时间顺序准确率和反应时间随时间距离的变化，并受到情节背景和阶段性叶刺激的调节

图2A 时间距离（TD）、情境（跨章节 vs. 内部章节）和TMS会话（TMS-vertex vs. TMS-precuneus）对时间顺序判断准确率（TOJ）的影响。Log TD（以帧为单位）及其与情境的交互作用显著预测了准确率。两种情境下的准确率都随着Log TD的增加而提高。然而，内部章节的准确率（橙色线）的斜率比跨章节的准确率（绿色线）更陡峭。情境与TMS会话的交互作用显示出对比模式：在TMS-vertex条件下，跨章节的准确率较高（绿色线），而在TMS-precuneus条件下，内部章节的准确率较高（橙色线）。

图2B 时间距离（Log TD）、情境（跨章节 vs. 内部章节）和TMS会话（TMS-vertex vs. TMS-precuneus）对反应时间（RTs）的影响。Log TD及其与情境的交互作用显著预测了RTs。在TMS-vertex条件下，跨章节的RTs随着Log TD的增加而增加，而内部章节的RTs则随着Log TD的增加而减少。在TMS-precuneus条件下，Log TD和情境的交互作用较小。图中显示了每个参与者的试验级观察结果：在（A）中，准确率按试验编码（1 = 正确，0 = 错误）；在（B）中，每个点代表一次试验的RT。点呈半透明状态，带有轻微的水平抖动以减少重叠。x轴显示了对数变换后的时间距离；因为在对数尺度上较大值处的间距被压缩，所以在长TD范围内点显得更多且更集中。颜色表示情境（跨章节 = 绿色；内部章节 = 橙色）。图像按TMS会话区分（左：TMS-vertex；右：TMS-precuneus）。Log TD = 对数变换后的时间距离。

关于RTs，线性混合效应模型分析了时间距离（TD）、情境和TMS位置对RTs的影响（图2B）。TD、情境和TMS位置显示出显著的主效应：TD, F(1, 7794) = 4.43, p = 0.035, η2p = 0.001；情境, F(1, 7794) = 21.61, p < 0.001, η2p = 0.003；TMS位置, F(1, 7794) = 75.71, p < 0.001, η2p = 0.01。TD和情境之间、TD和TMS位置之间以及情境和TMS位置之间的显著双向交互作用也被观察到。后续分析显示，TD（时间距离）对反应时间的影响在章节内部（斜率 = ?0.02，标准误差 = 0.004，z = ?4.70，p < 0.001）比章节之间（斜率 = 0.01，标准误差 = 0.004，z = 1.71，p = 0.09；差异：z = ?4.53，p < 0.001）更为显著地负面，表明章节内部的较长TD会使反应时间缩短，而章节之间的TD则保持不变。在前额叶刺激后，TD效应更为负面（斜率 = ?0.01，标准误差 = 0.004，z = ?3.47，p < 0.001），而顶叶刺激后的TD效应较小（斜率 = 0.002，标准误差 = 0.004，z = 0.52，p = 0.60；差异：z = ?2.80，p = 0.005）。三因素交互作用不显著，F(1, 7794) = 0.23，p = 0.631。这些行为模式在仅限于高信心试验的分析中也得到了复制（图S2A和S2B）。

**控制分析：去除长时间TD的影响**
尽管我们在不同情境中匹配了60个TD水平，但较长的章节内部TD更可能来自最长或较长的章节（例如，第1、9和12章；见图S1），这可能会引入章节身份的混淆因素，从而导致其他混淆（例如累积暴露、优先性）。为了解决这个问题，我们进行了控制分析。我们重新分组了所有TD水平，以确保“长TD”不会主要来自过长的章节。在进行推断性统计分析之前，我们排除了来自最长时间距离区间的试验，以最小化潜在的章节混淆。这种分组方法是通过将每个参与者的时间距离（TD）分布划分为每个情境中的六个分位数来实现的，分析仅基于较低的五个分位数（TD01 ～ TD50；TD51-60被丢弃）。这种控制分析并未改变原始数据分析中观察到的行为结果模式。该分析显示情境×TMS（经颅磁刺激）的交互作用显著，χ2(1) = 17.63，p < 0.001，以及TD×情境的交互作用显著，χ2(1) = 4.83，p = 0.028。我们还观察到TD的主效应显著，χ2(1) = 57.55，p < 0.001。

**功能性MRI结果**
首先，我们使用搜索光表示相似性分析（RSA）寻找类似于时间距离矩阵的神经表征。对于fMRI结果，我们首先关注TMS顶叶条件，然后检查TMS的后续效应。我们没有预先偏爱任何特定的大脑区域，而是使用包含60个对数转换后的个体特定TD水平的RDM在整个大脑皮层中进行搜索（图3A），并识别出包含关于记忆中几何定义的时间距离信息的体素簇（见STAR方法和图S3）。在我们的研究中，重要的是，RSA并不试图直接从神经活动中解码时间距离。相反，它探讨的是神经群体反应的几何结构是否保留了时间距离预测的几何形状。我们的分析关注的是二阶表征结构：涉及相似时间距离大小的检索试验预计会引发相似的多体素活动模式，而涉及逐渐不同时间距离的试验预计会引发逐渐不同的神经模式。这种二阶表征几何结构正是RSA专门设计来评估的。在这60×60的时间距离RDM中，我们发现，判断一对分离了一定时间距离的记忆的时间顺序的神经模式与其他包含相似时间距离（例如，TD1与TD2的相似性高于TD60）的时间顺序判断更为相似。这些体素位于后内侧顶叶区域、双侧角回和中额回（图3B和表1）。

**图3A** 后内侧顶叶皮层中检索到的时间距离大小的多体素表示
**图注**
(A) 搜索光RSA的对数TD表示差异矩阵（RDM）。RDM包含60个个体特定的对数TD水平。随着TD的增加，任何两个事件时刻之间的差异会逐渐增大。
(B) 使用对数TD RDM进行搜索光RSA时，包含TD信息的体素簇主要集中在后内侧皮层、双侧角回和双侧中额回。
(C) 参数调制分析（Pmod）的激活信号强度。这些体素主要位于左侧前额叶，其强度随对数TD的增加而增加。
(D) 用于后续推断测试的神经信号提取的连接区域。屏蔽是通过将RSA的相似性图与Pmod的激活图进行交叉得到的。
(E) 多个模型表示的推断性比较。测试并比较了几个候选RDM，以评估它们解释从连接区域提取的神经参考RDM的能力。在对数TD RDM在这些候选RDM中表现最佳，能够解释神经参考RDM中的变异。两条横线上的线条表示两种模型在多次检验校正后具有显著的统计差异（符号秩检验）。灰色横线表示给定数据噪声情况下未知真实模型的预期表现。星号表示个体特定参考RDM与候选RDM之间的显著Spearman相关性。误差条表示参与者的标准误。星号（?）表示p < 0.05，经过FDR校正。
(F) 参考（神经）RDM和候选RDM。参考RDM是根据fMRI期间刺激引起的BOLD反应，并根据60个TD水平估计的（仅显示章节内部条件）。这里的群体级神经参考RDM用于展示目的（参见图S4查看个别神经RDM）。情境变化（SC）RDM是根据参与者在视频中虚拟穿越的位置数量计算的（图S1D）。感知RDM（RGB互相关、RGB强度、RGB直方图、SIFT、SURF、HOG）是基于图像属性计算的（详见STAR方法）。行为RDM（RT和ACC）是根据每次试验的反应时间和正确百分比计算的。MRI结果显示在Puncorrected < 0.001的水平上。

**峰值T值和脑区**
脑区 kp-FW Exyz
75 5 <0.001 30 2 138 5.78 右侧中额回
30 2 14 5.59 右侧前额叶
6 ?4 2 20 5.54 右侧中额叶
?3 ?4 2 20 5.43 左侧后扣带回
6 ?4 2 17 5.39 左侧后扣带回
60 ?4 23 5.14 右侧缘上回
48 ?4 3 5.05 右侧角回
?9 ?7 2 23 5.00 左侧前额叶
60 2 4 14 4.99 右侧下额回
?3 9 6 3 5.49 左侧角回
?12 4 8 11 4.84 左侧前额叶
?5 1 3 17 4.81 左侧下额回
51 9 3 24.80 右侧中央前回
**表1** TMS-顶叶会话中与对数TD RDM相关的脑区表示（图3B）

**识别后内侧顶叶皮层中的时间记忆抽象的多元模式后，我们使用标准单变量方法询问是否存在其活动随时间距离单调变化的体素，而不考虑它们的多体素特征。全脑参数调制分析在后内侧区域的一个簇中发现了对数TD特定的BOLD信号，包括前额叶（图3C和表2）。重要的是，由于这两种分析提取了两种不同的神经信息，它们在前额叶的重叠共同证实了这一区域的关键作用。因此，我们创建了一个连接图（图3D），以便在接下来的分析中同时使用多元和单变量结果来研究时间距离抽象。**

**然后我们进行了推断测试，以统计评估对数TD RDM是否与从fMRI反应模式中估计的个体特定神经RDM（在图3F中标记为参考RDM；另见图S4中每个参与者的个体神经RDM）显著相关，这些神经RDM是根据60个对数TD水平（每个TD水平重复4次）在该连接区域内计算的。这使我们能够测试对数TD RDM是否比其他候选RDM更好地解释神经表示。对数TD RDM（表现最好的模型）比其他候选RDM（如情境变化（SC）RDM、六个感知RDM和两个行为RDM）更好地解释了方差（图3E和3F）。然而，对数TD模型与原始TD模型之间的比较得出p = 0.975（FDR校正后）（差异 = 0.098），表明这两种模型在当前数据集中对神经数据的解释能力相当。因此，目前的发现应解释为时间距离表示的单调性，而精确的缩放函数（例如对数与原始时间距离）仍需通过未来的工作来确定。**

**对于所有后续分析，我们保留了对数TD模型作为主要分析方法，因为它反映了我们先验的理论假设，该假设在分析前就已明确，并且指导了实验设计和先前的工作，这些工作表明主观时间距离是以压缩方式而不是线性方式表示的。对数TD模型预测时间接近的事件的神经模式应该更相似（差异较小），而时间较远的事件的模式则不相似。我们的分析表明，对数TD显著预测了神经RDM，且在所有感知和难度控制下都成立，并接近噪声上限。**

**控制分析以排除感知相似性和情境变化的影响**
时间距离记忆表示可能会受到每对图像之间感知相似性的混淆。为了解决这个问题，我们进行了六次独立的RSA，通过六种不同的指标来索引图像对之间的感知相似性，其中一些指标来自Greene等人和Aminoff等人提出的视觉分类模型。这六种RDM分别是红绿蓝（RGB）互相关RDM、RGB强度RDM、RGB直方图RDM、尺度不变特征变换（SIFT）RDM、加速鲁棒特征（SURF）RDM和方向梯度直方图（HOG）RDM（见STAR方法；补充信息）。除了SURF RDM外，后内侧顶叶皮层中没有观察到类似的表示（见图S5B–S5G）。为了进一步排除这些额外感知属性的贡献，我们进行了全脑搜索光相关性分析，将对数TD RDM与脑反应模式进行相关性分析，这次使用部分Spearman相关性方法排除了这六种感知RDM的影响。这种部分相关性分析表明，即使去除了所有这些感知属性的影响，后内侧顶叶区域的TD抽象效应仍然存在，表明TD的多体素表示不能仅由感知属性驱动（图S5J）。考虑到先前的关于情景记忆中时空关系的研究，我们还通过计算参与者在视频游戏中虚拟穿越的位置数量来量化图像对之间的空间位移，并将其输入到个体特定的情境变化RDM中（图S1D）。尽管编码材料中存在时空相关性（见图S2C和S2D），但个体特定的情境变化RDM与我们的时间距离RDM相比解释的方差非常小。较长的TD倾向于与更大的视觉差异和更多的情境变化相对应。这是预期的，因为这些特征是大脑在重构时间距离时所依赖的线索。因此，关键问题是前额叶的活动是否反映了真正整合的时间距离信号，而不仅仅是感知或情境属性的简单聚合。我们的模型比较和部分相关性分析（图3E和S5J）表明确实如此：前额叶编码的时间距离信息无法用这些组成特征来解释。我们还确认了参与者的行为表现RDM（即反应时间和准确性）无法解释这种假定时间距离表示（见图S5H–S5I）。

**为了确保观察到的表征结构不是由群体平均效应或极端长TD与短TD的比较驱动的，我们进行了几项额外的稳健性分析。首先，我们强调所有推断统计都是在个体层面进行的：对于每个参与者，从连接掩码中提取的神经RDM与候选模型RDM进行了相关性分析，然后将这些个体层面的相关系数放入群体层面的统计测试中。因此，报告的效果不依赖于图3F中显示的群体平均RDM可视化。其次，为了控制长TD对的任何不成比例的影响，并排除由RDM的选定部分（例如最短的TD）或极端长TD与短TD比较驱动的任何伪影效应，我们重复了分析，但现在使用两种截断策略迭代减小了RDM矩阵的大小（见补充材料）。我们通过截断RDM的开始或结束部分，全面进行了这项分析。迭代地移除最短或最长的时间距离区间并没有消除对数TD-神经关系，这证实了这种效应不依赖于边区间或TD谱的特定区域。这种截断分析确认了“对数TD-神经”关系并不是TD谱边缘极端值的伪影。即使逐渐移除最短或最长的TD，相关性仍然显著，证实了存在一种真正的梯度式表示（图S6）。对于“修剪尾部”策略，即使将长TD移除至矩阵大小为18，相关性也与全矩阵基线没有统计学上的差异（所有t(16) < 1.65，ps > 0.10，经过FDR校正）。相比之下，“修剪头部”策略在矩阵大小为56时相关性开始显著下降（t(16) = 2.77，p = 0.007，经过FDR校正）。一个以修剪策略和矩阵大小为固定效应的线性混合效应模型显示了显著的交互作用（F(1, 848) = 5.0，p < 0.001）：修剪头部的下降趋势比修剪尾部更陡峭（β = 0.0027 vs β = 0.0015），这证实了观察到的短TD修剪效应在统计学上是可靠的。修剪结果并不表明该效应仅由最短的TD驱动；相反，它们（1）解决了长TD区间可能驱动效应的担忧，并且（2）表明TD表示在短到中等范围内最强，这与已建立的心理物理学关于压缩时间编码的理论一致。这些结果表明，通过这些搜索光分析揭示的后内侧区域编码的神经信号最能归因于时间距离的记忆表示。总的来说，这些分析表明，楔前叶中的时间距离表示结构在个体受试者层面是稳健的，并不是群体平均或极端差异值的伪影（文本S1）。

为了测试当两个图像来自相同上下文时，TD-神经模式相似性指数是否高于来自不同上下文时的假设，我们分别对“同一章节内”和“跨章节”试验进行了新的搜索光RSA分析。仅在“同一章节内”条件下观察到了TD的表示（图4A，左），而在“跨章节”条件下则没有（图4A，右）。搜索光RSA识别的体素位于楔前叶、后扣带回皮层和双侧的角回中。

图4 对于共享情景的事件，时间距离表示更强
显示完整标题
图查看器
(A) 在“同一章节内”条件下，比“跨章节”条件下，联合区域中对数TD变化的多体素相似性更强（中间图像）。
(B) 单独的模型比较显示，对数TD RDM是解释“同一章节内”条件下神经变异的最佳模型（尽管SURF RDM和HOG RDM也与神经参考RDM相关），而所有候选RDM都无法解释“跨章节”条件下的神经变异。
(C) “同一章节内”条件下的参数激活强度比“跨章节”条件下更强。在(A)和(C)中，每个相同颜色的点代表一个受试者。误差条表示受试者之间的SEM。***、**、*分别表示p < 0.001、p < 0.01和p < 0.05，经过FDR校正，单样本t检验。

为了进行统计推断，我们使用了一种无偏差的留一受试者法（STAR方法）在联合掩模内提取了相似性指数（RSA和pmod图）。与我们的预测一致，“同一章节内”试验中的体素与对数TD RDM的图案相似性高于“跨章节”试验（图4A，中间图像；单尾：p = 0.04），这证实了与对数TD RDM相关的神经图案相似性确实在“同一章节内”条件下更强。然后我们进行了统计推断测试，以评估对数TD RDM是否比其他候选RDM更好地解释了“同一章节内”和“跨章节”条件下的神经参考RDM（图4B）。对数TD模型在“同一章节内”条件下比其他候选RDM更好地解释了变异（图4B，左）。相比之下，对数TD RDM（以及所有其他候选RDM）未能解释“跨章节”条件下的神经参考RDM（图4B，右）。

这种依赖于上下文的差异也在逐个体素的单变量分析中发现。使用对数TD作为回归量的pmod分析得到的β估计值在“同一章节内”条件下显著高于“跨章节”条件（图4C）。这些发现表明，当事件在共同的情景中检索时，时间距离的表示是有选择地表达的，这表明上下文组织影响了时间关系的神经编码。这证实了时间距离的记忆表示是由图像对是否在共享上下文中体验决定的，这与记忆编码和检索过程中观察到的时间和语义因素之间的相互作用相符。

为了确定楔前叶在这种记忆操作中的关键作用，我们采用了一种破坏性技术，策略性地用重复经颅磁刺激（TMS）针对楔前叶，以探究神经和行为层面的变化（受试者内部：TMS-楔前叶 vs. TMS-顶叶；图1F和表S1）。楔前叶刺激减弱了后内侧区域可检测到的多体素时间距离幅度表示，无论是仅考虑“同一章节内”条件（图5A）还是将“同一章节内”和“跨章节”条件合并考虑（图5B）。模型比较结果显示，即使在仅考虑“同一章节内”试验的情况下，所有候选RDM与神经参考RDM之间的相关值也未能达到统计学显著性。

图5 楔前叶rTMS减弱了时间距离的多体素表示
显示完整标题
图查看器
TMS减少了楔前叶的时间距离表示。
(A) 在对楔前叶进行TMS后，搜索光RSA中存活的体素非常少（体素级别：Puncorrected < 0.001；簇级别：PFWE < 0.05）。
(B) 模型比较显示，在对楔前叶进行TMS后，候选RDM解释的神经变异很小。
(C) 左图和中间图：我们应用了不同的解剖掩模从受试者中提取TD相似性值（图S7）。在所有掩膜中，我们发现与TMS-顶叶相比，TMS-楔前叶减少了两个半球中的时间距离表示（左图；见右楔前叶的结果在图S7A中）。右图：以左楔前叶为例，相关性分析显示，TMS对楔前叶的刺激削弱了显著的神经-行为相关性（TMS-顶叶会话：r = 0.60，p = 0.04；TMS-楔前叶会话：r = ?0.01，p = 0.96；两个相关性之间的比较：z = 2.07，p = 0.04）。p值经过FDR校正。*表示p < 0.05，经过FDR校正，单样本t检验。

受到外侧顶叶皮层分区观点的启发以及之前关于PM记忆网络划分的研究，我们测试了在情景背景下抽象时间关系时，潜在PM记忆网络的不同子区域中的神经活动模式是否存在差异。基于我们的主要MRI结果（图3B），我们在PM记忆网络中选择了六个感兴趣的解剖区域（ROI：双侧楔前叶、双侧角回和双侧海马；见STAR方法），以及主要视觉区域（整个枕叶皮层）作为对照，以更细致地描述TMS造成的破坏效应。我们从这些ROI中提取了模式相似性指数，并发现，在“同一章节内”条件下，楔前叶两侧的神经-TD模式相似性在TMS后显著减弱（左楔前叶：图5C左图和中间图，单尾：p = 0.02；右楔前叶：图S7A，单尾：p = 0.04）。注意，这种效应也在左角回中得到复制（图S7D）。

我们在左楔前叶中报告了这种效应，因为我们发现个体在顶叶条件下的神经-TD模式相似性的变化与他们在该关键区域的TOJ记忆表现呈正相关（图5C右图，相同章节内条件：r = 0.60，p = 0.04；跨章节条件：r = 0.40，p = 0.02），这意味着这些时间距离的多体素表示是支持记忆检索能力的相关神经生物学前提。在我们破坏楔前叶活动的实验条件下，也观察到了显著的神经-行为相关性下降（图5C右图；两个相关性之间的比较：z = 2.07，p = 0.04）。这种效应也在左海马中观察到（见图S7B右图，相同章节内条件：r = 0.59，p = 0.04；跨章节条件：r = 0.51，p = 0.08）。我们发现，通过逐次反应时间的回归，激活的参数关系无法归因于难度（图6A和6B）。由于这种扰动改变了涉及楔前叶、角回和海马的PM系统的多个部分的记忆表示，因此这种破坏可能是通过诱导多个区域之间的功能连接变化而有效的，或者更广泛地影响了整个顶叶记忆网络。相比之下，基于激活的Pmod分析显示，对楔前叶的TMS并没有引起单变量BOLD强度的任何可察觉的变化（图6C）。

为了确定楔前叶在这种记忆操作中的关键作用，我们采用了一种破坏性技术，策略性地用重复经颅磁刺激（TMS）针对楔前叶，以探究神经和行为层面的变化（受试者内部：TMS-楔前叶 vs. TMS-顶叶；图1F和表S1）。楔前叶刺激减弱了后内侧区域可检测到的多体素时间距离幅度的表示，无论是仅考虑“同一章节内”条件（图5A）还是合并“同一章节内”和“跨章节”条件（图5B）。模型比较结果显示，即使仅考虑“同一章节内”试验，所有候选RDM与神经参考RDM之间的相关值也未能达到统计学显著性。

图6 楔前叶rTMS后，时间距离的单变量BOLD缩放得以保留，与减弱的多体素表示分离
显示完整标题
图查看器
A) 在对楔前叶进行TMS后，搜索光RSA中存活的体素非常少（体素级别：Puncorrected < 0.001；簇级别：PFWE < 0.05）。
B) 模型比较显示，在对楔前叶进行TMS后，候选RDM解释的神经变异很小。
C) 左图和中间图：我们应用了不同的解剖掩模从受试者中提取TD相似性值（图S7）。在所有掩膜中，我们发现与TMS-顶叶相比，TMS-楔前叶减少了两个半球中的时间距离表示（左图；见右楔前叶的结果在图S7A中）。右图：以左楔前叶为例，相关性分析显示，TMS对楔前叶的刺激削弱了显著的神经-行为相关性（TMS-顶叶会话：r = 0.60，p = 0.04；TMS-楔前叶会话：r = ?0.01，p = 0.96；两个相关性之间的比较：z = 2.07，p = 0.04）。p值经过FDR校正。*

受到外侧顶叶皮层分区观点和之前关于PM记忆网络划分工作的启发，我们测试了在情景背景下抽象时间关系时，潜在PM记忆网络各个子区域中的神经活动模式是否存在差异。根据我们的主要MRI结果（图3B），我们在PM记忆网络中选择了六个感兴趣的解剖区域（ROI：双侧楔前叶、双侧角回和双侧海马；见STAR方法），以及主要视觉区域（整个枕叶皮层）作为对照，以更细致地描述TMS引起的破坏效应。我们从这些ROI中提取了模式相似性指数，并发现，在“同一章节内”条件下，TMS后楔前叶两侧的神经-TD模式相似性显著减弱（左楔前叶：图5C左图和中间图，单尾：p = 0.02；右楔前叶：图S7A，单尾：p = 0.04）。请注意，这种效应在左角回中也有复制（图S7D）。

我们在左楔前叶中报告了这种效应，因为我们发现个体在顶叶条件下的神经-TD模式相似性的变化与他们在该关键区域的TOJ记忆表现呈正相关（图5C右图，相同章节内条件：r = 0.60，p = 0.04；跨章节条件：r = 0.40，p = 0.02），这意味着这些时间距离的多体素表示是支持记忆检索的相关神经生物学前提。在破坏楔前叶活动的实验条件下，也观察到了显著的神经-行为相关性下降（图5C右图；两个相关性之间的比较：z = 2.07，p = 0.04）。这种效应也在左海马中观察到（见图S7B右图，相同章节内条件：r = 0.59，p = 0.04；跨章节条件：r = 0.51，p = 0.08）。我们发现，通过逐次反应时间的回归，激活的参数关系无法归因于难度（图6A和6B）。由于这种扰动改变了涉及楔前叶、角回和海马的PM系统的多个部分，这种破坏可能是通过诱导多个区域之间的功能连接变化而有效的，或者更广泛地影响了整个顶叶记忆网络。相比之下，基于激活的Pmod分析显示，对楔前叶的TMS并没有引起单变量BOLD强度的任何可察觉的变化（图6C）。

图6 在楔前叶rTMS后，时间距离的单变量BOLD缩放得以保留，与减弱的多体素表示分离
显示完整标题
图查看器
A) TMS-顶叶会话中（合并了“同一章节内”和“跨章节”试验）的时间距离（TD）和反应时间（RT）作为调节回归量。在消除了RT的影响后，楔前叶/后扣带回皮层和后海马中的神经活动仍然随着对数TD增加。
B) 在TMS-顶叶会话中，“同一章节内”（左）和“跨章节”（右）条件下，对数TD和RT分别作为调节回归量。在消除了RT的影响后，楔前叶的激活，延伸到后扣带回皮层和后扣带回皮层，仍然与对数TD线性相关。从簇中提取的β值在“同一章节内”条件下也比“跨章节”条件下更高（p = 0.005）。
C) 在这个pmod结果中，与去除多体素表示的情况不同（图5A），对楔前叶的TMS并没有显著影响楔前叶和后扣带回皮层的激活强度（比较左图和右图时差异很小）。无论是否进行TMS刺激，这些簇（包含楔前叶）的激活都与时间距离显著增加（中间图）。激活图在Puncorrected < 0.001时显示。*表示p < 0.05，经过FDR校正，单样本t检验。

讨论
本研究探讨了在记忆检索过程中，情景事件之间的时间距离是如何表示的。使用自然主义视频游戏范式、fMRI、RSA和受试者内部的TMS，我们发现涉及相似时间距离幅度的检索试验在后内侧皮层（包括楔前叶和相邻的后扣带回/后扣带回区域）引发了相似的多体素模式。当事件来自相同章节而不是不同章节时，这种表示结构更为强烈，表明时间距离编码受到事件上下文的影响。最后，对内侧顶叶目标的扰动减弱了可检测到的多体素时间距离幅度表示，而保持了单变量BOLD缩放的完整性，这表明后内侧皮层对于情景记忆中时间关系的检索有贡献，但不太可能单独决定这种检索。先前的研究将海马中的神经相似性与人类情景记忆的空间和时间方面联系起来。对大鼠的研究表明，海马中表现出了逐渐变化的表示。这些研究集中在海马、内嗅皮层和外侧前额叶皮层中的神经相似性，而目前我们主要揭示了PM系统中的TD表示。实际上，时间表示分布在多个脑区，而不仅仅是由海马编码的。顶叶对情景事件对之间时间距离的单一变量和多变量表示强调了顶叶皮层，特别是楔前叶，对时间方面的记忆做出的重要贡献。最近使用小鼠的中等尺度双光子成像的研究表明，后扣带回皮层（RSC）——一个在顶叶-扣带回网络定义中与楔前叶解剖学上相连的区域——表现出特定区域的时间编码。小鼠RSC中的神经元显示了独特的时间依赖性序列发射模式，编码了刺激身份（“什么”）和经过的时间（“何时”）。这些发现将楔前叶与RSC和海马一起，定位为一个支持记忆中时间复杂表示的分散网络的一部分。在当前背景下，前楔叶（precuneus）的参与可能与海马体细胞并行工作，后者编码特定的时间点或时间位置，或者独立发挥作用，共同帮助建立补充海马记忆系统的事件记忆。前楔叶内的功能异质性支持这样一种机制：不同的子区域可能通过与海马体协同工作，通过构建场景和对记忆的时间组织来参与时间记忆的处理。需要注意的是，目前的解剖学ROI（感兴趣区域）分析并不旨在解析后内侧皮层（posterior medial cortex）内的细粒度功能分区。前楔叶、后扣带回皮层（posterior cingulate cortex）和后脾叶皮层（retrosplenial cortex）在解剖学上相邻且在功能上相互连接，目前的空间分辨率和平滑处理使得精确区分这些子区域变得困难。未来需要使用更高分辨率的成像技术、个性化的功能定位工具、更细分的脑区划分方案（如Neuromorphometrics）或多模态方法，或者高空间分辨率的刺激方法，来确定时间距离表征是主要在前楔叶、后扣带回皮层还是分布在整个后内侧皮层记忆网络中。

事件分离的神经表征也可以通过时间背景模型（Temporal Context Model）的预测来解释，该模型指出，当配对图片在空间上接近时（尤其是在共享背景下，如我们在研究中的“章节内”试验），存储的记忆信息会更强。背景相似性的影响与研究发现一致，即叙事连贯性可以改善对时间上相隔较远事件的回忆。前楔叶可能在跨不同背景关联事件方面起重要作用，可能还与其他涉及时间和空间距离效应的区域（如顶内叶和角回）共同作用。最近的研究基于背景重置模型，强调了在时间顺序记忆中重置局部事件位置代码的重要性，以及前楔叶如何与长期记忆表征中嵌套神经事件的层级组织相关联，这值得进一步探讨。

本研究的另一个关键发现是，只有在共享的情景记忆背景下检索到的事件，其时间距离表征才会被选择性地表达出来。尽管已知背景边界会影响情景记忆，但我们的结果扩展了这一理论，表明背景本身调节了时间距离的表征方式。时间距离似乎不是作为一个全局的经过时间度量来表现的，而是存在于结构化的情景框架内，这表明在记忆检索过程中，时间抽象和背景组织是共同编码的。这与某些模型提出的观点一致，即后内侧区域编码结构化的事件关系，并在有意义的边界之间整合信息。前楔叶可能有助于在情境框架内组织时间关系，而不是将时间表示为一个统一的尺度。从理论上讲，多变量表征对磁刺激（TMS）更为敏感，而体素级的总信号强度则不受影响（见图6C）。TMS引起的这种差异效应可能与行为观察到的结果相关：对前楔叶的TMS显著减慢了检索速度（即反应时间RT增加），但没有影响记忆准确性。一种可能性是前楔叶的BOLD激活水平与记忆准确性有关。事实上，已经证明猕猴前楔叶中的神经元同步反映了时间顺序记忆的成功。相反，前楔叶的多体素模式可能携带支持记忆搜索的信息或累积速度的证据，从而与反应时间相关联。这些发现表明，在检索过程中表示的时间距离记忆痕迹可能在后内侧皮层系统中的一些局部多体素输出中获得，超出了典型的BOLD激活变化。尽管rTMS显著削弱了前楔叶的时间距离多体素表征，但它并未导致时间顺序判断能力的相应损害。

TMS的行为效应应谨慎解读。观察到的背景效应变化并不意味着时间距离神经结构的丧失会改善时间顺序记忆。相反，时间顺序判断可能依赖于多种部分可分离的信息来源，包括分级的时间距离表征、背景熟悉度和章节级的事件结构。因此，目标区域的扰动可能会改变这些来源之间的平衡，产生一种行为上的背景效应，这种效应不一定直接对应于RSA（Randomized Sham controlled）推导出的时间距离表征。由于当前设计无法识别单个试验中使用的检索策略，这种解释仍然具有推测性。未来的研究需要结合试验级别的策略报告、顺序提示或计算建模，以确定刺激如何改变时间顺序判断背后的决策过程。此外，缺乏行为效应可能反映了大脑快速补偿性重组的能力。参与情景记忆的大脑区域形成了一个高度互联的网络。可以合理推测，在前楔叶暂时受损的情况下，时间记忆网络中的其他节点（如角回和中间额叶）能够补偿以支持成功的表现在我们也有观察到时间距离表征的地方）。确实，虽然我们针对的是前楔叶，但先前的研究表明TMS刺激会影响分布式网络，这与电路级效应的概念一致。观察到的表征编码变化可能反映了支持情景组织的更广泛后内侧系统的扰动。基于海马体与新皮质区域之间的连接性发现，以及海马体在时间背景记忆中的作用，我们展示了时间信息的分布式模式，暗示了一种更高级别的顶叶记忆输出方式。

我们的假设认为这种时间距离编码遵循对数尺度，这一假设基于一些突出理论，这些理论认为记忆中的时间是以一种心理压缩的方式呈现的，类似于感官感知。当我们部分移除了感知属性的影响（例如SUFT模型）时，后内侧顶叶皮层中的时间距离表征基本上不受影响（见图S5J）。然而，尽管我们的模型比较确认了对数时间距离模型能够很好地解释神经数据，但也显示出原始时间距离模型在统计上同样有效。这表明，虽然前楔叶以单调方式表示时间距离，但这种表征的具体功能形式（对数与非线性函数）仍然是一个未解决的问题。尽管我们研究的大约18分钟的时间范围可能不足以揭示在更长的自传时间尺度上可能占主导地位的压缩非线性，但我们的截断分析仍然稳健地证明了这种时间编码是一个真实的梯度，而不是比较时间谱极端端的产物。总之，后内侧系统似乎是在结构化的情景体验中组织时间关系的，而不是将时间表示为一个绝对的、与背景无关的度量。

与使用被动观看（例如图片、电影、叙述）的范式不同，我们的编码阶段包含了主动的第一人称视角游戏，旨在创建更类似于现实生活自传体验的情景记忆，这可能以不同的方式激活检索系统。我们的发现与自传记忆（ABM）的结果一致，表明后内侧网络支持跨越较长时间间隔的时间组织。首先，ABM排序任务显示，随着时间间隔的增加，准确性也随之提高，并且涉及前楔叶/后扣带回皮层（PCC）和角回（AG），同时依赖于vmPFC-后内侧皮层（vmPFC-PM）的情境依赖性连接。我们观察到一个相关的模式：章节内的事件对的时间距离编码最强，这与ABM的观点一致，即时间组织是由连贯的情境模型支撑的。其次，内侧顶叶皮层的尺度选择性架构表明它更偏好处理较长、更抽象的时间范围；我们分钟级的时间距离编码涉及后内侧区域，这与基于梯度的观点一致。第三，一项元分析表明ABM存在一个PCC-海马体轴，用于区分近期和远期的记忆。我们使用rTMS干扰前楔叶的多体素时间距离编码以及减弱前楔叶-海马体模式与行为的耦合，与这一轴支持时间结构化一致。最后，一项系统回顾和元分析强调了后内侧皮质在构建和细化情景-自传记忆中的作用，通过模式支持的时间关系。

我们的假设假设这种编码遵循对数尺度，这是基于一些突出理论，这些理论认为记忆中的时间是以心理压缩的方式呈现的，类似于感官感知。当部分移除了感知属性的影响后，后内侧顶叶皮层中的时间距离表征基本上不受影响（见图S5J）。然而，模型比较虽然确认了对数时间距离模型能够很好地解释神经数据，但也表明原始时间距离模型在统计上也同样有效。这表明，尽管前楔叶以单调方式表示时间距离，但这种表示的具体功能形式（对数与非线性函数）仍然是一个未解决的问题。尽管我们研究的18分钟时间范围可能不足以揭示在更长时间的自传时间尺度上可能占主导地位的压缩非线性，但我们的截断分析仍然稳健地证明了这种时间编码是一个真实的梯度，而不是比较时间谱极端端的产物。

总之，后内侧系统似乎是在结构化的情景体验中组织时间关系的，而不是将时间表示为一个全局的度量。这种视角将时间编码与事件分割和背景记忆组织的理论联系起来，表明时间抽象是在检索自然主义的第一人称体验时，时间表征与情境表征之间的相互作用中产生的。尽管如此，目前的研究结果应谨慎解读，并需要在更大规模的独立样本中进行复制。方法细节：实验设计、刺激物和任务。在记忆编码阶段，参与者玩了一个包含七个不同但相关章节的互动视频游戏，每个章节持续大约几十分钟（见图S1和表S1，视频S1中包含了编码阶段的摘录）。由于该视频游戏的性质，章节内的片段比章节间的片段具有更连贯的故事线，但所有章节都通过一个共同的情节相互连接。在24小时的保留期后（第二天），在每次试验中，参与者需要判断两张图片（来自他们个人玩过的视频游戏，见图1B），这些图片描绘了他们记忆中两个时间点的顺序，同时测量他们的血氧水平依赖性（BOLD）活动（TOJ任务，见图1C）。假设存在一个无尺度的时间记忆表征，我们操纵了所有图片对之间的时间距离（TD），使得TD分布遵循一个幂函数，从而在受试者之间保持尺度不变性（60个TD级别，见图1D）。为了测试TD与其编码背景之间的交互作用，我们通过控制记忆测试中呈现的图片是否来自同一章节或相邻章节来操纵“背景”因素，同时保持两种条件下的60个TD完全匹配（章节内 vs. 跨章节，见图1E）。这种双 sessions 设计是由于需要在受试者内部进行 TMS 对比平衡协议所要求的。每个参与者都完成了控制顶点刺激 session 和 precuneus 刺激 session，以便评估个体内的刺激效应。这两个 session 还最小化了低频 rTMS 效应的延续，并确保每次检索测试都在不同的刺激条件下进行。

视频（7.55 MB）：视频 S1。来自编码阶段的一段电影摘录。

编码：互动视频游戏
这款动作冒险视频游戏（Beyond: Two Souls）由法国游戏开发商 Quantic Dream 制作，适用于索尼计算机娱乐公司开发的 PlayStation 4 游戏机。参与者以第一人称视角玩游戏。为了确保参与者掌握操作能力，他们还接受了使用另外两个游戏章节的训练（训练章节：Welcome to the CIA 和 The Embassy）。训练 session 的持续时间因每个参与者使用游戏机的熟练程度而异（每个章节 40 – 60 分钟）。训练结束后，参与者在两个 session 中共玩了 14 个章节：实验 Session 1 中玩了 7 个章节，Session 2 中再玩了 7 个章节（见图 1）。他们玩的游戏被录制并存储为单个 MP4 格式的视频文件（章节 1～7：My Imaginary Friend, First Interview, First Night, Alone, The Experiment, Night Session, Hauntings；章节 8～14：The Party, Like Other Girls, Separation, Old Friends, Norah, Agreement, Briefing；见图 S1）。为了获得最佳的 TMS 效果，我们在实验 session 开始前的另一天安排参与者进行了解剖学 MRI 扫描，让他们熟悉游戏玩法，并测量了他们的主动运动阈值（用于 TMS）。这有助于确保 TMS 施加（在 MRI 扫描仪外）和检索测试（在 MRI 扫描仪内）之间的时间间隔尽可能短。

检索（扫描）：时间顺序判断（TOJ）任务
我们的问题关注于检索阶段。我们参数化了一组由不同时间间隔分隔的事件对，并应用了多变量搜索光表示相似性分析（RSA）来比较神经表示差异矩阵（RDM）与几个参数化的假设/候选模型。在整个大脑中应用这种方法，可以在 9 毫米半径的球形搜索光范围内识别局部多体素模式，从而获得支持情景记忆中时间距离的局部神经表征的快照。此外，为了增强解剖学关联的因果强度，我们使用重复经颅磁刺激（rTMS，见图 1F）干扰了识别出的关键区域。尽管 rTMS 可能会影响更广泛的神经回路而不仅仅是单一的、空间上明确划分的区域，但针对这个特定节点的刺激使我们能够通过可逆操作来测试其在中介时间距离表示中的功能必要性。

TOJ 检索任务要求参与者选择他们在视频游戏中较早出现的图片。从操作上讲，TOJ 任务并不直接询问时间距离，而是依赖于大脑对时间结构的表示，包括顺序和距离。在这里，我们改变了事件之间的延迟（60 个级别，见下文），并考察了大脑活动和表现如何随这种延迟变化——实际上使用 TOJ 任务作为时间距离表示的代理。我们认为 TOJ 是一种实用且可控的方法，可以探究在检索过程中时间分离是如何组织和访问的。由于编码阶段完全由个别参与者决定，因此不可能仅基于图片属性来做出他们的判断。任务在 MRI 扫描仪内进行，其中视觉刺激通过 E-prime 软件（Psychology Software Tools, Inc., Pittsburgh, PA）呈现，并通过镜子系统反射给参与者。每次试验持续 5 秒，在此期间参与者进行时间顺序判断。然后他们有 3 秒的时间来报告他们的信心水平。参与者使用一只手的食指和中指通过一个兼容 MRI 的五键响应键盘（Sinorad, Shenzhen, China）来执行 TOJ 任务。参与者用另一只手的四个手指（不使用拇指）报告他们对 TOJ 正确性的信心水平（“非常低”、“低”、“高”或“非常高”）。左右手的反应在参与者之间进行了平衡。参与者被指示尽可能快速且准确地回答，以确保他们参与了主动的记忆检索过程。参与者被告知应以相对的方式报告他们的信心水平，并充分利用整个信心范围。在这些判断之后，会呈现一个持续时间可变的注视交叉图形（1 – 6 秒）。每个参与者在两个实验 session 中各完成了 240 次试验。为了确保他们理解任务程序，参与者使用了他们在训练 session 中玩过的另外两个章节的图片进行了 15 次练习试验。在扫描仪外，参与者完成了一个惊喜识别测试；这些数据在此不报告。

对于 TOJ 任务，我们从参与者前一天玩过的特定记录视频中选择了静态图片。视频中的每一秒由 29.97 张静态图片（帧）组成。对于每个游戏 session，从七个章节中提取了 240 对图片，并根据以下标准进行配对：（1）两张图片必须来自同一个章节或相邻章节（章节内 vs. 跨章节）；（2）两张图片之间的时间距离（TD）在章节内和跨章节条件下匹配；（3）为了最大化 TD，我们首先选择了视频中的第二长章节，并根据幂函数确定了最长的 TD（功率 = 1.5），同时确保最短的 TD 长于 30 帧。我们在这些对中生成了 60 个渐进级别的 TD（每个级别重复两次）。总之，关于 TOJ 检索任务，操纵了三个受试者内部因素：（1）60 个 TD 级别，以在两个图像之间保持尺度不变性（见下文）；（2）背景（两张图片来自章节内或跨章节）；（3）TMS 刺激（TMS-precuneus vs. TMS-vertex，见下文）。

选择 60 个时间距离（TD）级别
为了最大化所有 TD 的范围，我们首先选择了视频中的第二长章节，并确定了最长的 TD（L），同时确保最短的 TD 长于 30 帧。60 个 TD 级别是根据以下函数选择的，???????=???(??/60)1.5，其中 L 表示每个实验 session 中第二长章节的持续时间，n 表示 TD 级别，TDn 的值使用 MATLAB 中的“round”函数四舍五入到最接近的整数。需要注意的是，实际的 TD 在不同参与者之间是不同的，但由于我们应用了幂函数，因此尺度保持不变。从每个章节中提取图片对的过程在参与者之间是独立的，但参与者玩的每个章节的长度在他们之间是可比较的。所有参与者中，最短和最长的 TD 分别为 0.90 秒（约 1/60 分钟）和 10.7551 秒（约 17.93 分钟）。

经颅磁刺激（TMS）程序和协议
TMS 使用一个 70 毫米的 Double Air Film Coil 进行，该线圈连接到一个 Magstim Rapid2（The Magstim Company, Ltd., Whitland, UK）。为了精确定位目标脑区，我们获得了个体的解剖 T1 加权磁共振图像，然后将它们导入 BrainSight（Rogue Research Inc., Montreal, Canada）中进行 TMS 线圈与参与者大脑的立体定位配准。线圈的位置和受试者的头部位置在 TMS 期间使用 Polaris 光学跟踪系统（Northern Digital, Waterloo, Canada）进行共同注册。两个刚体的位置数据实时注册到一个共同的参考框架中，并使用 BrainSight 投射到受试者的三维 MRI 图像上。线圈的中心被持续监控，以确保它正好位于感兴趣的位置。对于所有位置（顶点、precuneus 和测量静息运动阈值的运动区域），TMS 线圈与颅骨表面保持切线接触，并以头尾方向放置。使用一个可调节的框架将 TMS 线圈牢牢固定到位，同时参与者将头部靠在下巴支撑上。头部运动由 BrainSight 持续监控，可以忽略不计。我们测量了受试者的静息运动阈值，定义为在至少 10 次连续脉冲中引发右手食指可见抽搐所需的最低 TMS 强度。用于确定静息阈值的位置是通过在左半球运动皮层上施加的单次 TMS 脉冲来确定的。TMS 线圈系统地移动，直到找到诱导最大和最可靠的运动反应的最佳皮层位置；然后记录该刺激输出。TMS 强度随后校准为个体静息阈值的 110%（刺激器输出：75.2 ± 6.9%，平均值 ± 标准误差，范围从 63% 到 88%，见表 S1）。在实验 Session 1 和 2 中，TMS 以 1 Hz 的低频率施加，持续时间为 20 分钟。我们在将参与者送入扫描仪进行检索测试之前立即进行了 TMS 操作。低频刺激（1 Hz）会产生皮层内抑制效应，抑制效应的持续时间随刺激长度而变化，因此较长的刺激持续时间会引发更长的抑制效应持续时间。我们研究中采用的 rTMS 协议已知会产生超过 60 分钟的抑制效应，这些抑制效应在刺激结束后几小时内也会消退。鉴于我们的 TOJ 检索测试持续时间 <45 分钟，rTMS 效应的持续时间应该足够长，以满足任务需求。

TMS 刺激部位
目标刺激施加到 precuneus（MNI x, y, z = 6, -70, 44），而对照刺激施加到顶点。为了进行神经元导航，目标 MNI 坐标使用 SPM12 中的 MRI 预处理期间估计的空间归一化参数的逆向转换，转换为每个个体的原生 T1 解剖空间。然后将得到的特定于受试者的目标坐标导入 BrainSight，并叠加在参与者重建的三维 T1 图像上。TMS 线圈使用 Polaris 光学跟踪系统与 BrainSight 进行配准，并在整个刺激会话期间持续监控和保持在个体空间目标坐标上。顶点由距离左侧和右侧耳前的相同距离以及距离鼻根和枕骨后端的相同距离的点来定义。由于两个大脑半球的折叠，受刺激的顶点位置与TMS线圈相距较远，从而降低了磁脉冲的有效性。刺激顶点并未观察到与记忆任务相关的效果，因此被认为是一个可靠的对照部位。本研究中的刺激强度和协议已在类似研究中得到验证，这些研究通过针对楔前叶或外侧顶叶皮质产生与记忆相关的变化，同时对相邻区域的影响较小。尽管我们选择了左侧偏移的刺激坐标（x = 6），并且SPM聚类标记使用“左”或“右”来标识单变量峰值，但TMS目标本身实际上是位于中线附近（x坐标值较小），这一选择与我们之前的研究一致。需要注意的是，由于头骨几何结构（头皮到大脑的距离）和线圈放置的限制，TMS研究中经常使用中线附近的靶点，同时仍能覆盖中线组织。刺激结束后，参与者立即在MRI扫描仪中进行了四次时间顺序判断任务（TMS结束到MRI开始之间的延迟时间：Mprecuneus = 15.29分钟，Mvertex = 20.76分钟，t(16) = -0.87，p = 0.4）。

**定量与统计分析**

**MRI数据采集与预处理**
所有参与者都在山东师范大学使用3-Tesla西门子Trio磁共振成像扫描仪进行了扫描，该扫描仪配备了32通道头部线圈（西门子医疗解决方案公司，德国埃尔朗根）。在两次实验中，每位受试者共进行了4次扫描，每次扫描产生1,350个fMRI体积数据。功能图像的采集参数如下：TR = 2000毫秒，TE = 30毫秒，视野（FOV）= 230 × 230毫米，翻转角度 = 70°，体素大小 = 3.6 × 3.6 × 4毫米，共33层切片，扫描方向平行于AC-PC平面。此外还采集了高分辨率的T1加权MPRAGE解剖图像（TR = 2530毫秒，TE = 2.34毫秒，TI = 1100毫秒，翻转角度 = 7°，FOV = 256 × 256毫米，192层矢状切片，层厚0.9毫米，体素大小 = 1 × 1 × 1毫米）。

**预处理**
预处理使用SPM12（http://www.fil.ion.ucl.ac.uk/spm）软件完成。扫描图像被重新对齐到中间EPI图像上，结构图像与平均功能图像进行配准，并利用结构图像分割得到的参数对功能图像进行标准化处理，随后将图像重采样为3 × 3 × 3毫米。重新对齐并标准化的图像通过8毫米全宽半高（FWHM）的高斯核进行平滑处理，以符合随机场理论的假设并提高组间分析的敏感性。数据采用广义线性模型和表征相似性分析进行处理，过滤器的截止频率为256赫兹，并使用自回归AR(1)模型校正自相关性。

**功能性MRI数据分析**

**参数调制分析**
仅对TMS-顶点会话收集的fMRI数据进行了第一级建模（包括所有试验或分别针对跨章节与章节内条件）。在所有模型中，每240次试验都用典型的血流动力学响应函数进行建模，响应持续时间为5秒。

对于TMS-顶点会话（跨章节和章节内试验合并），我们进行了两次参数调制分析（pmod），每次分析使用不同的调节回归器组合（即TD；TD + RT）。在TD pmod中，我们将编码时的实际TD值作为调节参数，并使用最高一阶的多项式函数。同时还包括了一些不相关的回归器：6个头部运动回归器和1个缺失试验回归器（即无反应试验；跨章节条件的缺失试验数量为5.65 ± 6.96次，章节内条件为5.29 ± 6.8次；n = 17，平均值 ± 标准差），以及试验的平均值。这项分析的目的是检测编码时TD与同一事件检索期间的脑活动之间的线性TD依赖性调制。在TD + RT pmod中，我们旨在消除反应时间的影响后，识别出TD变化导致活动改变的体素。将每个受试者在不同TD水平的RT值作为调节参数，以及上述不相关的回归器一起纳入分析。

在跨章节与章节内条件的比较中，也使用了相同的回归器组合进行了两次pmod分析。我们寻找作为感兴趣回归器（即TD）线性函数的大脑响应变化。通过多变量回归分析创建了对比图，并将第一级参数分析的对比图用于第二级组间分析，采用单样本t检验。组间分析使用随机效应模型进行，统计阈值在簇水平上设定为p < 0.05（FWE校正），在未校正的峰值水平上设定为p < 0.001，遵循SPM12的标准程序。

**Searchlight表征相似性分析（searchlight RSA）**
RSA分析在图像重新对齐和标准化后使用RSA工具箱（http://www.mrc-cbu.cam.ac.uk/methods-and-resources/toolboxes/）进行，但未进行平滑处理。

在跨章节与章节内条件的比较中，每个独特的TD水平都使用单独的回归器进行建模，并生成T统计量图（spmT图），总共生成了120张统计图（跨章节条件与章节内条件；每个TD水平重复2次）。在TMS-顶点与TMS-楔前叶条件下的比较中，我们将跨章节和章节内的相应试验合并，各自生成了60张统计图（每个TD水平重复4次）。使用搜索light RSA方法，从脑体积中提取半径为9毫米的球形搜索区域（包含93个体素，体积 = 2,511立方毫米），然后将60个TD水平的数据（即信号强度）进行Person乘积矩（1 - r）相关性分析，以生成表征差异矩阵（RDM），反映两种条件下的BOLD信号响应差异。这些神经RDM随后与一组候选RDM进行Spearman-rank相关性分析（图3F），生成相关矩阵（r-maps）。最后，这些r-maps通过Fisher变换转换为z-maps。所有z-maps都经过组别水平单样本t检验，以识别预测RDM与观测神经RDM之间的相似性大于零的体素。这使我们能够识别出在检索过程中可能表示TD信息的体素（图S3）。统计阈值与单变量分析中的阈值相同，即簇水平上设定为p < 0.05（FWE校正），未校正的峰值水平上设定为p < 0.001。需要注意的是，RSA不要求实证RDM与模型RDM之间的视觉相似性，而只要求成对距离的等级顺序相似性（即系统协变性）。RSA的逻辑是，如果候选模型能够捕捉到脑区中表示的信息，那么神经数据中成对差异的等级顺序应该与模型预测的差异相匹配。此外，组平均神经RDM并不一定完全反映个体在受试者层面神经RDM的变异性。这里的搜索light RSA量化了神经差异的几何结构是否与模型预测的几何结构相匹配。这种推断不依赖于组平均RDM内的绝对值，而依赖于受试者特定神经RDM与模型RDM之间的对应关系。最终得到的神经RDM用于测试涉及相似时间距离的试验是否引发了相似的多体素模式。这种分析应被视为对检索时间距离的表征，而不是对两个被探测事件之间的直接项目间相似性测量。

**留一法（LOSO）、功能性和解剖学ROI**
我们采用了LOSO方法来创建功能性ROI，以避免统计偏差（Esterman等人，2010年）。例如，为了识别Subj01的ROI（即图3D中的联合掩码），我们使用整个大脑搜索light z-maps对Subj02至Subj17的数据进行单样本t检验来估计对比度。同样地，我们也使用Pmod分析的结果对Subj02至Subj17的对比图进行了单样本t检验来估计对比度。我们使用上述相同的阈值从这两个统计图中提取聚类。然后我们将两个结果图叠加，并提取出一个联合区域（mask01），用它来从Subj01的searchlight z-map中提取值以进行进一步的统计分析。这个过程重复了17次，生成了17个不同的ROI，提供了统计上独立的区域来比较不同条件下的差异。

对于解剖学ROI（如图5和S7所示），我们根据AAL模板创建了7个区域（双侧楔前叶、双侧角回、双侧海马体和枕叶皮质）作为掩码。我们提取并计算了每个受试者在这些掩码内的相似性值以进行统计测试。为了确保所有候选ROI的一致性，对于楔前叶的分析，我们选择了解剖学ROI（而不是从图3D获得的功能性ROI）。在涉及多个候选模型或区域的ROI分析和RSA模型比较中，p值使用FDR程序进行了校正。对于整个大脑的体素级SPM分析，鉴于大量的空间结构化比较，FWE簇级校正是标准的；而对于较小的RSA模型/ROI比较，FDR是适当的，遵循Nili等人的方法。

**候选表征差异矩阵（RDM）**
- **模型0（原始TD RDM，60 × 60）**提供了一个不假设对数压缩的对比模型。“原始TD”是指直接从未经转换的时间距离值构建的RDM，而不是从实证神经数据本身构建的。对于这个模型，我们直接从受试者指定的TD值（以秒为单位）计算了每对图像之间的绝对差异，没有应用任何对数转换。这些原始的时间差异在所有60个TD水平上成对计算，生成了60 × 59/2个值，然后分配到RDM的相应单元中。
- **模型1（对数TD RDM，60 × 60）**：我们根据章节内条件（或跨章节条件）对60个TD水平上的差异进行了排序，从最短到最长TD。首先对每对图像的TD值进行对数转换，然后计算它们与其他TD水平之间的差异，生成了60 × 59/2个值，这些值随后被分配到RDM的相应单元中。
- 模型0和模型1用于分析试验间神经模式的第二阶相似性或距离（即不同TD条件引起的神经模式间的差异），而不是单次试验中呈现的两个图像之间的感知相似性。它们编码了与刺激相似性无关的时间维度上的假设表征结构：我们测试的是TD检索期间的fMRI神经模式是否随着检索的时间分离程度的不同而变化。我们的预测是，具有相似时间距离的试验（例如TD = 5秒对比TD = 7秒）应该引发相似的神经模式（RDM中的低相似性），因为大脑正在进行类似的记忆操作——检索两个时间上接近的瞬间。相反，具有非常不同时间距离的试验（例如TD = 5秒对比TD = 500秒）应该引发相当不同的神经模式（RDM中的高相似性），因为检索操作因时间距离巨大而显著不同。
- **模型2（情境变化RDM，60 × 60）**：由于时间和空间维度紧密相关，我们检查了情境变化是否会影响代表TD信息的那些体素中的神经模式。我们逐帧分析了受试者的视频，并标记出情境位置变化的边界（见图S1D的插图）。然后我们计算了每对图像中包含的情境变化数量，并进一步计算了这些变化与其他条件的差异，共得到了60×59/2个数值，这些数值被分配到了RDM（Rich Data Matrix）对应的单元格中。关于另外八个候选模型的详细信息（感知层面：RGB互相关、RGB强度、RGB直方图、SIFT、SURF、HOG；行为层面：反应时间、准确率）在文本S2中有描述。

**行为数据分析：**
在时间顺序判断任务中，参与者的准确率和反应时间（RT）使用了R语言中的混合效应模型进行分析。准确率通过混合效应逻辑回归模型进行建模，而反应时间则采用线性混合效应模型进行分析。在两个模型中，都包含了中心化时间距离（TD，单位为帧）、上下文（跨章节 vs. 章节内）以及TMS（经颅磁刺激） session（TMS-顶叶 vs. TMS-楔前叶）作为固定效应，并考虑了所有的二阶和三阶交互作用。为了考虑个体差异，两个模型中都加入了受试者的随机截距项。对于准确率的逻辑回归模型，使用了二项分布和似然比检验（LRT）来进行显著性测试；而对于反应时间的线性混合效应模型，则采用了Kenward-Roger近似方法来确定自由度。模型拟合使用了afex包。对于准确率和反应时间，显著的交互作用都通过使用估计的边际均值（R语言中的emmeans包）以及成对对比来分析具体的条件差异。在适当的情况下，进一步进行了事后成对比较以完成多重比较。

**补充信息（1）**
PDF文件（2.70 MB）：文档S1，包括图S1–S7、表S1以及文本S1和S2。