脑磁gamma频段对自然刺激的表征在不同被试间具有一致性|gamma|传感器|相似性|试间|频段

来源：PHI group

典型的大脑反应响应了受试者之间对自然刺激的神经表征相似性。例如，在观看自然电影过程中，fMRI测量发现视觉脑区的被相关（ISC）很高。但是，fMRI的电生理基础一直存在争议。基于时间序列的ISC分析证实，在视觉脑区的低频波段具有显著的被试间同步性，而gamma频段的时间相关性较低。然而基于代表性相似性分析（representational similarity analysis，RSA）研究结果表明，gamma 频段也反映了场景表征的典型大脑反应。

试间

脑磁gamma频段对自然刺激的表征在不同被试间具有一致性

作者：Yiran Chen, Reza Farivar

01回答什么问题？

在自然刺激场景中gamma波跨被试的典型表征。

02如何回答？

1. 首先指出在电生理研究中，视觉区域高频信号活跃的现象和自然刺激中被试间相关（ISC）在低频信号显著、而在高频信号不显著的现象的冲突。而gamma波已被证明可直接调谐到合成刺激的各种特征，包括方向，大小，亮度和空间频率。

因此作者在时间序列上利用被试间相关，时频分析上运用代表性相似性分析(Kriegeskorte, 2008)来推导被试间相关无法捕获的相似性度量。

2. 采用自然刺激的研究。采集了24名被试观看2段不同电影，相同电影中处理（单眼，立体）的脑磁反应，并记录了生物电用于去除噪音。并扫描了没有被试的对照组。

范式

3. 0.5HZ-300HZ带通滤波后，为了分析时域和频域的活动，在六个不同的振荡频段中进行了希尔伯特变换。6个频段分别是delta (2-4 Hz), theta (5-7 Hz), alpha (8-12 Hz), beta (15-29 Hz), gamma1 (30-59 Hz), and gamma2 (61-90 Hz)。

4. 每段电影被编码成10个不同的场景，在每个场景中，取样10个不同的样本，作者测试了是否可以从每个频段的传感器模式中预测电影场景标签。

利用线性判别（LDA）训练分类器中，将分类结果的混淆矩阵（confusion matrix,CM）转换成表征差异矩阵（representational dissimilarity matrices，RDM），RDM的上三角反映正确的预测，并用于计算分类准确性。

作者计算了每个影片剪辑，每个被试和每个频段的平均分类准确性。在此分析中，将4个影片剪辑的结果取平均值，还对没有被试的对照记录进行了相同的分析，我们对这两种状况之间的每个频段进行了样本t检验（双尾）。

5. 为了评估场景的神经表征，作者估计了不同场景之间的代表性相似性。

6. 为了估计场景之间的结构相似性，作者将来自所有帧的视频图像均匀划分为25个矩形部分。对于每个部分，我们计算了几个帧方向的图像指标，包括每个部分的平均亮度，均方根（RMS）对比度，平均深度和RMS深度对比度（总共四个指标）。

7. 在ROI-wise和vertex-wise做了相关研究。

图1 分析流程图

03用什么证据回答？

1. 可重复前人的研究。低频信号的ISC具有显著意义，高频信号的ISC有少量ROI具有显著意义。随着频率的增加，视觉区域等级不断降低，ISC持续下降。在腹侧视觉通路和背侧视觉通路中都发现了这种下降现象。

图2 25个视觉脑区关于跨6个频段的ISC

2.在vertex-wise也有相似的结果。

图3 六个频段内纵向ISC统计图

3. 不同频段的电影场景分类精度：两个gamma频段均在本研究对象组中显示出高分类准确度（平均准确度分别为28.5％和36.8％）。alpha频段显示在有被试和无被试的对照组之间有一定的差异。

其他频段显示有被试和无被试之间无显着差异。无被试组的分类性能接近理论机会水平的1/10，而gamma频段显示的分类性能高于机会水平。

4. 电影场景的分类和电影场景表征的地形图。对每个单个传感器的数据进行分类，以确定信息传感器的空间分布。然后将正确分类的比例显示在地形图上，以显示信息传感器的物理分布。gamma1和gamma2频段在位于头部后部和头部前部的某些传感器上均显示出较高的正确分类比例。

图4 单传感器地形分类

5. 使用图像和深度统计数据，通过将传感器的代表性差异矩阵（RDM）与场景结构差异相关联，来评估每个频段的关系。对于delta带中的深度RMS对比度，alpha带中的深度RMS对比度，gamma2频段中的亮度以及gamma频段中的对比度，观察到边缘显著的相关性。深度RMS对比度与gamma1和gamma2频段的RDM显著相关，即gamma频段可能与复杂的场景结构密切相关。

图5 电影场景的相似性

图6 MEG场景表征与深度统计数据的差异

6. 被试间代表性相关性：通过计算所有被试对RDM的平均成对相关关系进行被试间代表性相关分析。低频段（delta，theta，alpha）都没有表现出显著的被试间代表性相关。在gamma频段中，电影场景的代表性结构存在较强的被试间一致性。

图7 各频段的被试间代表性相关性

04结论

通过使用多元度量来估计被试间的相似度，作者首次证明了MEG所测量的自然电影场景在gamma频段跨被试的表征。这与以前的报告形成鲜明对比，以前的报告使用了跨MEG频段的时间序列相似性，并且仅在低频频带中才观察到。利用此数据集，能够使用时间相关的频率功率变化在很大程度上复制先前的发现。

作者证明了来自MEG研究的电影场景的多元分类性能可用于得出直观且可解释的电影场景相似性可视化效果。作者的研究结果进一步支持了gamma频段能表征自然刺激场景这一重要的观点，并扩展了这一概念以表明gamma表征自然刺激的模式是与结构性电影场景相关，暗示了gamma频段在深度感知中的重要作用。

05主要问题

1. 研究中使用的自然主义刺激电影是非情感性的，并且不包含任何叙事结构。被试观看视频下均采用了中央注视技术，这一点和传统意义的自然刺激研究是有差异的。显得没那么“自然”。

2. 被试间表征相关性的缺点是仅使用传感器数据所以缺少空间信息。

06启发

1. 对于实验设计设置了阴性对照，如没有被试空扫的情况可以帮助确定实验中的干扰因素。