打开网易新闻 查看精彩图片

导语

清醒和睡眠时,大脑离临界状态有多远?一项2026年10月28日发表于 PNAS 的研究提出,只需一段单变量时间序列,就能估计这个距离。研究者先拟合信号的动力学,再计算平均每秒能从信号中获得多少比特的信息,用来区分拟合模型与最接近的临界模型。把这把以“比特/秒”为单位的尺子用在大鼠和小鼠的视觉皮层放电记录上,两套数据给出了相同的结果:清醒时最接近临界,非快速眼动睡眠时最远,快速眼动睡眠介于两者之间。

关键词:脑临界性、单变量时间序列、时间重整化群、自回归模型、KL 散度率、睡眠与觉醒

集智编辑团队丨作者

打开网易新闻 查看精彩图片

论文题目:Defining and measuring proximity to criticality based on univariate time series 论文链接:https://www.pnas.org/doi/10.1073/pnas.2526984123 发表时间:2026年10月28日 论文来源:PNAS

大脑为什么可能在临界附近工作?

大脑既要对微弱的信号作出反应,也要让活动适时平息。试想一小群神经元受到刺激后开始放电。如果活动很快衰减,它的影响可能只停留在局部;如果活动容易自我放大,一次微小的扰动也可能引发大范围放电。两种动力学行为的分界,就是这里所说的临界。脑临界性假说认为,大脑可能在这一分界附近工作,使信号有机会传播,同时避免活动持续放大。

沙堆可以帮助理解这种传播。往沙堆上添一粒沙,有时只带动附近几粒沙滚落,有时却会引起一连串滑落。在神经活动中,类似的级联被称为神经雪崩。如果雪崩大小的分布在很宽的尺度范围内近似遵循幂律,它就为临界性提供了一条线索。其他机制也可能产生幂律,因此仅凭这一现象,很难判断系统究竟离临界有多远。

这就引出了本文要回答的问题:如果手里只有一段神经放电记录,能否估计大脑离临界有多远?

打开网易新闻 查看精彩图片

图1:从⼀段单变量时间序列出发,先拟合时间序列模型,再测量这个模型到“临界流形”的距离。图中绿⾊区域为临界流形,红点靠近临界,蓝点远离临界。

只有一段信号,怎么量出临界距离?

在许多物理实验中,研究者可以通过改变温度等控制参数,观察系统何时发生相变。找到临界点后,就可以用当前参数值与临界值的差来衡量系统离临界有多远。

研究大脑时,这条路很难走。哪些参数决定神经活动会逐渐衰减,还是持续放大,往往难以确定,也很难逐一调节。实验中能直接拿到的,有时只是一段随时间变化的神经元放电记录,也就是一条单变量时间序列。

要用这段记录估计临界距离,首先得在时间序列模型里找到一个参照:什么样的模型可以称为临界?研究者从时间尺度入手,把同一段信号放到越来越粗的时间尺度上观察,看它还保留着怎样的结构。

把时间⼀层层“粗粒化”

要在一段信号里识别临界性,可以先问:如果把观察的时间尺度拉长,信号中还有哪些规律会保留下来?

物理学家用重整化群(renormalization group,RG)研究规律如何随尺度变化。以磁性材料为例,可以把相邻的磁矩合并成一块,用一个整体变量来描述,再观察更大尺度上的磁性行为。这种逐步合并细节的操作叫作粗粒化。对于一条神经放电时间序列,研究者可以沿时间轴做类似的操作,从较短的时间间隔逐步过渡到较长的时间间隔。论文把这套方法称为时间重整化群(temporal renormalization group,tRG)。

打开网易新闻 查看精彩图片

可以把它想成把放电记录的时间刻度逐步调粗:先看几十毫秒内的变化,再看几百毫秒乃至更长时间里的起伏。时间刻度越粗,短促的波动越难分辨,较慢的变化就越显眼。研究者关心的是,反复粗粒化并重新标定尺度后,信号的低频谱会趋向什么形状。

对自回归(AR)模型,这个过程可以解析求解。当频率 ω 接近零时,谱密度的主导形式为

打开网易新闻 查看精彩图片

当 β=0 时,低频谱趋于平坦,对应白噪声固定点。当 β=2,4,6,… 时,谱密度以不同的幂次趋于零,对应不同的非平凡固定点。论文据此定义了不同类型的临界模型。有了这些参照,下一步就可以问:从实际信号拟合出来的模型,离最近的临界模型有多远?

打开网易新闻 查看精彩图片

图2:(A–D)对临界与⾮临界时间序列做粗粒化,前者流向 β=2 的⾮平凡固定点,后者流向⽩噪声;(E)⽤过去 n 步预测当前值的⾃回归模型;(F)模型空间中到不同临界流形(β=2,4,6)的距离d2、d4、d6;(G)两步分析流程。

用“比特/秒”衡量临界距离

时间重整化群给出了参照:每一种临界类型都对应模型空间中的一组模型,也就是一条临界流形。接下来要问的是,从实际信号拟合出来的模型,离这组临界模型有多远?

研究者用KL 散度率衡量两个模型在观测上有多容易区分。假设信号由拟合模型生成,平均每多观察一秒,能积累多少比特的证据来区分它与一个临界模型?这就是“比特/秒”的含义。这个量取决于两个模型对信号的概率描述,换一种方式表达模型参数,结果依然相同。

打开网易新闻 查看精彩图片

对于某一种临界类型,研究者在对应的临界流形上寻找与拟合模型最难区分的模型,并把两者之间的 KL 散度率定义为临界距离。这个值越小,观测数据区分二者的速度就越慢,拟合模型也就越接近该类临界。当拟合模型本身落在这条临界流形上,距离为零。

对于 n 阶自回归模型AR(n),KL 散度率有解析表达式。论文把到 β=2 临界流形的距离记作 d2,到 β=4 和 β=6 临界流形的距离分别记作 d4 和 d6。这些距离满足 d2≤d4≤d6≤…。

实际分析分两步:先用观测数据拟合自回归模型,再计算拟合模型到指定临界流形的最小 KL 散度率。

打开网易新闻 查看精彩图片

处理分段数据时,研究者用 Yule–Walker 方程从各段的平均自相关估计模型系数。追踪临界距离随时间的变化时,他们在滑动窗口内采用最大似然估计,并给出距离估计的不确定性。

从模拟检验到脑记录:清醒时更接近临界

临界距离 d2 是从自回归模型算出来的,估计是否可靠,取决于这个模型能否捕捉原始信号中与临界性有关的特征。实际的神经活动涉及多个神经元之间的非线性相互作用,记录下来的则是一串离散的放电脉冲。用线性、高斯的自回归模型拟合这样的信号,算出的距离还能反映原系统离临界有多远吗?

在分析真实的神经放电记录之前,研究者先选取四类临界距离已知的模型生成模拟数据,再用自回归模型拟合这些时间序列,把算出的 d2 与已知距离逐一比较。图 3 展示了霍克斯过程、非线性朗之万方程和爆发式动力学的结果。

打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片

图3:(A–C)霍克斯过程;(D–E)⾮线性朗之万⽅程;(F–G)爆发式动⼒学。⿊点为真实 DTC,彩⾊为d2估计。⼤多数参数组合下两者贴合;红⾊虚线区域是例外⸺极端爆发式数据⾥,AR 模型拟合差,d2会⾼估距离。

随后,研究者分析了大鼠和小鼠初级视觉皮层的两套独立放电记录。两套数据给出了相同的排序:清醒时最接近临界,非快速眼动睡眠(NREM)时最远,快速眼动睡眠(REM)介于两者之间。用 60 秒滑动窗口估计的 d2 还能追踪睡眠与清醒的转换,用于状态分类时,在小鼠和大鼠数据上的准确率分别为 94±1% 和 74±2%。即使在同一状态内,d2 也能反映肌电信号的波动。

打开网易新闻 查看精彩图片
打开网易新闻 查看精彩图片

图4:(A–C)⼩⿏在清醒、NREM、REM 下的放电与脉冲计数序列;(D)每个点是⼀次记录,蓝=清醒、红=NREM、绿=REM,灰⾊为速率匹配的泊松替代数据;⼩⿏与⼤⿏都表现为清醒最近、NREM 最远;(E–F)雪崩⼤⼩与持续时间的分布,清醒时幂律范围最宽;(G–H)肌电与 60 秒滑窗的 d2 时间序列;(I–K)状态预测、肌电预测与不确定度。

神经雪崩分析主要统计每次放电级联的大小和持续时间,d2 还把两次雪崩之间相对安静的时段纳入估计。这或许解释了为什么 d2 能识别出一些雪崩分析未能检出的清醒与 NREM 睡眠差异。

这把尺子能量到哪里?

它衡量的是单条时间序列的时间结构。对多通道记录,可以先提取主要活动模式,再逐一估计临界距离。神经活动在空间上是否具有尺度不变性,还需要借助空间测量来判断。

估计的可靠性取决于模型拟合。前面的模拟显示,放电爆发过于剧烈时,自回归模型难以描述信号,d2 可能高估临界距离。作者提出,下一步可以为更适合描述爆发式数据的模型建立相应的时间重整化群方法。

其他神经信号仍有待检验。论文在真实神经数据中的验证集中于放电脉冲记录。应用到脑电、功能磁共振或局部场电位时,需要先检验自回归模型是否适用,以及滤波等预处理是否保留了估计所需的低频信息。

这项研究给脑临界性假说提供了一个可量化的检验方式。在模型能够较好描述信号的前提下,研究者可以用同一个以比特/秒为单位的指标,比较不同状态下的神经活动离临界有多远,也可以追踪这一距离如何随时间变化。

整合信息论读书会

为什么我们在清醒时有意识,而在无梦的睡眠中意识水平大大降低?为什么我们的意识由大脑的某些部分产生,而非其他部分?为什么大脑的特定部分与视觉和听觉等意识体验密切相关?这些具体的问题本质上涉及到,理解决定一个系统产生意识体验的条件,以及理解决定一个系统具有何种意识的条件。整合信息论(IIT)试图用几何学一般的公理体系来解释意识是什么,意识如何测量。根据该理论,意识对应于一个系统整合信息的能力。

为了深入探索意识奥秘,系统梳理整合信息论的理论体系,北京师范大学系统科学学院教授、集智俱乐部创始人张江领衔发起,组织对本话题感兴趣的朋友,深入研读相关文献,激发科研灵感。读书会分为以下几个部分:整合信息论综述,基础理论框架,近似计算方法,在神经科学中的应用,在复杂系统中的拓展应用,Φ与系统临界态,以及机器意识。读书会已完结,现在报名可加入社群并解锁回放视频权限。!

详情请见:

打开网易新闻 查看精彩图片

1.

2.

3.

4.

5.

6.

7.