Hello，

这里是行上行下，我是喵君姐姐~

一直以来，自闭症都被认为是一种社交性的大脑紊乱。近来，关于视觉知觉差异的研究对这一观点提出了挑战，然而几乎没有证据可以表明自闭症患者大脑的视觉加工存在改变。我们之前观察到自闭症患者的一种基本视觉现象，即双眼竞争行为的报告率较低。在竞争的过程中，呈现给被试两张图片，每一只眼睛呈现一张，两幅图交替呈现以在感觉上争夺被试的意识。这种竞争在一定程度上依赖于视觉皮层兴奋和抑制的平衡，而视觉皮层在自闭症患者中可能发生改变。然而，这种潜在的兴奋/抑制(E/I)平衡标记在自闭症中缺乏直接的神经证据。

本文中，研究者们报告了自闭症患者双眼竞争神经动力学的一个显著变化。被试观看真实和模拟能够引起双眼竞争的刺激，同时使用EEG测量枕叶皮质上稳态视觉诱发电位(SSVEPs)。首先，研究者们得到了(与他们之前研究中)相同的行为结果，与对照组相比，自闭症患者的双眼竞争更慢，感觉抑制更少。其次，研究者们提供了直接的神经证据，证明自闭症患者比对照组的竞争速度慢，且能反映个体的行为切换率(在双眼竞争中刺激诱发的感觉交换)。最后，研究者们仅使用神经数据就能够预测自闭症症状的严重程度(ADOS)，并正确地分类个体的诊断状态(自闭症与对照组;87%的准确率)。这些发现反映了自闭症神经生物学中的非典型视觉加工。未来，这种模式可能会成为自闭症发展和跨物种研究的非语言标记。该研究发表在Current Biology杂志。

方法
被试

研究招募了23名成年自闭症患者和24名对照组。所有被试的视力正常或矫正为正常，没有注意缺陷多动障碍或癫痫史。根据第四版精神障碍诊断与统计手册(DSM-IV)，经专业临床医生判断，所有自闭症患者均符合国际自闭症诊断标准。九个被试自闭症患者接受精神病药物治疗。被试均在实验前签署知情同意书。

心理测试

使用KBIT-2(表S1)对患有自闭症和没有自闭症的被试进行了年龄、性别和非语言智商的匹配。所有被试完成了自闭症谱系(AQ)自我报告问卷，对自闭症患者和对照组人群的自闭症特征进行了量化。此外，对所有自闭症被试实施了一小时的诊断(自闭症诊断观察表(ADOS-2))。

表S1 心理测量数据（年龄、性别、量表得分等）

刺激及呈现

被试通过立体镜(使用下巴托)，观看距离为30.25 cm的ViewSonic E70fBCRT显示器(宽度:15.6英寸;分辨率:1280 x1024;垂直刷新率:160Hz)。在每一个试次中，都会呈现两种高对比度的棋盘图刺激(图1A，图S1;每个棋盘(宽度5.68°))。每个棋盘以黑色十字为中心，在黄色屏幕水平中心的位置呈现，分别呈现在屏幕的左半边和右半边。立体镜将显示器的左右两侧的刺激反射到被试的左右眼睛中，这样每只眼睛只能看到两个棋盘中的一个。在实验开始之前，对每个被试进行视觉融合测试，即从屏幕边缘向中心缓慢移动两个圆圈，直到被试报告只看到一个圆圈。所有的测试都在一个黑暗的，屏蔽的房间里进行。

为了独立追踪每只眼睛在真实和刺激下的双目竞争中对应的神经反应，对呈现给每只眼睛的两幅图像的频率进行标记。具体为：在每个试次中，这两种棋盘模式中的对比度以不同的频率(5.7或8.5Hz)进行切换。在所有试次间，与每一个刺激/眼睛相关的特征频率(5.7或8.5Hz)在棋盘格(红色或绿色)和眼睛(左或右)之间保持平衡。

图1 实验范式:双眼竞争的神经测量(A) 被试通过镜面立体镜观看两幅标记频率的图像，立体镜将屏幕左右两侧分别反射到被试的左眼和右眼，使每只眼睛都能看到一幅图。(B) 30秒竞争试次的数据样例。

图S1 SSVEP 练习、(双眼)竞争和模拟(双眼)竞争试次

测试阶段包括三个阶段：练习测试(两个15秒的测试)、竞争测试(三个30秒的测试)和模拟竞争控制测试(三个30秒的测试)。每项实验之间都有15秒的休息时间，这一休息时间由屏幕背景的调暗来表示，在此期间，鼓励被试眨眼。在每个试次开始时，屏幕上都会出现黑色圆圈和十字注视点，被试按“向上键”开始刺激。在整个真实竞争和模拟竞争的实验中，要求被试不断地通过按下按钮指出他们知觉到的红色图像、绿色图像，还是两种图像的混合。在实验之前，给予被试全面的任务指导和练习。
在竞争条件下，两只眼睛前呈现不同颜色的棋盘，一只呈现红色的，另一只呈现绿色的。在模拟条件下，两只眼睛前呈现颜色相同的两个棋盘(红色或绿色)。基于实验室之前认知的持续时间图片呈现时间平均值为1.9s。这些竞争模拟试次用以衡量刺激转换上的“ground truth”(特征频率本身引起的)神经反映,以确保任何竞争过程中观察到神经反应的差异不是由每个频带上的基线差异引起的。

EEG 数据获取和预处理

采用Biosemi ActiveTwo系统从头皮后部的36个电极采集EEG连续数据，采样率为512 Hz，低通滤波器0.16 Hz，高通滤波器100 Hz。EEG数据预处理使用MATLAB FieldTrip和Chronux工具箱以及MATLAB代码。对原始数据进行59-61Hz的凹陷滤波，并进行2Hz的高通滤波。使用全脑平均进行重参考。在标准的10-20 Oz电极上分析SSVEP数据。

量化与统计分析

SSVEP数据分析: SNR(信噪比)计算

为了计算每个标记频带(5.7或8.5 Hz)的信噪比(SNRs)，对每个30s试次的数据进行快速傅里叶变换(FFT)，提取每个被试在每个标记频带中的SSVEP响应试次间的平均振幅。在进行FFT之前，预处理的EEG数据对标记频率([5.78.5])的±2Hz的范围([3.7 10.5])进行带通滤波。然后计算每个标记频带的信噪比，即该频带的功率除以周围噪声频带(±0.5 Hz)的平均功率。只对在两种标记频率上的信噪比都超过阈值(2)的试次进行进一步分析。

SSVEP 数据分析: 提取随时间变化的响应振幅

SSVEP数据以三种方式进行分析。首先，为了提取每个频段的响应振幅，30s试次中每个时间点的数据在所需频率周围的±0.5 Hz进行带通滤波，并使用递归最小二乘(RLS)滤波器进行分析。每项试次的第一秒被剔除，以排除刺激开始相对应的视觉瞬变的影响。此步骤的目的是，随着时间的推移跟踪每个频段的响应幅度，从而在30s试次中的每个时间点为每个频段(左眼和右眼)生成一个幅值。

SSVEP数据分析: 反应振幅时间进程和模拟噪声的反相计算

其次，使用反应振幅的连续测量(RLS跟踪)来测试左眼和右眼的频带是否像竞争中预期的那样是反相位(相位相反)的。对于每一个竞争试次，通过计算竞争和模拟实验中两条RLS轨迹的平均PLV(锁相值)(其中0度PLV表示完全同相，180度PLV表示完全反相，计算出左右眼频带之间的反相关系。使用Rayleigh’s检验确定各组PLV分布是否显著不均匀(集中在180度左右)。

SSVEP数据分析: 神经竞争指数计算
第三，为了量化每个个体竞争变化的特征频率，使用反应振幅的连续测量来计算每个被试的神经竞争指数(NRI)。从8.5 Hz的振幅的时间进程中减去5.7 Hz的振幅的时间进程并去平均。随后，利用multitaper法估计各不同时间过程的功率谱(时间带宽乘积TW = 2，tapers数K = 3)，并在试次中取平均值。为了确定每个试次的不同时间过程的特征频率(被试的NRI)，计算了这个试次平均功率的归一化累积分布函数的半最大值。NRIs超过平均数2个标准差的被试被排除(对照组:N = 1;自闭症:N = 1)。

SSVEP数据分析: 互调频率

前人研究表明，两只眼睛发出的信号之间的相互作用可以产生非线性互调频率下的能量(m*f1 ± n*f2)，也就是被试在竞争中的混合知觉。然而，本研究中的第一个相互调频段的SSVEP振幅并不能预测混合态的持续时间(对照组:p = 0.689;自闭症:p = 0.213)和知觉抑制的比例(对照组:p = 0.138;自闭症:p = 0.181)，有无自闭症个体间差异无统计学意义(均p = 0.550)。因此，研究者没有对互调频率进行进一步分析。

支持向量机器分析: 诊断分类

为了确定神经数据是否可以用来对被试的诊断状态分类(自闭症与对照组)，研究者训练并测试了一个二元支持向量机分类器。每个被试的两个特征作为分类器的输入:(1)个体的NRI (2)Oz电极上记录的信号在FFT中标记频率振幅的不同。在所有分析中，分类器的训练和测试使用留一交叉验证的线性核。报告的准确性是交叉验证的平均值。

行为数据分析

被试在每个试次中通过按键(每4ms取样一次)连续报告他们正在进行的知觉状态。随后计算了一系列知觉事件，每当一个按键结束，另一个按键开始时，知觉转换就被识别出来了。实验包括两种类型的转换:“切换”(例如，红色到混合色到绿色)和“反转”(例如，红色到混合色到红色)。
在每个实验中，计算知觉转换的频率，以及知觉抑制的比例。计算每个试次观察完全主导知觉的比例作为知觉抑制比例：(主导知觉持续时间)/(主导知觉持续时间+混合知觉持续时间)。在竞争模拟试次中，通过比较刺激出现在屏幕上的时间和被试相应按键的时间来计算反应延迟。排除预期反应(按键发生在试次开始前)和试次平均反应时间大于2个SDs的试次。
要求被试在每个试次开始时按向上键，直到他们第一次看到主导知觉(红色或绿色)。分析中剔除“竞争开始”相对应的首次按键、持续时间< 400 ms和没有按下任何键的试次。排除竞争知觉持续时间在组平均值2个标准差之外的被试(对照组:N = 2;自闭症:N = 1)。

结果

采用EEG测量37名成年被试(18名自闭症患者和19岁及智商匹配的对照组;表S1)在枕叶皮质上的稳态视觉诱发电位(SSVEPs)，观察真实和模拟条件下的标记频率的双眼竞争(图1A)。在竞争中，对左右眼在图像波动知觉神经元群活动水平的上升和下降进行编码。首先,通过EEG来识别这种与人类大脑竞争相关的反相神经活动。为了独立跟踪竞争期间每只眼睛对应的神经活动的起落，将呈现给每只眼睛的两幅图像的特征频率进行标记为(5.67或8.5 Hz)，并测量随着时间的推移，这两幅图像对应的两个频段的活动(图1A和图S1)。正如预测的那样，在竞争试次(图1B、2A和2B)和对照竞争模拟试次(图3A和图3B)中，左眼和右眼的信号都呈反相波动:一只眼睛的信号增加，另一只眼睛的信号减少。

图2 自闭症大脑较慢的双眼竞争 为了量化左眼和右眼信号的反相位关系，计算左眼和右眼频段功率之间的平均锁相值(PLVs)，其中0度PLV表示完全同相信号，180度PLV表示完全反相信号(图2A)。左眼和右眼信号在竞争试次期间呈显著反相关系 (0度差:p<0.001;180度差:p >0.170;组间差异:p = 0.50)。竞争PLVs也显著“尖峰状”，或非均匀分布在180度左右(p < 0.001)。竞争试次中的PLV与模拟试次中观察到的PLV相似，在屏幕上以时间交替方式显示两个标记频率的图像，从而测量刺激锁定的反相反应(对照组，顶部：200.48±19.99STE；自闭症，底部：199.84±13.84 STE；与竞争性PLV的区别：两者均p>0.153；图3A)。相比之下，两组的竞争PLVs和矢量幅值均显著大于噪声模拟所得值(均p<0.002)，表示在竞争试次中观察到的显著的反相现象并非偶然。这些结果表明，在双眼竞争实验中，左右眼信号在枕皮质上有着强有力的竞争的交替。

图3 对抗模拟控制试次的相似视觉响应 研究者发明了一种量度方法来量化这些神经信号在竞争交替中的个体差异。简言之，这个神经竞争指数(NRI)决定了每个被试在竞争过程中左右眼信号功率交替的特征频率。


为了验证NRI指标，将个体的NRI与行为报告的转化率以及模拟试次中已知的图像变化进行比较。NRI强烈预测了两组被试的知觉转换率(对照组：Pearson's R=0.76，P<0.001；自闭症：Pearson's R=0.54，P=0.020；组间差异P=0.27；图4A)，并与竞争模拟试验期间的对照图像变化率相匹配(对照组：0.43±0.01 HzSTE；自闭症：0.42±0.01 HzSTE；ground truth：0.5Hz)。

在对照试次期间，NRIs比对照图像的真实变化率稍慢 (对照: t(18) =-6.97, p < 0.01; 自闭症: t(17) =-10.72, p < 0.01).然而，这一减少在两组中是相等的(模拟NIRs中的组差异：f(1,35)=0.56；hp2=0.016；p=0.461)。

图4 神经竞争变化预测行为转化率、自闭症特征和自闭症诊断 接下来，研究者比较了自闭症患者和非自闭症患者的神经竞争改变率(使用NRIs测量)。与对照组相比，自闭症患者的神经双眼竞争变化显著减慢(对照组:0.40±0.01 Hz;自闭症:0.35±0.01 Hz组间差异:F(1,35) =8.399;hp2 = 0.194;p = 0.006;图2B和2C)。自闭症患者大脑中这种较低的竞争率直接反映在各组的行为报告转换率上，重复了他们先前在自闭症患者中较低竞争率的行为结果。这些结果提供了自闭症患者双眼竞争慢的直接神经指数，无需被试报告。

图S2 抑制比例(与图2相关) 自闭症患者双眼竞争动力学较慢的神经标志物预测了自闭症症状学的临床指标。大脑中竞争动力较慢的个体表现出更高的自闭症症状(ADOS社交分量表；Rho=-0.48，p=0.045；ADOS Total；Rho=-0.44，p=0.064；图4B)，尽管自闭症特征自评量表(AQ)没有预测两组的竞争动力(两者均p>0.34)。两组的智商与神经(均p>0.176)或行为转换率(均p>0.127)之间均无关系，表明这些影响与一般智力(两组匹配)的个体差异无关(表S1)。这些结果表明，自闭症的这种相对较低水平的知觉标记与临床测量的自闭症特征相关，这些特征定义在更复杂的行为水平上。


关键的是，这些结果不能用SSVEP信号质量的群体差异或一般(非竞争性)诱发视觉反应的持续时间来解释。

首先，在整个实验过程中，两组的信号值都很高，并且在两个频率下都明显大于噪声。

其次，在竞争模拟对照试验中，在屏幕上以时间交替方式显示双目视觉图像的情况下，自闭症患者和非自闭症患者之间的神经交替率(NRI)是相似的。最后，由于NRIs比较的是两个视觉诱发频段(8.5Hz和5.67Hz)的功率，而不是与按键反应相关的频段(对照组：0.35Hz和自闭症组：0.21Hz)，竞争性NRIs中的群体差异不能反映与运动反应相关的神经信号的群体差异。这些结果表明，在自闭症患者大脑中观察到的双眼竞争速度较慢，不能用竞争信号质量、对非竞争性刺激的诱发视觉反应持续时间或两组之间的运动反应的差异来解释。


最后，使用留一交叉验证程序，以个体的试验平均NRIs和频率标记振幅为特征，能够以86.5%的准确率对个体的诊断状态(自闭症与对照组)进行分类(±0.06 STE；灵敏度=0.83；特异度=0.89；p<0.001；图4C)。因此，自闭症视觉皮层的这种基本改变不仅与社会认知中的高阶自闭症症状相关，而且还与诊断状态(自闭症与对照组)的预测有关。值得注意的是，这一准确度水平可以与使用社会行为中的标志性自闭症特征的分类分析结果相媲美，例如自闭症幼儿的眼-口凝视偏好(分类准确度=86%)。

总结

总之，这些发现与自闭症的神经生物学密切相关。未来的研究应致力于了解自闭症动物模型中双眼竞争的这些变化的基础神经回路，以及其在自闭症儿童中发展的起始点。

原文：Spiegel, A., Mentch, J., Haskins, A. J., &Robertson, C. E. (2019). Slower Binocular Rivalry in the Autistic Brain.Current Biology. doi:10.1016/j.cub.2019.07.026