A03 · Trial-by-trial motor cortical correlates of a rapidly adapting visuomotor internal model
Stavisky, S.D., Kao, J.C., Ryu, S.I., & Shenoy, K.V. (2017). The Journal of Neuroscience, 37, 1721–1732. doi:10.1523/JNEUROSCI.1091-16.2016
目标出现前的运动皮层群体状态与近期视觉增益经验相关，并能预测随后伸手的速度。结果支持内模型相关状态在具体运动目标确定前已经可被读出；补偿增益的应用验证仍是离线分析。
核对版本：Zotero VR 集合中的本地 PDF（2026-09-18）；Zotero 条目 · 打开原文。图下页码均为该 PDF 的文件页序，从 1 开始，可能不同于期刊印刷页码。
背景
运动适应不仅改变某一次动作，也可能改变下一次动作开始前的神经状态。本文问的是：目标尚未出现时，运动皮层群体活动能否反映近期视觉增益经验，并预测随后伸手的速度。
研究思路
固定增益和逐试次随机增益交替出现。作者用固定增益条件的群体均值定义增益轴，在目标前窗口分析单试次投影、近期经验和下一次速度的关系，并检验跨方向表现及离线补偿的可行性。
方法
两只雄性恒河猴 J 和 R，慢性 Blackrock 阵列。J 双阵列（M1 加 PMd 共 192 电极，本研究不区分两者），R 只有 PMd 阵列信号质量过关（95 电极）。主要分析用 threshold-crossing 多单位（阈值 -4.5×RMS），理由坦率：关心的是群体状态里的信息而非单神经元响应；同时对各自最大的 dataset 手工分选（J 得 69 个单神经元、52 个运动调谐、中位调制 3.7 Hz；R 9 个全部调谐、中位 6.9 Hz），复验全部关键分析。任务是 VR 里的 Radial 8 Target：光标速度等于手速度乘 gain，Wheatstone 立体镜让猴子看不到手臂；中心目标 4×4 cm 获取框 hold 1 s（进入 hold 约 212 ms 后光标锁定在屏幕中心，防止猴子从 hold 期的残余手动里读出 gain），随后 8 个 6 cm 远的辐射状目标之一出现，再 hold 1 s 拿第二份奖励。每个 session 先约 250 trial 的 RG，再各约 100 trial 的三个 CG block（顺序 {0.5, 2, 1} 或 {2, 0.5, 1}，故意非单调以区分疲劳与适应），循环到猴子喝饱；每个 block 开头至少 10 个 transition trial 不分析。每猴 5 个 dataset 全部保留，剔除失败 trial（0.2–3.1%）、超时和异常 RT 后，共分析 J 6695、R 11001 个 trial。行为指标是手速度（按目标逐 ms z-score）；群体放电率差异用 1001 次 shuffle 校正的欧氏距离（再除以电极数开方，单位 Hz/电极）。
主要结果
行为先确认适应存在。CG 条件下 J 猴的平均伸手速度（目标出现后 0–400 ms）为 10.9、7.6、5.6 cm/s（gain 0.5/1/2），低 gain 下比高 gain 快 95.6%（R 猴为 85.6%）。RG 条件下猴子带着上一 trial 的内模型出手：J 的 RG 0.5 比 CG 0.5 慢 23.9%、RG 2 比 CG 2 快 50%（R：20.9% 与 38.7%），到靶时间因此变长。上一 trial gain 的影响高度显著——J 在 RG 0.5/1/2 试次中，刚经历低 gain 之后比刚经历高 gain 之后快 32.4%、45.5%、26.0%（R 为 24.1%、35.1%、14.5%），连续遇到同 gain 的试次会进一步向 CG 速度收敛。RG 0.5 与 RG 2 的速度分布直到目标后 449 ms（J）、355 ms（R）才显著分开——这些时间点是两种增益条件的行为差异达到统计显著的时刻，可作为反馈修正的行为指标，不能证明此前完全没有反馈作用。
神经结果分三层。第一层是存在性：pretarget 的群体放电率在 CG 0.5 与 CG 2 之间显著不同——J 有 110/192 个电极显著（p<0.01），平均差 4.0±5.7 Hz；R 信号弱（15/95 个电极，0.5±0.7 Hz）但方向一致。RG trial 按上一 trial gain 分组同样分层，且差异随目标临近而增大——内模型在"预期要用"之前就被装载。第二层是结构：PCA 前两维（该 dataset 65% 方差）上各条件的 pretarget 状态近似共线，gain axis 投影的分布均值严格按近期 gain 经验排序——J 的 CG 为 -0.94、0.61、0.97，RG 为 -0.52、-0.08、0.50（R 相应为 -0.65、0.26、0.75 与 -0.62、0.26、0.59），全部两两显著（p<0.001）；连续两个同 gain trial 会把投影推得更远。第三层是个重要的反直觉结果：把 CG 0.5 与 CG 2 的时变放电率差投影到 gain axis 上，pretarget 的分离度为 2，到运动开始时掉到接近 0——目标前定义的增益轴对运动期差异的描述能力减弱；不能仅凭这一结果断定两个时期的活动完全正交。
行为预测与跨方向泛化进一步支持内模型相关状态的解释。pretarget gain axis 投影的线性回归解释下一 trial 伸手速度方差的 22–26%（J 的 CG 与 RG 各条件，全部 p<0.001），比"知道上一 trial 的 gain"强 2–3 倍；用手位置回归只能解释 1–2%，减弱了仅由手位置解释这一关系的可能性。跨方向泛化用 8×8 的 train-target/test-target 矩阵：用单个目标的 CG 数据造 target-specific gain axis，去预测其他目标的速度——全部 192 个组合显著（CG p<0.05、RG p<0.01），且对角线不占优（24 个组合里只有 2 或 3 个最佳，与机遇无异），说明这个信号不是"默认准备某个特定目标"。R 猴信号质量差，效应量只有 3–4%，但 leave-one-target-out 变体下全部显著（p<0.001）。最后的 BMI 演示：用 pretarget 神经（前 23 个主成分、二次回归）预测即将发生的朝目标位移，反算补偿增益——J 的 RG 2 误差降到 46.3%（p<0.001），R 降到 68.9%；RG 0.5 本来误差就小，改善不显著。
逐图解读
来源：原文 Fig. 1，PDF 第 3 页。
图 1 · 任务与行为适应。 (A) 时间线：中心 hold 1 s、光标锁定、8 选 1 辐射目标、RG/CG block 交替，黄色阴影是 100 ms 的 pretarget 分析窗；(B, D) 两猴的手速度按当前 trial gain 与上一 trial gain 分层——实线的排序就是"上一 trial 的内模型在支配这一 trial"，插图显示连续 1–4 个同 gain trial 的渐进收敛；(C, E) RG 0.5 与 RG 2 速度分布的分叉点（449/355 ms），它们标记了可检测的增益相关行为分化，不是视觉反馈通路开启的精确时刻。这张图的行为分析本身就是一次完整的单 trial 适应刻画，也是后面所有神经解读的行为学地基。
来源：原文 Fig. 2，PDF 第 5 页。
图 2 · 神经相关量的存在性。 (A) 六个示例神经元的 PSTH：多数在期待低 gain 时放电更高（如 J119a），少数相反（J67a），也有无差异的（J27a）；(B) 群体放电率距离（shuffle 校正、按电极数归一）随时间的变化：pretarget 全程显著高于机遇，CG 差异大于 RG 差异；(C, D) 电极级差异直方图，黑色为显著电极。注意 J41a 展示的排序——CG 0.5 与 CG 2 是两端，RG←0.5 与 RG←2 是缩小版，CG 1 居中——与行为速度的排序完全同构。
来源：原文 Fig. 3，PDF 第 6 页。
图 3 · 群体状态空间的几何。 主图是 24 条 trial 平均轨迹（3 gain × 8 目标）在 PC1/PC2（65% 方差）上的投影，pretarget 状态聚在右上角、按 gain 分层，粗黑线是连接 CG 0.5 与 CG 2 质心的 gain axis；插图显示 RG 各组的 pretarget 状态沿这条轴依次排开（含连续两个同 gain trial 的外推）。(B, C) 单 trial 投影直方图：CG 与 RG 的分布均值都按 gain 经验分层；(D) 是重要的投影检验——沿 gain axis 的分离在运动开始时几乎归零，说明解释低维投影时，需要检验所选轴在不同时间段是否仍有解释力。
来源：原文 Fig. 4，PDF 第 6 页。
图 4 · 投影预测伸手速度。 (A) CG trial 的散点：gain axis 投影与 z-score 速度显著负相关——投影越正（期待高 gain）下一 trial 伸手越慢，三种 gain 各自的方差解释量标在图上方；(B) 8×8 泛化矩阵，最优解码不聚在对角线上；(C, D) RG 版本，按即将到来的 gain 分组。这张图是"内模型"标签的合法性来源：它不仅反映经验，还预测即将发生的行为，且与伸手方向无关。
来源：原文 Fig. 5，PDF 第 7 页。
图 5 · offline 补偿演示。 (A) 两个示例 trial：紫（RG 0.5）伸手太慢、绿（RG 2）太快，金线是该 gain 下的理想位移，黑线是按神经预测反算补偿增益后"本应发生"的位移——RG 0.5 例是补偿表现的第 90 百分位，RG 2 例是中位水平；(B) 这两个 trial 在 gain axis 上的投影位置：正投影正确预测了过慢，负投影预测了过快；(C) 误差条形图：RG 2 的误差显著压缩（J 降到 46.3%、R 降到 68.9%），RG 0.5 无显著改善。这是给 BCI 界看的 proof-of-concept：在用户出错的 trial 开始之前就能侦测并预调增益。
讨论与解读边界
随机增益与恒定增益条件的配合，使作者能够把近期经验、目标前神经状态和随后行为联系起来。跨方向预测也削弱了“信号只反映某个特定目标的预先准备”这一解释。这里的“内模型”是原文的宽泛操作性概念，包含影响后续行为的试次历史效应，不区分前向模型与逆模型。
神经状态具有预测力，并不证明它独自生成适应，也不能排除未测量的肌肉状态等共同影响。沿增益轴的组间差异在运动开始时减弱，表明这一固定投影不再充分描述运动期差异；这不等价于证明准备与执行完全正交。两只猴的效应量不同，离线补偿主要改善高增益条件，仍需在线闭环实验验证收益。
思考问题
- 若同时记录 EMG、眼动和姿势，目标前的增益轴还能解释多少独立的行为变异？
- 在线根据该轴调节增益后，动物会不会再次适应新的映射，使离线预测的收益发生变化？