D11 · Dynamic population coding of kinematic structure across executed and observed actions in primate premotor cortex
Chatzimichail, K., Paschalidis, C., Tzamali, E., Papadourakis, V., & Raos, V. (2026). Science Advances, 12, eaed9309. doi:10.1126/sciadv.aed9309
动作执行与观察包含随时间变化的抓握信息，并在前运动皮层群体层面呈现部分共享的几何结构。神经活动与手部运动学相关，但共享程度依赖时间、细胞子集和对齐方法。
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
动作执行和观察可以激活部分相同神经元，但相同单元是否使用相同动态编码，需要在群体层面定量检验。本文关注抓握信息、共享空间和运动学之间的关系。
研究思路
作者用跨时间与跨情境解码、PCA/CCA和运动学回归分析前运动皮层数据。剔除单元是离线分析操作；神经元组成伪群体，动捕来自独立session，这些条件限制了单试次和因果解释。
方法
两只成年雌性恒河猴，左半球，单钨电极（0.5–1.5 MΩ）在 PMd 和 PMv 记录，共 433 个神经元：285 个在执行和观察中都任务相关（MirN），148 个只在执行中调制（non-MirN）；每 grip 每条件至少 9 个 trial 的 240 个 MirN 和 129 个 non-MirN 构成分析数据集，PMd 与 PMv 汇总处理（分区、分猴都做了重复，见补充图 S9/S10）。装置是一个旋转的六棱柱，每个面装一个 3D 物体：40 mm 球配 whole-hand prehension、40 mm 长 20 mm 底的圆柱配不用拇指的 finger prehension、15 mm 的环配 hook grip、10 mm 立方体（置于垂直槽内）配 advanced precision grip。执行时装置距猴 25 cm（intrapersonal space），观察时 50 cm（extrapersonal space）。GE trial：LED 亮起，猴子注视并按住按钮 800–1200 ms，LED 闪烁提示松手伸手，抓握保持 600–900 ms（10° 注视窗），LED 熄灭提示放手；GO trial：猴子不动，看右侧的实验者用右手做同样动作（LED 不亮，指令来自猴子看不见的屏幕），每 trial 结束给等量奖励，95% 以上的观察 trial 注视落在物体周围 10° 内。放电率用 100 ms 滑窗（25 ms 步进）计算，按 LED（t=0）和运动起始（t=1.25 s）双事件对齐拼接（0.8 s 处有断点），每 4 s trial 157 个 bin。动捕用 OptiTrack 120 Hz，反光标记贴在食指、拇指指甲和尺骨茎突，得到位置、速度、grip aperture 及其变化率共 20 个运动学变量；动捕与神经记录分 session 进行（两猴加一实验者共 3 个 session，每动作约 55 次重复、每动作 n=170）。解码用 Poisson naïve Bayes（Neural Decoding Toolbox）在 pseudopopulation 上做，每 bin 36 个样本，leave-one-out 交叉验证重采样 100 次，500 次 label shuffle 定显著性（P<0.002）。
主要结果
第一层：信息有，而且是动态的。四种 grip 在 MirN 的观察（GO）、执行（GE）和 non-MirN 里都能解出来；GO 里解码率随动作展开爬升、在运动末端达峰、hold 期维持，物体呈现期没有信息——该群体的抓握类别信息主要随可见动作展开而增强，不能直接推断动物何时形成主观判断；而 GE 从物体呈现期就有信息（物体形状直接预告 grip），运动期达峰，hold 期保持。信息分布上，前 80 个最选择性神经元的解码接近全体，第 81–160 名也显著，剔掉前 160 名后运动和 hold 期仍有残余解码——分布式、部分冗余。cross-temporal 矩阵基本只亮对角线，movement 期泛化最差、hold 期最好：动作早期多种结局皆有可能，群体状态自然不稳定，越接近完成越收敛。
第二层：动态的来源是"轮换制"。选择性的起始时段因神经元而异；在某个时间点把当时最选择性的 120 个神经元（non-MirN 65 个）从训练集剔掉，解码损伤只局限在该时段附近，别处照旧——不同时段由不同的神经元扛信息。selectivity stability 热图也只在时间对角线上高，hold 期泛化变好。执行-观察的单神经元匹配依旧惨淡：按跨条件的 grip 排名一致性算 congruency index，240 个 MirN 里只有 67 个（28%）够格。
第三层：但群体几何是共享的。前 10 个 PC 在条件内解释 65–67% 方差；GO 的 PC 能解释 execution 数据 26.7% 的方差，GE 的 PC 反向解释 32.5%——部分重叠的子空间，alignment index 显著高于随机。CCA 进一步找到了成对的、grasp 相关活动跨条件最大协变的维度；投到前两个 canonical 维度上，四种 grip 的轨迹分开，同一 grip 的执行与观察轨迹彼此靠近、全程没有纠缠重排。原始空间里的跨条件解码（GO→GE、GE→GO）在运动中段到 hold 双向显著，其中67个congruent神经元子集表现出较强泛化，67 个随机 incongruent 神经元在该跨情境检验中未达显著；而一旦进了 CCA 空间，incongruent 也能解了（弱但显著）——共享是分级的，不是全或无。更妙的是 MirN-GE 与 non-MirN 之间也有对齐维度，跨群体解码在运动和 hold 期双向显著：运动学信息不是 MirN 的特权，是整个抓握相关群体的性质。
第四层：共享流形里装的是运动学。双向 MLR 都成立：神经 PC 预测 20 个运动学变量，运动学 PC 反向预测神经成分，交叉验证的 R² 相当可观（observation 高于 execution，作者解读为执行时叠加了非运动学成分）；用回归预测出来的数据仍能解出 grip；运动早期 200 ms 的窗口就足以让模型预测到 trial 末端；93%（GE）/79%（GO）的 MirN 和 94% 的 non-MirN 与运动时长有显著的 trial-by-trial 相关。把活动限制到执行-观察共享的 12 维子空间后，运动学预测依旧成立——运动学信息嵌在共享流形内部，不是藏在条件专属维度里。跨 agent 的结果最耐人寻味：用 observation 数据加人手运动学训练的回归模型，直接套到 execution 神经活动上，能预测猴手运动学并保留 grip 结构；反过来用 execution 训练的模型套到 observation 上则不成立——不对称。而运动学本身跨 agent 可解码（中后期运动显著，CCA 对齐后显著区扩大），其时间进程与神经层面的对齐平行。
逐图解读
来源：原文 Fig. 1，PDF 第 3 页。
图 1 · 记录位置与数据全貌。 (A) 左半球示意图，PMd、PMv 的记录范围（两猴合并），邻近 arcuate、central、principal 沟。(B–D) 三个数据集的归一化放电热图：MirN 在观察、MirN 在执行、non-MirN 在执行，各自按本条件的峰值时间排序，黄色粗线是群体均值，白色竖线是双事件对齐的拼接断点。这张图先立事实：观察和执行各自都有一大片任务相关活动，non-MirN 只在执行时出现——后面所有"共享结构"的分析对象就是这三块活动。
来源：原文 Fig. 2，PDF 第 4 页。
图 2 · 分布式且动态的群体解码。 A–C是 time-resolved 解码：蓝线全体，红线当 bin 最选择性的 80 个神经元，绿线第 81–160 名，紫线剔掉前 160 名后的残部（non-MirN 按 43 个一组），底部横线标超过 shuffle 零分布的时段。看点有二：GO 的解码从运动期才起步而 GE 从物体呈现期就有；紫线在运动和 hold 期仍然显著——信息广泛分布、冗余但不完全。D–Fcross-temporal 矩阵，对角带窄、hold 期的方块变宽。G–I剔除实验：在 y 轴某个时间点抽走当时最选择性的 120 个神经元，x 轴上的解码只在对应时段塌陷——信息在神经元之间轮换，这是"动态群体编码"四个字的具体内容。
来源：原文 Fig. 3，PDF 第 5 页。
图 3 · 选择性的时间结构与 congruency。 (A–C) 每个神经元的选择性时段光栅（灰度是 ANOVA p 值，绿线是选择性神经元比例的时间过程）：选择性的起止五花八门，没有哪个固定子群体贯穿全 trial。(D–F) selectivity stability 热图，只有对角线附近亮，hold 期泛化变好。(G) 在两个条件下都有选择性的神经元数量（时间对×时间对）。(H) 群体 congruency index 的时间对矩阵。(G) 和 (H) 要对照着图 5 的结论读：单神经元层面的匹配确实稀薄（congruent 仅 67/240），但其时间分布集中在运动和 hold 期——恰好是后面群体层面对齐最强的时段。
来源：原文 Fig. 4，PDF 第 6 页。
图 4 · CCA 找到跨条件、跨群体的对齐维度。 (A–C) 前 10 个 canonical 维度的箱线图：真实数据对 shuffle 零分布（黑色），三组比较全部显著——MirN 的执行对观察、MirN-GE 对 non-MirN、MirN-GO 对 non-MirN。(D–F) 把各 grip 的 trial 平均轨迹投到前两个 canonical 维度：不同 grip 的轨迹分开，同一 grip 的执行与观察轨迹靠拢，全程没有交叉重排。这张图是"共享群体几何"的主证据：PCA 的跨投影只回答"子空间重叠多少"，CCA 直接去找"编码同样东西的配对轴"。
来源：原文 Fig. 5，PDF 第 7 页。
图 5 · 原始空间的跨条件解码及其 congruent 依赖。 A–C为GO→GE、D–F为GE→GO；依次比较全体 240 个、67 个 congruent、67 个随机 incongruent 神经元。全体的显著区在运动中段到 hold；congruent 子集几乎复现全体的表现；incongruent 一片空白。结论干净：在不做任何对齐的原始神经元空间里，响应一致的细胞子集在这项原始空间检验中表现出较强泛化——这顺带验证了 CI 这个自定义指数挑人的有效性。
来源：原文 Fig. 6，PDF 第 8 页。
图 6 · CCA 空间里的跨条件与跨群体解码。 (A–F) 与图 5 同样的设计，但解码发生在 10 个 canonical 维度里：incongruent 神经元现在也能跨条件解码了（弱但显著），说明它们并非没有共享信息，只是那份信息在原始权重下读不出来、要进对齐坐标系才显形。(G–J) MirN 与 non-MirN 四个方向的跨群体解码，运动和 hold 期全部显著。这张图把"分级的共享"讲完整了：从 incongruent 的零，到 congruent 的高，再到 CCA 空间里 incongruent 的复活，是一条连续的谱，而不是镜像/非镜像的二元分界。
来源：原文 Fig. 7，PDF 第 8 页。
图 7 · 运动学的跨 agent 解码。 (A, D) 猴和人各自运动学的 cross-temporal 解码——运动学本身就有时间结构，对角带之外泛化有限，越接近动作完成越稳定。(B, E) 原始运动学空间的跨 agent 解码（人→猴、猴→人），中后期运动开始显著。(C, F) CCA 对齐后的跨 agent 解码，显著区明显扩大。这张图是后面神经层面结论的前提：两种 agent 做同样动作时，手的时间演化结构本身是部分对齐的——不然神经层面的跨 agent 泛化无从谈起。
来源：原文 Fig. 8，PDF 第 9 页。
图 8 · 神经与运动学互为预测。 (A, B) 从神经活动回归预测的人手、猴手 3D 轨迹：食指（红）、拇指（绿）、尺骨茎突（蓝）的预测位置贴着实测均值±SD 走，三轴为前后、左右、上下。(C, D) 反方向：从运动学 PC 预测的前两个神经 PC 轨迹同样贴合。这张图是全文"kinematic structure"主张的可视化版本——不是解码一个离散标签，而是连续轨迹级的双向映射。
来源：原文 Fig. 9，PDF 第 10 页。
图 9 · 跨条件回归泛化的不对称。 (A) 用 observation 活动加人手运动学训练的模型，套到 execution 神经活动上预测猴手运动学，再用真实运动学训练的分类器去测预测值——能解出 grip，结构保留。(B) 反方向：execution 训练的模型套到 observation 活动上预测人手运动学——不成立。作者把这份不对称解读为部分重叠几何的自然推论：执行活动里含有观察所没有的额外成分，可能与执行和观察中成分及噪声的差异有关，但集合大小并不能直接推出这一泛化方向。
讨论与解读边界
研究用跨时间、跨情境解码及CCA检验共享表征，而不是只看同一神经元在两种情境是否响应。运动学回归支持动态动作结构是共享信息的重要组成部分，不能据此比较所有目标、手形和运动学编码假说。本文没有单独操纵动作目的或行为理解。
神经元按顺序记录并组成伪群体，动捕又在独立session采集；因此不能将结果当作同步群体在每个真实试次中预测完整手轨迹。CCA是利用对应条件学习的对齐，成功不等于两情境原始代码完全相同。原始空间中不一致细胞子集未显著泛化，也不等于它们完全不含共享信息。
思考问题
- 同步记录神经群体和逐试次手部运动学后，共享结构能预测动作内部的自然变异吗？
- 保持运动学近似相同而改变动作目的时，观察与执行的共享维度是否仍然保持？