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
当视觉反馈与手部运动之间的映射关系改变时,运动行为会逐渐产生适应。例如当光标移动速度被设定为手部实际速度的数倍或一半时,受试者会相应调整肢体伸手速度,以使光标平稳到达目标。这种适应不仅体现在当前单次动作的成功上:若刚刚经历过高增益试次,下一次运动在目标尚未明确前,神经系统可能已处于不同的准备状态;若增益在试次之间随机切换,动物则需要根据近期经验动态调整动作预期。由此引发的研究问题在于:所谓的内模型相关神经信号究竟只在运动执行与反馈校正阶段激活,还是在下一次动作的准备阶段便已形成。
要在神经活动中鉴别出这种历史依赖性,实验必须排除几种潜在混杂因素。目标呈现方向会直接改变准备期活动,当前手部所在位置也可能与近期的增益经历存在关联,而连续试次中的疲劳累积或奖励差异同样可能引起神经放电波动。单纯依靠条件间的平均响应并不充分,因为适应机制是在单个试次间动态展开的。如果在运动目标显现之前,就能从神经群体状态中读取近期增益经验,并利用其预测随后伸手的速度,才能将“历史映射经验”“当前准备状态”与“即将执行的行为”串联为完整的证据链。进一步考察跨目标方向的泛化能力,则有助于区分该信号是表征一般性的视觉运动映射预期,还是针对特定空间目标的动作准备。
Stavisky 等通过交替安排恒定增益区块与逐试次随机增益区块,一方面利用稳定的增益条件确立了增益相关的神经轴,另一方面得以观察该状态在随机历史下的单试次动态变化。研究聚焦于目标呈现前的神经活动窗口,系统分析了上一试次增益、连续相同增益的经验以及下一试次伸手速度之间的关联,并离线评估了提前补偿光标误差的可行性。该工作植根于运动适应与内模型研究框架,并未将“目标前神经差异”简单等同于已证明完整内模型系统的存在。神经状态能否有效预测行为、能否跨方向泛化、在运动执行阶段是否仍沿用同一低维几何轴,均为该研究审慎界定的边界;最后的离线误差补偿验证,仍有待在线闭环实验的检验。
研究思路
实验设计交替采用恒定增益区块与逐试次随机增益区块。作者利用恒定增益条件下的群体放电均值构建增益轴,并在目标出现前的分析窗口中,考察单试次神经投影、近期增益经验与下一试次运动速度的定量关系,进而验证跨方向预测能力及离线误差补偿的可行性。
方法
实验选用两只雄性恒河猴(J 和 R),植入慢性 Blackrock 微电极阵列。猴 J 植入双阵列(M1 与 PMd 共 192 个电极,本研究未对两区域做分离分析);猴 R 仅 PMd 阵列信号质量合格(95 个电极)。主要分析基于越阈多单位活动(threshold-crossing multi-unit,阈值设为 -4.5×RMS),旨在捕捉群体状态中的信息而非单个神经元的响应;同时对两只动物各自数据量最大的数据集进行离线人工分选(猴 J 获得 69 个单神经元,其中 52 个具运动调谐,调制中位数为 3.7 Hz;猴 R 获得 9 个单神经元,均具调谐,调制中位数为 6.9 Hz),并复核了所有核心分析结果。行为任务采用虚拟现实环境下的辐射状 8 目标伸手任务(Radial 8 Target):光标速度等于手部速度乘以增益系数(gain),Wheatstone 立体反射系统阻挡动物视线以防看到自身手臂;动物首先在中心目标框(4×4 cm)内保持静止 1 秒(进入保持期约 212 ms 后光标固定于屏幕中心,以防动物从残留手部微动中推断增益),随后 8 个间隔分布(距离 6 cm)的目标之一亮起,动物到达目标后再次保持 1 秒以获得奖励。每个实验会话首先进行约 250 个试次的随机增益区块(RG),随后各运行约 100 个试次的三个恒定增益区块(CG,顺序按 {0.5, 2, 1} 或 {2, 0.5, 1} 设定,非单调排列以区分疲劳与适应),循环进行直至动物饮水饱和;各区块初始至少 10 个过渡试次不纳入统计。两只动物各保留 5 个数据集,排除失败试次(占 0.2–3.1%)、超时及异常反应时后,猴 J 共分析 6,695 个试次,猴 R 共分析 11,001 个试次。行为分析指标采用手部速度(按目标逐毫秒计算 z-score);群体放电率差异采用经 1001 次置换检验(shuffle)校正的欧氏距离评估(并除以电极数平方根归一化,单位为 Hz/电极)。
主要结果
行为数据首先证实了适应效应的存在。在恒定增益(CG)条件下,猴 J 的平均初始伸手速度(目标呈现后 0–400 ms 内)分别为 10.9、7.6 和 5.6 cm/s(对应 gain 0.5、1、2),低增益下的运动速度较高增益快 95.6%(猴 R 为 85.6%)。在随机增益(RG)条件下,动物表现出基于上一试次增益经验的运动偏差:猴 J 在 RG 0.5 试次中的速度比 CG 0.5 慢 23.9%,而在 RG 2 试次中比 CG 2 快 50%(猴 R 分别为 20.9% 与 38.7%),因而导致达靶时间延长。上一试次增益对当前试次的影响显著:在 RG 0.5、1、2 各条件下,紧随低增益后的试次运动速度比紧随高增益后的试次分别快 32.4%、45.5% 和 26.0%(猴 R 为 24.1%、35.1% 和 14.5%);若连续经历相同增益试次,运动速度会逐步向对应 CG 水平收敛。RG 0.5 与 RG 2 条件的速度分布在目标出现后 449 ms(猴 J)和 355 ms(猴 R)出现统计显著分离;这一时间节点反映了增益相关行为差异达到可检测显著性的时刻,可作为闭环反馈修正的行为指标,但不代表此前完全没有反馈环路参与。
神经分析包含三个层次。首先是现象的存在性:目标呈现前(pretarget)的群体放电率在 CG 0.5 与 CG 2 条件间存在显著差异,猴 J 中有 110/192 个电极表现显著(p<0.01),平均差异为 4.0±5.7 Hz;猴 R 信号幅度相对较小(15/95 个电极显著,0.5±0.7 Hz),但差异方向与猴 J 完全一致。RG 试次按上一试次增益分组同样呈现明确分层,且该差异随目标呈现时刻临近而进一步放大,表明内模型相关准备在执行前已预先调入。其次是状态空间的几何结构:在主成分分析(PCA)前两个维度上(解释该数据集 65% 的方差),各条件的 pretarget 状态分布近似共线;gain axis 上的单试次投影均值严格按照近期增益经验排序,猴 J 在 CG 条件下的投影均值分别为 -0.94、0.61、0.97,RG 条件下为 -0.52、-0.08、0.50(猴 R 相应为 -0.65、0.26、0.75 与 -0.62、0.26、0.59),组间两两对比均达显著(p<0.001);连续经历相同增益的试次会使神经投影进一步沿该轴外推。第三层为动力学分析中的关键观察:将 CG 0.5 与 CG 2 之间随时间变化的群体放电率差异投影到 gain axis 上,pretarget 期间的分离度约为 2,而在运动开始后迅速衰减至接近 0;这表明目标前定义的增益轴对运动执行期的放电差异描述能力明显减弱,但并不能由此推断两时期的神经子空间完全正交。
行为预测与跨方向泛化分析进一步支持了内模型相关表征的解释。pretarget 期间 gain axis 投影的线性回归可解释下一试次伸手速度方差的 22–26%(猴 J 在 CG 与 RG 各条件下均达 p<0.001),预测能力达到“仅依据上一试次增益类别”的 2–3 倍;相比之下,仅利用手部当前位置构建的回归仅能解释 1–2% 的速度方差,排除了该相关性完全由手部位置伪影主导的可能性。跨方向泛化测试采用 8×8 的训练目标/测试目标矩阵:基于单个目标的 CG 数据构建特定目标增益轴,用于预测其他目标方向上的运动速度,全部 192 种组合均达显著(CG 条件 p<0.05,RG 条件 p<0.01);各矩阵对角线元素并未展现系统性优势(24 种评估组合中仅有 2 到 3 个对角线表现最优,与随机分布无显著差异),证实该神经信号并非针对某一特定目标方向的动作准备。在猴 R 数据中,由于信噪比限制,方差解释量为 3–4%,但在留一目标交叉验证下均达显著(p<0.001)。最后,研究进行了离线脑机接口(BMI)补偿验证:利用 pretarget 神经状态(基于前 23 个主成分的二次回归)预测即将产生的朝向目标位移并反算补偿增益,使猴 J 在 RG 2 条件下的初始位移误差降低至 46.3%(p<0.001),猴 R 降低至 68.9%;RG 0.5 条件因基础误差较小,改善未达显著。
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
本研究将恒定增益区块与逐试次随机增益区块有机结合,建立起近期感觉运动经验、目标呈现前神经状态与后续行为输出之间的关联链条。跨空间方向的泛化结果有效排除了“目标前信号仅反映对特定运动方向预先准备”的解释。文中所称的“内模型”遵循原文给出的操作性界定,涵盖影响后续运动输出的试次历史依赖机制,并未进一步细分前向模型与逆模型的神经实现。
神经状态对后续速度具有预测能力,并不足以证明该状态独立决定了运动适应过程,也无法排除未监测的肌肉张力或姿势微调等外周生理因素的协同贡献。沿增益轴的放电差异在运动起始后显著衰退,反映出该固定投影不足以充分刻画运动执行期的状态空间演变,但不应被等同于“准备阶段与执行阶段的神经计算绝对正交”。两只受试动物的神经效应量存在显著差异,且离线补偿主要改善高增益条件,其在实际脑机交互中的收益仍需通过在线闭环控制实验加以证实。
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?