C07 · Neural population dynamics underlying motor learning transfer
Vyas, S., Even-Chen, N., Stavisky, S.D., Ryu, S.I., Nuyujukian, P., & Shenoy, K.V. (2018). Neuron, 97, 1177–1186. doi:10.1016/j.neuron.2018.01.040
猴子通过 BCI 适应视觉旋转后，部分学习能迁移到真实手臂运动。迁移伴随准备期群体状态的持续偏移，跨情境状态相似程度与迁移量相关。
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
在手臂受限时学习BCI控制，能否影响随后真实手臂动作，为研究跨情境运动学习提供了入口。两种情境的准备活动是否共享，是一个可以检验的候选联系。
研究思路
动物在真实手控与手臂受限的脑控之间切换，并在脑控中适应视觉旋转。作者测量手控后效应、准备态变化及跨情境重叠与迁移的关系。这里的covert是具体BCI任务，不等同于无反馈的纯心理想象。
方法
两只雄性恒河猴（R，12 岁 15 kg；J，15 岁 16 kg），各植入两片 96 通道 Utah 阵列（PMd 与 M1，实验时已植入 5 年和 7 年），threshold crossing（−4.5×RMS）不做 spike sorting，PMd 与 M1 数据合用。任务为 instructed-delay 的 Radial 8 Task：中心 hold 500 ms，400–800 ms 随机延迟期（期间光标速度须低于 1 mm/s），随后在 2 s 内获取目标（4×4 cm 窗口，hold 500 ms）。VMR 有 4 个角度（±45°、60°、90°），为迫使猴子认真适应，逐步收紧时间限制（从 10 s 降到 1.5 s）并引入路径效率检查。主实验流程：covert（BMI）无 VMR 或有 VMR 各 2000±1000 个 trial（约 90 min），然后实验者进屋解开手臂约束，做 500 个 overt 无 VMR trial，比较 after-effect；每项分析至少 4 个 session，对照与实验条件交替。covert 期间的残余运动用 3 台 24 fps 红外摄像机加 Lucas-Kanade 光流监控，任何可测运动与光标的相关都低于 ±0.1。decoder 用 ReFIT Kalman filter：每个 session 开始时猴子观看 3 组各 200 个自动光标运动（速度 8、10、12 cm/s）来标定。神经分析集中在延迟期末 200 ms 的准备期活动，PCA 降维（猴 R 取 4 个 PC、猴 J 取 6 个，捕获 90% 以上方差），核心量化是把准备态投影到"目标质心—反 VMR 目标质心"连线上，得到 0（完全朝向目标）到 1（完全朝向反 VMR 方向）的归一化距离。
主要结果
行为上，covert 到 overt 的迁移是实打实的。在 covert 情境适应 VMR 之后切回无 VMR 的手臂控制，猴子的手臂轨迹一开始系统性地偏向 VMR 的反方向——标准的 after-effect，其初始误差角显著大于"covert 无 VMR 后切 overt"的对照条件。迁移不完全：误差角和 washout 速度都小于 overt 内部的适应迁移。两个细节很有味道：一是 covert 期间适应得越充分，之后无论 covert 还是 overt 的 washout 都越长，而且两情境的数据点落在同一条线上——暗示它们调用的是同一个适应过程；二是 decoder 性能越好（越接近手动控制），迁移越大，这与"表象越鲜明的心理练习效果越好"的人类文献遥相呼应。
神经上，学习迁移伴随准备态的系统变化。刚从 covert VMR 切到 overt 无 VMR 时，8 个目标方向的准备态全部偏向各自的"反 VMR 邻近目标"，之后随 washout 逐渐归位，且归一化距离与行为误差角在逐 trial 层面强相关——神经偏移和行为偏移是绑定的。单神经元的 preferred direction 也在学习期间朝 VMR 方向旋转、washout 期间转回。共享性的检验分三层：overt、covert、watch（decoder 训练时的观看情境）三者的准备期协方差子空间互相投影，共享方差比例无显著差异；准备同一目标时 covert 与 overt 的神经状态在全维分布上高度重叠（对角线接近零）；最重要的是逐 session 的状态重叠度显著预测该 session 的迁移量。既然初始条件共享，动力学系统是否也共享？运动期的协方差结构在两情境间同样共享，用 covert 数据拟合线性动力学系统、以 overt 初始条件驱动，能高保真预测 overt 的 trial-averaged 轨迹；Churchland 2012 描述的伸手振荡成分在 covert 数据里也存在（以低频为主）。
最后的"预言检验"最有说服力：根据准备态偏移与迁移相关的解释，那么先在 covert 情境练一遍 45° VMR，再做 overt 45° VMR，应该学得更快。事实如此——有隐蔽练习的手臂轨迹明显更直，误差角更小，准备态从更"已适应"的位置起步，更少 trial 就逼近适应渐近线，而且单个 trial 的准备态偏移量预测随后的行为误差。
逐图解读
来源：原文 Fig. 1，PDF 第 4 页。
图 1 · covert 学到的适应迁移到了 overt 手臂运动。 (A) 两情境示意：overt 光标随手走，covert 光标由 BMI 神经活动驱动，VMR 使光标偏转 θ 角。(B) 上：instructed-delay 任务流；下：实验流程。(C) covert VMR 适应后切回手臂控制（无 VMR）的原始轨迹：初始轨迹（红）带弧度，朝 VMR 反方向弯——这是 after-effect 的直接可视化。(D) 各 session 前 100 个 trial 的误差角直方图：covert VMR 后的 overt 运动（青）显著偏转，大于 covert 无 VMR 的对照（橙）。(E) 误差角随 trial 数的 washout 曲线。(F) 全文的点睛之笔：washout 所需 trial 数与前一 covert 块的适应程度强相关，且随后做 covert（青）还是 overt（洋红）的 Washout 点落在同一条线上——两种情境像是同一个适应过程的两个出口。
来源：原文 Fig. 2，PDF 第 5 页。
图 2 · 适应写进了群体准备活动。 (A) 手臂轨迹按 washout 前 25%（灰）与后 25%（黑）分组，可见从偏转到回正。(B) 无 VMR 基线 overt trial 延迟期末 200 ms 活动的 top-2 PC 投影：8 个目标各成一簇（三 trial 平均，大圆为质心），构成参照坐标系。(C) 对单个目标条件的放大：把切换后的准备态正交投影到"目标质心—反 VMR 目标质心"连线上，投影距离 0 为完全对准目标、1 为完全偏向反 VMR 方向。(D) 八个条件全部对齐后汇总：刚切换时准备态显著偏向反 VMR 目标。(E) 归一化神经距离随 trial 数衰减（与红色误差角曲线同步），插图比较前 25% 与后 25% 的 trial，差异显著（Wilcoxon）。这张图建立了"准备态偏移=适应的神经残留"这一核心度量，后面所有机制分析都建立在它上面。
来源：原文 Fig. 3，PDF 第 6 页。
图 3 · covert、overt 与 watch 共享准备态子空间。 (A) 三个情境两两投影计算共享方差（子空间取 4 个 PC（猴 R）或 6 个（猴 J），捕获 90% 以上方差），三者的共享程度无统计差异——没有哪个情境独占一块地盘。(B) overt（圆）与 covert（方）各目标的平均准备态在 2 个 PC 平面上按颜色配对贴合，虚线椭圆为 SEM。(C) 全维空间里准备同一目标的 covert 与 overt 神经分布的统计重叠（原文归一化的 Bhattacharyya 重叠指标：0表示完全重叠，1表示不重叠），对角线接近零，即同目标跨情境比不同目标同情境更像。(D) 迁移的定量预测：一个 session 里 covert-overt 准备态重叠度越大（单位 spikes/s），切换后前 5 个 trial 的误差角越大（即迁移越强），F 检验显著。这张图是机制主张的核心证据：准备态相似程度与迁移相联系，但尚未被直接干预验证。
来源：原文 Fig. 4，PDF 第 7 页。
图 4 · 隐蔽练习可以预训练真实运动。 (A) 上：实验流程；下：紫轨迹是无预习直接做 45° VMR 手臂运动，绿轨迹是先在 covert 情境练过同样 45° VMR 再做手臂运动——明显更直。(B) 两种条件的误差角直方图，绿色显著更小（t 检验）。(C) 归一化准备态距离随 trial 数的轨迹：有隐蔽练习（绿）从更低（更接近适应渐近线）的位置出发，更快收敛；插图显示单 trial 的准备态偏移与行为误差角显著相关（p<0.05）。这张图把前三个图建立的机制反过来用：如果迁移靠准备态共享，那就应该能用 covert 练习去"预装"overt 学习——结果立住了。
讨论与解读边界
BCI 提供了可观察、带反馈的隐蔽练习条件。先前练习既产生切换后的后效应，也改善同旋转下的手臂适应；这些行为结果与准备态变化相互支持。视频监测降低了明显手臂运动参与的可能，但不是肌电层面排除所有残余运动。
准备状态相似和线性动力学跨情境预测支持共享表征，尚不能单独证明同一回路机制，也不能将主动闭环 BCI 等同于没有外部反馈的运动想象。该实验没有选择性操纵准备态来检验其必要性。对康复或VR训练的启示是设计跨情境可共享的状态和反馈，但疗效仍需独立验证。
思考问题
- 在匹配反馈和任务难度后，主动 BCI、被动观察和纯运动想象的迁移是否不同？
- 如果改变解码器使准备态与手动条件的相似性降低，迁移量会随之下降吗？