受南方科技大学生物医学工程系刘泉影助理教授邀请，来自清华大学计算机系胡晓林副教授（http://www.xlhu.cn/）于腾讯会议平台在线讲座，通过深度学习模型对脑的视听觉环路建立计算模型这两个案例，阐释了：1）利用层次化结构的深度学习计算模型能够很好地展现视觉、听觉的高层皮层神经元的功能特点，2）神经元的稀疏发放与神经元表征的分层特异性密不可分。同时，本讲座还回顾了脑智能（Brain Intelligence）和 人工智能（Artificial intelligence）之间是如何相互促进发展的。

 

一、脑智能(BI)和人工智能(AI)

       不管是Werbos 和 Rumelhrat 等人，在80年代从McCulloch, Pitts和Rosennblatt等人的基础上提出的多层感知机和反向传播算法（Back-Propogation, BP），还是LeCun在1989年基于Fukushima和Wiesel的工作，结合BP提出的卷积神经网络（CNN），都离不开脑科学的指引。因为在1943年McCulloch 和Pitts提出阈值逻辑单元；Wiesel 等人在50年代末，在猫上做的一个实验，发现了简单细胞和复杂细胞，随后Fukushima在这个发现基础上提出了认知机（Neocognitron），最先出发点都是为了揭示大脑的工作原理。后来发现这些模型在工程上有很重要的应用价值，所以人工智能的发展是和脑科学有密切相关的（见图1）。

图1：脑智能与人工智能双线发展历程

 

二、从深度学习的角度看大脑

       视听觉系统的结构都是层级化的结构，这个和深度学习计算模型的结构是一致的（见图2）。虽然两者之间有一些显著的差别（例如在视觉系统广泛存在反馈（Feedback）和循环（Recurrent）的机制，在深度学习计算模型尚没有广泛被应用），但是这两者整体都是层次化的结构，这样我们可以研究两个系统之间的联系与相同之处。

图2: 视觉环路，听觉环路，人工神经网络（从左到右）

 

三、视觉通路和人工神经网络

       MIT的James Dicarlo早期的工作中，通过比较发现：视觉环路和人工神经网络在高层的神经元有比较一致的发放（firing）。这个工作证明了，这两个系统，在这种层级的联系下具有一定的联系。Freeman等人通过给一些图片刺激发现，V1的神经元对这些图片特异性不大，而V2的神经元对这些图片有一定的特异性。Okazawa 等人发现在V4的神经元也会对这些图片有一定的特异性。

       为了研究到底是什么导致了v2和V4的神经元对这些图片有一定的特异性，而v1的神经元对这些图片的特异性不大，只有通过计算模型来解释视觉环路中的机制。传统的计算模型都是单层模型，很难去解释环路上多层级上神经元的特异性，因而深度学习计算模型一个很好的选择。因为他是一个层级化的模型，可以对比不同层级的神经元反应。

       具体做法如下：

       首先，通过算法在原图片基础上合成光谱匹配噪声图片（Spectrally matched noise images，SM）和自然纹理图片 （Naturalistic texture images，NT）（见图3A），这里的SM图片的光谱的原图片是一样的，NT 图片具有和原图有很高的高阶统计特性。 其次，分别把原图，SM，NT图片输入到一个深度学习计算模型（见图3B），记录低层级和高层级的人工神经元的反应。类似在神经科学里面做生理实验，把这个计算模型看作一个小白鼠，给它看图片。这样的一个好处就是所有的人工神经元都可以记录，而小白鼠只能记录部分的真实神经元。此外，通过正则化的系数来调控神经元发放的稀疏性，从而研究稀疏性对层级特异性的影响。

       最后，定义一个 Modulation Index（MI）（见图3 ）指标来衡量神经元对NT图片的特异性，基于MI指标来量化各层级神经元的特异性。

图3：  A. 原始，SM 和 NT图片，B 视觉深度学习计算模型

       实验结果发现：在Pretrained 的VGG和Alexnet（有监督模型）做了实验发现，从计算模型的低层级到高层级的神经元的MI是一个上升的趋势，单个的神经元的MI在低层级基本也是没有特异性的，在高层级的神经元是有一定的特异性的（见图4）。前面的计算模型是有监督的，但类似的结果也在SHMAX（无监督模型）计算模型上得到验证。

图4 : MI在视觉深度学习计算模型的各层级的MI 和层级单神经元的MI值

       视觉环路与深度学习计算模型的联系，总结如下：

1. 深度学习计算模型层级神经元的特异性和真实视觉环路有较好的对应得益于深度学习计算模型的层级化结构

2. 深度学习计算模型层级神经元的特异性与有监督和无监督学习无关

3. 深度学习计算模型随着层级越高，所对应层级的神经元的特异性越显著

4. 深度学习计算模型的层级稀疏性(sparsity )越强，所对应层级的神经元的特异性越显著

 

四、听觉环路和人工神经网络

       听觉环路也是一个层级结构（见图5），声音从耳蜗（Cochlea）传到下丘（IC）再到听觉皮层。一共6层，不同层级的神经元的反应特异性性不一样。De Boer和de Jongh等人发现耳蜗对声音有不同波长的处理 ；Lesica和Grothe等人发现在下丘的神经元对某些声音有抑制和兴奋；，Mesgarani等人发现在听觉皮层的神经元会对辅音，元音，鼻音有一定的特异性。

图5: 听觉环路

       为什么在不同层级的神经元有不同的特异性呢？

       类似于深度学习计算模型在视觉环路的研究，胡教授利用深度学习计算模型来研究听觉环路，建立了听觉稀疏发放计算模型（见图6），把声音输入经过耳蜗过滤得到的stimuli 作为计算模型的输入，就可以得到听觉皮层的神经元对声音的特异性。

图6: 视觉深度学习计算模型

       研究发现，视觉深度学习计算模型的Layer S2的神经元和猫的下丘神经元的统计特性很一致（见图7），听觉深度学习计算模型的Layer C6（见图8）的神经元也会对辅音，元音，鼻音有一定的特异性，与猫的更高级的听觉皮层类似。

图7: 听觉深度学习计算模型 S2层的神经元和猫下丘的神经元的统计结果

图8: 听觉深度学习计算模型 C6层神经元的F-Ratio

       听觉环路与深度学习计算模型的联系，总结：

1. 深度学习计算模型高层级神经元能够展示视听觉皮层的高阶区域的神经元的特异性。

2. 稀疏编码对塑造神经元的反应有非常重要的意义。

3. 深度学习计算模型层级人工神经元和真实的生物系统神经元长的太不一致了，只是在抽象上是有相类似的层级化结构，并不能用深度学习计算模型做一些细致的神经科学研究工作。

 

参考文献：

Chengxu Zhuang, Yulong Wang, Daniel Yamins, Xiaolin Hu*, “Deep learning predicts a correlation between a functional signature of higher visual areas and sparse firing of neurons,” Frontiers in Computational Neuroscience, 2017. Doi: 10.3389/fncom.2017.00100

Qingtian Zhang, Xiaolin Hu*, Bo Hong, Bo Zhang, “A hierarchical sparse coding model predicts acoustic feature encoding in both auditory midbrain and cortex,” PLOS Computational Biology, 15(2): e1006766, 2019.

 

胡晓林老师的talk视频已经上传B站。如有兴趣可点击下方链接观看完整的报告视频：

https://www.bilibili.com/video/BV1q5411473N/

注：本文的描述如有跟视频内容不符之处，以胡老师的talk视频为准。

 

 

本文作者：冉旭明

视频录制：王正旸

校对：刘泉影

       近日，南方科技大学生物医学工程系副教授李凯课题组在小分子光热剂的机制研究及其在协同HSP70抑制策略的低温光热治疗的应用取得最新进展。研究成果以“Photoinduced Nonadiabatic Decay-guided Molecular Motor Triggers Effective Photothermal Conversion for Hyperthermia Cancer Therapy”为题发表于化学类国际顶尖期刊《德国应用化学》(Angewandte Chemie International Edition)。

       光热疗法（PTT）已成为癌症治疗的重要研究方向，然而目前传统的PTT面临诸多局限，比如无机/有机光热剂（photothermal agents, PTA）合成复杂、激光功率密度依赖较高、高温PTT易造成正常组织损伤等副作用。因此，开发新型光热剂介导的低温（43℃）PTT策略具有重要意义。在本项工作中，课题组合理地设计出一种基于光诱导非绝热衰退（PIND）效应的新型有机小分子，并利用Apoptozole（Apo）对细胞热损伤修复蛋白HSP70的表达抑制作用，实现了808 nm激光器低功率密度下的43℃高效PTT肿瘤治疗。

图1.光诱导非绝热衰退（PIND）型有机小分子的光物理性质及其工作原理。

       生物医学工程系、前沿与交叉科学研究院研究副教授倪侦翔介绍，此次研制的新型有机小分子是一种亚胺基分子马达，该类亚胺基分子马达在受到激光照射而跃迁到激发态时，会受到较强的分子内扭曲电荷转移（TICT）效应的影响，这种影响有助于其通过圆锥交叉（CI）过程，以非辐射衰退的方式释放能量回到基态，而此过程可被视为一种光诱导非绝热衰退（PIND）现象。相较于商业化探针ICG，该类激发态分子几乎无荧光的释放，因此能更完善地将光能转换成热能，实现高达90%的光热转换效率。

图2. C6TI/Apo-Tat NPs介导的低温PTT肿瘤治疗。(a) 808nm激光器（0.5 W cm-2）照射小鼠肿瘤部位随时间变化的温度曲线图；(b) 不同治疗组肿瘤大小随时间变化的肿瘤生长曲线；(c) 不同治疗组第14天解剖所得肿瘤照片；(d) 原位肿瘤组织切片的HSP70免疫组化和TUNEL染色分析，标尺= 100 μm。

 

       在动物实验方面，课题组通过纳米沉淀法和细胞穿膜肽的表面修饰，构建出热响应肿瘤细胞递送系统，并且以裸鼠的4T1皮下移植瘤作为肿瘤模型，研究C6TI/Apo-Tat 纳米微粒介导的低温PTT肿瘤治疗效果。如图2a所示，小鼠尾静脉注射C6TI/Apo-Tat 8小时后，使用808 nm激光器（0.5 W cm-2）照射小鼠，肿瘤部位快速升温至43℃，并达到平台期保持稳定。以此功率分别进行C6TI/Apo-Tat和C6TI-Tat介导的PTT肿瘤治疗，结果显示C6TI/Apo-Tat对肿瘤的治疗效果显著优于C6TI-Tat，且C6TI/Apo-Tat治疗组肿瘤复发明显低于C6TI-Tat治疗组（图2b、2c）。通过对两个治疗组原位肿瘤组织切片HSP70免疫和TUNEL组化染色分析（图2d），课题组发现热触发释放的Apo可有效抑制肿瘤部位细胞热损伤修复蛋白HSP70的表达，导致C6TI/Apo-Tat介导的低温PTT肿瘤细胞凋亡率显著高于C6TI-Tat治疗组，证明了该联合治疗策略的有效性。因此，本研究开发出新型高效光热转换分子马达，避免了传统光热剂需要引用长烷基链或复杂取代基的合成方式，结合对热损伤修复蛋白HSP70表达的抑制机理，有效突破了传统高温PTT治疗的局限性，为小分子高效光热剂的开发提供了新思路。

       南方科技大学为论文第一通讯单位，倪侦翔为论文第一作者，李凯为唯一通讯作者，课题组成员杨光、康天怿、查梦蕾、李迓曦等为共同作者。研究得到国家自然科学基金及深圳市基础研究计划等项目的资助。

 

论文链接：

https://www.onlinelibrary.wiley.com/doi/10.1002/anie.202002516

 

 

供稿：生物医学工程系

通讯员：肖然

编辑：吴一敏

主图设计：丘妍

       受南方科技大学生物医学工程系邀请，来自中国科学院心理研究所的伍海燕副研究员于腾讯会议平台以专业又不失幽默的方式通过最近的研究案例阐释了突发公共卫生安全事件（如，新冠肺炎）下产生的焦虑等心理反应。此类问题相关的研究角度多样，例如心理理论、社会影响、文化影响，情绪因素等，也包括决策的计算模型等定量研究。研究方法则主要涉及在线实验，脑刺激，脑影像处理和EEG-fMRI同步技术等。

       围绕着“焦虑”这一核心主题，本报告对以下三个具体的研究案例进行了生动的介绍：1）焦虑、共情与亲社会行为；2）焦虑、隔离与好奇心；3）焦虑、隔离与生命意义感。

 

一、疼痛共情与亲社会行为与疫情爆发的影响关系

       首先，简单介绍几个共情研究的例子。如下图所示，图a研究了观看他人闻令人厌恶气味的视频与自己闻令人厌恶的气味的脑激活对比图。脑激活对比中可以看出两种条件有相似的脑激活。图b是客观观察他人肢体触摸的视频和主观体验被触摸两种条件下的脑激活对比，可以看出在客观条件下，被试脑激活也与主观体验条件类似。图c是人自身感知疼痛相比于感知同伴的疼痛的共情脑区激活特征。图d是女性观看对她公平的被试接受疼痛刺激时激活共情相关脑区。图e 观看潜在产生疼痛的图片刺激激活共情相关脑区。图f是面部表情为中性和疼痛反应的脑区激活共情脑区。图g 是看手被针扎产生共情。

图1 共情研究示例

       那么灾难的发生是否会导致亲社会行为增加呢？COVID-19从爆发至今也有几个月的时间了，人们是否会由于长期接触和接受灾难信息而产生共情疲劳呢？

       关于这个两个问题的解答，有两种相反的背景理论作为假设支持，分别是心理台风眼效应与涟漪效应。针对COVID-19疫情，以武汉为起点，考虑被试距武汉的距离及其共情能力之间的关系，并作出如下假设：1）随着COVID-19的突发，共情导致的亲社会意愿（疼痛分享意愿）会在疫情期间降低，并且这种亲社会意愿的转变会被共情的水平显著调控，表现为对疼痛表现者的评分降低。2）过度暴露于多种信息可能会影响共情。3）疫情爆发所产生的焦虑对共情和亲社会行为的影响可能受到距疫情中央地区的距离影响。

 

心理台风眼效应：

心理台风眼效应来自早期心理所李纾研究员在汶川地震发生时的相关心理学研究。发现越靠近汶川的居民，对汶川地震灾难事件表现的反而越平静。而距离汶川越远的民众的焦虑和担忧反而更多。

涟漪效应：

涟漪效应较为传统，认为风险中心区的群体风险知觉水平最高，随着风险事件的影响一圈一圈的向外扩散，非风险中心区个体的风险知觉水平将逐渐下降。

 

       第一批实验材料在2019年11月份制作和投放，采集了520名控制组数据收集数据。当时虽然未能预期疫情的发生，但是从数据构成的角度刚好可以被用到此研究中。疫情期间的实验材料同样是以网络实验的方式与2020年2月23号至2月24号期间采集。2019年的实验材料来自电击实验（此实验已经伦理审核通过，电流不会造成安全隐患，但能引发疼痛感）。被试在摄像头前描述自身对这些电击所引发的主观感受。这些材料与被试谎称被电击的描述视频混合并经过筛选（筛选出可被猜中撒谎或真实描述的概率为随机水平）后被在线投放。并在2020年2月23-24日重新采集了570名被试疫情期间数据。

图2 研究一的实验流程

       以一个视频为例，报告中与观众互动发现，观众对视频判断也在随机水平，不过有意思的是，在伍老师公布了视频是经过50%准确性后，观众朋友们多判断为假。被试看完视频后，需要做四种反应。

1.这个人是否真实的遭到了点击？（真/假）；

2.共情水平：请你判断你觉得这个人被电击时候的疼痛程度？（1完全不疼~7非常疼痛）；

3.替代性体验：请你判断你在观看这个人视频时候自己的疼痛程度？（1完全不疼~7非常疼痛）；

4.亲社会意愿：请你判断，如果可能的话，你在多大程度上愿意帮助这个人减轻疼痛？（1完全不愿意~7非常愿意）

       经过分析发现，在IRI量表分数和视频评价的三个水平上（共情水平，替代性体验和亲社会意愿）均有显著性差异。其中在共情关心、观点采择和想象角度，疫情时相比疫情前有显著降低。但在个人悲伤角度，疫情后相比疫情前显著升高。并且疫情后，相比疫情前被试的共情水平，替代性体验和亲社会意愿均有所下降。

       这项研究提出疫情发生与共情水平和亲社会意愿间存在中介效应。即在疫情发生前，共情水平与亲社会意愿的相关性高于疫情发生后两者的相关性程度。另外对于疫情发生后，被试的状态焦虑与特征共情，共情水平和亲社会行为间关系的假设模型如下图：

图3 共情水平的中介效应

       状态焦虑与特质共情的关系可能是受到武汉距离调控的。即在强焦虑状态下的被试中，距离武汉越近的被试的特质共情越低。

图4 新闻辨别力的抑制作用

       除此之外，新闻的辨别力在状态焦虑与特质共情关系上有负向抑制作用。在疫情爆发后，人们对铺天盖地的新闻感到困惑，并且对特质共情产生了消极影响。

       在武汉解封后，重新采集了一批数据以作为模型的验证。加入新的数据后，发现在真假判断上，疫情发生的时间条件不存在差异。但是在解封后，特质共情持续下降，观点采择和想象有所回升，个人悲伤水平在解封后有所降低。

       在解封之后，共情水平、替代性体验和亲社会意愿水平仍较低。同样的状态焦虑和特征焦虑均在解封后有显著下降。

 

研究结论：

1. 疫情发生使得人的亲社会意愿下降。可能的原因是：从共情水平和特质共情水平的下降可以推论，被试可能产生共情疲劳。

2. 状态焦虑能负向影响特质共情，并且它们的关系是受到离武汉的距离这一变量调节（越接近武汉的居民的特质共情受到疫情的影响越严重）。这一点可以用涟漪效应解释。

 

二、传染病爆发时的焦虑诱发抑制了好奇心

       疫情发生后，人们对周边事物的好奇心减弱了吗？疫情产生的焦虑是否会抑制人的好奇心呢？心理学对好奇心的研究可以追溯到1890年，William James提出“好奇心除了是一种被环境的纯粹新奇性唤起和刺激的敏感性，也是一种直接作用于特定信息的科学好奇心”。至今较为广泛接受的定义是Grossnickle在2016年提出的“个体在经历或寻找某个对照性变量时，对知识或信息的渴望，并伴随着积极的情绪、强烈的唤醒或探索性的行为”。

表1 心理学者的好奇心研究观点

       受疫情影响，自我隔离、增加社交距离等防控措施在全世界范围内普遍实施。据此，从焦虑和好奇心的角度出发，可提出以下问题：1）疫情期间的焦虑和自我隔离等措施，如何影响人们对事物的好奇心？2）增加社交距离对自闭、社交焦虑的影响如何？3）自闭的特质如何调节焦虑对好奇心的影响？

       在疫情发生期间，伍老师在线进行探索性研究，收集了570例被试的数据，收集了有关自闭、状态特质焦虑、好奇心和探索性、知识性好奇等量表和COVID-19相关问题。在3月13号，收集了500名中国被试的模糊任务、社交焦虑、人际好奇心、隔离问卷等相关测评。与此同时，收集了200名美国被试基于同样问卷的数据，旨在进行跨国家、跨文化对比。

图5 研究二的实验流程

 

图6 Blurred Task任务示例

       在第一个阶段，被试需要猜测模糊背景下的图片内容，并在对话框中填写。在第二阶段，提问被试是否想要知道图片内容（1表示无好奇~5表示非常好奇）。第三阶段有两种条件，分别为提供答案和不提供答案。在提供答案的条件下，让被试评价对图片的惊讶程度（1不惊讶~5非常惊讶）。在不提供答案的条件下，提示被试此问题不提供答案，请评价你的失望程度（1不失望~5非常失望）

图7 社会距离对知觉好奇心的中介效应

       那么结果显而易见，在疫情下产生的焦虑的确影响知觉好奇心。受隔离的社交距离中介调节。同时人自闭属性也会调节人际好奇心。人的自闭属性越高，越对他人不感兴趣。

图8 中美知识好奇心对比

       结果发现，越高水平的社交焦虑能够预测更低水平的人际好奇。在自闭属性上，随着自闭属性的增加，人际好奇呈现增加趋势。随着特质焦虑的增加人的特质好奇水平会降低，但是对于知识的好奇心不会随着状态焦虑的变化而变化。

研究结论

1.状态焦虑对知觉好奇心有负性影响。这一关系也受到社交隔离的影响。

2.状态焦虑对人际好奇有正性影响，在社交隔离状态下，人们的人际好奇心会增加，这一点受到自闭倾向的影响。

3.特质焦虑对特质好奇心有显著的负向预测作用，特质/状态焦虑对知识认知好奇无显著影响。

 

三、疫情之下的生命意义感、焦虑和抑郁的关系

       本研究调查分别在三种角度开展。首先对人生期望角度做了四个维度的测量。其次在重要性和代价角度做了四个维度的测量。第三，完成某体验对生命长度上的代价。初步分析结果发现人评定自我成功的重要性和人对普通体验的重要性角度有一些有趣的结果，有可能预测生命意义感的寻求。

       这一部分结果还在分析过程中，但是有一些初步结果可以汇报给大家。初步分析结果发现人评定自我成功的重要性和人对普通体验的重要性角度有一些有趣的结果，有可能预测生命意义感的寻求。但是，以金钱换取体验的相关实验发现：年长者似乎更不愿意为不平凡的体验和自我成功的体验买单。在较高抑郁分数的被试数据中发现，他们似乎更愿意为了个人的成功付出更多金钱和寿命，并且将平凡和不平凡的生命体验都看的十分重要（这些与抑郁相关的结果在2020年5月的第二批数据中得到验证）。

图9 社会地位等级与消费、生命付出观念雷达图

       将自我评价的社会地位进行评级，分为低、中、高三个组。初步结果发现，社会经济地位较低的组与社会经济地位较高的组之间的生命体验消费和生命付出观念存在一定程度的互补。社会经济地位低的人群不太愿意为社交关系和个人成功付出时间和生命。恰恰相反，社会经济地位高的人会更愿意为自我成功付钱，家庭和伴侣关系付出时间。而中等程度的人群更加关注家庭和伴侣关系。对于社会地位高的人，相比现在的生活状态不愿意得到更长的寿命。而如果一切理想，不同年龄段的人都希望能获得更长的寿命，但是同比之下社会地位高的人对寿命长度的期望要仍较低。（这些结果尚为初步结果。因数据在进一步采集和分析，此结论可能有异于最终结论。）

 

伍老师给大家的建议

疫情毫无疑问会对我们的生活和工作造成一定程度的消极影响。在讲座最后，伍老师给大家几个复工后的生活学习工作建议：

改回正常生活规律，让身体提前进入状态。

主动屏蔽四面八方的信息。

集中注意力在可控的事物上。

继续保持适宜的卫生习惯。

 

名词解释：

共情是指通过观看或者想象能够感知、理解他人的处境，能对他人的处境产生相似的情绪反应，并对导致这种情绪状态的来源有清楚的认识的一种能力。

亲社会行为：一种有益于他人的行为，如助人，合作，捐赠等。

共情疲劳：助人者在向服务对象提供援助服务的过程中，因共情投入或承受救助对象的痛苦而使得助人者对救助对象共情能力或兴趣减低。

好奇心：个体在经历或寻找某个对照性变量时，对知识或信息的渴望，并伴随着积极的情绪、强烈的唤醒或探索性的行为。

死亡焦虑（death anxiety）是指当死亡必然性被提醒时，个体的内心深处收到死亡威胁而产生的一种带有惧怕或恐惧的情绪状态。

生命意义（meaning in life）指让你们对自己生命的理解和体会，以及对目标、任务或使命的领悟。Steger认为生命意义包含意义体验（the presence of meaning）和意义寻求（the search for meaning）两个维度。

主观幸福感：人对幸福的主观感受。柏拉图认为，有王者气质的人最幸福，最不幸的是专制的独裁者。他用一种独特的方法计算出，王者的生活比独裁者的生活快乐3^6 = 729倍。

 

参考文献：

Batson, C. D., Duncan, B. D., Ackerman, P., Buckley, T., & Birch, K. (1981). Is empathic emotion a source of altruistic motivation?. Journal of personality and Social Psychology, 40(2), 290.De Vignemont, F., & Singer, T. (2006). The empathic brain: how, when and why?. Trends in cognitive sciences, 10(10), 435-441.

Bernhardt, B. C., & Singer, T. (2012). The neural basis of empathy. Annual review of neuroscience, 35, 1-23.

Hein, G., & Singer, T. (2008). I feel how you feel but not always: the empathic brain and its modulation. Current opinion in neurobiology, 18(2), 153-158.

Cao S Q.(2020). Emerging infectious outbreak inhibits pain empathy mediated prosocial behavior. http://psyarxiv.com/5p8kd/

张向葵, 郭娟, & 田录梅. (2005). 自尊能缓冲死亡焦虑吗?——自尊对死亡提醒条件下大学生死亡焦虑的影响. 心理科学(03), 91-94.

 

伍老师的报告视频已经上传B站。如有兴趣观看完整的报告视频，请扫描下面的二维码观看：

 

 

作者：NCC lab于浩

校对：NCC lab王海慧

       受南方科技大学生物医学工程系刘泉影助理教授邀请，来自西南大学心理学院的雷旭教授（www.leixulab.net）于腾讯会议平台在线讲解了静息态研究中EEG（electroencephalogram，脑电图）和fMRI（functional magnetic resonance imaging，功能磁共振成像）各自的特点，并提出了能够结合两者优势的静息态研究方向。

一、研究背景

图1 睁闭眼影响EEG频谱能量的重测性

       雷教授首先介绍了静息态的定义，以及EEG和fMRI这两种记录静息态神经活动的技术的时空分辨率互补性。紧接着，基于静息态研究中的被试应睁眼还是闭眼的讨论，雷教授进一步讨论了EEG和fMRI在静息态神经信号上的重测性差异。较早的基于fMRI的研究认为睁眼状态下的被试其功能连接网络能被更好地测量。而雷教授团队发现，在多次静息态测量中，被试的EEG信号特征，即频谱能量特征和功能连接指标，在闭眼状态下有更好的重测性（图1）。另外，相比于将其投射到大脑皮层水平上，EEG信号的特征在电极水平的重测性更高（图2）。

图2 影响静息态EEG重测性的因素

二、时间：全脑信号

图3 fMRI与EEG全脑信号

       在四个主题中，雷老师首先了在时间方面的一个新颖的指标-全脑信号。全脑信号是由fMRI信号在全脑中简单的叠加平均，并发现全脑计算的全脑信号与仅靠灰质计算的全脑信号高度相关。在最近5-10年，学术界逐渐开始关注全脑信号的意义，并发现的全脑信号具有一些重要的生理意义。雷老师借此联想到EEG全脑信号是否也存在类似的意义。

图4 参考电极标准化技术

       但在实际操作中EEG的全脑信号是无法得到的！无论是使用FCz参考电极（信号受参考电极影响）或是进行平均参考（加总后等于0），都无法得到有意义的全脑信号。为了解决这个问题，雷老师使用的参考电极标准化技术（Yao 2001 IEEE BME），尝试将信号反演到源，再通过无穷远参考计算到头表。通过这种方法可以得到反映全脑电活动的EEG全脑信号（即尧信号）。EEG尧信号主要来自灰质中的锥体细胞，覆盖范围主要是全脑的上半部，相比fMRI全脑信号的覆盖范围有一些局限。通过EEG-fMRI同步采集得到信号进行对比，处理后的EEG尧信号（主要是gamma频段）和fMRI全脑信号具有高度的相关性。同时，雷老师还探索了EEG尧信号在生理心理中独特的意义，并发现该信号可以很好地解释被试的困倦度和警觉度。

三、空间：大尺度脑网络

图5 脑网络与大脑节律

       在空间方面，雷老师介绍了大尺度脑网络方面的重要工作（Smith et al 2009 PNAS）,该工作通过元分析的方法验证了静息态的脑网络与来自之前研究的各种任务综合得到的一些脑网络具有高度的一致性，表明大脑在静息态状态下很有可能是在重现或预演其他任务。在另一项研究里（Mantini et al 2007 PNAS）,研究者通过同步采集的EEG-fMRI研究了脑网络与大脑节律的关系，发现脑网络和特定节律的对应关系并不明显，往往同时与多个节律具有相关性。接下来雷老师介绍了NCClab刘泉影老师在2017年的工作，该研究使用了高密度脑电采集信号，相比EEG-fMRI同步采集具有更高的信噪比。这项研究非常清晰的展示了不同脑网络与特定节律之间的关系，通过上图可以看到，对于大部分脑网络与节律都只有较为宽泛的对应关系。在MEG的研究（Pasquale 2012 Neuron）中也发现的类似的现象。

图6 静息态皮层节律成像软件

       雷老师团队提出了将来自fMRI的功能网络作为空间先验信息引入到EEG源成像中的网络源成像（NESOI）方法。并且进一步将8种fMRI先验得到的大尺度脑网络作为静息态脑电的空间先验，开发了静息态皮层节律成像软件（正在开发2.0），该软件可以完成头表的节律分析，皮层的节律分析以及大尺度脑网络的分析。无论是头表的节律分析还是皮层的节律分析都可以一键完成，脑电预处理的功能也即将加入。还可以在脑网络层面分析具体每个节律的能量，以及不同网络之间的节律的功能连接。

四、频率：无标度性

图7 生物界的无标度性

图8 EEG与fMRI无标度性的相关

图9 EEG的节律成分与非节律成分

       雷教授接下来介绍了神经信号在频域上的“无标度性“特征与功能的关系。“无标度性“即信号功率正相关与频率的倒数的特点（图7）。而该正相关的系数可以反映不同个体、功能或脑区的特征。例如，无标度性特征可以预测区分内向与外向的人格特质。另一方面，在对比EEG和fMRI各自的无标度性时，其相关性在睡眠状态下的更高（图8）。基于这些发现，雷教授提出了EEG的节律成分与大尺度网络相关，而非节律成分反映全脑的整体特性的假设（图9）。

五、意义：静息态自发思维

图10 自发思维与EEG和fMRI

图11 EEG与fMRI对自发思维的敏感度

       雷教授接下来讲解了如何通过结合EEG和fMRI找到静息态自发思维的神经指标。自发思维指例如意识中断、回忆过去和想象未来等在静息态下发生的思维过程。在10秒到1分钟的时间尺度上，fMRI可以用于发现思维过程与大尺度闹网络激活的关系；而EEG信号可以被切割为长度为100毫秒从而将其电极水平特征对应到不同的“微状态”（图10）。雷教授团队收集了70余个被试的EEG数据，1100余个被试的fMRI数据，并发现EEG和fMRI对不同的自发思维过程有不同的敏感度（图11）。例如EEG对睡眠过程敏感度更高，而fMRI可能对特定脑区相关的功能的敏感性更高。

 

扫码观看讲座视频

 

参考文献：

Allen, Elena A., Damaraju, Eswar,Plis, Sergey M., Erhardt, Erik B., Eichele, Tom, & Calhoun, Vince D.(2012). Tracking Whole-Brain Connectivity Dynamics in the Resting State. Cerebral Cortex, 24(3), 663-676.doi:10.1093/cercor/bhs352

Anderson, Alana J., & Perone, Sammy.(2018). Developmental change in the resting state electroencephalogram:Insights into cognition and the brain. Brainand Cognition, 126, 40-52. doi:https://doi.org/10.1016/j.bandc.2018.08.001

Andrews-Hanna, Jessica R., Reidler, Jay S.,Huang, Christine, & Buckner, Randy L. (2010). Evidence for the DefaultNetwork’s Role in Spontaneous Cognition. Journalof Neurophysiology, 104(1), 322-335. doi:10.1152/jn.00830.2009

Britz, Juliane, Van De Ville, Dimitri,& Michel, Christoph M. (2010). BOLD correlates of EEG topography revealrapid resting-state network dynamics. NeuroImage,52(4), 1162-1170. doi:https://doi.org/10.1016/j.neuroimage.2010.02.052

Chang, Catie, Liu, Zhongming, Chen, MichaelC., Liu, Xiao, & Duyn, Jeff H. (2013). EEG correlates of time-varying BOLDfunctional connectivity. NeuroImage, 72,227-236. doi:https://doi.org/10.1016/j.neuroimage.2013.01.049

de Pasquale, Francesco,Della Penna, Stefania, Snyder, Abraham Z, Marzetti, Laura, Pizzella,Vittorio, Romani, Gian Luca, & Corbetta, Maurizio. (2012). A CorticalCore for Dynamic Integration of Functional Networks in the Resting Human Brain.Neuron, 74(4), 753-764. doi:https://doi.org/10.1016/j.neuron.2012.03.031

Diaz, B. Alexander, Van Der Sluis, Sophie,Moens, Sarah, Benjamins, Jeroen, Migliorati, Filippo, Stoffers, Diederick, . .. Linkenkaer-Hansen, Klaus. (2013). The Amsterdam Resting-State Questionnairereveals multiple phenotypes of resting-state cognition. Frontiers in Human Neuroscience, 7(446).doi:10.3389/fnhum.2013.00446

He, Biyu J., Zempel, John M., Snyder,Abraham Z., & Raichle, Marcus E. (2010). The Temporal Structures andFunctional Significance of Scale-free Brain Activity. Neuron, 66(3), 353-369. doi:https://doi.org/10.1016/j.neuron.2010.04.020

He, Yong, Wang, Jinhui, Wang, Liang, Chen,Zhang J., Yan, Chaogan, Yang, Hong, . . . Evans, Alan C. (2009). Uncoveringintrinsic modular organization of spontaneous brain activity in humans. PloS one, 4(4), e5226-e5226.doi:10.1371/journal.pone.0005226

Huang, Xiaoli, Long, Zhiliang, & Lei,Xu. (2019). Electrophysiological signatures of the resting-state fMRI globalsignal: A simultaneous EEG-fMRI study. Journalof Neuroscience Methods, 311, 351-359. doi:https://doi.org/10.1016/j.jneumeth.2018.09.017

Killingsworth, Matthew A., & Gilbert,Daniel T. (2010). A Wandering Mind Is an Unhappy Mind. Science, 330(6006), 932. doi:10.1126/science.1192439

Lehmann, D, Pascual-Marqui, RD, &Michel, C. (2009). EEG microstates. Scholarpedia,4, 7632. Lei, Xu, Wang, Yulin, Yuan, Hong, &Chen, Antao. (2015). Brain Scale-free Properties in Awake Rest and NREM Sleep:A Simultaneous EEG/fMRI Study. BrainTopography, 28(2), 292-304. doi:10.1007/s10548-014-0399-x

Lei, Xu, Wu, Taoyu, & Valdes-Sosa,Pedro. (2015). Incorporating priors for EEG source imaging and connectivityanalysis. Frontiers in Neuroscience, 9(284).doi:10.3389/fnins.2015.00284

Lei, Xu, Xu, Peng, Luo, Cheng, Zhao,Jinping, Zhou, Dong, & Yao, Dezhong. (2011). fMRI functional networks forEEG source imaging. Human Brain Mapping,32(7), 1141-1160. doi:10.1002/hbm.21098

Lei, Xu, Zhao, Zhiying, & Chen, Hong.(2013). Extraversion is encoded by scale-free dynamics of default mode network.NeuroImage, 74, 52-57. doi:https://doi.org/10.1016/j.neuroimage.2013.02.020

Liu, Quanying, Farahibozorg, Seyedehrezvan,Porcaro, Camillo, Wenderoth, Nicole, & Mantini, Dante. (2017). Detectinglarge-scale networks in the human brain using high-densityelectroencephalography. Human BrainMapping, 38(9), 4631-4643. doi:10.1002/hbm.23688

Mantini, D., Perrucci, M. G., Del Gratta,C., Romani, G. L., & Corbetta, M. (2007). Electrophysiological signaturesof resting state networks in the human brain. Proceedings of the National Academy of Sciences, 104(32), 13170.doi:10.1073/pnas.0700668104

Smith, Stephen M., Fox, Peter T., Miller,Karla L., Glahn, David C., Fox, P. Mickle, Mackay, Clare E., . . . Beckmann,Christian F. (2009). Correspondence of the brain's functionalarchitecture during activation and rest. Proceedingsof the National Academy of Sciences, 106(31), 13040.doi:10.1073/pnas.0905267106

Thomas Yeo, B. T., Krienen, Fenna M.,Sepulcre, Jorge, Sabuncu, Mert R., Lashkari, Danial, Hollinshead, Marisa, . . .Buckner, Randy L. (2011). The organization of the human cerebral cortexestimated by intrinsic functional connectivity. Journal of Neurophysiology, 106(3), 1125-1165.doi:10.1152/jn.00338.2011

Van Dijk, Koene R. A., Hedden, Trey,Venkataraman, Archana, Evans, Karleyton C., Lazar, Sara W., & Buckner,Randy L. (2009). Intrinsic Functional Connectivity As a Tool For HumanConnectomics: Theory, Properties, and Optimization. Journal of Neurophysiology, 103(1), 297-321.doi:10.1152/jn.00783.2009

Wen, Haiguang, & Liu, Zhongming.(2016). Broadband Electrophysiological Dynamics Contribute to GlobalResting-State fMRI Signal. The Journal of Neuroscience, 36(22), 6030. doi:10.1523/JNEUROSCI.0187-16.2016

Yao, Dezhong, & He, Bin. (2001). A Self-Coherence Enhancement Algorithm and its Application to EnhancingThree-Dimensional Source Estimation from EEGs. Annals of Biomedical Engineering, 29(11), 1019-1027.doi:10.1114/1.1415526

 

 

本文作者：NCC lab 王正旸、魏晨