来自爱荷华大学的Jan R. Wessel等人在Nature Communications杂志发文，探究意外是通过何种机制来中断人们的认知的。
摘要：
意外事件显著影响人们的行为和认知，然而其背后的机制却尚未可知。意外事件通过基底神经节的丘脑底核(subthalamic nucleus ，STN)征用一个全脑性的抑制认知运动活动的神经机制来产生作用。作者测试了这种抑制机制是否延伸到骨骼认知运动抑制，并且影响认知(即，言语工作记忆，WM)，并记录了在意外中断WM任务中，健康被试的头皮EEG(电生理学)和帕金森患者的STN局部场电位。对于头皮EEG，意外事件的信号成分与在停止-信号任务中表明活动停止的独立神经信号成分相同。征用的程度调节着意外相关WM的减少量。在颅内，STN活动也会在意外后增加，尤其当WM（工作记忆）中断时。这些结果表明，意外中断认知的机制与中断行为一致，均通过额基底神经节调节。这激发了一种新的神经理论，即认知是如何被中断的，以及在意外事件之后注意力是如何被分散的。
文献导读：
意外事件经常打断我们正在进行的思维，导致遗忘。然而，这是通过什么机制发生的呢？在这里，作者测试了一个假设，即意外事件需要一套神经系统来广泛抑制正在进行的认知运动和认知表征。作者假设：其所需的神经系统与快速认知运动停止所征用的系统是相同的，作者假设这个系统是一个额基底神经节网络，包含了前辅助认知运动区、右下额叶皮质和基底神经节的丘脑底核(STN)。
为了验证这个假设，作者设计了一个任务，其中WM（工作记忆）的保持偶尔会被意外事件中断(图1a)。在每个试次中，被试将一串辅音编码到WM中（其实就是让被试记住它），在一段时间内保持它，然后用探针进行测试，WM探测之前有一个声音。在80%的试次中，会播放被试在主实验之前就已经熟悉了的标准正弦波声音。然而，在主实验20%的试次中，播放的是令人意外的鸟叫声片段。然后，作者测试了认知运动停止后激活的神经抑制机制是否可以解释意外事件后WM的失败。这种神经抑制机制的活动可以通过头皮EEG和来自大脑深处结构的局部场电位(LFP)记录来测定。
在头皮上，认知运动停止由前额-中央慢波EEG信号组成，其时序与停止的速度和成功与否密切相关，其神经信号的释放不依赖于注意力或信号检测过程。此研究的目标是通过比较SST（停止信号任务）中成功和失败的停止试次(每个被试在完成WM任务后进行)来分离这个额-中央成分。作者预测：在WM任务中意外事件会激活同样额-中央EEG信号成分，而且该分量的激活程度与WM抑制程度成比例(即，大脑系统中与意外相关的活动越多，其表明成功抑制认知运动的同时，WM的抑制也越强)。
在颅内，认知运动停止是通过帕金森病患者深度电极记录的STN（丘脑底核）反映的：STN活动在成功的停止试次中增加。特别地，STN被认为是更广泛的停止系统中的一个关键节点，并且可能负责广泛的认知运动抑制。STN（丘脑底核）的这种影响可能会扩展到认知领域，从而中断WM。因此，作者预测WM任务中的意外事件将导致STN活动增加。作者进一步预测，与意外相关的STN活动的增加将对应着更多的WM（工作记忆）失败。
图1 行为任务的细节和结果。
(a)WM任务范式。
(b)停止-信号任务范式。
(c)WM任务行为实验的行为结果。
(d)WM任务头皮EEG实验的行为结果。
方法
被试
行为实验：20名健康被试。
头皮EEG实验：20名健康被试。
颅内STN-LFP实验：7名帕金森病患者。
工作记忆任务。
在每个试次中，被试将一串辅音编码到WM中，在一段时间内保持它，然后用探针进行测试，WM探测之前有一个声音。在80%的试次中，会播放被试在主实验之前就已经熟悉了的标准正弦波声音。然而，在主实验20%的试次中，播放的是令人意外的鸟叫声片段。然后测试了认知运动停止后激活的神经抑制机制是否可以解释意外事件后WM的失败。
信号-停止任务（SST）。
首先呈现500ms注视点，然后出现向左或向右的箭头（go-stimulus）,被试需尽快尽准的按键。33%的试次中，停止信号(箭头从白色变为红色)出现在go刺激的延迟后 (停止信号延迟，SSD)。SSD(最初200 ms)会动态调整：成功停止后，SSD被延长；失败停止后，被缩短。共6个组块，每个组块50个试次。
头皮脑电记录与预处理：
数据收集采用64导BioSemi设备（思影科技为该品牌中国总代，感兴趣可加微信siyingyxf了解），采样率512赫兹，外加8个电极放置在双侧乳突和眼睛周围，在线参考选择CMS-DRL。采用EEGLAB进行预处理。
行为分析：
采用配对样本t检验评估试次类型对WM准确性的影响。意外事件量化如下，然后使用配对样本t检验比较正确和错误的意外试次值。
选择认知运动抑制独立成分：
使用独立成分分析识别SST（信号-停止任务）中成功停止时激活的脑源信号，研究者将其称为“认知运动抑制独立成分（MS-IC）”。锁时在停止信号上的额-中央源水平P3成分是SST中认知运动抑制过程的一个指标。因此，研究者们从每个被试中选择一个在ERP中表现神经源加工的成分。为此，他们首先在额-中央电极(Fz, FCz, Cz, FC1 and FC2)中选择每个在权值矩阵中具有最大权重的成分。然后将特定通道的成分在停止信号之后500毫秒时间内的数据进行叠加平均，并将此事件相关的平均活动与该时间范围内的整个脑电图数据的事件相关的平均活动进行相关。选择与总体ERP相关性最高的成分作为MS-IC。
事件相关频谱扰
采用Hilbert变换计算意外试次和标准试次的ERSP（即，时间-频率响应）的MS-IC（1-50±0.5 Hz,线性）。
EEG单试次GLM分析：
为了研究MS-IC（认知运动抑制独立成分） ERSP（时间-频率响应）与意外程度、WM（工作记忆）准确性(以及意外与WM交互作用)之间的关系，我们为每个被试构建了单独的GLMs。WM在每一个意外试次中的准确性都被编码为：1表示未命中或错误警报，0表示命中或正确拒绝。
EEG信号-试次介导分析：
为了检验声音相关的delta-band MS-IC ERSP是否在意外和WM之间起中介作用，我们对二分结果变量进行了中介分析。为此，我们为每个被试构建了两个逻辑回归模型。在第一个模型中，在每个delta频段(1-4 Hz)，将意外建立在每个被试每个采样点与声音相关的MS-IC（认知运动抑制独立成分） ERSP（时间-频率响应）上。在第二种模型中，单次试次的MS-IC ERSP采用逻辑回归方法，以WM失败(结果变量)为模型。
结果
行为实验：
20名健康被试完成了WM任务。在每个试次中，他们都编码一个字母串，并把它放在一个可变的延迟周期内，这个延迟周期结束时出现一个标准或意外的声音。在发出声音300毫秒后，研究人员对被试的WM准确度进行了检测。
如预测，与标准声音相比，意外声音出现后WM的准确性下降，且影响由中到大(配对样本t检验，N = 20, t(19)=3.5, P = 0.0026, d = 0.78，图1c)。在2200 ms刺激间隔中，标准声音的WM准确性为77.9%，意外声音的WM准确性为71.4%；显著性检验是基于这一刺激间隔进行的(其他三个仅具有标准声音刺激间隔的WM准确性在1700 ms时为75.1%，在2700 ms时为76.5%，在3200 ms时为75.3%)。此外，这种减少与意外的程度有关。事实上，随着任务的进行，意外的程度会逐渐减弱(即使所有鸟鸣片段都是独一无二的)，这让我们能够模拟出高度意外和不那么意外的事件之间的效果。意外的程度使用贝叶斯算法在试次间进行量化，该算法使用Kullback-Leibler离散度将意外声音的后验概率与之前的预期进行比较。根据模型的意外值，错误预测比正确预测WM的声音更加意外，且影响由中到大(配对样本t检验,N = 20, t (19) = 2.14, P = 0.045, d = 0.77,图1 c),这表明WM失败在这个任务中与意外的程度直接相关。
源水平上的EEG实验：
研究者们测试了由意外事件引发的神经抑制过程能否解释WM的失败。在另外一批20名被试中，研究者记录了WM任务的EEG。他们首先重复了一种行为模式，即与标准声音相比，意外声音的出现时WM的准确性降低(配对样本t检验，N = 20, t(19) =2.3,P = 0.033, d = 0.49)。在2200 ms刺激间隔中，标准声音的WM准确性为80%，意外声音的WM准确性为75.4%;显著性检验是基于这一刺激间隔进行的(其他三个仅具有标准声音刺激间隔的WM准确性在1700 ms时为80.6%，在2700 ms时为81.3%，在3200 ms时为81.7%)。
结果相同，WM失败后出现的意外声音会使得被试更意外(配对样本t检验，N = 20, t(19) =2.6, P = 0.019, d= 0.91)。在WM任务完成后，在研究者还记录了SST（停止信号任务）期间的EEG。在SST（停止信号任务）(图1b)中，在每个试次中，被试都启动了一个响应，如果出现视觉停止信号，他们必须尝试快速停止响应(33%的试验中发生了这种情况)。健康被试的行为模式很典型：由于在线调整（确保任务足够难并且成功和失败的概率相同），成功停止的概率为50%。正确执行反应时间(RT)为485 ms，停止失败RT为403 ms明显快于停止的竞态模型(配对样本t检验，N = 20, t(19) =12.81, P = 8.5 10 11, d = 2;在被试中，正确执行RT大于停止失败RT)。停止信号反应时间(SSRT)为237ms，反映了停止过程的速度。
在本实验中，独立成分分析(ICA)被用来识别大脑源信号成分，该成分是SST认知运动停止成功与否的指标，并称为“认知运动抑制-独立成分”(MS-IC)。然后，研究者们旨在研究这种MS-IC在WM任务中的活动。为了实现这一目标，他们从两个任务中分别对每个被试两个任务中合并的EEG计算一个ICA(图2)。ICA将头皮EEG混合成分分解为其潜在的独立源信号成分(ICs)，每个ICs代表一个独立的神经过程。这些结果表明了一系列的事件中，意外在MS-ICs中引发了delta-band的活动，从而导致了WM的失败。使用组水平中介模型测试了这个可能的事件链。分析表明，意外对WM的影响确实是由delta-band MS-IC活动正向调节的(图4c)。换句话说，意外的数量越多，WM的破坏就越大，而WM的破坏是由与认知运动停止相关系统下的EEG活动介导的。这些结果证实了研究者们之前的发现，即大脑中完全停止认知运动的信号也会被一些意外的事件所征用，重要的是，这进一步说明这一系统的征用会导致WM的紊乱。接下来他们关注基底神经节的STN。
图2 EEG分析原理图
图3 停止信号任务源水平EEG结果
图4 MS-IC（认知运动抑制独立成分） WM 任务源水平EEG结果
颅内STN-LFP实验：
作者预测，意外声音会激发STN（丘脑底核）中更多的活动，而那些募集更多STN的意外声音更有可能导致WM失败。为了验证这一点，他们在WM任务中记录了7名帕金森病患者的LFPs，并将深度电极植入在STN中。在每个患者中，通过比较音调开始后300毫秒的分析信号振幅和音调开始前100毫秒的基线(与试次类型无关)，确定了在所有频段(1-100Hz)中信噪比最高的接触点，并用与头皮EEG实验中MS-ICs事件相关频谱扰动(ERSP)响应相同的方法分析了STN中的LFP响应，但频率范围更广(1-100Hz)，其中包括gamma活动。
根据头皮EEG结果和假设，STN活动在意外事件后增加，特别是在delta(1-4Hz)、beta(13-30 Hz)和gamma(4-30 Hz)频段(图4a)。与头皮EEG实验相同的，单被试的GLM分析进一步表明，gamma带活动与意外的WM相互作用显著相关，就像头皮EEG实验中的MS-IC活动一样。此外，单被试图(图5)显示，每个被试在意外声音出现后，STN中的gamma带活动都显著增加(图5中间)，并且与意外的WM相互作用显著正相关(图5右)。这些结果表明，就像MS-IC头皮EEG活动一样，STN中的LFP活动在发生意外事件后显著增加。此外，更重要的是，与MS-IC头皮EEG活动一样，当较多的意外导致WM失败时，STN中的LFP活动显著增加。
图5 STN组结果
讨论
意外事件表现出与完全停止相同的脑信号，这调节了意外对WM的影响。这种抑制机制可以像中断行为一样中断大脑皮层的活动，使认知系统从行为和认知中脱离出来。这种持续认知的中断可以促进(甚至是必要的)注意力的重新定向。这激发了一种新的神经系统分散理论，该理论建立在皮质-基底神经节网络的基础上，该网络是认知运动抑制的基础，也能影响认知。这些结果拓宽了具有良好特征的神经系统的抑制范围，并在反应抑制、工作记忆、意外和注意力之间提供了关键的联系。
总结
意外事件中断正在进行的WM（工作记忆），导致后续探测的准确性低于非意外事件。此外，意外事件比不那么令人意外事件导致更低的准确性。头皮EEG数据显示，意外征用了与停止信号任务中动作停止相同的独立神经信号成分。单试次分析表明，这种大脑机制的低频活动介导了意外对WM准确度的下降效应。STN- ,FP数据表明，STN也是在意外事件后被激活的，意外事件对WM的负面影响越大，STN的活动越强。综上所述，这些结果表明，意外中断认知的机制与中断行为一致，均通过额基底神经节调节。
原文：
Wessel,J. R. , Jenkinson, N. , Brittain, J. S. , Voets,S. H. E. M. , Aziz, T. Z. ,& Aron, A. R. . (2016). Surprise disruptscognition via a fronto-basalganglia suppressive mechanism.NatureCommunications, 7, 11195.
如需原文及补充材料，请加微信：siyingyxf或者18983979082 索取,如对思影课程感兴趣也可加此微信号咨询。
微信扫码或者长按选择识别关注思影
第九届脑电数据处理入门班（重庆，9.22-27）
第二十一届脑电数据处理中级班（南京，9.7-12）
第二十二届脑电数据处理中级班（南京，11.12-17）
第七届脑电信号数据处理提高班（南京，11.18-23）
第八届眼动数据处理班（重庆，10.26-30）
第九届近红外脑功能数据处理班（上海，11.24-29）
第三十二届磁共振脑影像基础班（南京，9.21-26）
第六届小动物磁共振脑影像数据处理班（南京，9.1-6）
第十一届脑影像机器学习班（南京，8.25-30）
第十三届磁共振弥散张量成像数据处理班（南京，9.15-20）
第六届任务态fMRI专题班（南京，10.16-21）
第二届弥散磁共振成像数据处理提高班（南京，10.24-29）
第七届磁共振ASL数据处理班（南京，10.12-15）
第十八届磁共振脑网络数据处理班（南京，11.6-11）
第三十四届磁共振脑影像基础班（南京，10.30-11.4）
第三十一届磁共振脑影像基础班（重庆，9.14-19）
第三十三届磁共振脑影像基础班（重庆，10.11-16）
第十七届磁共振脑网络数据处理班（重庆，10.20-25）
第十届磁共振脑影像结构班（重庆，11.2-7）
第十二届脑影像机器学习班（重庆，11.11-16）
脑磁图（MEG）数据处理学习班（预报名）
数据处理业务介绍：
思影科技拜访式培训服务
思影科技功能磁共振(fMRI)数据处理业务
思影科技弥散加权成像（DWI/dMRI）数据处理
思影科技脑结构磁共振成像数据处理业务（T1)
思影科技啮齿类动物（大小鼠）神经影像数据处理业务
思影数据处理业务三：ASL数据处理
思影科技脑影像机器学习数据处理业务介绍
思影科技EEG/ERP数据处理业务
思影科技脑电机器学习数据处理业务
思影数据处理服务五：近红外脑功能数据处理
思影数据处理服务六：脑磁图（MEG）数据处理
思影科技眼动数据处理服务
招聘及产品：
招聘：脑影像数据处理工程师（重庆&南京）
BIOSEMI脑电系统介绍
目镜式功能磁共振刺激系统介绍
