来自加州大学心理学系与大脑研究中心的Steven J. Luck在Psychological Science上发文，其发现当前任务的行为表现受先前经验的重激活影响，且从当前任务的EEG中可以解码出先前任务的情况。本研究共开展两个实验，选用延迟评估任务(Delayed estimation task)，其属于工作记忆范式的一种，采用基于EEG的解码方法，以探究先前经验对新信息加工的影响，是源于先前经验的后效还是源于先前经验的重激活。行为结果发现，虽然前一试次任务与当前试次的任务无关，但先前试次会影响当前试次的行为表现。脑电结果发现，当前任务的EEG可以解码出先前任务的信息。研究表明，先前经历对现有行为的影响不单单是记忆痕迹的后效影响，更大一定程度受记忆重激活的影响。
关键字：序列依赖；工作记忆；ERP解码；前试次解码；开放数据
方法
本研究分别选取16名本科生，共32人，参与两个实验（实验1：10名女性，6名男性；实验2：9名女性，7名男性）。研究采用延迟估计任务测量工作记忆，实验流程见图1。实验一中（图1a），首先，屏幕中呈现泪滴图示，延迟一段时间后，被试需要调节下一试次中泪滴的方向，使之与前一试次方向相匹配。为了结果的可重复性与可推广性，研究者设计了实验二（图1b），其流程与实验一基本一致，唯一不同的点在于，实验二中，泪滴图示的位置与方向均可以独立操作。其中，实验二的泪滴图示包括16个方向与16个位置（即256种组合方式）。
图1实验一(a)与实验二(b)的实验流程。在两个实验中，首先，呈现500ms的注视点；随后，参与者会看到200ms的泪滴图形的示例，其朝向16个方向中的一个方向，称之为目标方向。延迟1300ms之后，参与者通过调整测试泪滴图形的方向来报告记忆中的目标方向，直到测试泪滴的方向与记忆的目标方向匹配。
实验2的任务与实验1的任务相同，只是目标泪滴的位置和方向是独立操作的。ITI为刺激间隔。
数据分析方法
行为数据分析
研究者将每个试次的行为反应情况量化为响应误差（i.e.,报告方向-目标方向），其中，正值表示顺时针的误差，负值表示逆时针的误差。而前一试次与当前试次方向角度的差值为平均响应误差（i.e.,前一试次方向-当前试次方向）。当响应误差超过60°时（实验1中占总试次的0.29%；实验2中占总试次的0.18%），应予以排除。响应误差超过60°说明被试出现注意分散。
EEG数据解码分析
首先，基于头表电极分布情况，采用支持向量机(SVMs)和纠错输出码(ECOCs)相结合的方法，对前一试次中泪滴示例的方向进行分类；
其次，利用EEG信号的时间精度，对于-500ms至1480ms时间窗内的100个时间点，分别进行单独解码；
随后，对数据进行重新编组，由于第一个试次作为当前试次时，其没有前一试次，故在分析时将第一试次删除，每个方向仅保留39个试次。将39试次分为三个组，每组13个试次，在此基础上，每个时间点上均构成一个3（组）×16（方向）×27（电极点）的矩阵。
为增加信噪比，研究者将每组（13试次）ERP信号叠加平均，构成三条平均电压曲线。将给定时刻的平均ERP电压输入到SVM-ECOC分类器中。两组曲线用于训练，一组用于测试。构建出16个SVM-ECOC模型，最终选出最优解。
解码精度统计分析
如果在某一给定时间点上，27个电极上的信号包含前一个试验方向的信息，那么解码精度将大于随机概率。研究者采用基于非参数聚类的置换技术，用以比较解码与随机概率之间的关系。
结果
实验1的行为结果见图2a，其表现了较为显著的序列依赖效应，即当前一试次方向与当前试次方向为逆时针方向时，被试报告的方向会进一步向逆时针方向偏移，而顺时针方向的差异则正好与之相反。采用高斯函数的第一阶导数拟合数据，对这种效应进行统计检验。结果发现，该函数的幅值显著大于0，t(15)=-9.731, p=7.143e-08。随后，研究者采用机器学习的方法，从当前试次中解码前一试次的方向信息，脑电结果发现，三个时间簇中解码准确性显著高于随机概率（见图2c），p＜0.001，p=0.030，p＜0.001。
为了验证实验1发现的可重复性，研究者对于实验2数据也进行了类似的解码分析（见图1b）。实验2中泪滴的位置与方向信息均可以独立改变，进而可以消除被试利用位置信息来记忆方向信息的可能性。行为结果表明，实验2也表现出较为显著的序列依赖效应，t(15)=-2.326,p=0.034,只是该效应要弱于实验1的序列依赖效应，t(30)=-3.224,p=0.003。脑电数据表明，在两组时间点上，解码准确性显著高于随机概率(p=0.002, p＜0.001)，这说明前一试次从当前试次中解码具有可重复性。值得注意的是，当位置信息被删除时，解码能力减弱。
图2结果。在实验1(a)与实验2(b)中，平均响应误差（报告方向-目标方向）函数表示当前试次（Current-trail）与前一试次（Previous-trail）方向的差异性。误差线表示±1 SE. 曲线代表最优化的高斯函数一阶导数，用以量化序列依赖效应的幅值。图2c与图2d分别表示实验一与实验二中，从当前试次的头皮分布中解码前一试次方向的平均正确率。橙色阴影表示±1SE. 灰色区域表示经过多次比较校正后，产生高于概率解码的时间点集合。
前面的研究结果，均是以前一试次作为基线，解码当前试次中的信息。为了检验前一试次刺激后效对当前试次的影响，研究者以前一试次刺激前阶段为基线，解码当前试次中的信息。因为基线存在慢波漂移的情况，其会让数据存在可变性，降低解码精度。故分析中没有显著结果，并不能否定前一试次的重激活效应。结果见图S1，实验1中，当前试次刺激启动后不久，解码精度就显著高于概率水平（p=0.007）。实验2中，解码精度在当前刺激启动后不久，就显著高于概率水平（p=0.013）。该结果与前文研究结果相一致。
图S1在实验1(a)与实验2(b)中，将前一次实验的前刺激期作为基线，对前一次实验定向的解码精度。橙色阴影表示MEAN ±1 SE. 灰色区域表示经过多次比较校正后，产生高于概率解码的时间点集合。
本文基于前人研究结果，选择了基于连续ERP活动的解码分析方法验证重激活效应。随后，研究者采用基于α频段(8-12Hz)EEG活动的解码分析方法。在该分析中，分段EEG采取了8-12Hz的带通滤波。结果发现，实验1与实验2中（见图S2a与图S2b），α频段解码精度在任何时间点均未显著高于概率水平(0.0625)。因在实验2中，刺激的方向与位置可以独立操控，故研究者对实验2中刺激的方向与位置均进行了解码分析，研究者发现，方向（见图S2b）与位置（见图S2c）的解码精度均未显著高于概率水平。当前结果表明，基于α频段(8-12Hz)EEG活动的解码分析方法，并未能发现当前试次诱发前试次刺激方向与位置的重激活。
图S2在(a)实验1、(b)实验2以及(c)实验2前试次处，基于Alpha解码前试次方向的准确性。橙色阴影表示MEAN ±1 SE.
最后，研究者探究了是否从当前试次的EEG中解码出N-2试次的方向信息。结果见图S3，实验1与实验2中，N-2试次的解码精度与概率水平非常接近。结果表明，在当前试次中，N-2的方向信息并未被激活。但是，仍存在一种可能，N-2试次的EEG信号过于微弱而无法检测。
图S3在(a)实验1、(b)实验2中，基于ERP解码N-2试次中方向的准确性。橙色阴影表示MEAN ±1 SE.
一句话总结：两个连续任务中存在着序列依赖效应，当前任务的行为表现受先前任务重激活的影响，且从当前任务的EEG中可以解码出先前任务的方向信息。
原文：
GY Bae, SJ Luck - Psychological science, 2019 - journals.sagepub.com
联系客服
