社会互动对人类自我发展和维护的重要性长期以来一直是心理学和认知神经科学研究的重要领域。然而，认知神经科学领域在过去的几十年里才开始研究社交活动中的大脑活动。通常的影像学或者电生理研究一次只记录一个参与者的大脑，因此只记录参与者与视屏互动或群体互动的一部分。因此，这些实验所能提供的洞察力是有限的。为了从整体上研究社会互动，超扫描(即同时测量多个大脑的活动)的想法应运而生。这项技术的显著优势是它允许研究两个或多个相互作用的大脑之间的实时动态。与测量社交互动期间单个参与者的大脑活动的经典实验范式相反，同时测量几个互动参与者的大脑活动允许研究大脑内和大脑间的神经关系。因此，超扫描技术提供了一种新的方法来解释联合行动的复杂性，即它的自发性、互惠性和多模态性，这构成了对其神经科学检查的巨大挑战。但是这种记录多个人的大脑活动的技术，可能存在许多难以解释的问题。这篇文章将说明如何将行为数据和交互预测模型整合到超扫描研究中，这可以推动具身社会神经科学的发展。本文发表在Neuron杂志。（可添加微信号siyingyxf或18983979082获取原文）。社交互动对于我们的认知和健康至关重要。我们在日常生活中的行动和决策很大程度上受他人影响，并且，非典型的社会互动也被发现是大多数精神和心理健康状况的特点。因此，了解社交互动的大脑机制是人类神经科学的重要目标。超扫描，一种能够同时记录多个人脑活动的方法，最近被誉为人类社交研究领域的游戏规则改变者。本文讨论了关于超扫描的一些假设以及许多分析的局限性。本文在讨论的基础上，进一步建议：通过整合大脑和行为数据，它将可能超越超扫描技术从而真正实现这个新领域的潜力。我们将重点讨论功能性近红外光谱技术，因为功能性近红外光谱技术是最广泛使用的超扫描模型之一，同时我们也会涉及到脑电和电生理技术。超扫描的一个很好的例子来自崔旭（Cui等，2012）等人的研究。这项研究从执行两个不同的任务的成对被试的前额叶皮层捕获数据：在合作任务中，两个参与者都必须尝试同时按下一个按钮，在竞争任务中，两个参与者必须尝试尽可能快地按下按钮。参加者无法直接交流，但可以在每个试次后收到反馈，使他们能够提升自己的表现。通过分析前额叶近红外信号的小波耦合发现，相比较于竞争组块或者单独表现，在合作任务中右侧额上回的耦合更强。大量研究复制并且进一步扩展了这一结果，比如在社交活动，目光接触，决策和运动协调中。进一步的结果发现：相对于组间的匹配，组内匹配的两个人脑间的耦合更强；相对于同性别组和带有自闭特征的儿童，混合性别组的耦合也更强。基于这些发现，一些研究认为超扫描技术在认知神经科学和精神疾病的研究中作用很大。比如，脑间耦合被认为是“一种关于远距离时间的信息转换机制”。一篇文献提出脑间的耦合“可以引发社交所瞄定的神经机制”。有人认为超扫描指标可以使我们能够诊断发展和精神疾病，并且使用脑刺激在被试身上施加耦合甚至可能治疗相应的疾病。对于一个新兴的技术来说，这些看法有些激进，值得进一步认真详细的测试。 超扫描研究很清楚地表达了脑间的耦合存在固有的模式，但是最好的解释这些数据的方式尚不清楚。关于存在着不止一个脑的机制的看法就像心灵感应，同我们的标准认知模型相脱节或者说来自一个模糊不清的生物框架。为了进一步明白究竟什么是跨脑耦合，以及这个新领域面临的挑战。我们应当首先理解耦合指标的一些基本缺陷。 首先，这些指标描述的是两个时间序列数据之间的关系，并不涉及其他因素，包括被试行为的改变，任务或者在大多数此类分析中并不显著的其他的环境数据。其次耦合指标仅仅代表两个脑呈现同样变化模式的区域的对称效应。许多社会交互活动，比如给目标，拿走目标物，对话中的轮换是非对称的，两个被试有不一样的目标，这种情况不清楚耦合分析能否捕捉到。最后，超扫描结果和传统的认知模型之间的关系并不清晰，因为超扫描适用于两个人的情况，它有时并不测试或者说解释传统认知神经科学家想要了解的一个人的情况。对于超扫描数据的解释的一个更加重要的挑战是跨脑耦合同在序列研究中记录的被试间相关的关系。我们知道，在一个磁共振机器里，两个人独自观看同样的电影将呈现相同的脑活动模式，这种效应在一个人讲故事，其他人听故事的时候也会呈现。这些结果反映了一个事实：一个外部刺激的共同认知加工将引起脑间的耦合。正如最近的一个脑电研究显示的那样，近红外耦合的出现可能是因为两个被试以同样的方式对相同的刺激进行反应。因此，许多研究报告的所谓的固有模式存在争议，尤其是在两个被试在同样的环境和任务下引起并且没有任何额外社会因素参与的情况下更是如此。一个是设计更为复杂的方法，去排除共同效应。一些研究通过增加被试量来进行。比如，如果一个研究记录同一时间在同一个房间的三个（或者更多）被试的数据，其中两个被试呈现强相关而其他人并未呈现，那就不能说这种耦合是由环境引起的了。可是，这种耦合也可能是两个互动被试的共同运动过程或认知过程引起的。第二种选择是接受这种争议即认为近红外超扫描仅仅能够检测两个脑间共同的加工并且把它作为相关的结果。关于耦合水平的个体差异的研究或者跨社交群体的耦合研究将耦合水平看作是人们之间协调配合水平的一个指标。最近的研究表明，这种耦合的解释同社会决策任务表现相关。这种研究需要很大的样本量，目的是拿耦合上的两级差异同行为数据的两级差异做相关。可是，将任何效应分解并对应于两个被试中的一个是很难甚至是不可能的。这一点限制了耦合分析在临床被试追踪和诊断上的作用，因为这些研究在单个被试上的结果很难解释，也往往不能够定义一对或者一组被试中的哪个被试脑活动是异常的。最后，即使超扫描情景中的耦合指标确实同功能磁共振中被试间的相关一致，那么从临床应用的角度来说，还是让被试单独观看视频的结果更加可靠可重复。前人开拓性的研究对于在这个新的领域“能够做些什么”这一方面做出了很重要的贡献。可是，上面所讲到的超扫描的不足，证明超扫描技术将颠覆社会神经科学的观点略显激进。如果耦合指标不能考虑行为并且不能将共同加工和交互区分开，那么超扫描的价值似乎是受限的。 为了实现超扫描，我们需要做更大更好的实验并且在更强的理论框架下对他们进行解释。一个重要的点就是识别出在两个交互的个体内部存在着交互脑。视觉，听觉和运动加工在两个脑之间的协调活动中起调节作用，因此我们必须同时对脑和行为进行研究。这意味着研究者需要收集并分析被试的行为数据，考虑社会互动中每个被试是如何使用他们的行为信号并收取来自他人的信息。现在有很多灵活的技术可以实现捕捉被试手，身体，眼动，脸部表情，生理改变的信息，在超扫描实验室中，这些系统应该被标准化使用。这些工具也意味着离开传统的实验设计是可能的。当下的这些方法对被试严格控制，但是不能够传递出自然有意义的社会互动。我们需要通过更自然的任务情景，让被试可以更长时间地协作，观察对彼此的反应，这可能揭示出与在传统研究模式下被压抑的，不同的社会行为或者社会脑活动模式。通过获取和分析自然情境下被试互动的数据，使得理解互动的社会身体内的社会脑的协调活动成为可能。 在当前，我们需要认知神经理论去理解这种交互。在社会互动中，他们必须控制自己的运动，动手，脸，注视他们的合作者的同时需要理解和预测对方的动作以做出合适的反应。预测在这个过程中是重要的，人们是否能够预测对方并做出对应的反应，在流畅的社交活动中是非常重要的。这个观点最近被“交互预测理论”进行阐释。该理论的核心观点是社交中的每个人都有控制自己行为的脑系统 (A-self and B-self，图1E)，同样也具有预测对方行为的系统(A-Other and B-Other，图1E)。如果这些系统共定位于大脑中，并且这两个系统中所有神经活动的总和可以作为一个共同的指标，那么在被试A和B的所有脑活动之间会出现相似模式或者耦合。因此，当预测机制参与到互相预测彼此的两个人中间，就可以引发两个脑之间的信号。(A) 大多数超扫描方法同时记录来自两个及以上被试的脑活动并且通过相关或者耦合分析的方法检测脑活动模式之间的关系。(B)一个小波耦合模式的例子：一个组块的脑活动使用小波的方法分成频段，两个脑的耦合在每个时间点和频率进行计算，颜色越红代表耦合越强，在一个特定的频段，基于整个组块对耦合值进行平均化处理，这里是 3.2–12.8 s. (C)被试间相关研究记录来自不同时间的呈现同样刺激的两个被试的数据并计算他们之间的相关。两种方法仅记录脑数据（没有行为），一个问题是难以将超扫描结果和被试间相关区别开。(D)具身社会神经科学同时收集两个被试脑活动，行为和生理的数据。(E) 交互预测理论解释了为什么在两个被试身上看到了相似的脑活动模式。如果每个被试的脑包含了编码自身行为的神经元(A-self, B-self)和编码预测对方行为的神经元(A-other, B-other)，脑A的活动总和可能同脑B类似。(F)通过跨脑GLM,可以分析多模态数据，这一模型可以模拟所有其他因素影响下的人脑活动。因素包括，行为，生理（心跳，呼吸等）。如果您对近红外及脑电等数据处理感兴趣，欢迎浏览思影科技课程及服务（可添加微信号siyingyxf或18983979082咨询）：
第十二届近红外脑功能数据处理班（上海，6.15-20)
第二十七届脑电数据处理中级班（南京，6.1-6.6)
第二十六届脑电数据处理中级班（重庆，4.9-14)
数据处理业务介绍：
思影科技近红外脑功能数据处理服务
一个基于大鼠交互行为的详细研究为交互预测理论提供了证据支持。Kingsbury和其同事使用微电极来记录成对大鼠背内侧前额皮层的信号，同时他们在自然互动中的行为被记录。结果同交互预测理论一致，大鼠脑中部分神经元编码自身的行为，另一部分神经元编码对方的行为。更重要的是，跨前额叶的相加的活动可以解释两个动物在大脑之间的神经信号的耦合，说明适当水平的交互预测能够引起全脑水平的脑间耦合模式。而且，他们能够量化大鼠在社会关系中的非对称性关系，结果发现非主导地位的大鼠呈现出更多的对于对方的预测。通过加入行为数据和跨脑数据在传统的广义新型模型（GLM）中，去模拟双方的行为，对方的行为模式和脑活动影响下单个脑的活动情况(跨脑GLM or xGLM; 图1F). xGLM分析使研究者可以自由移动参与社交的动物去整合跨不同模型的数据并且通过追踪研究来测试交互预测假设。
为了测试交互预测是否同样适用于人类，使用xGLM方法来预测来自人类超扫描研究的被试的数据是非常有意义的。最近有研究对于这一问题进行了探索。成对被试参与类似扑克牌的游戏，一个被试充当告知者，他可以撒谎或者如实告知自己的牌，对方需要猜测这张牌比他说的牌面大还是小，猜对将获得对应的奖励。前者前额皮层的活动同欺骗意图相关。更关键的是，跨时间段的xGLM分析可以识别出前者脑内的两个通路，在通路内，告知者的脑活动领先后者2秒钟。这提供了人类交互预测的线索，但不足的是这个研究使用的任务过难，被试很难精确预测对方的行为并且并没有记录行为和生理数据。未来的研究，如果能够直接对在预测能力和没有预测能力的竞争任务和合作任务进行分析，并能够对社会行为数据进行详细记录的将会非常有价值。这两个研究对于交互预测理论适用于大鼠和人在社会交互中的大脑耦合模式提供了最初的证据。这一理论也能够帮助我们更好地理解最初的数据集，上面涉及的 Cui et al., (2012) 的研究。这一研究对“合作”任务和“竞争”任务进行了比较，有时被解释为合作的跨脑机制。可是，这些任务的认知要求表明合作任务需要高度的交互预测-被试必须预测彼此的行为，目的是同步反应。相反，竞争任务要求被试尽可能快的反应，预测对方可能仅仅是个分心物。因此，这两个任务之间跨脑耦合模式的不同与交互预测假设完全一致。据此可以推测，如果被试在一个合作任务中，这个任务不需要交互预测，比如两个人都快于一个外在标准时可以赢，那么跨脑耦合就不会出现。总的来说，交互预测研究表明同时研究脑和行为对帮助我们理解身体动作是如何中介和补充社会交互行为是有意义的。基于这一观点，交互预测假设提供了一个强大的框架去解释人和动物的超扫描研究，并且具有一些优点：首先，它提出一种明确的预测机制，这种机制基于详细的动物数据且同更普遍的认知预测模型相一致。第三，xGLM模型是认知神经科学传统的方法，使得我们可以扩展已有的模型，加入行为，跨脑数据并且模拟对称，非对称的交互作用。这意味着我们可以更为容易地从更广阔的背景下分析数据并且将新的超扫描结果同基本的认知神经科学理论整合在一起。最后，上面的例子表明交互脑和身体的研究是如何能被应用在有控制的实验室条件下或者非结构的自然有效交互中，使我们可以将实验室研究转移到真实情境中。 本文描述了解释跨脑耦合数据方面遇到的挑战，指出在解释超扫描实验结果面对耦合效应需要谨慎。但更重要的是，本文提出了两种新的途径来克服当前超扫描方法的固有局限。 在设计研究方面，如果我们能够收集并整合交互个体（手，脸，眼，口语）以及脑的数据，那么将帮助我们更好理解身体的交互是如何引起脑的耦合。xGLM帮助我们实现这种整合，但是其他方法比如格兰杰因果分析也可能是有价值的。 在神经机制方面，交互预测假设给予我们一个清晰的框架去解释来自不同认知任务的数据，也为未来的研究创造出更明确的预测。在追踪和解释自然社交行为的方法中整合这些优点，那么超扫描技术将实现超越，使得揭示支持我们人类面对面社会交互的认知神经机制成为可能。
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请
点击举报。
