人类巴甫洛夫氏恐惧条件作用中的心理生理反应：一个预测误差分析

《Psychophysiology》：Psychophysiological Outcome Responses in Human Pavlovian Fear Conditioning: A Prediction Error Analysis

　　摘要

预测误差（PE）被认为驱动着联想学习。尽管已经识别出与PE编码相一致的神经信号，但PE在心理生理指标中的表达仍存在争议。在这里，我们通过研究对无条件刺激（US）出现及其概率的反应，来填补这一空白，这些反应体现在皮肤电导反应（SCR）、瞳孔大小反应（PSR）、心率周期反应（HPR）和呼吸幅度反应（RAR）中。数据集1包含了八项已发表的研究（N1=264），这些研究使用部分强化（50%）的差异性恐惧条件作用；新的数据集2（N2=29）则参数化了US的概率（20%/50%/80%）。在两个数据集中，所有模式都对US的反应与US未被呈现时有显著差异。在数据集1中，所有模式都显示出对意外US呈现的反应，而非预期US未呈现的反应，但没有证据表明这些反应与有符号或无符号的PE编码一致。同样，数据集2也没有提供证据表明US或US未呈现的反应与结果概率之间存在单调关系，这与有符号和无符号的PE编码都不兼容。总之，所有记录的心理生理信号都对US有强烈反应，而对意外US未呈现的反应较弱，且没有证据表明存在有符号或无符号的PE编码。

1 引言

对于大多数动物和人类来说，学会检测、响应和预测环境中的潜在威胁是非常重要的（Brochard等人，2025年）。然而，当恐惧和回避行为在安全情境中被夸大或持续存在时，它们可能会导致焦虑障碍等临床状况的发展和持续（Craske等人，2017年）。理解恐惧学习的机制对于推进病理性恐惧的临床治疗至关重要（Beckers等人，2023年）。实验室中研究这一现象的一个经典范式是巴甫洛夫式恐惧条件作用（Maren，2001年；Pavlov，1927年；Watson和Rayner，1920年），其中最初中性的刺激（条件刺激，CS）被反复与自然厌恶的刺激（无条件刺激，US）配对，随后会引发行为或生理反应（条件反应，CR）。一个主要的假设是学习是由预测误差（PE）驱动的，PE反映了预测结果与实际结果之间的差异（Rescorla，1972年）。除了有符号的PE之外，一些学习理论还提出了无符号PE信号的贡献，有时被称为惊讶（Pearce和Hall，1980年），这些信号反映了预测结果与实际结果之间的绝对差异或不匹配的幅度。虽然在维持巴甫洛夫式奖励关联的过程中已经广泛证明了PE编码的神经基础（Schultz，2016年；Schultz等人，1997年），但对于巴甫洛夫式恐惧条件作用的相关报道较少（Gorka等人，2023年；Ojala等人，2022年；Yau和McNally，2018年），后者被认为依赖于与奖励学习不同的神经回路（LeDoux，2000年）。或者，有人提出学习可能由其他类型的神经或计算量驱动。例如，在分布式强化学习中（Dabney等人，2020年），不同的神经元做出不同的预测，因此PE在各个神经元之间是不同的。另一个例子是， organisms可以在不编码PE的情况下学习观察到的结果的可能性（Tzovara等人，2018年）。因此，研究PE编码对于推进算法学习理论具有重要意义。此外，PE编码也可能对临床应用更有直接相关性。例如，有人提出记忆可能因重新激活而变得不稳定，而其重新稳定可以通过药物干预来抑制（Nader等人，2000年；参见Schroyens等人的综述，2023年）。这可能被用来治疗恐惧症或创伤后应激障碍（Kindt等人，2018年；Kindt等人，2009年）。有一些证据表明，这种记忆不稳定是由PE在重新激活过程中驱动的（Sinclair和Barense，2018年），这可能反映了有符号的PE或无符号的惊讶信号。因此，基于再巩固理论的临床干预可能会受益于在线评估是否引发了PE。特别是通过自主神经系统引发的生理反应，为联想学习过程提供了一个可访问的窗口。CR通常被认为反映了学习量（Ojala和Bach，2020年）。反过来，由US引发的无条件反应可以被先前的CS调节（Kimble和Ost，1961年）。例如，当US由CS+信号触发时，SCR似乎比在没有CS的基线情况下更小（Knight等人，2010年；Redondo等人，2015年）。与此相关的是，当CS部分被强化时，在US未呈现后观察到SCR（Spoormaker等人，2012年；Stemerding等人，2022年，但也参见Bach和Friston，2012年）。这两种观察都与有符号PE编码相符。其他关于US反应调节的观察只部分与此解释相符。例如，PSR在高惊讶刺激下比在低惊讶刺激下更大（Braem等人，2015年；Browning等人，2015年；O'Reilly等人，2013年），其中惊讶是一个与无符号PE相关的量。其他研究报道在不确定性高和低的情况下瞳孔大小有所增加或减少（Lavin等人，2014年；Satterthwaite等人，2007年）。此外，在感觉运动相关的错误试验中观察到心率降低（即HPR增加），与正确试验相比（Schlerf等人，2012年）。另一项研究报道，在惩罚反馈与奖励反馈相比时，心率下降更快且持续时间更长（Kastner等人，2017年）。从这些文献中出现了两个关键差距。首先，缺乏在相同范式内系统评估不同心理生理指标的研究。其次，没有系统评估先前工作中评估的不同量与有符号或无符号PE编码在形式学习理论意义上的兼容性。为了弥补这些差距，本研究像之前的文献一样调查了SCR、PSR和HPR，并额外包括了RAR进行探索。我们使用公理测试（见方法部分）来系统地评估实验结果与有符号和无符号PE编码的兼容性（Caplin和Dean，2008年）。我们将八项先前发表的研究合并为数据集1，以最大化统计功效。同时，我们进行了专门的数据集2研究，其中我们参数化了US的概率，以便进行更细致的考察。

2 方法

2.1 参与者

数据集1包含了最后一位作者所在团队发表的八项恐惧条件作用研究，总样本量为264名参与者（详见表1）。数据集2（N=29）在此首次发表（表1）。所有研究都招募了来自学生和一般人群的健康参与者。每项研究都遵循赫尔辛基宣言进行，并得到了研究伦理委员会的批准（数据集1：Kantonale Ethikkommission Zurich，KEK-ZH-2013-0118；数据集2：UCL REC 6649/005）。见表1了解人口统计和一般信息。表1. 九项包含研究的概览和人口统计信息。

2.2 刺激和实验程序

所有九项研究都使用了延迟恐惧条件作用程序。数据集1使用了部分强化（50%）的CS+和从未强化的CS-的差异性条件作用。数据集2使用了三种不同强化率（20%/50%/80%）的CS+，并且没有CS-。在先前发表的数据集1中，CS持续时间为4秒，US在3.5秒后开始。在数据集2中，时间安排优化了US反应的调节，CS持续时间为6.5秒，而US在6秒后开始。对于两个数据集，US的持续时间为0.5秒，试验间隔（ITI）是从7-11秒的区间中随机抽取的。数据集1使用了三种类型的CS（视觉、听觉和躯体感觉；表1），而数据集2仅使用了视觉CS。US是由电流刺激器（Digitimer DS7A，Welwyn Garden City，英国）和环形针电极产生的电模拟序列。对于每个参与者，US的强度是通过两步算法确定的：首先使用上升阶梯程序确定一个明显疼痛的强度，然后在该上限以下随机提供14个刺激。最终确定的US强度是为了引发与明显疼痛刺激相比为85%的不适评分。CS+/CS-的试验数量列在表1中。数据集1中的一些研究包括两个具有相同强化率的CS+（FER01/02，SC4B，FSS6B，VC7B），一些还包括两个CS-（SC4B，FSS6B，VC7B）。对于FER01/02研究，两个CS+属于同一类别（颜色不同的三角形）。对于SC4B、FSS6B和VC7B，不同的CS+和CS-在感知复杂性上有所不同，但属于相同的感官模式。先前的研究发现两组CS之间的学习效果相似（Staib等人，2020年；Staib和Bach，2018年）。因此，为了提高信噪比，我们基于这样的假设合并了多组CS的条件下的反应：即对于当前的目的，两组CS之间的学习差异可以忽略不计。

2.3 数据记录

对于数据集1，使用EyeLink 1000系统（SR Research，渥太华，ON，加拿大）测量瞳孔直径和注视方向，采样率为500 Hz。使用EyeLink 1000软件提供的九点校准方法进行注视校准。参与者将头部放在下巴支撑上，距离显示器（Dell P2012H，20英寸显示器，5:4宽高比，刷新率为60 Hz，屏幕宽度和高度分别为44.2厘米和24.9厘米）70厘米。对于其他三种模式，输出信号以1000 Hz的采样率使用DI-149 AD转换器（Dataq Inc.，阿克伦，OH，美国）数字化，并使用Windaq软件（Dataq Inc.）记录。在FER01/02研究中，SCR电极放置在左手的手掌和小鱼际区域；在所有其他研究中，电极放置在非主导手上。我们使用8毫米的Ag/AgCl圆盘电极（EL258，Biopac Systems Inc.，Goleta，CA，美国）和0.5%的NaCl凝胶（GEL101，Biopac Systems Inc., Goleta, CA, USA）。皮肤电导信号使用SCR耦合器/放大器（V71-23，Coulbourn Instruments，Whitehall，PA，美国）放大。心电图（ECG）信号使用四个45毫米的预凝胶Ag/AgCl粘性电极记录，这些电极放置在四肢上。实验者视觉上确定了显示最明显R峰的导联配置（I，II，III）或增强导联（aVR，aVL，aVF）并选择了该配置进行记录。数据使用Coulbourn隔离五导联放大器（LabLinc V75-11，Coulbourn Instruments，Whitehall，PA）和50 Hz的陷波滤波器进行预放大和处理。呼吸数据使用无液膜胸腔风箱（V94-19，Coulbourn Instruments，Whitehall，PA）和差分无液膜压力传感器（V9415，Coulbourn）记录，该传感器放置在肋骨下方的胸廓周围。对于数据集2，瞳孔直径和注视方向是使用与数据集1相同的EyeLink 1000系统进行测量的，但显示器距离设置不同：参与者距离显示器64.5厘米，屏幕的宽度和高度分别为31.2厘米和22.7厘米，EyeLink到参与者眼睛的距离为48.5厘米。皮肤电导是通过使用8毫米Ag/AgCl杯状电极（EL258，Biopac Systems.，加利福尼亚州戈莱塔）和0.5% NaCl电极膏（GEL101；Biopac Systems）在非主导手的掌侧/小鱼际处记录的。心跳时间戳和呼吸数据是使用脉搏血氧仪（8600，Nonin，明尼苏达州普利茅斯）和带有自定义传感器的呼吸带记录的。所有信号都使用CED Micro1401接口（Cambridge Electronic Design，英国剑桥）进行放大和数字化，并使用Spike2软件（Cambridge Electronic Design）进行记录。

2.4 数据预处理

数据预处理是在MATLAB（版本R2019a，MathWorks，马萨诸塞州纳蒂克）和PsPM（Psychophysiological Modeling，https://bachlab.github.io/PsPM/，版本6.1.2）中进行的，PsPM是一个用于预处理和建模心理生理数据的MATLAB工具箱（Bach等人2018；Bach和Melinscak 2020）。对于两个数据集中的眼动追踪数据，我们平均了来自两只眼睛的注视方向（如果有的话），并排除了注视方向偏离固定点超过±5°视角的任何时间段，遵循了之前研究中使用的方法（Korn等人2017）。接下来，根据PsPM中实现的既定程序（Kret和Sjak-Shie 2019）对瞳孔大小数据进行了预处理，这包括通过范围、速度、边缘、趋势线和孤立样本过滤来识别有效样本。当两只眼睛的数据都可用时，将它们平均起来，任何缺失的数据点都进行了线性插值。瞳孔数据使用50 Hz截止的低通巴特沃斯滤波器处理，并降采样到10 Hz。对于两个数据集，通过自动质量评估识别了SCR伪迹，排除了超出0.05–60 μS范围或斜率大于10 μS s?1的数据，然后进行了视觉检查。伪迹周期被线性插值以便于过滤和可视化，并在统计测试中被排除。SCR数据随后使用一阶双向低通巴特沃斯滤波器（5 Hz）处理并降采样到10 Hz（Bach等人2010；Staib等人2015）。没有应用高通滤波。接下来，SCR数据进行了z变换，以考虑不同受试者之间的SCR幅度变化，这可能是由于皮肤特性等外围因素造成的（Bach等人2010）。对于数据集1，使用Pan和Tompkins算法的修改版本（Paulus等人2016）从ECG数据中识别QRS复合波以生成心跳时间戳。对于数据集2，脉搏血氧仪处理了脉冲波形。对于两个数据集，心跳时间戳随后被转换为10 Hz重采样频率的插值心周期信号；移除了0.6–1.5 s（对应于40–100 bpm）范围外的心周期值，并进行了线性插值。对于两个数据集，原始呼吸信号使用了之前建立的呼吸周期检测算法（Bach等人2016）进行处理，并转换为采样率为10 Hz的插值呼吸幅度时间序列。

2.5 统计分析

2.5.1 公理测试

一些先前的神经成像工作对数据中的假设PE指数与计算模型中计算的PE进行了线性回归。我们采用不同方法的原因有两个。首先，尽管发现了神经信号与有符号PE之间的关系，但这种关系高度非线性（Schultz 2016），因此将数据线性回归到估计的PE可能是不充分的（Caplin和Dean 2008）。其次，基于模型的方法将生理信号映射到预设学习算法的逐次输出，需要对学习过程的形式和动态做出强烈假设。此外，不同的学习模型和参数化可能会产生高度相关但定量上不同的PE估计，这使得解释变得复杂。因此，我们选择了公理方法。这种方法可以不依赖于任何特定的学习规则或生物物理映射，以模型不可知的方式测试生理信号是否与PE编码兼容。具体来说，如果有符号PE单调（线性或非线性）地映射到生理信号上，那么该信号必须满足三个公理（Caplin和Dean 2008），这些公理在图1（A面板）中进行了可视化。这些公理构成了验证生理信号中表达有符号PE的充分和必要条件。公理1（A1）：在固定收到US的概率时，更大的US幅度应该引发更高/更低的生理信号。公理2（A2）：在固定US幅度时，收到US的概率较低应该导致更高/更低的PE信号。这里，更高/更低应该理解为对于A1和A2来说都是更高的，或者对于两者都是更低的。公理3（A3）：无论US类型如何，如果US被完全预测到，就不应该有PE信号。图1显示了有符号预测错误（PE）的必要和充分条件（调整自Ojala等人2022）。线条表示测试的对比，这些对比要么全部朝箭头方向进行，要么全部朝相反方向进行。有关每个公理的详细信息，请参见正文。此外，无符号PE（即惊讶）的表达将遵循不同的理论条件，如支持信息（图S1）所示。条件1（C1）：在固定收到US的概率时，当结果更出乎意料时，生理反应应该更高。条件2（C2，C1的推论）：当US概率为50%时，两种结果的生理反应应该相当。条件3（C3）：在固定US幅度时，收到US的概率为20%应该引发最高的无符号PE信号，与50%和80%的概率相比，对于US省略的试验则预期相反的模式。条件4（C4）：这个条件与上述有符号PE的公理3相同。在本研究中，我们使用所有试验检查了A1和A2（详见表2），假设参与者迅速学会了CS-US关联。A1是通过比较同一CS+下的US呈现（US+）试验和US省略（US-）试验来检查的，即当固定预期的US概率时。A2是通过比较不同概率的US省略试验（数据集1和2），以及不同概率的US呈现试验（数据集2）来检查的。A3没有被检查，因为没有任何数据集包含完全强化的CS+条件（即US+（100%）），因此无法与CS-（即US-（0%）试验直接比较。表2. 公理测试及其对应的线性混合效应模型语法。数据集

公理测试1
公理测试2
模型语法

1
US+（50%）对比US-（50%）
US-（0%）对比US-（50%）
lmer(DV ~ condition + (1 | study/ppid))

2
US+（20%）对比US-（20%）
US+（20%）对比US+（50%）
lmer(DV ~ condition + (1 | ppid))

US+（50%）对比US-（50%）
US+（20%）对比US+（80%）
US+（80%）对比US+（80%）
US-（20%）对比US-（80%）
US-（20%）对比US-（80%）

注意：在“模型语法”列中，DV指的是心理生理反应（SCR/PSR/HPR/RAR），study指的是分组变量study，ppid指的是每个研究中的参与者，lmer是R包lme4（版本1.1.31）中的用于拟合线性混合效应模型的R函数。正文中报告的所有结果都是基于整个试验集的，假设学习速度很快且实验期间US预测几乎保持不变。由于这可能被认为是一个过于严格的假设，我们重复了所有分析，仅包括每个实验后半部分的试验。结果与使用完整数据集获得的结果非常相似（见支持信息）。

2.5.2 基于簇的排列测试

对于数据集1，我们首先合并了记录相同模态的数据以提高信噪比。然后，对于每个数据集，我们通过减去每个参与者0.5秒US前间隔的平均值来对数据进行基线校正。接下来，对于每种模态，我们使用线性混合效应模型（详见表2）检查了每个0.1秒时间窗口内的SCR/PSR/HPR/RAR的A1和A2。对于每种模态，我们选择了一个可能包含US引发的响应峰值的响应窗口，这基于之前的研究。具体来说，对于SCR，响应窗口是US发生后2-10秒（Bach等人2010），对于HPR和RAR，响应窗口是US发生后0-10秒（Bach等人2016；Paulus等人2016），对于PSR，响应窗口是US发生后0-4秒（Korn等人2017；Math?t和Vilotijevi? 2023）。我们选择的响应窗口包含数百个时间箱，这造成了严重的多重比较问题（Saville 1990）。为了解决这个问题，我们使用了基于簇的排列测试（Maris和Oostenveld 2007）。这种方法识别时间上连续的阈值以上效应的“簇”，并通过将它们与通过随机排列条件标签生成的零分布进行比较来评估它们的组合测试统计量。如果一个簇的测试统计量超过了从零假设分布得出的临界阈值，则认为该簇是显著的。通过分析簇而不是孤立的时间点，这种方法提高了统计功效，同时保持了错误阳性的家族错误率，相比于基于时间点的校正（如Holm-Bonferroni校正）。我们使用了p<0.05的时间箱包含阈值（Maris和Oostenveld 2007）。对于每种模态的每个公理测试，我们进行了与之前工作（Maris和Oostenveld 2007）相同的基于簇的排列测试。有关检查A1和A2的详细信息，请参见表2。由于公理分析只允许解释显著测试的组合（而不是单独的p值），因此测试之间没有多重比较问题。

2.5.3 峰值评分分析

作为对数据集2中与US概率相关的零假设发现的稳健性分析，我们对SCR和PSR进行了峰值评分分析，因为存在 established 的分析算法。对于SCR，响应开始窗口是US发生后1-4秒，峰值窗口是SCR开始后的0.5-5秒。然后通过从峰值幅度中减去起始幅度来计算响应幅度（Boucsein 2012）。对于PSR，峰值窗口是US发生后1-4秒，而基线响应定义为US发生前1-0秒内的平均PSR。响应幅度是通过从峰值窗口内观察到的最大PSR中减去这个基线响应来计算的（Steinhauer等人2022）。基于提取的峰值评分响应，我们分别对SCR和PSR进行了配对t检验。

2.6 数据和代码的可用性

所有数据都可以在Zenodo上公开获取（Bach和Sporrer 2024；Khemka等人2021；Korn等人2021；Staib等人2021, 2021a,b；Tzovara等人2021；Zimmermann等人2021a,b；https://zenodo.org/communities/pspm/，参见特定研究的URL列表）。两个数据集的匿名预处理数据以及数据分析脚本和支持信息都可以在OSF上找到（https://osf.io/5tj79/）。

3 结果

3.1 数据集1

数据集1包括两种US概率：0%（CS-试验）和50%（CS+（50%）/CS-（50%）试验。

3.1.1 对结果幅度的反应

为了测试结果幅度的影响，我们比较了CS+试验中对US（US+）和对US省略（US-）的反应（表3）。我们在所有数据模态中观察到了不同的反应。在SCR、PSR和RAR中，对US的反应大于对US省略的反应，而在HPR中，我们观察到对US的反应较小，即心动过速。图2显示了每种模态中显著簇的时间位置，表3列出了这些显著簇的详细信息。

表3. 数据集1中SCR、PSR、HPR和RAR的簇级排列测试结果。

A1
SCR（z分数）
PSR
HPR
RAR
结果显示：
US+（50%）> US-（50%），p < 0.001，[5.5秒，13.5秒]

结果显示：
US+（50%）> US-（50%），p < 0.001，[4.0秒，7.5秒]

结果显示：
US+（50%）> US-（50%），p < 0.001，[8.4秒，13.5秒]
US+（50%）< US-（50%），p < 0.001，[3.5秒，4.3秒]
US+（50%）< US-（50%），p < 0.001，[5.7秒，7.7秒]

结果显示：
US+（50%）> US-（50%），p < 0.001，[3.5秒，13.5秒]

结果显示：
US-< US-（50%），p < 0.001，[5.5秒，13.5秒]
结果显示：
US-< US-（50%），p < 0.001，[3.5秒，4.5秒]
US-> US-（50%），p < 0.001，[5.7秒，7.5秒]
结果显示：
US-< US-（50%），p < 0.001，[6.8秒，13.5秒]

注意：Z分数仅针对SCR计算。所有测量指标都经过基线校正，方法是减去每个受试者在美国刺激（US）前0.5秒间隔的平均值。图2可以在图查看器中打开（PowerPoint格式）。

对于数据集1中的每种测量方式，线性地插值数据，并将所有试验和参与者的数据合并。数据通过减去每个受试者在US前0.5秒间隔的平均值进行了基线校正。请注意，线性插值数据仅用于可视化目的，所有统计分析都是使用未插值的数据进行的。图A-D分别显示了在三种条件下的SCR、PSR、HPR和RAR：US-（0%）（绿色）、US+（50%）（红色）和US-（50%）（蓝色）。有关随时间识别的显著群的详细信息，请参见表3。

3.1.2 对结果概率的反应

为了测试结果概率的影响，我们比较了在非强化CS+和CS-试验中对US省略的反应（图2）。我们在所有数据方式中观察到了不同的反应。在CS-试验中，SCR和RAR的反应比在非强化CS+试验中的反应小。PSR在CS-试验中最初较小，然后变大。双相HPR在CS-试验中最初较小，然后变大。图2显示了每种方式下随时间的显著群的位置，表3列出了这些显著群的详细信息。

3.1.3 公理分析

所有测量方式都显示了结果幅度和结果概率的影响，因此我们分析了它们的方向是否符合有符号PE编码的公理。具体来说，如果较大的US幅度（即比预期更糟糕的结果）引发较大的反应（A1），那么在CS+试验中更意外的US省略（即比预期更好的结果）应该引发较小的反应（A2）。相反，如果较大的US幅度引发较小的反应，那么在CS+试验中更意外的US省略应该引发较大的反应。根据这一逻辑，SCR和RAR的反应方向在A1和A2之间是不一致的。对于PSR，统计测试表明在CS+试验中既有较大的也有较小的反应。考虑到从CS开始的全部时间过程，所有类型试验中的瞳孔大小似乎都回到了相同的基线，没有明显的晚期US省略反应，这表明早期较大的PSR反映的是US省略反应。同样，对于HPR，双相反应在CS+试验中明显大于CS-试验。因此，这些测量方式再次没有提供有符号PE编码的证据。对于无符号PE编码，当US预测为50%时，US和US省略试验应该引发相似的心理生理反应（C2）。然而，在任何一个数据集中，这都不是事实，因为US反应始终高于US省略反应。

3.2 数据集2

数据集2包括三种不同的US概率：20%（CS+（20%）/CS-（20%）试验、50%（CS+（50%）/CS-（50%）试验和80%（CS+（80%）/CS-（80%）试验）。

3.2.1 对结果幅度的反应

为了测试结果幅度的影响，我们比较了对US存在和US省略试验的反应（图3）对于三种CS。我们在所有数据方式中观察到了不同的反应。在SCR、PSR和RAR中，对US的反应比对US省略的反应大，而在HPR中，我们对US的反应较小。图3显示了每种方式下随时间的显著群的位置，表4列出了这些群的详细信息。在峰值评分分析中也发现了类似的SCR和PSR结果（见支持信息）。图3可以在图查看器中打开（PowerPoint格式）。

对于数据集2中的每种测量方式，线性地插值数据，并将所有试验和参与者的数据合并。数据通过减去每个受试者在US前0.5秒间隔的平均值进行了基线校正。请注意，线性插值数据仅用于可视化目的，所有统计分析都是使用未插值的数据进行的。图A-D分别显示了在US呈现试验期间以及在不同概率20%/50%/80%的US省略试验期间SCR、PSR、HPR和RAR的情况。表4列出了随时间识别的显著群的详细信息。表4显示了数据集2中SCR、PSR、HPR和RAR的群级排列测试结果。

3.2.2 对结果概率的反应

对于SCR、PSR和RAR，基于群的排列测试没有发现任何比较中的显著差异。对于HPR，有一个显著的群，表明对US+（50%）（与US+（80%）相比）试验的反应更大。图3显示了HPR中显著群的位置，表4显示了该群的详细信息。峰值评分分析没有发现额外的结果（见支持信息）。

3.2.3 公理分析

对于有符号PE编码，由于在任何测量方式中都没有发现结果概率的一致效应，因此不支持A2。HPR中的一个显著群在其他HPR的比较中也没有被复制。从描述上来看，图3似乎表明更意外的US会导致SCR、PSR和RAR的更大反应；然而，这种排序在更预期的US省略中并不明显。总体而言，没有证据支持A1和A2中的有符号PE编码。对于无符号PE编码，C1预测在20%条件下US反应比US省略试验更大，在80%条件下US省略反应比US试验更大。然而，50%和80%条件下的结果与C1和C2都不一致。根据C3，20%条件应该会在US试验中引发最大的反应，而80%条件应该会在US省略试验中引发最大的反应。所有四种方式的反应都与C3不符。综合这些发现，当同时考虑C1-C3时，没有证据支持无符号PE编码。

4 讨论

巴甫洛夫式恐惧条件反射是一个重要的基本学习范式，但目前尚不清楚其学习在多大程度上是由有符号或无符号的PE信号驱动的，就像在巴甫洛夫式奖励学习中一样。在这里，我们探索了两种独立数据集中不同候选心理生理反应（基于SCR、PSR、HPR和RAR）中的PE表达。我们进行了基于群的排列测试，以检查对结果幅度和结果概率的反应。有三个主要发现。首先，我们在所有测量方式和两个数据集（Bach和Friston 2012）中观察到了众所周知的US反应（与US省略相比）。在50% US的条件下，这一发现与无符号PE编码不一致。其次，我们发现要么没有证据表明US概率对反应有调节作用（数据集2），要么反应调节的方向与有符号PE编码不符（数据集1）。第三，相关的是，在所有测量方式中，对意外US省略（非强化CS+试验）的反应与对US本身的反应方向相同（数据集1），这之前已经在SCR中观察到（Spoormaker等人2012年；Stemerding等人2022年）。重要的是，在数据集1中，虽然意外US省略反应以前被称为“预测错误”信号，但它们并不符合Rescorla & Wagner（Miller等人1995年；Rescorla 1972年）使用的有符号预测错误的概念。有符号预测错误编码意味着对好于预期结果的反应应该与对差于预期结果的反应方向相反。由于部分预测的US（与US省略相比，即差于预期的结果）引发了更大的SCR、PSR和RAR，而意外US省略（与预期的US省略相比，即好于预期的结果）应该引发较小的SCR、PSR和RAR，以及更大的HPR。然而，我们的数据却是相反的。这构成了明确的、统计上显著的反对这些心理生理信号中有符号预测错误编码的证据。另一方面，尽管这些US省略反应原则上与无符号PE编码一致（Rouhani和Niv 2021年），但在50%的强化率下，US反应始终大于US省略反应，这不能仅用无符号PE幅度来解释。此外，我们注意到US省略反应在SCR、PSR和HPR中描述上似乎发生在US反应之前。如果这种反应延迟的差异是可靠的，那也不是无符号PE编码所预测的。数据集2提供了在不同强化率下更细致的比较。重要的是，无论是有符号还是无符号预测错误编码，都意味着强化率会对反应产生影响。对于有符号PE编码，预计在20%的强化率下US+和US-试验都会引发最大的反应。对于无符号PE编码，预计在20%的强化率下US+试验，在80%的强化率下US-试验会引发最大的反应。然而，我们来自数据集2的结果并不支持这两种假设。虽然样本量相对较小，而在更大的样本中可能会得到更清晰的结果，但我们可以明确排除任何允许单受试体分析的反应幅度，例如用于模型拟合或临床监测的目的。目前工作的一个局限性是缺乏完全预测的CS+条件。包括这一条件可以提供一个完全可预测的背景下US反应及其习惯化的估计，在这种情况下，有符号和无符号PE信号都很小。这个基线还可以评估潜在的PE反应是否叠加在由不同机制产生的US反应之上。未来的工作可以通过增加CS-和完全强化的CS+条件，并扩大样本量来扩展数据集2的实验。重要的是，我们的结果并不意味着神经系统不使用PE编码。如果存在PE编码，那么在外周指标中的PE编码应该被视为一种附加现象。如果存在这样的现象，将非常有趣，因为它将直接揭示学习量。然而，它的缺失并不能对神经系统得出结论。总之，基于使用电刺激作为US的巴甫洛夫式恐惧条件反射范式的研究，我们在所有数据方式中都识别出了众所周知的US反应，复制了以前在SCR中发现的意外US省略反应，并将其扩展到所有其他调查的数据方式。同时，我们发现了明确的证据反对有符号PE编码，并且在这个特定的实验协议中没有发现无符号PE编码的证据。

作者贡献：

Huaiyu Liu：正式分析、写作——原始草稿、写作——审阅和编辑、可视化。Josie Linnell：写作——审阅和编辑。Dominik R. Bach：数据收集、数据整理、概念化、方法论、写作——审阅和编辑、监督、资金获取、项目管理。

作者感谢Marcel Herzog在数据收集方面的帮助。这项工作得到了经济和社会研究委员会（ES/W000776/1）以及Wellcome（203147/Z/16/Z）的支持。Dominik R. Bach从欧洲研究委员会（ERC）在欧盟的Horizon 2020研究和创新计划（ERC-2018 CoG-816564 ActionContraThreat）下获得了资金。波恩大学的人工智能和神经科学中心位于生命与健康跨学科研究领域，是德国联邦和州政府卓越战略的一部分。

这项工作得到了经济和社会研究委员会（ES/W000776/1）以及Wellcome Trust（203147/Z/16/Z）的支持。利益冲突

作者声明不存在利益冲突。

数据可用性声明

所有数据均可在Zenodo平台上公开获取（Bach和Sporrer 2024；Khemka等人2021；Korn等人2021；Staib等人2021、2021a、b；Tzovara等人2021；Zimmermann等人2021a、b；https://zenodo.org/communities/pspm/，具体研究相关的URL请参见参考文献列表）。两个数据集的匿名预处理数据、数据分析脚本以及支持性信息均可在OSF平台上获取（https://osf.io/5tj79/）。