《Nature Communications》：No evidence of neural feature-specific pre-activation during the prediction of an upcoming stimulus
编辑推荐：
现已确立，大脑会基于既往经验预测即将到来的刺激，且这种预测机制会塑造知觉。然而，导致此类预测的神经机制仍不清楚。一个共识是，这些预测由自上而下连接驱动，即从高阶脑区传递至感觉脑区。在预测刺激出现之前，预测会调制感觉脑区中的神经信号。基于这些结果，一种潜在的神经
现已确立，大脑会基于既往经验预测即将到来的刺激，且这种预测机制会塑造知觉。然而，导致此类预测的神经机制仍不清楚。一个共识是，这些预测由自上而下连接驱动，即从高阶脑区传递至感觉脑区。在预测刺激出现之前，预测会调制感觉脑区中的神经信号。基于这些结果，一种潜在的神经预测候选机制是：在刺激起始之前，预先激活在知觉该刺激时编码同一刺激的神经元群。为检验这一假设，Demarchi 等研究人员使用人类脑磁图（MEG）记录和多变量模式分析（MVPA），在对4种不同音调进行连续被动聆听、且序列可预测性高低不同（从随机序列到高度结构化序列）的条件下，识别特征特异性神经活动的预激活。其训练MVPA分类器以在知觉时段根据MEG脑信号解码声音，并在预期时段测试这些分类器（即声音起始前的MEG脑信号时段）。该研究发现，高于机会水平的分类表现与序列规则性呈正相关，并据此得出结论：大脑通过预先激活在知觉期间编码同一刺激的神经群体，来预测可预期的即将到来刺激。
相反，利用同一开放获取数据集，本文研究人员通过两种不同方法证明，所报告的分类表现与声音起始前不存在预期性特征特异性活动完全相容。首先，研究人员提取在被动聆听随机序列期间记录的MEG信号，并重新排序使之匹配结构化序列。利用这些重新排序的信号——其不可能包含任何预期性神经活动（因为记录当时的序列是随机的）——研究人员进行了与原始论文相同的分析，并得到了与原文中被解释为特征特异性预测活动相同的效应。随后，研究人员计算了分类器的混淆矩阵，其中包含以真实类别为条件的分类器输出概率分布。结果发现，分类错误偏向于邻近频率的刺激。进一步分析表明，这一被误释的预测活动效应，是由支配刺激序列的转移概率矩阵与分类器混淆矩阵的偏倚结构共同造成的。该效应使作者所采用的0.25机会水平作为零假设失效。研究人员据此得出结论：在该数据集中，不存在预测过程中神经特征特异性活动预激活的证据；并简要讨论了其他现有证据的局限性。
本文发表于《Nature Communications》，核心目标是重新评估既往一项关于听觉预测加工的重要结论：在人类听觉系统中，大脑是否会在即将出现的声音到来前，预先激活与该声音知觉表征相同的特征特异性神经活动。预测加工理论普遍认为，大脑会利用既往统计经验形成对未来感觉输入的预期，并通过自上而下通路影响感觉皮层的活动状态。基于这一理论，不少研究尝试寻找“感觉模板预激活”证据，即在真实刺激出现前，感觉系统中已出现与后续刺激知觉期相似的神经表征。Demarchi et al. 先前利用脑磁图（magnetoencephalography, MEG）和多变量模式分析（multivariate pattern analysis, MVPA）报告称，在更有规则的听觉序列中，刺激出现前即可检测到与即将出现声音身份相关的可解码神经活动，并将其解释为特征特异性的预激活。然而，这类结论高度依赖于解码框架下“机会水平（chance level）”与零假设的正确定义。一旦零假设设定不当，表面上高于0.25的分类表现就未必意味着真正存在预测相关神经表征。因此，重新审视该结论不仅关系到该数据集本身的解释，也关系到关于“预测是否以感觉模板形式实现”的更广泛理论争论。
为此，研究人员基于Demarchi et al.公开发布的数据进行了系统再分析。论文首先复现原研究的主要结果，随后构建两种严格的零假设检验路径：其一是经验零假设（empirical null）方法，即将随机序列中获得的MEG片段按结构化序列的顺序重新排列，在理论上排除真正的前瞻性特征预激活；其二是理论零假设（theoretical null）方法，即直接结合分类器混淆矩阵（confusion matrix）与刺激转移矩阵（transition matrix），计算在不存在预测相关信息时解码器应达到的真实机会表现。通过这两种彼此独立而概念等价的方法，研究人员证明：原研究中被解释为“刺激模板预激活”的预刺激期解码效应，可以完全由序列统计依赖与分类器错误偏向共同解释，并不构成特征特异性预测活动的证据。进一步地，研究人员还检验了另一种更宽松的假设，即大脑并非预激活实际将要出现的刺激，而是预激活“最可能出现”的刺激；结果显示，在校正统计依赖后，残余效应微弱且未通过聚类置换检验。总体上，论文结论明确指出：在该公开数据集中，没有证据支持听觉预测过程中存在类似知觉表征的特征特异性神经预激活。
在方法层面，研究人员使用Demarchi et al.公开的MEG预处理数据开展再分析。主要技术包括：基于个体水平的多类别线性判别分析（linear discriminant analysis, LDA）对4类声音进行时间泛化解码（temporal generalization decoding）；对不同熵水平序列中的分类准确率及其与可预测性相关性进行非参数聚类置换检验；通过随机序列片段重排构建经验零假设；通过混淆矩阵与转移概率矩阵的解析结合构建理论零假设；并辅以Bayesian单样本t检验评估复现结果与零假设结果之间差异的证据强度。数据来源为Demarchi et al.公开共享的MEG数据集。
Reproduction of the original results
研究首先按照原始研究逻辑复现主要发现。原研究包含4类熵水平不同的声音序列，从完全随机到高度有序。研究人员在随机序列中、以声音出现后0–333 ms的MEG信号训练分类器，再将分类器推广到其他时间点和其他熵条件进行测试。结果成功复现了原始结论：在最有序序列中，刺激前一个试次窗口（trial n - 1，?333至0 ms）出现显著高于0.25的解码表现，且该效应随序列规则性增强而增大。此外，在遗漏试次（omission trials）分析中，预遗漏期也出现类似正效应。表面上看，这似乎支持在刺激出现前已经存在特征特异性表征。但研究人员将时间窗扩展后发现，在更早的trial n - 2窗口（?666至?333 ms）中，两个最有序序列出现显著低于机会水平的负向解码簇，并且与可预测性的相关性为负。这说明解码结果部分反映的是不同试次间刺激统计依赖，而不是纯粹的前瞻性神经模板。
Decoding accuracy under the null hypothesis
接着，论文转向关键方法学问题，即原研究的零假设设定是否成立。原始论文将4分类任务的机会水平固定为0.25，并据此对解码率与熵的关系做零假设显著性检验（null hypothesis significance testing, NHST）。研究人员指出，这一设定在当前实验结构中并不正确，因为待检验现象发生在具有一阶马尔可夫（first-order Markov process）统计结构的序列中，且分类器自身并非无偏。只要刺激转移概率与分类器错误模式之间存在系统协方差，真实零假设下的“机会水平”就会偏离0.25。因此，必须显式构建真正适用于该数据结构的零假设，才能判断预刺激解码是否反映预测相关神经活动。
Empirical null approach: Reproduction of the pre-activation patterns using re-ordered random sequences
在经验零假设方法中，研究人员将随机序列中获得的原始MEG信号切割并重排，使其外部排列顺序与更有序的序列一致。由于这些信号来源于真正随机呈现条件，因此其中不可能包含针对后续结构化序列的预测性预激活。如果在这种数据上仍然能得到与原研究相似的预刺激解码结果，那么原效应就不能被解释为特征特异性预测活动。结果显示，使用这些重排后的随机数据，研究人员在trial n - 1的预刺激窗口同样观察到正向显著解码簇，在trial n - 2窗口同样观察到负向显著簇；跨熵水平的相关分析也重现了原研究中的正相关模式。更关键的是，将原始结果与经验零假设结果直接对比，在预刺激窗口并未出现显著差异；Bayesian分析也对二者不存在差异提供了中等证据。这一结果直接表明，原论文所报告的预刺激正解码效应，并不需要引入任何预测相关的神经预激活即可产生。遗漏试次分析中同样得到一致结论：原始结果与重排随机数据之间在预遗漏期并无显著正向差异，因此也不能支持特征特异性的预刺激模板激活。
Theoretical null approach: Reproduction of the pre-activation patterns using theoretical accuracy under the null hypothesis
在理论零假设方法中，研究人员从解析角度证明了原研究所采用的0.25机会水平为何失效。核心思想是：若分类器的混淆矩阵对相邻频率刺激存在偏向性错误，而实验序列的转移矩阵又使某些相邻频率在相邻试次中更常连续出现，那么即使完全不存在任何预测性神经活动，分类器在预刺激期对目标刺激的“解码正确率”也会系统性高于0.25。研究人员形式化给出了机会水平\(P\)的表达式，并指出其相对于1/4的偏移量，取决于混淆矩阵各行与转移矩阵对应各行之间协方差之和。由于原实验中声音更可能转移到相邻音高，而分类器也更容易把声音误分为相近频率类别，二者产生正协方差，从而抬高真实零假设下的解码表现。利用这一理论框架，研究人员仅基于分类器混淆矩阵和序列转移矩阵，便再现了与原始预激活结果高度相似的时间模式和熵相关模式，且与原研究结果在统计上不可区分。这说明原研究观察到的主要效应，可以被完全解释为分类器偏倚与刺激统计结构的耦合，而非预测导致的感觉模板预激活。
Decoding the most likely stimulus instead of the presented one
随后，研究人员检验了一种对预测机制更为宽容的解释框架。原研究尝试在刺激出现前解码“实际呈现的刺激”，但在非随机序列中，实际呈现刺激并不总是该上下文下概率最高的刺激。若大脑只能表征“最可能即将到来的刺激”，那么解码实际刺激身份的分析策略可能低估了真实预激活效应。基于此，研究人员重新实施分析流程，但将正确分类的参考目标由“实际刺激”改为“基于前一刺激和转移矩阵推定的最可能刺激”。结果发现，若仍以0.25为基准，表面上会出现某些偏离机会水平的表现，但在用重排随机数据充分校正统计依赖后，预刺激期仅剩极弱的、不到1个百分点的正向残余解码，而且该效应未能通过聚类置换检验，也未与序列熵显著相关。因此，即便在这一更有利于预测机制的检验框架下，数据仍不足以证明存在特征特异性的预激活。
Discussion
讨论部分的重点在于将上述结果整合为对原始解释的系统修正。研究人员认为，Demarchi et al.数据并不能支持人类听觉系统在预测过程中生成与知觉相似的刺激特异性神经模板。问题不在于原始分析未能观察到效应，而在于其将错误的零假设——固定0.25机会水平——用于具有序列依赖和分类偏倚的数据结构，导致将统计学伪效应误解为预测相关表征。经验零假设与理论零假设两条路径都指向同一结论，从而显著增强了再分析论证的稳健性。论文还进一步讨论了Kok et al.等文献，指出既有关于特征特异性预激活的证据整体上并不强，部分效应仅在有效/无效条件对比中出现，且时间进程与经典预测前模板激活并不完全吻合。因此，关于预测是否以“感觉模板预激活”形式实现，当前证据基础仍较薄弱。
研究的另一个重要意义在于方法学推广。论文推导的偏倚解析式仅依赖少量前提：有限个等概率刺激、由一阶马尔可夫过程组织的刺激流，以及基于随机刺激训练的分类器。因此，该偏倚并不限于听觉或MEG研究，也不限于LDA分类器；凡属于类似设计的研究，都可能受到相同问题影响。换言之，任何在结构化刺激序列中利用解码器寻找预刺激表征、但以简单类别数倒数作为机会水平的研究，都需要重新评估零假设是否被正确定义。论文据此提醒后续使用Demarchi范式的研究，以及更广泛的预测加工解码研究，应在统计依赖控制和分类器偏差校正方面采取更严格的分析策略。
研究结论部分可概括翻译如下：研究人员证明，基于Demarchi et al.开放数据集，并不存在支持人类听觉系统中预测相关特征特异性神经活动的证据。无论是试图解码实际即将呈现的刺激，还是解码最可能出现的刺激，均未能在适当零假设控制下显示可靠的刺激模板预激活。原先报道的预刺激解码效应可由刺激序列转移概率与分类器混淆偏倚之间的相互作用充分解释。因此，相关研究应重新审查其机会水平设定与统计推断框架，以避免将由任务结构和分类器特性共同造成的伪效应误判为预测性神经表征。
