在進化的過程中,相比於其他生物,人類選擇了犧牲力量,著重去點亮“智商”這個技能點,而承載人類智商的載體則是結構和執行機制都非常複雜的大腦。
我們都知道,大腦的運轉主要依靠多重神經元網路在多個腦區之間架起資訊交流的橋樑:
一個神經元細胞可以與50000個神經元細胞交流資訊。即使我們處於睡眠狀態時,大腦中的神經元也無時無刻不在相互交流。
如果我們能聽到大腦神經活動的聲音,那會怎麼樣呢?
也許,場面會像菜市場一樣混亂、嘈雜,每個神經元都喋喋不休地表達著自己,同時也沒忘記和隔壁的神經元誇誇其談,整個大腦充斥著各種各樣的噪音。
但這些噪音並不真的只是“噪音”。在2020年1月的一場主題為睡眠的研究座談會上,科學家詹娜·倫德納(Janna Lendner)分享了一些研究發現,她提出可以
利用大腦噪音觀察人們的大腦活動,探索大腦清醒與無意識之間的界限
。
然而,聽起來容易做起來難,因為當我們處於快速眼動(REM)睡眠階段時,大腦會產生與清醒時相同的平穩震盪的腦電波,讓人難以判斷意識的存在與否。
不過倫德納認為,答案並不在常規的腦電波中,而是在科學家普遍會忽略的一個神經活動:
大腦中不穩定的背景噪音
。
神秘的大腦噪音
越來越多的神經科學家認為,大腦電訊號活動產生的噪音能為人們研究大腦內部運作提供全新的線索。
這是顛覆性的思想轉變,曾經神經學上將這些噪音比喻成老舊電視機的干擾訊號,但現在
它可能會對科學家研究大腦的方法產生深遠的影響
。
大腦活動產生不同型別的腦電波 圖源:Quanta Magazine
神經科學家布拉德利·沃伊泰克(Bradley Voytek)花了數年的時間研究了一種方法,來幫助科學家們重新審視已有的資料。
在與加州大學神經學家的合作下,
沃伊泰克開發了一種軟體,它可以從大腦活動的非週期性部分中,分離出規則振動。
例如,α波是四個基本腦波之一,在大腦中有時出現,有時消失,並不總是存在,而軟體可以幫助我們更好地研究α波。
這為神經科學家提供了一種
分析大腦規則振動和非週期性活動
的新工具,進而為研究大腦非週期性活動在行為、認知和疾病中的作用提供幫助。
布拉德利·沃伊泰克
大腦噪音這一現象目前有很多種命名。有人稱其為
“1/f斜率”
或
“無標度活動”
,但沃伊泰克傾向於將其命名為
“非週期性訊號”
或
“非週期性活動”
。
儘管針對不規則大腦活動的研究已經進行了20多年,但還是沒有人能確定其真正含義。現在,科學家們有了更好的工具,可以在新實驗中將非週期性訊號隔離出來,繼續深入研究已有的舊資料。
多虧了沃伊泰克的演算法,最近幾年對大腦電波的研究都表示,大腦非週期性活動蘊含大量寶藏,可能
促進對衰老、睡眠和兒童發育等方面的研究
。
噪音的波動
我們的身體已經習慣於一些對生存至關重要的持續迴圈,比如心跳和呼吸節奏。但在我們看不到的大腦內部,也有著同樣重要的波動節奏,它們可能包含解釋行為和認知的線索。
當一個神經元將一種穀氨酸化學物質傳遞給另一個神經元時,它會使接受者更有可能發出訊號,這種情況稱為
興奮
。反之,如果一個神經元分泌出神經遞質—氨基丁酸(GABA),接受它的神經元就不太可能被激發,這稱為
抑制
。
任何一種情況走向極端都會產生嚴重的後果:興奮作用失控會導致癲癇發作,而抑制作用過多會導致失眠甚至昏迷。
為了研究興奮和抑制兩者之間的微妙平衡,科學家們用腦電圖來測量大腦的電訊號活動。
興奮和抑制的迴圈形成了與不同精神狀態有關的波。
例如,當大腦形成α電波,即電波頻率在8-12赫茲/秒時,人們處於放鬆、準備進入睡眠的狀態。
但是大腦的電波輸出並不是完美的平滑曲線。相反,當它們陡增到頂峰、下衝到谷底時,這些線會產生抖動。
有時大腦活動沒有規律,使其看起來更像電噪音。
正是這種噪音引起了像沃伊泰克的興趣,他表示,
雖然噪音是隨機的,但它有不同種類的隨機。
白噪音、粉噪音和棕噪音,從上到下波譜頻率降低,顏色越明亮代表波強度越大,白噪音在各頻率波強度都相似
為了量化這種非週期性活動,研究者們將原始的腦電圖資料進行了拆解。
首先,他們採用了一種叫做
傅立葉分析
的技術。任意一組隨時間而變化的資料都可以表示為三角函式,就像正弦(sin)波一樣,可以用頻率和振幅兩個引數來衡量。
然後,他們可以在功率譜圖中繪製出不同頻率的波幅值。
傅立葉技術將腦電圖波分解為不同頻率和振幅的三角函式數學模型,根據分離出的不同頻率的波,繪製功率譜。
從功率圖中可以看出,對於純隨機白噪聲,功率譜曲線相對平坦和水平,其斜率接近為0,因為其白噪聲的振幅在所有頻率上大致相同。但根據大腦神經系統產生的資料繪製功率譜,則會得到
一條斜率為負的曲線
。
由此可見,較低的頻率具有較高的振幅,而頻率升高時,振幅的強度呈指數下降。這一曲線下降趨勢叫做
1/f
,指的是頻率和振幅之間的倒數關係。神經科學家們感興趣的是,
圖中平緩或陡峭的曲線斜率可能表明了大腦內部的運作方式
。
對非週期性活動的認識可以追溯到1925年,J。B。約翰遜在研究的真空管噪音。四年後,德國科學家漢斯·博傑就發表了首份人類腦電圖研究報告。
在隨後的幾十年中,神經科學的研究主要集中在大腦活動中顯著的週期性波上。然而,
在各種電噪音、股票市場、地震波甚至音樂片段中都能發現非週期性活動,
至於為什麼,直到今天這仍然是個未解之謎。
在過去的研究中,人們一直認為大腦的非週期性活動是不重要的,在研究中經常剔除這一部分,以強調大腦的週期波動。然而,越來越的證據表明,
非週期性的大腦活動積極促進著大腦功能
。
用資料解讀噪音
其實,沃伊泰克最初只是想要從腦電圖資料中建立數學模型並去除白噪聲,但是當他編寫程式消除噪音時,他開始把更多注意力放在噪音上。
2015年,沃伊泰克在一項研究中發現,
與年輕人相比,老年人的大腦似乎會產生更多的非週期性活動
。
透過觀察腦電圖,他發現隨著大腦年齡的增長,大腦更多地受白噪音的支配,而這種噪音與年齡導致的工作記憶衰退存在相關性。
沃伊泰克希望有種軟體能夠自動分離資料庫中的週期性和非週期性活動。因此,他組織團隊為這個演算法編寫了一個程式,實現了這一功能。
他的軟體一經面世就大受歡迎。2018年4月11日,沃伊泰克將他們的程式碼釋出到biorxiv。org網站後,一個月就獲得近2000次下載。同年11月,他的團隊在神經科學會議上組織了一場軟體使用交流會,為數十名對此工具感興趣的科學家提供了技術指導和支援。
其中一項合作便是倫德納的
睡眠喚醒
研究。藉助沃伊泰克的軟體,倫德納和同事發現,在受試者腦電圖的非週期性噪音功率譜中,相比於清醒狀態,
在快速眼動睡眠階段高頻活動的振幅下降得更快,
也就是說,功率譜的斜率更陡。
受試者晚間的大腦頻譜圖,白線表示波譜斜率變化,與受試者的睡眠清醒程度相對應
倫德納等研究者認為,非週期性訊號可以作為一種獨特的訊號來
測量一個人的意識狀態
。從醫學角度來看,
它可以作為一個新的客觀標記幫助提高麻醉實踐性,以及治療昏迷患者
。
還有一些使用沃伊泰克開發的軟體所進行的研究,其中包括
對多動症藥物療效的調查
,以及
基於性別差異對自閉症患者大腦活動的研究
。他們和團隊的其他成員在模擬資料庫中測試了程式碼的效能,肯定了利用此工具進行新研究的可能性。
神經科學家們非常需要使用這種工具分離週期性訊號和非週期性訊號,從而專注他們需要的資料。因為對於資料本身,它只是在特定時間內、特定方法下收集的一組數字。一張由資料組成的影象本身並不能說明大腦是否處於正常執行狀態。
沃伊泰克表示,
神經科學中至關重要的正是對資料的解讀
。因為這是我們在面對臨床決策、藥物開發和其他所有這類事情上做決定的基礎。
“當我們以這種方式重新審視文獻中的大量資料集時,便極有可能產生新的見解。目前為止,我們對現有資料的解釋還不夠深入和全面。”
噪音從何而來?
雖然人們對非週期性活動的研究已經有了很大進步,但在這一領域還是具有一個很大的侷限性:
沒有人確切知道是什麼從生理學上引起了非週期性活動
。
麥吉爾大學神經外科、計算機科學教授西拉維·拜耶說,我們需要更多的研究來確定不同神經遞質、神經迴路和大規模神經網路之間的相互作用。
一種理論認為,
非週期性訊號在某種程度上反映了興奮和抑制之間的微妙平衡,大腦需要這種平衡來保持自己的健康和活躍
。倫德納說,這種平衡是非常重要的,過多的興奮會使大腦超負荷,而過多的抑制可能會使人進入睡眠狀態。
另一種觀點認為,非週期訊號只是反映了大腦的物理組織。根據其他物理系統反映非週期性活動的現象,倫德納認為
大腦中可能存在某種結構上的、等級上的關係,從而導致了非週期性的活動
。
例如,大腦中處於相近位置的大量的神經元先聚整合組,然後逐漸形成更大的區域一起工作。
倫德納表示大腦能夠預測同樣具有1/f特徵屬性的聲音,這表明
非週期性活動與處理和預測自然刺激有關
。
不論是爵士樂,還是巴赫的古典音樂,都可以具有非週期性活動的屬性,這並不奇怪——畢竟,音樂是人類大腦的產物。
沃伊泰克說,為了驗證關於非週期訊號從何而來的假設,研究人員需要更細緻地研究產生這些訊號的神經迴路。
神經科學家可以嘗試
將這些迴路的位置與大腦的整體生理學聯絡起來
,從而更好地瞭解哪些神經機制會產生特定的訊號模式,並預測非週期性和週期性訊號在不同的大腦疾病中會是什麼樣子。
而對拜耶來說,
大腦中的非週期性訊號有點像暗物質,
是存在於宇宙中的隱形支架,只能透過引力與正常物質相互作用。我們不知道它是由什麼組成的,也不知道它的屬性是什麼,但它就在宇宙背景中,偷偷地把銀河系維繫在一起。
參考:
https://www。quantamagazine。org/brains-background-noise-may-hold-clues-to-persistent-mysteries-20210208/
(本文未經造就授權,禁止轉載。)
編譯 | Daisy Zuo
版面 | 曉娜