如果您有一天早上打开办公室的门，并且桌上有一个新包裹在等着，那是您在原本不变的房间里最容易注意到的地方。麻省理工学院和波士顿大学的神经科学家进行的一项新研究发现，不同的脑电波频率而不是专用电路的动态相互作用似乎控制着大脑的诀窍，以突显出令人惊讶的事物并淡化了可预测的事物。

通过在动物对可预测和令人惊讶的图像做出反应时，测量它们沿着大脑表面或大脑皮层的数千个神经元，研究人员观察到，源自大脑额叶认知区的低频α和β脑电波或节律受到抑制与可预测的刺激有关的神经活动。这为大脑后部感觉区域的神经元通过高频伽马波推动与意外刺激相关的信息铺平了道路。携带抑制性预测的α/β回流通常通过皮层的较深层引导，而带有新型刺激的兴奋性γ的正向流则跨表层传播。

麻省理工学院脑与认知科学系的皮克尔(Picower)神经科学教授，《美国国家科学院院刊》的共同资深作者厄尔·米勒(Earl Miller)说：“β和伽马之间的这些相互作用正在整个皮层中发生。” “而且它不是通用的-它针对特定刺激的处理。”

在这些方面，这项新研究扩展了米勒最近的工作。以前，他在Picower学习与记忆研究所的实验室表明，在前额叶皮层中，工作记忆取决于深层β节奏的爆发，这些β节奏在更浅层中调节γ频率活动。这些发现部分基于新论文的主要作者博士后安德烈·巴斯托斯(AndréBastos)在2012年发表的研究。现在，这项新的研究以及米勒实验室在今年早些时候发表的另一项研究表明，频带之间的这种推拉作用是皮层中信息流的常见调节系统。此外，新的实验结果表明，它在预测编码中起着关键作用(随着Bastos在2012年开始理论化)，而不仅仅是工作记忆的相关功能。

Miller和Bastos指出，预测性编码是一种关键的认知功能，在自闭症谱系障碍中似乎已被破坏。有些自闭症患者努力将熟悉的刺激视作这样，将所有事物都视为崭新且同样重要的事物。这会干扰学习以识别可预测的情况，因此会干扰对经验进行概括的能力。

巴斯托斯说：“由于您无法夯实和主动调节预测的信息，大脑处于不断涌现的信息的恒定状态，这可能会令人不知所措。” 他补充说，实际上，对于任何人来说，在一个全新的地方，对环境的预测还没有时间形成，可能会产生感觉超负荷的感觉。

设定和违反期望

在研究中，研究小组为动物提供了简化的预测编码体验。向他们显示一个图像作为提示，然后在短暂的停顿之后，包括原始图像在内的三幅图像返回到屏幕。动物只需将视线对准先前提示的图像即可完成任务。有时，对于许多最终试验而言，提示是相同的(因此变得可预测和熟悉)。有时，提示会突然改变，从而违反了预期。当动物玩游戏时，科学家们正在读出整个大脑皮层五个区域的神经活动和神经活动的整体节律，这些区域从头后部的视觉区域到中间的顶叶皮质，再到认知皮层，包括大脑皮层。前额叶皮层，在前面。

该团队并不想分析工作记忆，也不希望分析动物如何将提示图像保存在记忆中。相反，他们测量的是提示图像可预测与否的差异。他们的测量结果表明，不可预测的刺激比可预测的刺激产生更多的神经活动。他们还发现，与不可预测的刺激相关的活动在伽玛频段(和非常低的频率theta频带)中最强，而与预测的刺激相关的活动在α/β频率中最强。

并非每个频率的功率变化都是如此，特别是在对所提出的刺激反应最大的神经元中最为明显。这意味着脑电波的调节变化对处理动物看到的提示图像的神经回路的作用最大。因此，团队将其预测编码的概念模型称为“预测路由”。

米勒说：“我们的论文表明，无需专门的电路来检测预测与现实之间的不匹配，预测编码就可以工作。”

Bastos进一步解释说：“这个新模型的关键要素是可以通过选择性地禁止携带可预测信息的信息流路径来完成预测。”

波士顿大学的威廉·费尔菲尔德·沃伦杰出数学教授，合著者南希·科佩尔补充说：“要想支持这一想法，就需要在论文中进行详尽的实验，包括对大脑多个部位的测量。”

数据的后续分析也显示了其他关键趋势。其中之一是，当提示图像可预测时，皮质区域之间的活动相干性在alpha / beta波段中较强，而在无法显示时，在γ中则较强。此外，这些不同带的方向(它们如何在皮层之间来回传播)表明，α/β从较高的认知区域反馈到较低的(感觉)区域，而伽马从较低的区域反馈到较高的区域。

注意例外

科学家们还发现，α/β大多在视觉皮层的较深层达到峰值，而伽玛通常在表层更强。但是在此过程中也有例外。顶叶皮层区域7A克服了针对意外刺激而在γ中达到峰值的趋势，而不是在β频带的高端中达到峰值的趋势。Kopell说，一种可能性是7A参与了工作内存缓冲区，据信它使用了β振荡。另一个解释可能是7A的beta活性与注意力无关。进行这项任务的动物确实需要至少一定程度地注意提示，无论提示是否可预测。

Bastos说，设计能够将注意力与预测完全区分开的实验可能是未来的重要方向。另一个重要的未来目标将是创建计算模型，该模型可以模拟层和频率之间的交互作用以抑制预测信息。

Kopell说：“当前数据集的层流细节对于生成这样的模型非常有用。”