志贺α波记忆器：α振荡在工作记忆保留中的作用

引言：工作记忆的大脑过程涉及局部和长程神经网络中多种频率的振荡活动。本研究探讨了记忆编码和保持过程中α波振荡的具体作用，支持了α波振荡在并行中存在多种功能机制的假设。

方法：我们对25名健康的年轻成人进行了磁脑电图（MEG）的记录，他们执行了Sternberg工作记忆任务的一个变体。先后向他们呈现了五个连续的辅音字母，并在2.0秒的保留间隔后显示了一对来自研究列表的字母。参与者需要回答这对字母在列表中的顺序是相同的还是反转的。

结果：反应时间（RT）在列表中的第一个字母最短，随着顺序位置的增加而增加，并且在最后一个位置较短。反转顺序的探测所需的RT明显较长。MEG的时频分析揭示了在编码间隔期间α波振荡的事件相关去同步化（ERD）以及在记忆保持期间的α波功率增加（ERS）。编码期间的α波ERD发生在10 Hz，保持期间的ERS发生在12 Hz，这暗示着不同的α波机制。对α波同步和α-γ交叉频谱耦合的分析，应用于MEG波束成形（beamformer）源活动，揭示了跨大脑区域的连通性。此外，α-γ耦合确定了局部计算的中心。枕部和颞顶部区域之间的连通性与记忆保持期间的α波ERS（事件相关同步）相关。α波相位与γ波振幅之间的交叉频率耦合描绘了从前额到颞部和枕部大脑区域的信息流层次。

结论：编码期间的Alpha波下降表示视觉处理的活跃状态，而随后的事件相关同步（ERS）表明为了保护记忆，进一步的视觉输入被抑制，而且时间和枕叶的伽马振荡的相位时间与长程工作记忆网络有关。本文发表在Brain and Behavior杂志。

关键词：大脑振荡，交叉频率耦合，事件相关同步，脑磁图，相位统计，相位-振幅耦合，工作记忆

工作记忆（WM），定义为在短时间内维持和操纵记忆中的信息的能力，对于广泛的认知功能（如语言、学习和智力）至关重要（Baddeley，2012）。因此，理解WM的神经机制具有很大的兴趣。WM神经机制的一个有前景的概念是，编码、保持和检索的操作阶段与各种频带的神经振荡相关。先前的研究通过显示任务需求调节神经振荡的幅度来支持振荡的功能相关性（Klimesch，1996）。这种调制的时空特性已经通过研究EEG或MEG信号功率中的事件相关调制来研究，其中在功率减少的情况下称为事件相关去同步化（ERD），在功率增加的情况下称为事件相关同步化（ERS）（Babiloni等人，2005; Pfurtscheller＆Lopes Da Silva，1999）。

一些研究表明，与记忆功能相关的α波振荡（8-14 Hz）的ERD（Bonnefond＆Jensen，2012; Gevins，Smith，Smith，McEvoy＆Yu，1997; Hanslmayr，Spitzer，Spitzer＆Bäuml，2009; Klimesch等人，1996; Krause，Lang，Lang，Laine，Kuusisto＆Pörn，1996; Weiss＆Rappelsberger，2000）。α功率的降低表明去同步化状态，即局部神经集合为后续的活跃过程变得越来越独立（Pfurtscheller，1992）。遵循这种解释，α ERS的反向效应被认为反映了皮层失活状态（Pfurtscheller，Stancák Jr，Stancák＆Neuper，1996）。然而，关于α功率变化方向的发现在实验研究中并不一致，WM过程中α振荡的作用需要进一步阐明。

在视觉WM任务中，α功率在编码过程中减少，ERD的幅度与记忆负荷相关（Fukuda、Mance、Mance和Vogel，2015）。然而，在WM保持间隔期间，α功率的增加取决于负荷（Jensen、Gelfand、Gelfand、Kounios和Lisman，2002）。后两项研究表明，在WM任务的不同功能间隔期间，考虑α振荡的不同效应非常重要。在记忆保持期间关于α ERS的第一份报告来自WM研究，研究中使用了两个不同的记忆集，要么在试验中保持一致，从而涉及长期记忆，要么在试验之间变化并依赖于短期记忆（Klimesch，Doppelmayr，Doppelmayr，Schwaiger，Auinger和Winkler，1999）。只在后者条件下观察到上α波段的ERS，该条件最大限度地增加了短期记忆需求。作者将α ERS（事件相关同步化）解释为表明在可变记忆集条件下，潜在干扰来自之前试验的抑制。支持这一解释的进一步证据来自一项视觉提示的运动任务研究，其中参与者根据提示执行手指运动或抑制这种反应（Hummel、Andres、Andres、Altenmüller、Dichgans和Gerloff，2002）。他们的研究中的EEG记录在抑制响应期间表现出感觉运动区域的α ERS，在实际响应期间表现出ERD。这些结果表明，增加的α活动反映了抑制在躯体感觉皮层中检索存储的运动记忆痕迹，这与α ERS有助于阻止从先前存储的试验中检索信息的概念一致。因此，α ERS的当前解释是，α振荡通过抑制可能干扰存储信息的进一步感官处理来保护新的记忆（Bonnefond和Jensen，2012）。作为α潜逃假说的替代，作者认为α增加在防止干扰信息流入保留记忆项目的区域方面发挥着积极的功能作用（Mazaheri等人，2014）。例如，抑制或断开枕顶区域的连接可以用于抑制视觉流的输入，否则会干扰前额区域的工作记忆维持。与视觉模态研究一致，一项听觉研究预测了处理音高记忆的右半球优势，作者将5-12赫兹活动的左侧化增加解释为功能性地解除了左侧颞区的参与（Van Dijk, Nieuwenhuis, Nieuwenhuis, & Jensen, 2010）。

鉴于工作记忆的有限容量，保护记忆免受干扰对于成功的工作记忆表现至关重要。然而，最近的研究测试了增加的α活动是否可以发挥这种抑制功能，但结果并不支持抑制假说（Poch, Valdivia, Valdivia, Capilla, Hinojosa, & Campo, 2018; Schroeder, Ball, Ball, & Busch, 2018）。因此，当前的研究更多地关注α振荡在控制神经网络中的时序方面的作用（Klimesch, 2012）。在工作记忆维持期间（Howard等人，2003）发现的30-120Hz γ频率范围内的振荡活动表明，α和γ振荡之间的协调相互作用支持工作记忆功能（Roux & Uhlhaas, 2014）。与α波相比，γ振荡在认知和记忆中的作用得到了更为深入的研究。例如，在延迟匹配样本任务的延迟间隔期间观察到γ波段活动，在对照任务中则没有观察到这种活动（Tallon-Baudry, Bertrand, Bertrand, Peronnet, & Pernier, 1998）。这一发现支持了这样一种假说，即视觉对象由分布式细胞组件表示，这些组件在γ波段活动中同步（Tallon-Baudry, Bertrand, Bertrand, Delpuech, & Pernier, 1997）。类似地，在一项视觉空间工作记忆任务中，也发现了与负荷有关的γ波段活动，参与者需要记住红色圆盘的位置，同时忽略蓝色圆盘的位置（Roux & Uhlhaas, 2014）。γ振荡幅度与目标项目数量的一致关系表明，γ振荡与维持相关工作记忆信息有关（Daume, Gruber, Gruber, Engel, & Friese, 2017）。这种γ振荡的作用似乎在感觉模态之间具有普遍性，因为在触觉工作记忆任务的保持期间，已经报道了对于次级触觉区域的γ波增加（Haegens, Osipova, Osipova, Oostenveld, & Jensen, 2010）。在一项听觉模式记忆研究中，在保持期间，左侧额下和颞前区域的诱发γ活动增强，而在对照条件下则不是这样(Kaiser, Ripper, Ripper, Birbaumer, & Lutzenberger, 2003)作者解释说，他们的研究发现，γ活动与参与感官信息心理表示的皮质网络相关。最近发现，在工作记忆维持期间，慢速α波和快速γ活动同时出现，被讨论为α和γ相互作用，用作神经通讯机制（Canolty & Knight，2010）。人们认为α波调节产生高频振荡的神经网络的兴奋性。在这种交叉频率耦合机制中，α振荡似乎在控制γ方面起主导作用。

本研究的目标是为揭示振荡活动在工作记忆（WM）中的作用的新概念提供进一步支持。我们假设从同一实验中可以同时观察到阿尔法波的多种功能角色。以前研究中的实验范式的差异可能导致观察到的阿尔法效应的差异。我们实施了一个修改后的斯特恩伯格范式（Sternberg, 1966），因为与其他工作记忆实验相比，编码、保留和检索间隔分离得更好。这使我们能够对随后的工作记忆间隔的振荡MEG活动进行单独的分析。首先，我们分析了工作记忆不同阶段阿尔法活动的时间动态。具体来说，我们预期保留间隔期间的阿尔法波参与神经活动的时间调度。因此，阿尔法活动增加的时间间隔将比阿尔法活动减少的时间间隔更相位。我们使用波束形成（beamformer）源分析确定了潜在的皮质源，测量了阿尔法波的相干性以及皮质源之间的阿尔法-伽马耦合，并将这些连通性测量与阿尔法事件相关同步（ERS）和事件相关解同步（ERD）进行了比较。

2 | 材料和方法

2.1 | 参与者

为本研究招募了25名成年人（10名女性，15名男性），年龄在21至43岁之间。参与者报告身体状况良好，没有神经系统或精神疾病的病史，并且不需要矫正正常视力。在收到有关研究的完整解释后，他们提供了书面同意，该研究已经获得Baycrest Centre研究伦理委员会的批准。

2.2 | 实验设计

图1 工作记忆实验

（a）实验范式的时间过程。在开始提示（+）之后，五个字母列表项以700毫秒的持续时间和1000毫秒的出现间隔依次呈现。最后一个列表项目消失和探测器出现之间的保留间隔为2300毫秒。数据分析以提示出现作为零时点。

（b）组平均反应时间与探测器对的序列位置和顺序的关系。误差线表示组平均值的95%置信区间。

在修改后的斯特恩伯格范式中，视觉刺激的序列以一个提示符号（+）开始，然后是五个大写字母的连续列表，一个空白屏幕的保留间隔，以及一个探测器。研究列表是随机选取的辅音字母的独特组合。为了减少参与者将列表分块成一个词的可能性，我们排除了元音。探测器是一对字母，它们在研究列表中相邻显示。参与者需要决定探测器中的项目在研究列表中是按照相同的顺序还是反向的顺序呈现的。提示符和列表项目的呈现时间为700毫秒，两者之间的间隔为1000毫秒，这导致了5700毫秒的视觉刺激总时间（图1a）。参与者在最后一个列表项目消失和探测器出现之间的2300毫秒保留间隔期间，将研究列表保持在记忆中。选择的保留间隔大于1500毫秒，以减小最近的列表项目易于记住的效应（Olton & Samuelson，1976）。探测器显示时间为1000毫秒，参与者需要在探测器出现后的2000毫秒内使用右手按下按钮进行响应。当探测器对的字母与列表中的顺序相同时，预期反应时间会更短，而寻找反向排序的探测器对则是更困难的任务。不会反馈响应是否正确。下一个序列在按下按钮后的4000毫秒启动。每个实验块内执行了30个工作记忆序列，持续时间为7.5分钟。每个参与者在一个会话中完成了六个块。刺激的呈现由Presentation软件控制（Neurobehavioural Systems, Inc., Berkeley, CA）。刺激被投影到参与者前方60厘米处的对角线为50厘米的反投影屏幕上。字母是黑色的，背景是灰色的，字母的高度为80毫米，对应于7.6度的视角。为了准确地计时刺激事件，使用光电二极管检测了图片的出现。

2.3 | MEG记录

在安静的磁屏蔽室中使用151通道全头轴向梯度磁测量系统（CTF-MEG，Port Coquitlam，BC，加拿大）对磁脑图进行记录，该系统位于Rotman研究所。由于技术原因，禁用了两个MEG通道。参与者在头部放置在头盔形状的MEG设备内的舒适直立位置坐下。磁场数据经过200 Hz的低通滤波，以625 Hz采样并连续存储。在每个录制模块的开始和结束时，使用附加在鼻子和左右耳前点上的三个小型电磁线圈，配准参与者的头部相对于MEG传感器的位置。对于实验模块中，其基准位置在任何方向上与均值相差超过5毫米的情况，假定头部运动较大，并重复该模块。两个基准点的均值还定义了基于头部的坐标系，原点位于双侧耳前点之间的中点。后向-前向x轴从原点运行到鼻子，y轴从右耳运行到左耳，垂直于三个基准点所在平面中的x轴，而下向-上向z轴垂直于x-y平面，朝向顶点。触发信号，指示时间点和刺激事件类型，与MEG同时记录。

2.4 | 数据分析

数据分析的目的是展示α波振荡幅度的变化如何与工作记忆过程的不同阶段相关，这些α波功率变化如何在大脑中表现，传感器之间的α波一致性是否表明功能连接性，以及α波和γ波节奏之间的时间耦合是否表明α波在精确神经计时中的作用。首先对MEG数据进行预处理，以消除眼跳和心跳伪迹。首先，使用EEGLAB工具箱（Delorme & Makeig，2004）中的fastica独立成分分析功能，确定伪迹的时间点。构建时空模板作为平均伪迹的第一个主成分，并用于消除连续数据中的伪迹（Kobayashi & Kuriki，1999）。然后将预处理后的MEG数据解析为持续时间为16秒的时期，相当于10,000个样本。提示符的出现定义为零时间。每个时期包含2.0秒的预刺激时间，5.7秒的视觉刺激编码间隔，2.3秒的保留间隔，以及6.0秒的间隔，包括探测器呈现，记忆回忆，决策，响应和响应后时间。

2.5 | 时频分析

我们对所有磁脑电图（MEG）传感器数据的时段应用了时频分析，以研究振荡脑活动的时间动态及其在传感器领域的空间变化。使用复杂Morlet小波（Kronland-Martinet，Morlet，Morlet，& Grossmann，1987；Samar，Bopardikar，Bopardikar，Rao，& Swartz，1999）计算了2 Hz和60 Hz之间对数间隔的64个频率的时频表示。小波在其最大值的一半处的全宽相当于2 Hz的两个周期和60 Hz的六个周期。这种在频率上变化小波宽度的方法适合处理时间和频率分辨率在感兴趣的频率范围内的权衡（Bruns，2004）。10 Hz的小波的半强度宽度为389毫秒，对应于2.57 Hz的带宽。通过将时间序列与小波进行卷积，计算了每个时间的第8个样本的小波系数w(t,f)。在对每个实验块的每个试验应用小波变换之前，减去了平均信号以减小诱发反应对功率测量的影响。对于每个试验、传感器和参与者，存储了结果中的1,250 × 64个时频系数以供进一步分析。所有数据分析都是使用内部开发的matlab函数进行的。

2.6 | 事件相关去同步/同步（ERD/ERS）的时间过程和拓扑图

ERD和ERS是相对于基线间隔中的信号功率对每个时间-频率箱（bin)和每个MEG传感器的信号功率变化（Graimann & Pfurtscheller，2006）。基线是视觉提示出现前的2秒间隔。信号功率P(t,f)计算为每个小波系数和其共轭复数的乘积。对于每个频率箱(bin)，信号功率相对于基线间隔内的平均功率P进行了归一化，并以百分比表示：ERS = 100 × P (t,f) ∕PB (f) - 1。负值被称为ERD。ERD/ERS的值在试验、重复的块和参与者之间取平均。另外，ERD/ERS有时以信号功率比的对数形式表示，并以分贝（decibels）为单位（Makeig，1993）。对于小的变化，例如±10%，百分比和对数测量结果非常相似，因为有近似关系，ln(x - 1) ≈ x，∈ x ≪ 1。对于更大的信号功率变化，对数测量在数值上强调ERD，而百分比变化在数值上强调ERS。

我们在传感器领域和源领域应用MEG波束形成（beamformer）分析后，分析了α波的ERD/ERS。源领域分析允许将多个皮层源的活动分开以研究连接属性。我们采用传感器领域分析来研究α振荡的全局特性。首先，我们旨在提供一个跨整个头部一致的α波ERD/ERS空间图。因此，在对所有参与者进行平均后，我们对多元ERD/ERS数据应用主成分分析（PCA）。PCA将8 Hz至14 Hz频带内的149个ERD/ERS时间序列分解为包含单个时间序列的主成分（PC）。相应的因子负荷拓扑图表明了每个传感器上ERD/ERS的时间模式表现有多强烈。将个体时间序列与每个PC之间的相关性测量了个体ERD/ERS与组平均PC(主成分)之间的相似性。我们对相似性指数应用t检验，以测试个体参与者是否一致地贡献给组平均ERD/ERS图。我们使用mafdr Matlab函数校正了假发现率的p值。

2.7 | α波ERD和ERS的独特频带

由于以前的报道表明，上部和下部α频率与记忆过程有不同的关联（Klimesch、Doppelmayr、Doppelmayr和Hanslmayr，2006；Petsche、Kaplan、Kaplan、Stein和Filz，1997），所以我们分别测量了编码和保留间隔的α波ERD和ERS的峰值频率。此外，ERD和ERS的不同峰值频率可能表明ERD和ERS中涉及不同的α过程。关于ERD/ERS解释的一个警告是，在基线间隔中信号功率较低的情况下，百分比变化的数值可能很大，而绝对功率变化较小。因此，我们分析了绝对谱功率变化，并将其与ERD和ERS效应的中心频率进行比较。我们测量了个体α频率作为7 Hz至14 Hzα波段中信号功率平均值的重心，该信号功率位于左右半球上方的额、中央和枕部传感器的六个感兴趣区域。α频率分别针对基线间隔（-2.0秒至0）、记忆编码（1.0秒至6.0秒）和保留（6.0秒至8.0秒）以及编码和基线间隔的ERD/ERS计算。用“感兴趣区域”（六个级别）和“时间间隔”（三个级别）作为因素对信号功率数据应用两因素重复测量方差分析（ANOVA）。ERD/ERS的方差分析只有因素“时间间隔”的两个级别。我们进行了事后t检验，并使用自助法重新抽样计算了ERD/ERS频率的置信区间。

2.8 | 记忆负荷对α波ERD/ERS的影响

以往的研究显示，随着记忆负荷的增加，α波ERS增加（Gomarus, Althaus, Althaus, Wijers和Minderaa，2006）。在我们的研究中，随着研究列表中字母数量的增加，记忆负荷逐渐增加。我们分析了编码间隔期间的ERD/ERS峰值幅度，以研究记忆负荷的影响。对于列表中前四个视觉呈现的字母，我们测量了左右半球枕部传感器簇中ERD/ERS的个体峰值幅度。我们执行了三因素方差分析（ANOVA），其中包括“半球”（左、右），“响应类型”（峰值、谷值）和“字母位置”（第1个至第4个）这三个因素。

2.9 | SAM源分析

为了研究α波振荡在大脑连接中的作用，我们进行了全脑源分析。利用合成孔径磁测（SAM）（Robinson和Vrba，1999）重建了源活动。SAM基于线性受限最小方差波束形成器（Van Veen，Van Drongelen，Van Drongelen，Yuchtman和Suzuki，1997）。使用3-D数字化设备（Polhemus Fastrak，Polhemus，Colchester，VT）获取参与者的头部形状。通过将每个MEG传感器的局部逼近球体与数字化的头部形状相匹配，为波束形成器构建了个体头部模型。使用验证过的使用标准脑和个体头部模型的程序（Steinstraeter等，2009）将源图像与标准解剖MR（colin27）（Holmes等，1998）共同配准。使用Brainstorm软件（Tadel，Baillet，Baillet，Mosher，Pantazis和Leahy，2011）将标准MRI变形为个体头部形状。为72个感兴趣区域（ROIs）确定了一组权重系数（Bezgin，Vakorin，Vakorin，Opstal，McIntosh和Bakker，2012；Kötter和Wanke，2005）。权重系数与MEG数据的线性组合得到了每个ROI处源活动的虚拟传感器波形。我们将在传感器域中使用的相同时频分析应用于源波形。

2.10 | 加权相位滞后指数（wPLI）

为了测试α波振荡参与大脑区域之间功能连接的假设，我们计算了工作记忆任务时间过程中大脑源信号之间的α波相干性。使用加权相位滞后指数（wPLI）（Vinck，Oostenveld，Oostenveld，Wingerden，Battaglia和Pennartz，2011）测量α波相干性，这是相位滞后指数（PLI）（Stam，Nolte，Nolte和Daffertshofer，2007）的扩展。PLI测量两信号之间相位差分布的不对称性，并描述一个信号的相位相对于另一个信号的相位保持领先或滞后的一致性。通过根据滞后的大小对每个相位差进行加权，接近零的相位差对wPLI的计算贡献最小。这个过程降低了在体积传导噪声源具有接近零相位滞后的情况下检测到假阳性连接的概率，并提高了检测相位同步的敏感性（Vinck等，2011）。与其他相位统计相比，wPLI方法在存在噪声的情况下表现最佳（Wianda和Ross，2016）。权重因子是虚数交叉谱的幅度。计算具有复数小波系数X(t,f)和Y(t,f)的两个源之间的复数交叉谱C(t,f)为C(t,f)=X(t,f)·Y(t,f)*，其中*表示复共轭。wPLI计算为：

对于72个源中的每一对，计算了12Hz时频系数和1250个时间样本的wPLI。这个分析为每个参与者生成了一组1250个连接矩阵，每个矩阵维度为72×72。为了在保持间隔、编码和前刺激基线期间比较连接性，分别在时间间隔6.0s至8.0s、1.0s至6.0s和-2.0s至0s内对wPLI值求平均，将数据简化为每个参与者的三个72×72连接矩阵。

为了估计连接性测量的效应大小，我们将连接矩阵的所有元素的群体均值wPLI与从随机替代数据中获得的最大值进行比较。对于每个试验，我们在-π到π的范围内为数据添加一个随机相位，像对原始数据那样计算wPLI，并在保持时间间隔内的所有72×72源对中确定群体均值替代wPLI的最大值。我们通过在参与者之间进行自举随机化来估计原始wPLI均值的置信区间，并将下限的95%值与替代数据中的最大值进行比较。使用BrainNet view工具箱（Xia，Wang，Wang和He，2013）可视化最强连接的网络。

为了测试三个时间间隔之间的连接性总体变化以及半球之间的差异，我们对连接矩阵进行了主成分分析（PCA），并将其与个体连接矩阵进行了相关。对于单变量测量，使用参与者间的置换检验（n=1000）评估时间间隔之间的差异。对于每个ROI，通过连接矩阵相应行的平均值获得一个简单的连接性度量。为了测试连接性是否依赖于ERS水平的假设，我们对每个ROI的ERD/ERS数据和连接性进行线性回归。

2.11 | Alpha-γ 相位-振幅耦合（PAC）

通过交叉频率耦合方法分析了 gamma 活动的振幅与 alpha 振荡相位之间的关系，该方法估计了两个不同频率信号之间的成对相互作用强度，包括源间和源内（Buzsáki, 2010；Buzsáki, Logothetis, Logothetis, & Singer, 2013；Canolty & Knight, 2010）。交叉频率耦合是指低频信号的相位与高频信号的振幅之间的耦合，被称为PAC，应用最为成功（Cohen等人，2009；Osipova，Hermes，Hermes，& Jensen，2008；Voytek等人，2010）。具体来说，PAC 测试信号 y(t,fγ) 中的 gamma 振荡振幅是否取决于 x(t,fα) 中的 alpha 相位。我们在时域中使用了一个 PAC 算法。用 fir1 Matlab 函数设计的 FIR 滤波器将波束形成源信号在 alpha 和 gamma 频率带上进行带通滤波。为了探索交叉频率耦合的特性，相位（alpha）的频率在 5 Hz 到 20 Hz 之间变化，以 1 Hz 为步长；振幅（gamma）的频率在 30 Hz 到 150 Hz 之间变化，以 5 Hz 为步长。虽然 alpha 带通滤波器在 alpha 频率的 0.85 到 1.18 倍的狭窄范围内，但 gamma 带通滤波器由 gamma 频率 ±1.2 倍的 alpha 频率定义。因此，伽玛频带包括了振幅调制谱的上下边带（Aru等，2015年）。应用希尔伯特变换来得到复杂信号。带通滤波的阿尔法信号的峰值最大值的时间点被作为相位参考。伽玛信号被解析为短时间的时期，其持续时间等于阿尔法频率的四个周期。每个时期都以阿尔法的最大值为中心，并通过计算伽玛幅度和小波之间的点积，用阿尔法频率的复小波进行拟合。这个程序的结果度量是伽玛包络相对于阿尔法峰值参考的相位。我们使用循环统计来拒绝均匀相位分布的零假设，这表明伽玛幅度和阿尔法相位之间没有相位关系。将循环z得分（Fisher，1995，p 70）的结果度量映射到相位和幅度的频率上，得到了相频图。对所有个体参与者的所有72 × 72源的所有对进行了交叉频率相频图的计算。通过在伽玛数据中加入试验和试验之间在阿尔法频率的周期范围内的随机延迟，得到了零假设下的相频图。这种技术在不扰动信号的谱属性的时间动态的情况下，消除了阿尔法和伽玛数据之间的相位关系（Scheffer-Teixeira & Tort，2016）。

一些作者警告说，交叉频率测量可能会受到解释的影响，并可能由于信号中的非线性或其他事件而产生，而不是由神经交互产生（Gerber，Sadeh，Sadeh，Ward，Knight和Deouell，2016；Hyafil，2015；Kramer，Tort，Tort和Kopell，2008）。因此，我们计算了双相干性作为交叉频率分析的另一种方法，并比较了不同的方法。双相干性是根据在WM维护间隔（6.0至8.0秒）期间，沿着500毫秒持续时间的50%重叠间隔的多个傅里叶变换来计算的。双谱定义为B(f1,f2)=X(f1)·X(f2)·X*(f2+f1)，其中X是复数傅里叶变换，X*是其共轭（Sigl和Chamoun，1994）以及双相干性BiCoh=∑B(f1,f2)/∑|B(f1,f2)|（Hayashi，Tsuda，Tsuda，Sawa和Hagihira，2007）。对于f1 = 5...20 Hz和f2 = 20...150 Hz，计算了双相干性。

对于群体分析，我们考虑了两个伽马频率带。首先，我们计算了12 Hz阿尔法和45 Hz伽马之间的PAC。其次，我们对阿尔法的12 Hz至14 Hz和伽马的60 Hz至100 Hz之间的个体共模图进行了平均。

2.12 | 交叉频率耦合的不对称性

根据阿尔法相位控制伽马幅度的假设（Fries，2015），PAC的不对称性可能与神经通信的方向性有关。具体来说，我们将把不对称性PAC(x∝,y )>PAC(y∝,x )解释为区域x中的阿尔法控制区域y中的伽马，而不是反过来。为了测试这种不对称性，我们对PAC(x,y)和PAC(y,x)进行了“学生”t检验，并使用Matlab函数mafdr对假发现率进行了p值校正。

3 | 结果

3.1 | 行为表现

整组反应时间（RT）随着研究列表中探针的串行位置的增加而增加，但最后一个位置的RT又缩短了。反向顺序探针的RT通常较长（图1b）。一个重复测量的方差分析（ANOVA）以“探针顺序”（两个水平）和“串行位置”（四个水平）为因子，显示出“探针顺序”（F(1,24)=61.0，p<0.0001）和“串行位置”（F(3,72)=8.85，p<0.0001）的主要效应，但两个因子之间没有相互作用（F(3,72)=0.7，p=0.6，n.s.）。成对比较显示，当探针的串行位置从（1-2）移动到（2-3）时，RT增加具有显著性（t(23)=2.47，p=0.021），从（2-3）移动到（3-4）时（t(23)=2.21，p=0.037），以及位置（3-4）和（4-5）之间的RT减少（t(23)=3.60，p=0.0014）。第一个和最后一个位置的RT没有差异（t(23)=0.18，p=0.9，n.s.）。反向探针的平均RT比正向探针长366毫秒（t(23)=7.8，p<0.0001）。行为数据显示了串行位置效应和近因效应，表明参与者在进行工作记忆任务。反向探针顺序的较长RT表明，参与者在执行探针的心理操作方面还进行了额外的任务。

3.2 | 事件相关解同步/同步（ERD/ERS）的时间过程和拓扑图

将PCA应用于事件相关解同步/同步（ERD/ERS）的总平均时间序列，以全局概述工作记忆的不同阶段中阿尔法功率的时间调制如何在头部周围的空间模式中表示。第一个主成分的时间过程，解释了86%的方差，如图2a所示。在编码间隔期间，每个视觉刺激呈现后，阿尔法功率降低，平均在刺激开始后260ms（95%置信区间=±27.0 ms）达到最小值，紧接着是部分反弹，最大值出现在750ms（95%置信区间=±26.5 ms）的潜伏期。与编码间隔期间明显的事件相关解同步相反，阿尔法事件相关同步发生在记忆保持期间。然后，在探测器呈现期间和之后，阿尔法事件相关解同步再次明显。与第一个主成分相对应的拓扑图显示，来自枕顶区域以及前额区域的事件相关解同步/同步（ERD/ERS）都有助于第一个主成分。图2a中的圆形符号表示，在p < 0.001的条件下，第一个主成分在个体数据中始终表现出一致性。第二个主成分的因子负荷的拓扑图，解释了10%的方差，显示了来自左侧中央区域上方传感器的主要贡献，对应于与响应右手相对侧的感觉运动皮层（图2b）。第二个主成分的时间过程在记忆编码和保持间隔期间只显示出较小的变化。然而，在探针呈现之前和之后出现强烈的阿尔法事件相关解同步，表明其在响应准备和执行中起作用。其余的主成分总共解释了不到4%的方差，在个体事件相关解同步/同步数据中没有一致地表示。

图 2. 事件相关去同步/同步（ERD/ERS）时频分析概览

(a) 将主成分分析（PCA）应用于总体平均的ERD/ERS数据后的第一主成分（PC）的时间进程和拓扑图。实心圆形符号表示在p < 0.001的情况下，第一PC在个体数据中一致地呈现在哪些传感器上。枕部和顶叶传感器主要贡献给第一PC。最大值出现在MLO21传感器。

(b) 第二PC主要出现在左侧中央传感器，位于感觉运动皮质之上。其时间进程受视觉刺激的调节较第一PC小。

(c) 使用枕部传感器MLO21观察到的总体平均ERD/ERS的时频表示。等高线表示了在参与者中应用t测试的p = 0.001水平。顶部显示了视觉刺激的时间进程作为参考。

(d) 在额颞传感器MRT31上的总体平均ERD/ERS的时频图，并且(e) 在左侧中央区域上方的传感器MLC42上的时频图。

对来自左枕部传感器MLO21的事件相关解同步/同步（ERD/ERS）的总平均时间-频率图进行可视化，该传感器对第一个主成分的因子负荷最大，显示了六个阿尔法频率的事件相关解同步间隔，这些间隔跟随视觉提示和五个列表项目的开始，以及探针呈现后的强烈事件相关解同步（图2c）。这些事件相关解同步间隔的初始阶段在贝塔范围内显示出频谱扩散。与编码期间的阿尔法事件相关解同步相反，保持间隔的特征是阿尔法频率的事件相关同步，也扩展到贝塔范围。根据先前的文献，数据分析的一个重点是在记忆保持期间的阿尔法事件相关同步。时间-频率图为与记忆编码期间的事件相关解同步相比，事件相关同步可能具有更高的中心频率提供了第一个提示。对于额颞传感器MRT31（图2d），在编码过程中观察到阿尔法事件相关解同步以及在保持过程中的事件相关同步。然而，事件相关解同步/同步的幅度通常较小。阿尔法事件相关解同步集中在视觉刺激呈现后的时间间隔。此外，额颞传感器在视觉刺激后显示出明显的theta事件相关同步间隔，这在最后一个列表项目呈现后也表现得非常明显，并在探针出现后的记忆检索期间持续。从传感器MLC42观察到阿尔法事件相关解同步/同步的不同时间过程，该传感器在左侧中心区域上具有第二主成分的最大因子负荷（图2e）。视觉刺激对此传感器中事件相关解同步的调制表达较弱。相反，在刺激呈现的时间间隔内，事件相关解同步发展，持续到保持间隔，并在探针呈现后最强烈。与枕部事件相关解同步/同步图相比，最明显的不同是在保持间隔期间事件相关同步的缺失。此外，事件相关解同步扩展到贝塔范围。

3.3 | 记忆保持期间的阿尔法事件相关同步

为了对工作记忆任务特定时间间隔内的事件相关解同步/同步进行定量分析，将非参数自助重抽样法应用于n = 25名参与者的事件相关解同步/同步数据。图3a显示了选定的额颞、中央和枕部传感器中阿尔法事件相关解同步/同步的时间过程。阴影区域表示群体均值的95%置信区间（CIs）。在刺激呈现和记忆保持期间，额颞和枕部传感器的95%置信区间不包括零，表示阿尔法事件相关解同步和同步具有显著效应。在记忆保持期间，额颞和枕部传感器的置信区间彼此不重叠，表示枕部传感器的效应大小显著大于前额传感器。相反，左侧中央传感器未显示事件相关同步效应。

图3 在记忆编码和保持期间的Alpha ERS

(a) 群体平均时间序列的ERD/ERS在阿尔法频段（8-12 Hz），在枕部传感器MLO21，中央传感器MRT31和前额MLC42获得。阴影区域表示组平均的95%置信区间。

(b) 在编码间隔（1.0秒-6.0秒）期间平均的阿尔法ERD/ERS的拓扑图主要由冷色组成，表明ERD。达到p <0.005的ERD的传感器用圆形符号表示。

(c) 在保持间隔（6.0秒-8.0秒）期间的阿尔法ERD/ERS。枕部和前额传感器的暖色表明阿尔法ERS占主导地位。ERS在p <0.005的传感器用圆形符号表示。在保持间隔期间，观察到枕部和前额传感器的显著阿尔法功率增加。

在编码间隔期间的阿尔法事件相关解同步和记忆保持期间的事件相关同步的t检验揭示了个体在各种MEG传感器中对事件相关解同步和同步的一致性贡献。编码期间的事件相关解同步在左枕部传感器中表现最大，但在整个传感器阵列中普遍存在，除了右侧中央区域（图3b）。记忆保持间隔期间的阿尔法事件相关同步在右枕部传感器中最大。然而，位于右侧额颞区域上方的一簇传感器显示出事件相关同步效应大小为p = 0.005（图3c）。

3.4 | 阿尔法事件相关解同步和同步的不同频率带

我们检查了在不同脑区的阿尔法频带内，事件相关去同步和同步是否发生在不同的中心频率上。例如，对图2c中的时频图进行视觉检查发现，记忆保持期间的事件相关同步的中心频率高于编码间隔期间的事件相关解同步的峰值频率。此外，保持期间的事件相关同步延伸到贝塔范围，表明涉及阿尔法波段之外的振荡。

图4a展示了在基线，编码和保持间隔期间的阿尔法峰值的功率谱。对阿尔法峰值频率的方差分析显示出时间间隔的影响（F(2,48) = 6.27, p = 0.0038）。编码期间的阿尔法频率高于基线期间（t(149) = 5.32, p < 0.0001）。同样，与基线相比，保持期间的阿尔法峰值处于更高的频率（t(149) = 6.55, p < 0.0001）。然而，编码和保持间隔期间的阿尔法频率没有差异（t(149) = 0.08, p = 0.94, n.s.）。此外，阿尔法功率峰值频率的方差分析显示出传感器位置的影响（F(5,120) = 14.2, p < 0.0001）。阿尔法频率在前额和中央传感器之间增加（t(74) = 3.77, p < 0.0001），以及在中央和枕部传感器之间增加（t(74) = 4.78, p < 0.0001）。也存在一个“时间间隔”与“传感器组”交互作用（F(10,240) = 3.93, p = 0.0001），这是由于“时间间隔”在枕部传感器（F(2,48) = 9.98, p = 0.0002）和前额传感器（F(2,48) = 3.88, p = 0.028）中的影响，但不在中央（F(2,48) = 1.74, p = 0.19, n.s.）。

图4 工作记忆（WM）任务在不同时间间隔中的Alpha峰频率，以枕叶传感器MRO21为例。

编码和保持的事件相关解同步/同步频谱显示在图4b中。事件相关解同步/同步峰值频率的方差分析显示了“时间间隔”的影响（F（1,24）= 7.93，p = 0.0096）。在各个传感器的平均值中，编码期间的阿尔法峰值频率为9.5 Hz，保持期间为12.9 Hz。“时间间隔”和“传感器组”的相互作用是显著的（F（5,120）= 2.97，p = 0.015），因为与编码相比，保持期间的阿尔法频率在右枕部（t（24）= 3.69，p = 0.0011）和左枕部（t（24）= 2.49，p = 0.020）以及作为趋势的右额部（t（24）= 1.78，p = 0.063）更高，然而在左额部和中央传感器上没有差异。

记忆负荷对Alpha ERD/ERS的影响

每个视觉刺激都会引发一段简短的Alpha ERD，然后立即反弹。我们测试了位于视觉皮质上方的传感器中的Alpha ERD/ERS是否取决于刺激序列，从而可能指示其在编码增加的记忆负荷中的参与。对峰值ERD/ERS幅度进行了重复测量的三因素ANOVA，因素包括“半球”（左，右），“响应类型”（ERD低谷，ERS峰值）和“字母位置”（1st至4th），揭示了“响应类型”的影响（F(1,24) = 66.2，p < 0.0001），这由峰值类型的定义自然而然。更重要的是，ANOVA揭示了“字母位置”与“响应类型”的交互作用（F(3,72) = 4.02，p = 0.011）和“字母位置”与“半球”的交互作用（F(3,72) = 8.97，p < 0.0001）。为了揭示交互作用的原因，我们分别对右半球和左半球的ERD/ERS幅度进行了“字母位置”和“响应类型”的两因素ANOVA。右半球的ANOVA揭示了“字母位置”与“半球”的交互作用（F(3,72) = 4.52，p = 0.0058），因为ERS峰值幅度随着研究列表中字母数量的增加而单调增加，而ERD低谷的幅度保持在稳定水平。左半球的ANOVA只显示了“字母位置”与“半球”的交互作用的倾向性（F(3,72) = 2.51，p = 0.065）。成对比较发现，右半球在12 Hz处的后续峰值幅度显著大于第一峰（位置1-2：t(24) = 2.29，p = 0.031; 位置1-3：t(24) = 2.79，p = 0.010; 位置1-4：t(24) = 2.67，p = 0.013）。对于右半球峰值的线性回归是显著的（R2 = 0.13，F(1,99)=14.6，p = 0.0002），但对于低谷或左半球的反应则不是（图5）。此外，对ERD峰值幅度的分析揭示出，提示刺激引发的ERD小于后续字母刺激 (t(24) = 3.15, p = 0.0022)

图5 左右视觉皮质上方的枕叶传感器中Alpha ERD/ERS的时间进程。

顶部的插图描绘了选定的MEG传感器簇。通过开放圆圈指示的峰和谷的幅度在参与者中进行了分析。具体来说，随着研究列表中字母数量的增加，右半球的峰值幅度增加。相反，在研究列表的呈现时间过程中，并未观察到ERD低谷幅度的显著变化。列表项引发的ERD明显大于提示后的ERD。

保留间隔期间的Alpha连接性

对所有72个源计算了连接性度量wPLI，得到了一个72 × 72的组平均连接性矩阵（图6a）。沿主对角线的元素根据定义为零。此外，矩阵的上下三角形中的主对角线反映了wPLI值，因为wPLI(x,y) = wPLI(y,x)。置换检验表明，与基线间隔相比，保留期间的整体连接性更强（p < 0.0001）。连接矩阵的视觉检查揭示了半球内（即沿主对角线的象限）和跨半球的同源区域之间的相似模式。排除中线连接的连接矩阵象限之间的相关性显示了左右半球内连接性之间的相关性（R2 = 0.467，F(1,560) = 1,012，p < 0.0001），以及左半球内连接性与跨半球连接性之间的相关性（R2 = 0.146，F(1,560) = 196，p < 0.0001），以及右半球与跨半球连接性之间的相关性（R2 = 0.114，F(1,560) = 148，p < 0.0001）。置换检验表明，整体上左半球内的连接性大于右半球（p < 0.0001）。

图6 描述了在工作记忆（WM）保持期间的脑连接性。

(a)使用加权相位滞后指数（wPLI）测量了72个大脑源间的连接性矩阵。颜色条上的箭头指示替代数据中观察到的最大wPLI。红色误差条显示了参与者平均数的95%置信区间的一个示例。

大脑源的缩写分别是：CCA，前扣带皮质；CCP，后扣带皮质；CCR，回旋扣带皮质；CCS，亚源扣带皮质；A1，初级听觉皮质；A2，次级听觉皮质；FEF，前眼场；IA，前岛；IP，后岛；M1，初级运动皮质；PCI，下颞顶皮质；PCIP，顶内沟皮质；PCM，中颞顶皮质；PCS，上颞顶皮质；PFCCL，中侧前额叶皮质；PFCDL，背外侧前额叶皮质；PFCDM，背内侧前额叶皮质；PFCM，中前额叶皮质；PFCORB，眶前额叶皮质；PFCPOL，极前额叶皮质；PFCVL，腹侧外侧前额叶皮质；PHC，旁海马皮质；PMCDL，背外侧前运动皮质；PMCM，中（补充的）前运动皮质；PMCVL，腹侧外侧前运动皮质；S1，初级感觉运动皮质；S2，次级感觉运动皮质；TCC，中央颞皮质；TCI，下颞皮质；TCPOL，极颞皮质；TCS，上颞皮质；TCV，腹侧颞皮质；ThalAM，丘脑；V1，初级视皮质；V2，次级视皮质；VACD，前视皮质背部；VACV，前视皮质腹部。

(b)展示了66个最强连接的网络。对于显示的连接，wPLI的下界大于从替代数据中获得的最大值。网络以顶视图（中间面板）以及左右半球的侧向（顶部）和内侧（底部）部分显示。

(c)连接性，被定义为wPLI矩阵每行的平均值，由圆的大小表示。颜色代码关系到面板D解释的大脑区。

(d) 连接性和72个感兴趣区域（ROI）的ERD/ERS之间的相关性。颜色代码代表不同的大脑区域。

群体平均的wPLI值与从随机替代数据中观察到的最大值0.114进行了比较。最强连接的网络在图6b中可视化。主要效应（wPLI > 0.18）出现在涉及枕叶、额叶和中脑源的连接中。视觉皮质的局部连接性显著，右侧初级视觉皮质（V1）与左侧次级视觉皮质（V2）之间的强大连接（wPLI = 0.199）。观察到视觉皮质与回旋扣带皮质以及丘脑源之间的长距离连接。然而，视觉皮质与前额叶皮质之间的连接在数量上较小（wPLI < 0.16）。前额叶皮质主要涉及与中脑源和颞皮质的长距离连接，而局部连接相对较弱（wPLI < 0.15）。网络的一个有趣特点是，尽管丘脑源与前后大脑区域之间存在强烈的连接，但两个皮质之间的直接连接相对较弱。这表明丘脑结构可能作为连接中枢。

对图6a中的连通性矩阵的视觉检查显示，矩阵的某些行和列的值大于其他值。这意味着一些单独的源与许多其他源连接，而其他源在连通性中涉及较少。因此，我们计算了每行的平均值作为连通性的度量。72个ROI的连通性强度在图6c中可视化。在枕叶和额叶源中观察到大的值。考虑到在保留间隔期间，枕叶和额叶区域的阿尔法ERS是一个突出的特征，一个问题是，这样的信号功率增加是否可以指示一个帮助同步在保留间隔期间保持信息的大脑区域的计时机制。所有72个ROI的ERD/ERS和连通性之间的回归分析（图6d）显示，这与ERS正相关（R2 = 0.32，F(1,71) = 33.7，p < 0.0001）。

阿尔法相位与伽玛振幅的交叉频率耦合

在记忆保留期间阿尔法功率的增加可能表明阿尔法参与了同步不同大脑区域的伽马振荡的时间机制，这通过交叉频率分析进行了测试。图7提供了分析流程和结果测量特征的概览。图7a显示了低频和高频带通滤波数据的一个试验。用方形符号标记的阿尔法振荡的时间峰值作为低频阿尔法信号的相位参考。高频伽马信号的振幅，与阿尔法峰值时间锁定，由阿尔法频率的小波近似（图7b）。在阿尔法间隔和实验试验中，小波近似的相位在-π和π之间均匀分布。相位统计（图7c）导致了相位相干性的度量，这在零假设下是瑞利分布（图7d）。相位相干性依赖于试验次数，这在转换为圆形z分数后被考虑（图7g）。一个个体参与者的复调谱显示了在40 Hz左右，80 Hz和100 Hz之间，以及120 Hz以上的伽马频率有大的z分数（图7f）。相比之下，模拟零假设的代理数据得出的复调谱在伽马和阿尔法频率的平面上显示了小z分数的均匀分布。为了比较，用双相干方法计算的复调谱（图7h）显示了在40 Hz以下和以上的伽马频率有大的z分数，这在图7f中是主要的最大值。双相干方法，假设高频振荡相干和振幅调制谱的侧带之间的相位相干，与我们的时域分析相比，没有显示出更高伽马频率的显著效应。通过不同算法得出的PAS测量的差异，可以讨论底层机制。

图7 频率交叉的相位-幅度耦合。

在较低的伽马频带中的相位-振幅耦合（PAC）

在图7f中出现的最大值对应的13 Hz和45 Hz的阿尔法-伽马PAC，是在工作记忆保持间隔期间在所有72对波束成像源之间计算的，结果是一个72×72的连通性矩阵（图8a）。为了说明效应大小，显示了0到14之间的z得分的全部范围，没有在某一显著性水平处截断数据。为了比较，最大的z得分为5.09，观察到在所有72×72的PAC值的感兴趣频率在随机替代数据中，且在图8a的颜色条处用箭头指示。

图8 保持间隔期间的阿尔法-伽马相位-振幅耦合（PAC）。

(a) 72个感兴趣区域（ROIs）的PAC连通性矩阵。颜色编码的是阿尔法相位和伽马振幅之间的相干性的正常z得分。颜色条处的箭头指示从随机替代数据中观察到的最大PAC值。与图6中的wPLI矩阵相比，PAC矩阵不对主对角线对称，也就是，一般来说PAC(A;B)≠PAC(B;A)。

(b) 有向网络PAC，指示一个源（箭头头部）中的伽马振幅如何与第二个源（箭头尾部）中的伽马相位耦合。

(c) 阿尔法相位（箭头头部）与伽马振幅（箭头尾部）的反向耦合的有向网络。

图8a中的PAC矩阵的属性与图6a中的wPLI矩阵的属性不同。具体来说，PAC矩阵并不对其主对角线镜像对称，因为一般来说有这样的规则：PAC(A;B)≠PAC(B;A)，而wPLI是可交换的。这个矩阵的主对角线代表了同一脑信号的阿尔法相位和伽马振幅之间的局部耦合。矩阵的行指示了某一信号的伽马振幅如何与其他信号的阿尔法相位耦合。列指示了一个信号的阿尔法相位与所有对应信号的伽马振幅之间的耦合。矩阵被安排成，第二和第四象限对应于脑半球内的耦合，而第一和第三象限代表了脑半球间的PAC。

最大的PAC值的有向网络已经被可视化为伽马-阿尔法耦合的网络（图8b）和阿尔法-伽马耦合的网络（图8c）。图8b显示了视觉皮层中的伽马振幅与分布在大脑各个区域的阿尔法相位之间的主导耦合。这种伽马-阿尔法耦合的模式与图8a中双侧视觉皮层的大PAC值的行相关。阿尔法-伽马耦合的有向网络（图8c）并未显示出围绕某一源区域的集中，可以被描述为分布在大脑各个区域之间的短程连接。相应地，PAC矩阵并未显示出明显的列状结构。

在较高的伽马频带中的相位-振幅耦合（PAC） 图9显示了阿尔法相位和60 Hz到100 Hz范围内的伽马活动之间的PAC的群体平均连通性矩阵，对于效应尺度最强的源。PAC已经为所有72 × 72的源对计算。已经计算了连通性矩阵的协方差，并且选择了对角线上最大值的源作为图9。在丘脑、后扣带皮层和视觉皮层的源中观察到最强的PAC。

图9 对于显示出最强效应尺度的选定源，12-14 Hz阿尔法和60-100 Hz伽马频率之间的相位-振幅耦合的群体平均z得分。

阿尔法-伽马对比伽马-阿尔法的不对称性

对所有非同源对(a,b)和(b,a)的PAC(a,b)和PAC(b,a)之间的不对称性进行了双尾t检验。该检验的结果在图10a中的FDR校正的p值矩阵中进行了可视化。在这个矩阵中，暖色表示伽马-阿尔法耦合比阿尔法-伽马耦合强，冷色则反之。

图10 PAC的不对称性作为大脑网络内通信方向性的指标。

(a) t检验，拒绝PAC(A;B) = PAC(B;A)的假设。标签指示了在子面板B-E中提供了更多详细信息的源对。

(b)左半球内前岛(IA)和背侧前视觉皮层(VACD)之间的不对称PAC。红色条表示IA和VACD源的同源PAC。蓝色条分别表示PAC(IA; VACD)和PAC(IA; VACD)，这两者显著不同。

(c)右半球极部前额叶皮层(PFCPOL)的源的阿尔法相位和顶叶沟(PCIP)之间的不对称PAC。

(d)右PFCPOL和左侧腹侧前视觉皮层(VACV)中的一对源之间的PAC。

(e)右侧PFCDM和左侧VACV之间的不对称PAC。

(f)基于其阿尔法-伽马PAC的局部和远距离不对称性之间的差异的定向大脑网络。网络揭示了前伽马振幅（箭头尾）和额颞阿尔法相位（箭头头）之间的主导耦合。时间伽马振幅仅与前阿尔法相位耦合。

图10b-e详细展示了阿尔法-伽马和伽马-阿尔法耦合之间的不对称性的四个例子。每个面板都显示了一对源（A,B），用红色条表示源内PAC(A,A)和PAC(B,B)，用蓝色条表示源间PAC(A,B)和PAC(B,A)。对于选定的例子，源间PAC的差异是显著的（所有情况下p < 0.001），并且伴随着两个源的源内PAC的显著差异。也存在相同的关系，即（PAC(A,B) > PAC(B,A)） | （PAC(B,B) > PAC(A,A)）。对所有源对的回归分析显示，源间PAC的差异和源内PAC的差异呈负相关（R2 = 0.30，F(1,2,554) = 1,091，p < 0.0001）。换句话说，一对源的阿尔法-伽马交叉频率耦合系统地由源内耦合的强度决定。

我们进一步分析了PAC的不对称性是否能够指示记忆保持期间的信息流动。在这次分析中，我们将局部耦合视为神经处理的指标，因此选择了局部耦合以及ROI间耦合显著不同的ROI对。在PAC有差异的43对ROI（图10a）中，有13对也显示出了局部耦合的差异。在图8f中，我们将结果网络进行了可视化，显示了前伽马振幅（箭头尾）和额颞阿尔法相位（箭头头）的耦合。同样，时间伽马振幅仅与前阿尔法相位耦合。

4 讨论

对工作记忆过程中的MEG进行频谱分析，我们发现记忆编码过程中阿尔法功率下降，随后反弹至基线水平以上，这与编码项数有关。保持间隔期特征表现为前颞和枕部脑区的阿尔法功率增加。阿尔法相位同步识别出枕部和前颞脑区与其他脑区的整体连通性最强。重要的是，在保持间隔期，具有大阿尔法ERS的传感器也显示出强烈的整体连通性。保持间隔期阿尔法相位和伽马振幅之间的交叉频率耦合分析揭示了大脑中短距离和长距离的网络。我们将PAS的不对称属性引入作为研究神经通信方向性的可能方法。

反应时间（RT） 用RT测量的行为表现显示出了预期的首位效应和最近效应，以及当探针来自研究列表中较晚的项目时，RT增加。在探针顺序反转的情况下，RT显著地比相同顺序的探针长，而RT依赖于序列位置的情况是相同的。因此，反转的探针顺序需要一个额外的心理旋转探针的过程，但不影响记忆表现本身。我们在这里使用行为结果作为参与者执行工作记忆任务的确认。阿尔法振荡和行为之间的关系将在其他地方报告。

在编码间隔期间的阿尔法事件相关去同步 (ERD)

在编码间隔期间，阿尔法振荡最突出的特征是与基线水平相比，即视觉刺激开始后立即出现的信号功率的急剧下降，即ERD。ERD在刺激开始后的260毫秒达到最深点，对于列表项比起始提示更强烈，并且在视觉皮层上方的枕部传感器中最为明显。这种与感觉刺激相关的阿尔法ERD已经在视觉系统（Pfurtscheller, Neuper, Neuper, & Mohl, 1994）以及其他模态，如听觉（Fujioka, Mourad, Mourad, & Trainor, 2011; Tiihonen et al., 1991）和体感系统（Hari, Salmelin, Salmelin, Mäkelä, Salenius, & Helle, 1997; Stančák, 2006）中被报道过。尽管阿尔法ERD与刺激具有严格的时间关系，但它并不是主要的感觉反应。主要感觉反应的特征是它们在新皮质中的空间组织，根据感觉器官的空间组织，例如视网膜图、音调图和体感图。然而，对感觉诱发反应和阿尔法ERD的同时记录表明，只有诱发反应显示出体感图的组织（Nierula, Hohlefeld, Hohlefeld, Curio, & Nikulin, 2013），这表明刺激引起的ERD并不反映特定刺激的主要反应，而更可能支持感觉皮层的调节过程。阿尔法ERD与通过抑制性滤波控制信息访问和注意力控制相关联（Klimesch, Fellinger, Fellinger, & Freunberger, 2011）。在各种感觉模态中，阿尔法ERD的相似时间过程表明存在共同的阿尔法机制。在微观层面上广泛研究了振荡活动的生成和调节，确定了反复抑制性丘脑皮层网络作为阿尔法振荡的起源（Steriade & Llinas, 1988）。这些研究一致认为去同步表示了一种主动的处理状态（Steriade, Gloor, Gloor, Llinás, Lopes da Silva, & Mesulam, 1990）。然而，在小尺度上对振荡机制的理解与在EEG和MEG中观察到的大规模活动的影响之间存在着巨大的差距。关于阿尔法去同步的一个解释是，主要感觉皮层中的局部处理导致特定相位的多个活动，这反过来在去同步的效应下以更全局的质量活动总和的形式表现出来（Pfurtscheller et al., 1994）。尽管神经网络中的同步作为通信和绑定的机制，但去同步的相反效应，也称为相位重置，似乎对于连接的动态重构是必要的（Thatcher, North, North, & Biver, 2009）。与这些理论考虑一致，ERD/ERS产生模型提出了一个典型的模式，即ERD的间隔在ERS的间隔之前先行并为随后的处理活动做准备（Lemm, Müller, Müller, & Curio, 2009）。在编码间隔期间观察到的刺激相关的阿尔法降低与此类为随后的动作准备的概念相一致。

对感觉输入的阿尔法事件相关去同步 (ERD) 也在前颞传感器中观察到，尽管幅度较枕部传感器小。这种前颞 ERD 也可能与抑制解除和特定处理的准备有关。此外，这些传感器位于与应答手对侧的感觉运动皮质上方。中央 ERD 在编码和保持间隔期间逐渐增加，在探针呈现和实际响应后表现得最为强烈。因此，持久的 ERD 增加可以解释为对响应所需运动的准备，而这种准备似乎在刺激序列开始时立即开始，早于实际运动执行约10秒。之前已经报道了运动准备期间的阿尔法 ERD，并被解释为对运动任务的准备，但不反映特定任务本身的处理 (Deiber et al., 2012)。在感觉运动系统中的阿尔法 ERD 可能支持阿尔法 ERD 的预备性作用的概念。最后，甚至在对事件的预期期间也观察到阿尔法去同步 (Bastiaansen, Böcker, Böcker, Cluitmans, & Brunia, 1999; van Ede, Jensen, Jensen, & Maris, 2010)，再次强调了对进一步处理的准备的作用。总之，我们解释编码间隔期间阿尔法 ERD 的作用是为随后的信息处理提供主动的、受刺激的准备状态。

枕部传感器中的阿尔法 ERD 持续时间比实际刺激呈现时间短，并显示出急剧的反弹。如果阿尔法 ERD 反映了抑制的解除，从而促进感觉处理，似乎没有必要迅速回到抑制状态。相反，急剧的反弹可能表明了一种更主动的过程。阿尔法功率的增加已被证明是一种主动的抑制过程，用于保护编码的刺激免受进一步的干扰 (Bonnefond & Jensen, 2012)。我们研究的一个新发现是阿尔法反弹的幅度与编码列表中的刺激项数相关，并支持反弹指示主动过程的假设。阿尔法反弹的峰值幅度随着记忆负荷的增加而增加。相反，阿尔法 ERD 的谷值保持恒定的幅度。

工作记忆的振荡模型提出，伽马振荡的周期控制着记忆中项目的存储，而每个低频 theta 或阿尔法振荡的周期用于维持项目列表的扫描 (Jensen & Lisman, 1998)。该模型解释了 Sternberg 实验中的 RT 数据。我们发现的阿尔法反弹增加可能表明随着负荷的增加，振荡性阿尔法网络在记忆编码和维持中越来越参与其中。这一结果与先前的研究基本一致，先前的研究提出了阿尔法功率与新信息编码之间的关系 (Doppelmayr, Klimesch, Klimesch, Stadler, Pöllhuber, & Heine, 2002; Klimesch et al., 1996)。更具体地说，最近的研究显示了来自颅内记录 (Meltzer et al., 2008) 和 EEG (Hsieh, Ekstrom, Ekstrom, & Ranganath, 2011) 的增加的阿尔法功率与记忆负荷之间的关系。而先前的研究依赖于频谱分析，在我们的研究中，时频分析保留了阿尔法 ERD/ERS 的时间特征，并显示了记忆负荷效应在 ERD 和 ERS 间隔之间的明显分离。

不同的阿尔法频率

另一个重要的发现是，在阿尔法波的时间特征中，只有上部阿尔法频带（约为12 Hz）与学习列表中的项目数相关。这一结果支持了先前的研究发现，即阿尔法波的负荷相关相位锁定在12 Hz时最大（Schack, Klimesch, Klimesch, & Sauseng, 2005）。此外，我们还观察到，在工作记忆维持期间，阿尔法 ERS 的中心频率高于编码期间的阿尔法 ERD，而绝对功率的增加在ERD和ERS间隔期间表现相似。先前的研究已经报道了下部阿尔法频带（8-10 Hz）和上部阿尔法频带（10-12 Hz）之间的差异，前者在认知任务（Klimesch, Pfurtscheller, Pfurtscheller, & Schimke, 1992）和运动任务（Pfurtscheller, Neuper, Neuper, & Krausz, 2000）的脑电图记录中表现为广泛的活动，而后者则表现为局部的活动。这一解释认为下部阿尔法频带与一般任务需求相关，而上部阿尔法频带则与特定任务相关。有研究推测上部阿尔法频带的活动与记忆和认知能力有关，例如，较高的阿尔法峰值频率与更大的记忆容量相关（Moran et al., 2010）。然而，上部阿尔法频带的绝对功率或事件相关调节的重要性在很大程度上取决于具体的任务（Klimesch et al., 2006）。其他研究者将记忆维持期间的功率增加归类为beta活动（Daume et al., 2017）。在阿尔法和beta频带之间约为15 Hz的频带也被称为beta1频带。计算建模显示，beta1节律通过连接beta和伽马振荡周期来创建细胞集合，这种机制可能是记忆形成的基础（Kopell, Whittington, Whittington, & Kramer, 2011）。我们的频谱分析显示，在工作记忆维持期间，上部阿尔法频带的ERS表现最为突出，因此我们在后续的连通性和阿尔法-伽马耦合分析中将重点关注这个频带。

在工作记忆维持期间的阿尔法 ERS 先前的研究已经报道了在工作记忆维持期间阿尔法功率的增加 (Jensen et al., 2002; Klimesch et al., 1999; Tuladhar et al., 2007; Van Dijk et al., 2010)。这些报告启发了对阿尔法振荡作用的一系列新解释，超出了其对抑制状态的控制。已经显示阿尔法 ERS 在保护记忆免受进一步感觉输入干扰方面起到了主动的抑制作用 (Bonnefond & Jensen, 2012; Händel, Haarmeier, Haarmeier, & Jensen, 2011)。我们的数据与这种解释一致。然而，我们的研究没有包括干扰范式，因此无法测试阿尔法 ERS 对进一步输入的抑制程度。在其他研究中，使用干扰性刺激并未增加阿尔法功率，因此不支持通过抑制可能的干扰来保护记忆的假设 (Poch et al., 2018; Schroeder et al., 2018)。阿尔法 ERS 的另一个作用是与工作记忆相关处理的时间调控 (Klimesch, Sauseng, Sauseng, & Hanslmayr, 2007)。具体而言，嵌套的 theta/alpha 和 gamma 振荡已被提出作为工作记忆的模型 (Jensen & Lisman, 1998)。我们的数据支持这些概念，并具体分析了阿尔法振荡在连通性和与 gamma 振荡的交叉谱耦合中的作用。

阿尔法 ERS 与功能连接相关

阿尔法相位同步被认为在活跃的神经处理中起着调制神经兴奋性的作用，从而偏置神经元和行为对感觉刺激的响应 (Palva & Palva, 2011)。这种调制可能对抑制与任务无关的过程 (Klimesch et al., 2007; Mazaheri & Jensen, 2010)，执行对行为反应的控制 (Klimesch et al., 2007)，甚至活跃的任务相关处理 (Von Stein & Sarnthein, 2000) 都很重要。如果确实阿尔法 ERS 与抑制过程相关，那么它将意味着表现出 ERS 的区域受到其他脑区的抑制，或者对其他脑区施加抑制。这样的过程将导致这两个区域之间的功能连接增强。我们的结果显示，表现出强烈阿尔法 ERS 的区域也表现出强烈的功能连接。具体而言，表现出 ERS 的枕叶和右前颞叶脑区也存在功能连接。由于枕叶区负责处理视觉感觉输入，抑制进一步输入的处理将是保持记忆的有效方式。然而，已经有人提出前颞叶脑区的阿尔法 ERS 很难解释为对外部输入刺激的抑制，因为前脑区不被认为参与视觉刺激处理 (Sauseng et al., 2005)。然而，前颞叶脑区的阿尔法 ERS 表示如果记忆任务正在进行中，这些区域将被阻止参与新的活动。因此，前颞叶和枕叶脑区之间的阿尔法相位同步可能代表了一个功能网络，有助于抑制内部和外部的干扰。

阿尔法 ERS 与功能连接相关

阿尔法相位同步被认为在活跃的神经处理中起着调制神经兴奋性的作用，从而偏置神经元和行为对感觉刺激的响应 (Palva & Palva, 2011)。这种调制可能对抑制与任务无关的过程 (Klimesch et al., 2007; Mazaheri & Jensen, 2010)，执行对行为反应的控制 (Klimesch et al., 2007)，甚至活跃的任务相关处理 (Von Stein & Sarnthein, 2000) 都很重要。如果确实阿尔法 ERS 与抑制过程相关，那么它将意味着表现出 ERS 的区域受到其他脑区的抑制，或者对其他脑区施加抑制。这样的过程将导致这两个区域之间的功能连接增强。我们的结果显示，表现出强烈阿尔法 ERS 的区域也表现出强烈的功能连接。具体而言，表现出 ERS 的枕叶和右前颞叶脑区也存在功能连接。由于枕叶区负责处理视觉感觉输入，抑制进一步输入的处理将是保持记忆的有效方式。然而，已经有人提出前颞叶脑区的阿尔法 ERS 很难解释为对外部输入刺激的抑制，因为前脑区不被认为参与视觉刺激处理 (Sauseng et al., 2005)。然而，前颞叶脑区的阿尔法 ERS 表示如果记忆任务正在进行中，这些区域将被阻止参与新的活动。因此，前颞叶和枕叶脑区之间的阿尔法相位同步可能代表了一个功能网络，有助于抑制内部和外部的干扰。

跨频耦合

跨频耦合是一种相对较新的分析功能连接性的方法。这些方法仍在发展和评估中。几篇最近的论文显示，显著的 PAC（相位振幅耦合）测量结果可能来自于非正弦 alpha 波的谐波成分 (Gerber et al., 2016; Lozano-Soldevilla, Huurne, Huurne, & Oostenveld, 2016)，尖锐边缘伪迹 (Kramer et al., 2008)，或与 alpha 波和 gamma 波之间的时间关系无关的相位耦合 (Hyafil, 2015)。另一方面，alpha 波和 beta 波的谐波可能具有功能上的相关性 (Kopell et al., 2011; Lozano-Soldevilla, 2018)。因此，在得出结论之前，需要谨慎审查跨频分析的结果。我们发现 alpha-gamma 的 PAC 主要出现在约45 Hz的低 gamma 频段。幅度调制的45 Hz gamma 活动的频谱表示包括45 Hz以下和以上的边带。一个需要注意的是，alpha 波的第一个谐波可能被误认为是较低的边带，从而导致表面上的 PAC。我们的双相干分析显示，45 Hz gamma 的较低边带占主导地位，而上下边带的对称贡献较少。因此，我们意识到需要进一步的分析来确认和验证当前的结果。alpha 波的谐波影响已经在同一信号的频带之间的 PAC 中得到证明。然而，我们展示了跨远距离的 alpha-gamma PAC。alpha 波的谐波效应对于同一源的 PAC 可能更强。然而，我们的 PAC 结果并没有特别强调同一源之间的耦合胜过不同源之间的耦合。我们将这些发现视为反对非线性 alpha 波谐波假设作为 PAC 的原因的论据。双相干分析在更高的 gamma 频率上没有显示任何效应。一个解释可能是双相干分析需要在振幅调制谱中的频率带之间存在相干振荡和相位一致性。然而，特别是高 gamma 活动可能不是由相干振荡组成，而是由短脉冲甚至单个周期 (Jones, 2016) 组成。我们的时域分析对这种类型的 gamma 振荡更为敏感。

跨频耦合的效应较小，并且观察结果受到信噪比的限制。目前大多数报告都是关于颅内记录，信噪比可能较高。我们在MEG源领域发现的alpha-gamma相位振幅耦合为跨频耦合方法的发展和进步做出了贡献。

记忆保持期间的alpha-gamma跨频耦合

最近的一项综述显示，目前有几位作者认为，低频率的θ和α波以及高频率的γ波在工作记忆保持阶段发挥着不同的主动作用(Roux & Uhlhaas, 2014)。然而，关于α波和γ波的相互作用和共同功能的了解还很有限。颞顶脑区的颅内记录显示，α相位和γ振幅之间的局部耦合受行为任务的调节(Voytek et al., 2010)。这被认为是选择沟通神经网络之间的机制。在这里，我们证明了可以通过MEG源分析观察到alpha-gamma相位振幅耦合，并且我们证实了这种耦合在顶叶和枕叶区域最大。顶叶和枕叶脑区在工作记忆保持阶段的局部相位振幅耦合的发现与观点相一致，即alpha活动与记忆项保持期间的功能性抑制有关，具体而言，通过每100毫秒产生抑制脉冲来改变正在进行的活动，从而限制了对输入视觉信息的处理(Bonnefond & Jensen, 2015)。

Alpha-gamma跨频耦合在远程脑区之间具有一个有趣的特性，即不是相互的，因此提供了关于信息流动方向的信息。先前的证据表明，低频振荡可能驱动皮层的γ节律(Canolty & Knight, 2010; Schroeder & Lakatos, 2009; Spaak, Bonnefond, Bonnefond, Maier, Leopold, & Jensen, 2012)，暗示了信息从α波到γ波的流动。最近的仿真和电击皮层图研究支持了另一种观点，即γ包络可能驱动α振荡(Jiang, Bahramisharif, Bahramisharif, Gerven, & Jensen, 2015)，这使得方向性问题仍然有待讨论。然而，当将交叉谱耦合视为远程通信的机制时，更有可能的情况是具有控制作用的脑区倾向于调节或作为多个脑区活动的计时器。另一方面，不太可能有其他脑区调节或驱动这种控制区域的活动。我们的结果显示了一种依赖层次结构，其中时间性γ活动依赖于额叶α相位，而枕叶γ活动依赖于颞叶α活动。因此，与额叶γ活动相比，额叶α相位具有更多的依赖关系。这支持α相位在控制方面的更重要作用。

有关基本机制的一个问题是，是否确实是alpha直接控制着远程的gamma，或者alpha连接性可能导致远程脑区之间的同步，而PAC作为一种局部机制。如果存在alpha振荡直接控制远程gamma的情况，与脑区之间的PAC相比，我们将观察到更高的PAC。然而，我们的结果显示与脑区之间的PAC相比，局部PAC更高。同时，具有PAC的区域也显示出增加的同步性。这支持了一种机制，即通过相位同步建立通信，而PAC代表局部计算。这与工作记忆网络中通信的原则一致，其中alpha建立了远程连接，而gamma参与局部计算(Von Stein & Sarnthein, 2000)。此外，远程PAC被提出作为不同网络之间的机制，通过改变局部皮层区域的细胞外膜电位，使神经元更有可能在特定的相位或低频振荡的相位网络集合中发放( Canolty & Knight, 2010; Haider & McCormick, 2009; Klausberger et al., 2003)。在一项关于工作记忆中的alpha-gamma PAC的最近研究中，发现了左侧颞叶和左侧前极皮层之间PAC和相位同步的共现，这表明与在更高频率上建立直接同步不同，远程脑区可能通过低频相位同步和局部跨频耦合间接协调高频活动(Daume et al., 2017)。我们的分析揭示了类似的结果，即左侧额叶和左侧颞叶脑区之间的alpha相位相干，左侧颞叶gamma振幅依赖于额叶alpha相位。我们还发现了前额叶和枕叶脑区之间的类似交互作用，这支持了相位同步和PAC的共存，在促进远程通信方面发挥作用。总而言之，我们的PAC分析支持了alpha在工作记忆维持过程中通过在颞叶区域协调感觉处理和可能抑制干扰性感觉输入在枕叶脑区的积极作用。

高频gamma频率的alpha-gamma PAC主要涉及前丘脑和凸峰核。考虑到MEG波束形成分析的有限分辨率，所标记的凸峰核源可能包括侧膝状核（LGN），它接收视觉输入。LGN将视觉输入传达到皮层，而丘脑的凸峰区域通过接收来自皮层区域的输入来控制皮层区域之间的信息流，并影响其他区域的活动(Saalmann, Pinsk, Pinsk, Wang, Li, & Kastner, 2012; Theyel, Llano, Llano, & Sherman, 2010)。有人认为，alpha振荡特别参与了这些丘脑-皮层之间的通信过程(Klimesch, 2012)。因此，我们在皮层区域和丘脑之间观察到的alpha-gamma PAC的结果是令人鼓舞的。

结论：

通过对MEG的频谱-时间和空间特性进行分析，我们得出了以下结论：不同类型的alpha振荡参与了工作记忆底层神经过程的多个方面。在较低频率的alpha波段中，与刺激相关的功率降低表明其在为后续处理准备感觉区域和前颞叶记忆区域中起着积极的作用。上升阶段中上频率的alpha波动活动反映了保护记忆免受无关的感觉输入的抑制过程。此外，回升幅度与研究列表中项目数量的相关性表明其参与了记忆过程。在保持间隔期间，位于枕叶和前颞叶区域的上频率alpha波段的信号功率最为显著增加，这与远程连接性的测量结果相关，并表明其参与了基于同步和时序的远程脑区之间的通信。此外，alpha振荡相位和gamma振荡幅度之间的跨频耦合支持了上频率alpha波动活动对神经时序的调控作用。PAS中的不对称性提供了方向性信息，并暗示前颞叶和颞叶alpha相位控制了枕叶gamma幅度，而这被解释为反映了工作记忆任务的局部过程。