为什么有些瞬间更容易被记住？《Nature Human Behaviour》最新研究揭示了一个惊人的答案：我们的记忆能力并非持续稳定，而是以每秒7次的θ节律波动，更为关键的是，这种记忆节律并非注意力的副产品。
摘要
为什么有些经历比其他经历更容易被记住？本研究探索了一种可能性，即学习过程每秒会出现数次节律性波动，而那些时机恰好的经历会更容易被记住。尽管这种转瞬即逝的编码机会无法被我们察觉，但一个描述大脑中θ节律如何协调记忆的著名模型——编码与提取分离阶段(SPEAR)模型——却预测了它的存在。本研究采用密集采样的方法，重建了125名参与者记忆编码的毫秒级时间过程。研究结果发现，记忆编码以θ节律(3-10Hz)波动，这些节律并非节律性注意的副产品，并且与大脑中的θ节律相似，记忆节律受到假定乙酰胆碱标志物的调节。本研究结果提供了与情景记忆SPEAR模型一致的行为学证据。
引言
我们在什么时候最具备学习能力？我们的直觉可能倾向于持续性的时间段，比如喝完咖啡后的几分钟，或是睡个好觉后的几小时。然而，大脑的节律却指向一个快得无法进行意识反思的时间尺度。事实上，一个关于海马体(一个对记住事件及其相关要素至关重要的脑区)的长期理论提出，形成记忆的能力应该每秒波动数次，与海马体的θ节律(3-10Hz)同步。这一由编码与提取分离阶段(SPEAR)模型提出的引人深思的假说，其动机源于啮齿类动物中的证据，表明记忆编码的关键要素——神经可塑性、神经抑制和知觉输入——会随着海马体θ相位而消长，但这些生理波动是否会转化为人类学习中短暂的时间窗口仍然未知。具体来说，尽管越来越多的研究将θ相位与人类记忆联系起来，但这些实验并未检验记忆编码本身是否以θ节律波动。这一研究空白之所以长期存在，一个原因是测量记忆的亚秒级波动一直是一个挑战。
幸运的是，注意力研究者已经设计出一种方法来研究认知的节律性。能吸引注意力的线索可以重置神经振荡，使其相位相对于线索的起始变得可预测。通过在不同试次间以微小增量变化线索-目标延迟，可以在不评估大脑活动的情况下测量行为中快速的节律性波动。迄今为止，这种密集采样方法主要应用于研究注意力和工作记忆。在这里，本研究采用这种方法来确定长时记忆编码是否具有θ节律性。
本研究还探讨了节律性记忆编码是否受到与神经递质乙酰胆碱(ACh)相关因素的调节。对SPEAR模型至关重要的一点是，ACh在啮齿动物中调节海马体θ节律，它随着θ相位调节信息流入海马体。同样，在人类中，使用ACh拮抗剂后，以及在需要最低限度持续注意的条件下——一种与低ACh释放相关的认知状态，海马体θ振幅和相位一致性会降低。因此，本研究预测，在与较高ACh水平相关的环境中，记忆编码的节律性会更强。本研究特别考察了，在个体内部，当他们体验到最佳的持续注意时，记忆是否更具节律性。此外，在参与者之间，本研究考察了那些经常摄入尼古丁的个体是否表现出减弱的记忆节律，因为长期接触这种强效的ACh激动剂可能会使大脑对内源性释放的ACh变得不那么敏感。
在我们的在线研究中，参与者(N=125)在一个颜色线索和一个物体图像之间形成联想记忆。在记忆编码期间，颜色线索扮演了两个关键角色：(1)指示对随后呈现的物体图像执行何种任务(蓝色：室内或室外；橙色：大或小；图1a)，以及(2)重置假定的神经相位(图1b)。然后，通过在整个试次中以33ms的增量变化线索到图像的刺激起始异步性(SOA)，询问参与者在重置线索后的200-1100ms内形成记忆的效果如何。具体来说，本研究检验了后续联想记忆测试(几分钟后完成)的表现将作为编码期间线索到图像的SOA的函数，以θ频率(3-10Hz)振荡。研究发现：(1)联想记忆编码以θ频率振荡，并且在个体间相位同步；(2)记忆节律似乎不是编码期间节律性注意的副产品；(3)假定的胆碱能因素(持续注意和经常使用尼古丁)调节了记忆节律的强度。
图1.物体分类、记忆测试和整体表现。
方法
实验设计
参与者。本研究使用TurkPrime招募了在线参与者，要求其显示器刷新率为60Hz，通过了MTurk注意力检查，且年龄在18–35岁之间。为确保刺激呈现时间的准确性，本研究使用Inquisit在每位参与者的本地计算机上运行实验，以避免浏览器延迟。该研究方案(档案号：31928)已获得多伦多大学社会科学、人文与教育研究伦理委员会的批准。所有参与者均提供了知情同意书，并因其参与获得了金钱补偿。根据初步试点数据(4Hz；Cohen's d=0.29；n=40)中振荡频谱峰值的功效分析(单尾未校正P<0.01，80%功效)，预先注册了样本量(n=120)。本研究分批收集数据，超出目标样本量，因为预计一些参与者需要被排除。在148名参与者中，本研究根据以下预注册的排除标准排除了23人：超过25% 的分类试次的SOA时间误差至少一帧(16.67ms；n=0)，超过25% 的分类试次无反应和/或在分类试次中表现低于随机水平(二项式检验，概率=0.25，P<0.05；n=10)，以及在联想记忆表现上低于随机水平(比较正确来源判断与所做总来源判断的二项式检验，概率=0.5，P<0.05；n=22)。最终样本包括125名参与者(83名女性，41名男性，年龄29 ± 4岁，14名左利手)，一名参与者未报告其性别。在开发这个高功效、预注册的版本时，我们还使用不同的参与者进行了两个程序略有不同的探索性实验，其细节详见补充信息。
材料。刺激选自标准化刺激库(BOSS)图片集，并被分配到各SOA条件，目的是在参与者内部和参与者之间，使图像特征与本研究时间操纵去相关。本研究使用OMINDS选取了672张日常物品的彩色图片，获得42组图片(每组16张)，这些图片在可记忆性和特征可辨别性(针对大小和室内/室外评分)上分布均衡。本研究在SOA条件内平衡了任务类型(物体大小；室内/室外物体)和任务转换(转换；保持)，并对其呈现进行了伪随机化，以确保同一任务不会连续出现超过四次。虽然本研究最初旨在为每个block和每位参与者创建一个独特的试次序列，但数据收集完成后发现，所有八个block都呈现了相同的试次序列。这意味着，虽然SOA、任务和任务转换在block内是随机化的，但在不同block和参与者之间，它们始终出现在相同的试次上。因此，本研究在后续分析中增设了统计控制步骤，以排除试次顺序的潜在影响。需要强调的是，图片到block的分配在参与者及block间仍然是随机的。本研究将42组刺激随机分配到30个刺激列表的实验条件中。参与者依次被分配到30个刺激列表中的一个，此程序在每30名参与者后重复，以确保SOA相关表现不受特定刺激特征的系统性干扰。
程序。本研究的核心目标是操纵编码期间的线索-图像SOA，以确定联想记忆编码是否具有节律性。实验采用block设计，八个编码block(参与者执行物体分类判断)与八个提取block(测试物体-任务联想记忆)交替进行。在全部448个编码试次中(每个block有56个试次)，即将进行的任务由一个闪烁100ms的屏幕颜色提示(图1a)。该提示有两个关键目的：(1)颜色告知参与者将要做出的判断(蓝色：判断物体位于室内还是室外；橙色：判断物体比鞋盒大还是小)，(2)重置正在进行的神经振荡，从而使后续刺激与特定神经相位对齐。接下来，在一个200–1100ms的可变SOA(28个SOA，步长33.33ms，每个block内每个SOA呈现两次，整个实验中每个SOA共16个试次)之后，呈现一张物体图像500ms。物体呈现后，屏幕底部会显示按键提示，持续2500ms，随后是1300–1700ms的试次间隔。分类反应和反应时间从物体呈现开始记录，直到按键提示结束(总计3000ms)。为确保刺激呈现的精确计时，刺激的呈现基于参与者计算机的帧计时，并使用每个刺激开始的时间戳来确定因跳帧导致的不精确时间。提取block在相应的编码block之后开始。前一个编码block中的所有56张物体图像与28张新图像混合呈现。每张物体图像呈现3000ms，在此期间，参与者需进行项目/联想记忆判断，以指出他们最初对该图像执行了哪项任务。但是，如果他们认出该图像但不确定关联的任务，他们可以将该物体标记为旧(联想跳过)。如果参与者认为该图像是一个新的干扰项，他们会指出该图像是新的。一旦做出反应，图像就会消失。每个编码block持续约4分钟，每个提取block持续约7分钟。由此，一个项目在编码和提取时的平均时间间隔约为5分钟。
分析
平稳行为振荡。在基于编码阶段SOA计算行为表现之前，本研究对数据进行了清理。首先，排除反应时<300ms的试次，因为神经物体分类发生在刺激开始后约300ms，快于此阈值的反应时难以解释其认知加工基础。此外，为控制离群值的影响，本研究对反应时进行了Winsorize处理。接下来，使用广义线性模型(GLM)对每个参与者的逐试次击中数据和反应时数据进行建模，以回归掉试次序号、任务类型(室内/室外vs.大小)和任务转换(转换vs.保持)的影响。本研究使用logit连接函数对击中数据建模，使用逆高斯连接函数对反应时建模。然后，重新调整每个模型的残差，以镜像原始的因变量，这样就可以为每个参与者的每个SOA合理地估计记忆逆效率分数(IES)。由于IES是通过将平均反应时除以击中率计算得出的，本研究通过从每个值中减去最小值，然后除以最大值与最小值之间的差，将来自准确性模型的残差归一化到0和1之间。对于反应时残差，本研究给每个值加上几何平均数，以使所有反应时为正值。此外，从分析中排除了每个编码block的第一个试次，因为任务的突然开始导致了异常差的表现。请注意，这些数据清理步骤并非预先注册的分析内容，本研究在数据收集后发现实验设计中试次序号与SOA存在关联，为确保结果可靠性，故补充了上述控制步骤。如果不执行这些步骤，所报告的结果模式是相似的。
为了直接评估编码阶段时间操纵对联想记忆提取表现的影响，首先根据每个参与者的编码SOA和因变量度量(击中率、反应时和IES)对提取表现进行平均。联想记忆击中率被编码为：联想击中记为1，所有其他反应记为0。新项目试次被编码为NA，并且仅对联想击中评估反应时。这使本研究能够根据编码时刺激呈现的亚秒级时间，构建一个提取成功率的时间过程。接下来，本研究对SOA时间过程执行了确认性信号处理分析，以量化作为时间编码操纵函数的提取节律性。对于反应时和IES分析，若某参与者在任一SOA水平上无有效反应数据，则将其排除。首先，通过从目标开始时间中减去观察到的线索开始时间来校正跳帧误差。如果预期和实际的SOA差异>16.67ms，则该编码试次被重新分配到最接近的SOA条件。接下来，采用二阶多项式去除每个行为时间序列中跨SOA的线性和二次趋势，然后对所得值进行z标准化。然后，应用Hann窗，进行零填充至30个点。对时间序列执行快速傅里叶变换(FFT)，以确定记忆提取是否存在作为编码SOA函数的节律性波动，功率计算为所得复数的平方幅度。分析集中于3–14Hz的频率窗口，这一选择基于以下考量：900ms的时间序列太短，无法准确估计3Hz以下的振荡，而以30Hz采样则无法估计15Hz及以上的频谱信息。需要说明的是，本研究在预先注册方案中曾错误地将分析范围设定为3–15Hz，现根据Nyquist极限修正为3–14Hz。
本研究使用置换检验来确定观察到的频谱功率是否显著大于随机预期。为此，对参与者之间FFT产生的功率谱进行平均，并将其与按如下方式计算的替代分布进行比较。本研究为每个参与者在试次水平上随机打乱SOA标签，执行上述预处理和FFT计算，并对参与者之间的替代功率谱进行平均。将此过程迭代3000次，以获得频谱每个频率区间的替代分布。通过将观察到的平均功率与替代平均功率之差除以替代分布的标准差来计算z值。使用右侧单尾检验根据z值计算P值。最后，使用错误发现率(FDR)对跨频率的多重比较进行校正。FDR校正后的P值若小于0.05则视为显著。使用R等效值来估计效应量。
将预先注册的θ范围定义为包括频率从3到10Hz的记忆节律。研究人员对如何定义人类海马体θ存在很大差异，有些人将其定义在较低、较高或更宽的频率范围内。相比之下，啮齿类动物的θ通常具有更高和更宽的范围。因此，本研究在预注册中对θ采取了包容性的方法。下限受到我们SOA范围时间窗口的实际限制，排除了检测3Hz以下行为节律的可能性。可以使用更宽的SOA窗口测量较低频率的节律，但这不切实际，因为行为节律是短暂的，且更宽的窗口需要更多的试次。虽然在啮齿动物中θ的上限通常定义为12Hz，但本研究选择将其定义为10Hz，因为人类θ通常比啮齿动物θ慢，并且10Hz先前已被用作人类iEEG中θ的上限。此外，本研究定义的θ范围与基于θ产生的神经生理学基础得出的定义一致，该基础基于特定互连神经元类型的共振特性以及抑制性和兴奋性神经元之间的反馈连接。
AR1控制。为了增强FFT分析结果解释的可靠性，进一步排除观察到的频谱特征源于非周期性自相关过程的可能性，本研究测试了组平均记忆时间序列是否具有比模拟的、具有匹配自回归时间结构的替代分布更大的频谱功率。具体来说，在3000次迭代的每一次中，模拟与每位参与者记忆时间序列的AR1结构相匹配的噪声，对AR1替代时间序列执行与平稳行为振荡分析相同的预处理步骤。接下来，对每次迭代中参与者之间的替代时间序列进行平均，然后应用FFT。为了计算观察到的频谱，本研究对时间序列进行预处理，然后对组平均时间序列应用FFT。请注意，将AR1结构与单个时间序列而非组时间序列相匹配，是一种为校正被夸大的假阴性率而提出的修正方法。本研究使用与平稳行为振荡分析相同的程序来计算P值并进行多重比较校正。
时频分析。本研究通过预先注册的确认性时频分析，探究了记忆行为振荡的强度如何随SOA变化。基于试点数据，本研究预测记忆θ振荡将在线索出现后的700ms内开始显现。与FFT分析类似，每个因变量指标均基于SOA进行清理和平均，为每位参与者构建一个SOA时间序列。然后，使用与平稳振荡分析相同的程序对该时间序列进行去趋势和归一化处理。接着，将得到的时间序列进行时间上的对称反射，并与复Morlet小波进行卷积。在不同频率区间使用可变数量的周期，以管理时间和频率分辨率之间的权衡。对于每个时频区间，功率计算为复数的平方幅度。在预先注册的分析中，排除了前八个和后八个SOA时间点的功率，以限制信号中的边缘效应。每个时频区间的功率值在参与者间进行平均，并使用置换检验来确定统计显著性。替代分布是通过在试次水平上为每位参与者随机打乱SOA条件标签，然后重复上述分析步骤3000次而创建的。这为每个时频区间生成了一个替代分布，并使用与平稳频谱分析中相同的程序计算P值。
跨时频区间的多重比较使用加权聚类校正方法进行校正。时频聚类是基于显著区间之间的相邻边来识别的。然后，本研究通过首先识别每个统计显著的区间，记录每次迭代产生的最大聚类的大小，然后通过聚类内的平均z值对其进行加权，来计算替代数据内的聚类大小分布。通过用每个观察到的聚类的大小乘以其平均z值进行加权，并将其与替代聚类值的分布进行比较，来确定观察数据中的显著聚类。如果观察到的聚类值高于替代聚类分布的第95百分位数，则认为其显著。
相位一致性。在探索性分析中，针对每个记忆因变量指标的SOA时间序列进行快速傅里叶变换，并将所得复数的角度定义为每位参与者的个体相位值。随后，采用Rayleigh检验评估这些相位角是否存在显著的非均匀分布。若检验结果显著，则表明不同参与者的任务表现倾向于在同一亚秒级时间窗口达到最优。
ISPC。为了评估相位一致性如何随SOA变化，本研究对所有因变量指标的记忆时间序列进行了ISPC分析。首先，以与时频分析相同的方式预处理时间序列，并类似地实施Morlet小波卷积。然而，这次提取的是每个时频区间的复傅里叶系数，而不是功率。然后，通过首先将傅里叶系数除以其绝对值，从而将值归一化到单位圆，计算了参与者间的相位聚类。接下来，取其均值的绝对值，这提供了每个时频区间的相位聚类。为了评估观察到的相位聚类值的统计显著性，本研究使用了置换检验方法，迭代3000次。对于每次置换，循环打乱复系数，然后计算ISPC。这为提供了每个时频聚类的3000个ISPC值的分布，然后以与时频分析相同的方式计算P值并对多重比较进行聚类校正。
分类与记忆功率差异。为了测试记忆振荡是否强于分类振荡，本研究进行了一项探索性分析，计算了每个因变量度量记忆和分类频谱功率的差异。对于每个 FFT 频率区间，本研究将此差异的平均值与通过随机重新标记记忆和分类时间序列，然后在每个频率区间计算频谱功率差异3000次而导出的替代分布进行比较。通过取观察到的和置换后的频谱功率差异的绝对值，以获得超过观察值的置换值的数量，来计算双尾P值。每个频率区间的P值通过除以置换次数获得，然后对跨频率区间的多重比较进行FDR校正。
相位差。为了确定记忆节律是否与分类节律同步，本研究进行了探索性相位差分析。识别了所比较的因变量度量之间共享的峰值频率，并为每个度量提取了相应的相位值，然后计算了每位参与者的循环相位差。最后，对得到的循环相位差分布使用了Rayleigh检验来检测非均匀性，以识别记忆和分类行为节律之间的系统性相位一致性。
持续注意与记忆节律。本研究检验了持续注意在数秒至数分钟内发生的缓慢波动是否调节记忆编码中快速的亚秒级波动。基于先前的研究，我们将低反应时偏差的时期分类为“在状态”或良好注意状态，将较高反应时偏差的时期分类为“不在状态”或不良注意状态。在计算注意状态之前，回归掉刺激依赖、时间依赖和试次特定效应对反应时的影响，这些因素系统性地影响了分类反应时，但与注意状态无关。为此，本研究分别对每位参与者从原始反应时中回归掉以下因素：SOA的线性和二次效应、每个block中的试次序号、任务转换以及所有参与者对呈现图像做出反应的平均时间。接下来，计算了每个试次的绝对残差反应时偏差的三试次移动平均值。因此，当前试次的值反映了前三个试次的平均绝对偏差。随后，参照Esterman等人(2013)的方法，本研究采用中位数分割法，将每位参与者偏差较大的一半试次标记为“不在状态”，将偏差较小的一半试次标记为“在状态”。然后，使用两个多水平混合效应逻辑回归模型来测试，与“在状态”相比，个体在“不在状态”时正确分类图像和形成联想记忆的可能性是否更低，以确认本研究的指标可靠地追踪了持续注意和记忆编码中较慢的波动。
为了评估参与者在最佳注意状态下是否表现出更高的功率行为节律，本研究针对“在状态”和“不在状态”的试次，为每个因变量度量计算了单独的SOA时间序列。如果任一参与者在某个特定SOA的“在状态”或“不在状态”试次中没有反应，他们将被排除在击中率分析之外。如果参与者在某个特定SOA的所有试次中都没有正确反应，他们将被排除在反应时和 IES 分析之外。分别计算每个频率区间“在状态”和“不在状态”之间的频谱功率差异，然后在参与者间进行平均。将观察到的频谱功率差异与为每个频率区间创建的替代分布进行比较，该替代分布是通过随机标记每个SOA区间内的一半试次为“在状态”或“不在状态”，并进行3000次迭代而生成的。对于每次迭代，计算替代条件之间的频谱功率差异，获得P值，并使用与比较分类和记忆频谱功率的分析中相同的程序对多重比较进行校正。
报告尼古丁使用与记忆节律。本研究考察了自我报告的尼古丁(一种强效胆碱能激动剂)使用是否影响记忆编码节律。在本研究的数据集中，有24名个体报告经常使用尼古丁。由于数据是在线收集的，我们无法要求个体在研究前戒断尼古丁，也未收集关于个体吸烟习惯的额外信息。但本研究确实包含了额外的人口统计学协变量、自我报告的各种心理状况诊断以及实验完成的东部标准时间，以说明可能与尼古丁使用共变的其他个体差异。每位参与者在θ范围内峰值频率的频谱功率被用作线性模型中的因变量。
报告尼古丁使用与持续注意。最后，本研究评估了尼古丁使用者是否在良好注意状态下花费的时间更少，考虑到ACh与持续注意之间的联系，如果尼古丁的摄入降低了个体对内源性ACh的敏感性，那么上述结果正是我们所预期的。为了检验这一点，本研究使用上述程序计算了每个个体处于“在状态”的时间比例，但这次使用的是组中位数将试次分配到“在状态”和“不在状态”。具体来说，本研究计算了每位参与者反应时残差的中位数绝对偏差，然后使用这些值的平均值作为组阈值。反应时偏差高于此组阈值的试次被分配到“不在状态”，而所有其他试次被分配到“在状态”。因此，每位参与者可能处于“在状态”的时间比例不同。然后，本研究运行了一个线性模型，其预测因子与上述尼古丁模型相同，但该模型预测的是处于“在状态”的时间比例，而不是行为振荡的个体差异。
结果
情景记忆编码具有θ节律性且个体间相位同步
本研究通过计算每个编码SOA所对应的后续记忆表现(数分钟后测试)的均值，构建了参与者在分类任务线索出现后200–1100ms内形成物体-任务联想记忆效果的时间进程。当依据编码SOA对参与者进行平均时，联想记忆准确性(命中率，HR)呈现出节律性波动，组水平时间进程中波峰和波谷的幅度差异高达4%(图2a；整体表现概述见图1c)。对记忆时间序列进行的预注册确认性频谱分析证实，联想记忆准确性在θ范围内存在一个显著的峰值(图2b)。在记忆反应时(RT)方面，未观察到θ范围内的节律；但在α范围内观察到了数值上的节律(图2b)。对于准确性和反应时的联合度量指标——记忆逆效率分数(IES=RT/HR)，本研究发现了显著的θ节律(图2b；组水平SOA时间进程见图3a)，其频率与记忆准确性相同。在两项探索性实验中，我们观察到一致的结果模式，各项记忆因变量指标均出现数值上的θ峰值。
图2.形成联想记忆的能力以θ节律振荡，并且在个体间相位同步。
图3.记忆节律和注意力节律的对比分析。
由于海马体θ振荡在灵长类动物中通常是短暂的，本研究进行了预注册的时频分析，以评估记忆振荡在哪些SOA区间最为突出。研究结果发现记忆准确性(图2c)在中间SOA区间存在数值上的θ振荡，记忆IES(图2d)存在显著的θ振荡，在探索性实验中也得到了一致的结果。此外，通过将组水平记忆时间序列与根据数据自相关结构生成的替代数据进行比较，本研究检验了在考虑了非周期性时间结构后，该序列是否仍显示出节律性。这种方法在击中率(HR)、反应时(RT)和IES中均产生了显著的记忆θ节律(图2e)，突显了记忆节律稳健的周期性结构。总之，这些发现证明了人类记忆编码确实以θ节律消长。
接下来，本研究考察了组水平时间序列中的节律是否意味着个体记忆节律的波峰和波谷在SOA上是对齐的(图2a)。圆形统计图显示，联想记忆准确性(图2f)、反应时(图2g)的行为θ相位在参与者间具有数值上的一致性，而IES(图2h)的相位则具有显著的一致性。本研究还通过被试间相位相干性(ISPC)分析了哪些SOA在个体间相位最同步，结果发现联想记忆准确性在早期到中期SOA以及晚期SOA均存在显著的时频相位聚类。IES的显著相位同步具有与HR相似的时间特征，而RT的相位同步主要存在于后期SOA。总的来说，这表明个体在相似的亚秒时间窗口内，形成记忆的能力会呈现出节律性的起伏(即在某些特定的瞬间，记忆效果更好)。
记忆编码中的θ振荡并非节律性注意采样的结果
在证明了记忆编码中存在振荡之后，接下来探究这些振荡是否是先前文献记载的注意节律的副产品。已知情景记忆编码依赖于注意，因此本研究在记忆中观察到的振荡可能反映的是节律性注意采样，而非记忆本身的振荡。本研究采用参与者在编码期间的分类判断作为其同期注意的代理指标(群体水平的记忆与分类IES时间进程见图3a)，并证实了图像分类效率越高的参与者，其记忆表现也越好(图3b)。然而，令人惊讶的是，当我们采用与记忆表现相同的分析方法时，并未发现任何分类表现指标在θ频段存在行为振荡的可靠证据(图3c)。在本研究的探索性实验中，同样未发现分类表现中存在θ振荡的证据。尽管分类的准确性高于记忆任务(图1c)，但天花板效应不太可能限制我们的检测灵敏度，因为在更多SOA上表现完美的参与者，其行为振荡功率并未降低。相反，注意可能不会以与采样空间位置检测简单形状相同的节律性来采样自然物体的语义特征。
分类表现中的节律不仅不可靠，而且任何潜在的节律在几个方面都与记忆节律无关。首先，置换检验显示，记忆IES中的θ功率高于分类IES中的θ功率(图3d)，击中率和反应时也呈现相似的趋势。此外，个体在记忆和分类IES振荡中的峰值θ功率并不存在可靠的相关性(图3e)。这表明我们观察到的记忆节律并非由注意节律所驱动，即使在考虑了峰值θ频率的个体差异后也是如此。在参与者内部，我们还发现记忆和分类振荡的相位在SOA上并未出现显著对齐(图3f)，这表明形成记忆的最佳时刻未必是对刺激做出简单判断的最佳时刻。综上所述，支撑记忆编码的节律似乎有别于那些可能协调注意采样的节律。
假定的胆碱能因素调节记忆编码中的行为θ功率
最后，由于Ach对神经θ振荡具有调节作用，本研究考察了记忆节律如何受假定的ACh因素影响。为此，本研究进行了两项预注册的探索性分析，将这些节律与以下因素联系起来：(1)与高ACh水平相关的良好持续注意状态，以及(2)参与者经常使用尼古丁(一种强效ACh激动剂)。为检验第一个关联，本研究采用已有方法将每个编码试次标记为反映良好状态或不良状态，依据是其之前时段反应时偏差的高低(图4a)。与标记为“不在状态”的试次相比，参与者在标记为“在状态”的试次中对物体的分类准确率更高(图4b)，这验证了该指标能够有效追踪注意波动。同样，参与者在良好注意状态下编码的联想记忆，其后续回忆准确率也显著更高。在验证了状态指标的有效性后，本研究通过为“在状态”和“不在状态”的试次分别计算记忆时间序列，探究良好注意状态是否在记忆编码中产生更强的θ振荡。结果表明，虽然注意状态并未调节后续记忆击中率或IES的θ功率，但与“不在状态”时编码的试次相比，“在状态”时编码的试次其记忆反应时θ功率显著更高(图4c)。记记忆反应时中观察到的这一显著调节效应表明，在高胆碱能相关状态下，记忆编码更具节律性。
图4.假定的胆碱能因素调节记忆节律。
为了更直接地探究胆碱能机制，本研究检验了尼古丁使用者的记忆振荡是否更弱，由于长期摄入ACh激动剂，他们的大脑可能对内源性释放的ACh敏感性降低。本研究提取了每位参与者在记忆相关峰值θ频率上的功率，并运行了一个广义线性模型来检验尼古丁使用是否能预测振荡功率，同时控制几个协变量。结果显示，与非使用者相比，尼古丁使用者在θ频率上的联想记忆准确性振荡确实显著更弱(图4d)，即使在纳入多个协变量时也是如此。尼古丁使用与记忆反应时或IES θ功率的差异无关，且整体记忆表现与尼古丁使用或其他协变量无关。为尼古丁使用者可能对内源性ACh反应较弱提供了类似的证据，本研究发现他们表现出较差的持续注意，处于“在状态”的时间在数值上少于“不在状态”(图4e)。综上所述，本研究证明了人类记忆编码中的θ振荡受到两个假定的胆碱能标志物的调节，这反映了该神经化学物质在增强大脑θ节律方面的作用。
讨论
总的来说，本研究使用密集采样方法描述了人们形成记忆的能力如何在毫秒级时间内波动。研究结果发现，在吸引注意力的线索之后，记忆编码以θ频率振荡。关键是，这些记忆节律并非编码期间先前已发现的注意节律的直接产物。此外，记忆节律受到两个假定胆碱能因素——持续注意和经常使用尼古丁——的调节，这与ACh如何增强啮齿动物和人类海马体θ功率的作用相一致。
本研究的发现建立在将θ相位与人类记忆联系起来的新兴研究基础之上，旨在解决一个基本的开放性问题：人们形成记忆的能力是否受到θ节律的调制？一个基于啮齿动物神经生理学且有影响力的计算模型(SPEAR)预测，生物体会随着海马体θ相位在编码和提取状态之间快速切换。与该模型一致，近期人类神经影像学研究显示，神经记忆再激活、记忆干扰的神经指标以及记忆引导的眼动都随θ相位波动。然而，目前仅有一项研究开始评估该模型的核心行为预测：记忆编码和提取应以θ节律波动。该研究发现，提取反应时分布在图像呈现期间的特定毫秒时刻显示出周期性聚类，仿佛记忆提取的可能性遵循某种节律。在对想象联想的类似分析中，参与者报告形成联想的时间点显示，对于后来被记住的配对，其节律性强于被遗忘的配对。但是，由于这种方法不包括实验操纵，它无法将编码期间体验的时间与其后续记忆联系起来。相比之下，本研究通过密集采样方法操纵了待记忆信息的时间，证明了编码期间刺激呈现的亚秒级变化如何因果性地影响后续联想记忆的形成。
本研究结果为了解经验被采样进入情景记忆的速率提供了见解。先前的研究区分了功能不同的θ频段——在啮齿动物中分为低频(4–7Hz)和高频(7–12Hz)，在人类中分为低频(3–5Hz)和高频(5–10Hz)。在高频θ中观察到记忆节律似乎与一个著名观点(即低频θ功率与记忆编码的联系更强)相悖。然而，最近的研究也表明，高频θ相位一致性以及海马体与内侧前额叶皮层之间的相位锁定能预测人类后续的联想记忆。此外，ACh在啮齿动物和人类中都能调节低频和高频θ相位一致性，其中高频θ相位一致性的变化能预测ACh对人类记忆的调节。由于神经相位的一致性是行为节律的基础，本研究在7Hz观察到的联想记忆节律与高频θ相位在动态协调记忆网络中的作用相符。然而，对7Hz这一峰值频率的解释应考虑到我们在试点实验中观察到的变异性。值得注意的是，样本量较大的预实验1与确认性实验收敛于相似的峰值频率，而最大偏差出现在样本量较小的预实验2中。这种模式可能反映了峰值频率的自然个体间变异性，这种变异性在小样本中不易被平均掉。这些个体差异是预料之中的，因为神经峰值频率既作为个体特质在不同人之间变化，也会响应新奇性任务难度而改变，而参与者对这些因素的体验可能不同。虽然我们目前没有操纵新奇性或任务难度，但研究这些因素是否会调节记忆节律的频率，将是未来研究的一个新途径。事实上，频率调制被认为通过调谐神经元网络和行为节律来实现认知灵活性。尽管记忆的时间结构因人而异，但本研究结果表明，人类情景记忆以高频θ频率——大约每秒七次——采样经验。
值得注意的是，本研究在记忆编码中观察到了节律性，但在分类判断中未观察到，这引发了关于注意的本质及其与记忆相互作用的重要问题。先前的密集采样研究表明，注意会节律性地采样被提示的空间位置和物体，影响在视觉检测阈值下短暂呈现的几何刺激的知觉。相比之下，本研究的实验设计提示参与者注意自然物体图像的不同语义维度——这些图像呈现在中央、全对比度、持续500ms——以进行分类判断。每个范式上的差异都为未来研究揭示了潜在的边界条件。例如，自然图像的知觉是否较不容易受到节律性注意的影响？节律性注意的影响对于易于检测的刺激或显示时间较长的刺激是否不那么重要？或者，在不需移动注意聚光灯的任务中，注意可能在时间上更具连续性？在知觉启动中，对于呈现时间较长的自然物体，已经观察到行为θ节律性。尽管如此，在本研究的任务中，图像仍有可能被节律性地检测到，但与判断复杂性相关的变异掩盖了这些效应。无论原因如何，本研究观察到的注意节律和记忆节律之间的分离，描绘出一幅比先前认识更为复杂的注意-记忆交互图景。在逐试次层面，本研究证实了当人们处于良好注意状态时，他们形成记忆的效果更好。然而，在逐毫秒层面，记忆编码的最佳时刻并非参与者最能有效处理图像的时刻。相反，缓慢漂移的注意状态提升了记忆编码的节律性。这种多尺度的记忆-注意相互作用表明，虽然快速的注意采样可能对我们所学内容的影响有限，但更持续的注意状态既能调节记忆编码的成功率，也能调节其节律性。
我们识别的记忆节律有什么功能？SPEAR模型认为，节律性编码可以通过在时间上分离提取与编码来减少记忆干扰。具体来说，该模型提出，海马CA1亚区在携带提取记忆的输入和携带当前经验的输入之间切换，以便提取的内容不会与新编码的内容无法挽回地交织在一起。值得注意的是，被认为根据θ节律门控这些CA1输入的中间神经元，受到其烟碱受体的强烈调节，这提供了一种在ACh和持续注意水平高时放大节律性编码的机制。这个回路也可能解释了我们在经常使用尼古丁者记忆中所观察到的节律性减弱。虽然本研究的发现与现有文献相吻合，但鉴于本研究的尼古丁分析是探索性的，未来的研究应直接操纵ACh以评估其对记忆节律性的因果影响。放大记忆节律的影响可能不止于防止干扰。最近，有研究者提出，海马体在θ节律下知觉和记忆加工之间的快速切换，通过使得记忆预测与知觉证据能够快速比较，从而促进误差驱动学习。模拟结果显示，由此产生的学习在计算上比经典的赫布学习形式更高效，并且当与不同水平的突触可塑性结合时，这种交替可以调整最终的记忆表征。我们将密集采样范式创新性地应用于记忆研究，为检验这些理论提供了新工具，同时我们关于胆碱能依赖性的初步证据对这些理论提出了挑战，要求它们解释为什么记忆在某些条件下可能表现出更显著的θ节律。
更广泛地说，节律性编码可能提供了一个精细的时间框架，将经验分割成记忆片段，以满足我们快速变化的世界的要求。我们很少注意到即使是一次轻松的谈话也以极快的速度进行；转瞬即逝的音节和微表情只持续大约一个θ周期。当世界静止时，我们对它的视觉感知仍然飞速进行，每次眼跳以θ节律采样不同位置，并重置海马体θ振荡。这些证据表明，经验的诸多维度均以θ频率被离散化。与直觉相反，有人认为，这种离散化若以节律性的方式运作，恰恰赋予了情景记忆其独特的时间结构，最终形成一串串带有时间索引的离散事件序列。因此，节律性记忆编码可以将连续的经验切割成其最小的有意义的单元，使我们能够按顺序重温那些被编码的记忆。通过这种方式，本研究揭示了常被遗忘的时间维度在记忆中的关键作用，为我们理解“如何记忆”以及“为何如此记忆”提供了不可或缺的见解。
参考文献：Biba, T.M., Decker, A., Herrmann, B. et al. Episodic memory encoding fluctuates at a θ rhythm of 3–10Hz. Nat Hum Behav (2026). https://doi.org/10.1038/s41562-026-02416-5
