《Human Brain Mapping》：Decoding Effector-Specific Parametric Grip-Force Anticipation From fMRI-Data
编辑推荐：
语
本研究通过fMRI多体素模式分析（MVPA）技术，揭示了握力强度在运动规划过程中以效应器特异性（effector-specific）的方式在脑内进行参数化编码。研究发现，在延迟握力任务中，预期的握力强度信息首先在对侧顶内沟（IPS）和外侧枕颞叶皮层（LOTC）进行表征，随后转化为对侧初级运动皮层（M1）中的运动代码。这一发现为理解大脑如何将抽象的运动意图转化为具体的、侧化的运动计划提供了新的神经证据。
研究背景与科学问题
运动规划是一个复杂的神经过程，涉及在动作执行前对关键参数（如力度和时机）的预期、表征和准备。虽然功能磁共振成像（fMRI）研究已表明，在运动准备期间，前运动区和顶叶区域的活动会随着这些参数的变化而变化，但关于这些表征是否在效应器特异性（即特定于身体部位）的脑区进行编码，仍不清楚。本研究旨在解决这一问题，即探究握力强度的参数化表征是否以效应器特异性的方式在脑内编码。
实验设计与方法
本研究招募了29名健康右利手参与者，最终25名被纳入分析。实验采用延迟握力任务，参与者需在fMRI扫描仪内执行任务。实验流程包括一个提示期和两个延迟期。在提示期，屏幕上会显示两个握力强度水平（共四个等级），随后一个回溯线索（retro-cue）指示需要维持和执行哪个握力强度。在第一个延迟期开始时，会呈现一个效应器线索（effector cue），指示参与者准备用左手还是右手执行动作。在第二个延迟期开始时，效应器线索可能会切换（50%的试次），也可能保持不变。最后，参与者根据线索执行握力动作。
研究者采用时间分辨的多体素模式分析（MVPA）结合搜索光（searchlight）方法，来识别在延迟期内编码预期握力强度的大脑区域。分析使用支持向量回归（SVR）模型，该模型能够解码参数化的握力强度信息。此外，还进行了交叉解码（cross-decoding）分析，以检验握力强度的表征是效应器特异性的还是效应器独立的。
主要研究结果
- 1.
行为学结果：参与者能够准确执行握力任务，平均准确率为59.8%。方差分析显示，握力强度对表现有显著主效应，而手部（左/右）无显著主效应，表明参与者能够可靠地控制握力。
- 2.
时间分辨的脑区解码：MVPA分析揭示了握力强度信息在不同脑区和时间点的动态编码过程。
- •
第一个延迟期：在对侧顶内沟（IPS）和对侧外侧枕颞叶皮层（LOTC）发现了显著高于随机水平的解码。例如，当准备用左手执行动作时，解码信息出现在右侧IPS和右侧LOTC；准备用右手时，则出现在左侧IPS和左侧LOTC。这表明在运动规划的早期阶段，握力强度信息就以效应器特异性的方式在对侧脑区进行表征。
- •
第二个延迟期：在对侧初级运动皮层（M1）发现了显著高于随机水平的解码。例如，准备用左手时，解码信息出现在右侧M1；准备用右手时，则出现在左侧M1。这表明在运动准备阶段，握力强度信息被转化为更具体的运动代码，为执行做准备。
- 3.
交叉解码分析：为了进一步验证表征的效应器特异性，研究者进行了交叉解码分析。
- •
跨手交叉解码（Cross-Hand Cross-Decoding）：当使用一只手的数据训练SVR模型，然后用另一只手的数据进行测试时，解码准确率未能达到显著水平。这表明，握力强度的神经表征在左右手之间并不共享，支持了效应器特异性编码的假设。
- •
切换/不切换交叉解码（Switch/no-Switch Cross-Decoding）：该分析进一步证实了在第二个延迟期，M1中的握力强度表征是效应器特异性的，并且这种表征不受前期是否发生手部切换的影响。
- 4.
控制分析：为了确保结果的可靠性，研究者进行了标签置换（label permutation）控制分析和基于单变量（univariate）的分析。标签置换分析显示，当打乱握力强度的标签顺序时，解码准确率显著下降，证实了主分析结果的特异性。单变量分析则显示，在延迟期内未发现显著的参数化激活调制，表明MVPA结果并非由单变量效应驱动，而是反映了多体素模式中的信息。
讨论与结论
本研究通过时间分辨的fMRI MVPA，揭示了握力强度在运动规划过程中以效应器特异性的方式在脑内进行参数化编码。研究结果表明，预期的握力强度信息首先在对侧IPS和LOTC进行表征，随后转化为对侧M1中的运动代码。这一发现支持了运动规划的两阶段模型：在早期阶段，运动意图在顶叶和高级感觉皮层以效应器特异性的方式被选择和表征；在后期阶段，这些意图被转化为具体的运动计划，在初级运动皮层进行准备。交叉解码分析进一步证实了这些表征的效应器特异性，表明大脑在规划动作时，会为特定的身体部位（如左手或右手）生成侧化的、具体的运动代码。这些发现增进了我们对大脑如何将抽象的运动目标转化为具体运动指令的理解。
