意识的发展与边界，大脑“噪音”何起？

图片来源@视觉中国

文 | 陈根

作为承载人类意识的载体，大脑结构和运行机制的复杂是众所周知的。其中，大脑的运转主要依靠多重神经元网络在多个脑区之间架起信息交流的桥梁，一个神经元细胞可以与50000个神经元细胞交流信息。

即使人们处于睡眠状态，大脑中的神经元也无时无刻不在相互交流。在60年前科学家掌握了记录单个神经元的技术之后，他们就知道大脑活动会频繁发生变化，即便没有明显的理由表明大脑应当如此变化，但事实依旧如此。

也就是说，大脑的神经活动是不规则的，是从一个瞬间到另一个瞬间的变化。并且，无论是否评估单个神经元或整个大脑区域，都会出现这种神经活动异常。大脑总是显得“嘈杂”，然而就是这种“嘈杂”，为大脑的科学研究带来了新的令人惊喜的发现。

大脑“噪音”何起？

用脑电图仪在头皮表面记录到的自发脑电活动，就是所谓的脑电图（EEG）。1875年，英国生理学家RichardCaton首次从动物大脑皮层记录到节律性脑电波；1928年，德国精神病学家HansBerger则在前者基础上首次记录到人的脑电波。

脑电波的基本波形包括a、β、θ和δ波四种。其中，a波的频率为8~13Hz，幅度为20~100μV，常表现为波幅由小变大再由大变小，反复变化而形成a波的梭形。a波在枕叶皮层最为显著，成年人在清醒、安静并闭眼时出现。

睁眼或接受其他刺激时立即消失而呈快波，即β波，这一现象也被称为a波阻断。β波的频率为14~30Hz，幅度为5~20μV，在额叶和顶叶较显著，是新皮层处于紧张活动状态的标志。

θ波的频率为4~7Hz，幅度为100~150μV，是成年人困倦时的主要脑电活动表现，可在颞叶和顶叶记录到。

δ波的频率为0.5~3Hz，幅度为20~200μV，常出现在成人入睡后，或处于极度疲劳或麻醉时，在颞叶和枕叶比较明显。

脑电波的发现和脑电图记录的实际应用实现了人们对睡眠状态的准确判断和定量分析，成为研究睡眠的必备手段。根据脑电图，睡眠被分为了眼球快速运动（REM）睡眠，也叫做快速眼动睡眠或快动眼睡眠，具体表现为眼球快速运动并且发生梦境，以及与眼球快速运动睡眠恰好相反并且持续较长时间的非眼球快速运动（NREM）睡眠。

不论是眼球快速运动（REM）睡眠，还是非眼球快速运动（NREM）睡眠，都是根据脑电波节律性电位变化所分类。然而，在脑电波节律性电位变化外，还存在一种非节律性的电位变化，也就是所谓的大脑“噪音”。

对非周期性电位变化的认识可以追溯到1925年，J.B.约翰逊在研究的真空管噪音。四年后，德国科学家汉斯·博杰就发表了首份人类脑电图研究报告。即便没有明显的理由表明大脑应当如此变化，但事实依旧如此，并且波动方式似乎完全随机。

比如，当大脑形成α电波，即电波频率在8-12赫兹/秒时，人们处于放松、准备进入睡眠的状态。但是大脑的电波输出并不是完美的平滑曲线，相反，当它们陡增到顶峰、下冲到谷底时，这些线会产生抖动。有时大脑活动没有规律，使其看起来更像电噪音。

当前，大脑噪音这一现象被给予诸多命名，有人称其为“1/f斜率”或“无标度活动”，也有研究人员将其命名为“非周期性信号”或“非周期性活动”。尽管神经科学家在几十年前就已经知道了自发性的大脑波动，但一直不知道是什么原因造成的。

研究人员只是将这种现象归结为“随机背景噪声”，仍继续专注于分析更容易测试的有意识大脑活动。但是，随着研究人员开发出能够有效分析这些“大脑噪音”的算法，他们开始意识到，这种脑电活动并非真正的噪音，而是具有更深层的含义 ——它或许指示了大脑中神经活动的状态，甚至有可能判断意识的边界。

大脑噪音之必要

如上所述，很长一段时间以来，研究人员都不认为这些“大脑噪音”能带来有用的信号——2014年发表于《认知科学趋势》的一篇综述中写到，或许是因为噪音看起来如此普遍，许多生物学家并不认为通过对噪音进行1/f特征转化，可以得到有用的信号。他们认为这可能是仪器自身发出的噪音。

但与此同时，也有越来越多的研究驳斥了这一观点。纽约大学的研究人员就发现，仪器噪音的幅度远小于非周期性脑电活动。并且，越来越多的证据表明，无标度的脑电活动会给大脑功能带来益处。

为了量化非周期性脑电活动，科学家们做了不同的努力。一方面，有科学家分解了原始的脑电图数据，就像用棱镜将太阳光分成不同颜色。为此，他们首先采用了傅立叶分析技术。在任何一段时间内绘制的数据都可以表示为三角函数的和，例如正弦波，而三角函数可以通过频率和振幅来表示。

科学家可以将不同频率下的波幅绘制成一张图表，即功率谱（power spectrum）。功率谱的幅度通常用对数坐标系表示，因为它们的数值范围很大。对于纯随机的白噪声，功率谱曲线相对平坦，呈水平状态，因为它在所有频率下都是近乎相同的。

但神经活动产生的曲线具有负斜率，因为低频脑电波的振幅更高，而高频脑电波的强度则呈指数下降。这条曲线被称为1/f，表示频率和振幅具有反向关系。加拿大不列颠哥伦比亚大学的认知神经学家劳伦斯·沃德表示，用这种方式分析脑电图数据，类似于在一座公铁两用桥上用录音机记录声波。

随机经过的汽车轮胎发出的嗡嗡声，制造出非周期性的背景噪音；而列车每10分钟一次的鸣笛会产生具有峰值的周期性信号。在数据中，这个信号明显比背景信号突出。一次突发性事件，如长时间的鸣笛或车辆相撞，就会在声波中产生明显的尖峰，影响1/f的整体斜率。

另一方面，研究人员尝试开发工具来支持对于大脑噪音的研究，加利福尼亚大学圣迭戈分校的认知科学和数据科学副教授布拉德利·沃伊特克就是其中的先行者。沃伊特克希望神经学家能利用软件从任何数据集中，自动分离出周期性和非周期性的脑电波特征，并寻找出有意义的1/f趋势线。

因此，通过与加利福尼亚大学圣迭戈分校和伯克利分校的神经科学家合作，沃伊特克开发了一种软件，可以分离出隐藏在非周期性脑电活动中的规律性脑电波。比如α波，科学家对睡眠和清醒状态下的α脑电波已经进行了大量的研究。

这为神经科学家提供了一种新的工具，用于剖析有规律的脑电波和非周期性脑电活动，以便理清它们在行为、认知和疾病中的作用。 

大脑噪音将带来什么？

可以说，自发性大脑波动是一种不应被低估的工具，其带来的影响和作用也正在超越人们的想像。

首先，借助沃伊特克的软件，有研究人员发现，快速眼动睡眠期间，在受试者脑电图的非周期性噪音中，高频脑电活动的下降速度比清醒时更快。换句话说，功率谱斜率的绝对值更大。研究人员认为，非周期性脑电活动可以作为衡量一个人意识状态的特定标志。像这种新的客观指标，可能有助于了解昏迷患者的麻醉状态，并改善治疗过程。其研究于2020年7月在线发表于eLife。

还有一些使用沃伊泰克开发的软件所进行的研究，其中包括对多动症药物疗效的调查，以及基于性别差异对自闭症患者大脑活动的研究。他们和团队的其他成员在模拟数据库中测试了代码的性能，肯定了利用此工具进行新研究的可能性。

其次，在《意识与大脑》一书中，法国神经学家斯坦尼斯拉斯·德阿纳也提到：“神经元不仅能容忍噪声，还能放大噪声。”神经元的工作原理是放大认知波动，甚至利用这些波动的噪声来帮助生成解决复杂问题的新方案。认知波动可能使我们更接近一个范式转变，即“噪声是新的信号”。

对这些认知波动的研究正引导研究人员以全新的方式进行心理健康治疗。研究人员认为，这可能会在心理健康科学领域带来一些难以置信的突破。对这些认知波动的研究正引导研究人员以全新的方式进行心理健康治疗。

研究人员开始尝试不再试图减少抗抑郁药引起的自发大脑波动，而是尝试增加这些波动。这有些违反直觉，因为自发波动和走神也会导致抑郁性的沉思和焦虑。然而，通量理论认为，这些消极的思维习惯会受到大脑中大量自发性波动的干扰，而这种干扰会使一切放松下来，使我们改变旧的习惯。

在纽约大学的朗格尼成瘾卓越研究中心，罗兰·格里菲思和斯蒂芬·罗斯给巴尔的摩和纽约市的80名重症癌症患者服用赛洛西宾，超过四分之三的患者表示，他们因害怕死亡而产生的抑郁和焦虑情绪得到了显著缓解。即使在治疗6个月后，这样的改善效果仍然存在，并且与自发波动的放大有关。

最后，大脑噪音的研究或许还将为机器智能带来新的研究路径。要知道现代人工智能的核心挑战之一就是在深度学习方面的困境，这使得人工智能经常变成人工智障。

比如，一辆黄色校车来说明如果是在乡村公路上行驶，深度学习的神经网络可以自信地准确识别出校车。然而，如果校车侧方位停在马路正对面，那算法可能就会很有自信地认为它是一辆扫雪车。如果从某个角度从下往上看，它又会被当作一辆垃圾车。

问题之一在于情境。当一张新图像与训练图像集足够不同时，即使差别只是简单的旋转或障碍物，深度学习的视觉识别也会发生错误。相反地，情境的生成似乎取决于某种非同寻常的连线和信号生成功能——至少在人类大脑中是这样。如果人们能够更准确地把握非同寻常的连线和信号生成功能，或许也将推动人工智能实现新的阶段发展。

大脑不是完全确定性的，对于大脑的认知还在不断更新。神经元铺设的这个超级信息网络貌似充满了大量无意义的信号，但显然，它们对于人们的行为有着十分重要的作用。探索其背后的机理，或许也将朝人类意识的边界更近一步。

更多精彩内容，关注钛媒体微信号（ID：taimeiti），或者下载钛媒体App