- 3 次围观
瞳孔扩张为支持人类联结学习的神经认知过程提供了一个敏感、无创的观察窗口。然而，当前领域尚未就如何量化条件性瞳孔反应达成共识，尤其是不清楚哪些时间区间最适合作为测量指标。此外，学习过程中出现的瞳孔扩张究竟反映的是单一的唤醒信号，还是多个按序展开的（彼此重叠但相互区分的）过程（例如，线索价值评估、不确定性驱动的注意、预期、预测误差[PE]信号传递），这一问题仍未得到解决。为此，我们对来自本实验室的经协调统一的原始研究进行了大规模个体参与者数据再分析（mega-analysis）（K = 7个独立样本；总N = 385；562个实验场次），并通过相同的数据处理流程对其进行重新处理，同时系统操纵结果效价和结果模态。对以CS和US为时间锁定的时段进行时间主成分分析（temporal PCA）后，我们发现跨试次和跨研究的成分结构具有高度稳定性，并且承载了可分离的信息：一个早期成分（以CS为时间锁定）选择性地追踪了趋 appetitive 价值，在厌恶性分化出现之前便能够区分奖励线索。较晚阶段则反映了两种效价条件下的差异性条件作用，并且随着接近US出现时间点，其与唤醒的耦合逐渐增强。厌恶性学习最具体地体现在围绕预期US呈现时达到峰值的反应中，而该反应还可预测负性效价评分。随后两个成分捕捉到了无条件反应及其受意外结果与结果省略调节的变化，这与无符号预测误差信号传递（在厌恶线索之后被放大）以及之后的正向预测误差相一致。广义加性混合模型的结果在很大程度上也与PCA结构相吻合。因此，瞳孔扩张并非条件作用的单一标记，而是对价值评估、唤醒/注意以及结果更新等序列性过程的高分辨率读出，这为未来学习计算模型的构建提供了一个很有前景的框架。
条件化瞳孔扩张的时间特征解缠：大型综合分析揭示与效价和预测误差相关的不同成分 | bioRxiv
跳转至主要内容 首页 关于 投稿 提醒 / RSS 搜索此关键词 高级搜索 新结果
条件化瞳孔扩张的时间特征解缠：大型综合分析揭示与效价和预测误差相关的不同成分
Johannes B. Finke，Anna M. Schippers，Hartmut Schaechinger，Tim Klucken
doi： https://doi.org/10.64898/2026.07.16.737017
Johannes B. Finke 1 锡根大学； 在 Google Scholar 上查找该作者 在 PubMed 上查找该作者 在持有人为作者/资助方，其已授予 bioRxiv 永久展示该预印本的许可。 本作品依据 CC-BY-NC-ND 4.0 国际许可协议提供。
返回顶部 上一篇 下一篇
发表于 2026 年 7 月 21 日。
下载 PDF 补充材料 电子邮件
感谢您有兴趣帮助传播 bioRxiv 的内容。 您的电子邮件 * 您的姓名 * 发送至 * 请输入多个地址，每行一个，或用逗号分隔。
您将通过电子邮件发送以下内容 条件化瞳孔扩张的时间特征解缠：大型综合分析揭示与效价和预测误差相关的不同成分
邮件主题 （您的姓名）已从 bioRxiv 向您转发了一个页面
邮件正文 （您的姓名）认为您可能会希望查看 bioRxiv 网站上的此页面。
您的个人留言
验证码 此问题用于测试您是否为人工访问者，并防止自动垃圾信息提交。
分享
条件化瞳孔扩张的时间特征解缠：大型综合分析揭示与效价和预测误差相关的不同成分 Johannes B. Finke，Anna M. Schippers，Hartmut Schaechinger，Tim Klucken bioRxiv 2026.07.16.737017； doi： https://doi.org/10.64898/2026.07.16.737017
分享本文： 复制
引文工具
条件化瞳孔扩张的时间特征解缠：大型综合分析揭示与效价和预测误差相关的不同成分 Johannes B. Finke，Anna M. Schippers，Hartmut Schaechinger，Tim Klucken bioRxiv 2026.07.16.737017； doi： https://doi.org/10.64898/2026.07.16.737017
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.07.16.737017v1?rss=1
🏷️ 瞳孔扩张 联结学习 预测误差 效价加工 时间主成分分析 唤醒与注意