失配負向波（簡稱 MMN）是一種源自腦電圖（EEG）記錄的事件相關電位成分。與許多需要主動注意的誘發電位不同，當稀有的「偏差」聲音打破重複的「標準」聲音序列時，MMN 會自動出現。這種自動特性使其作為臨床和研究工具特別有價值，因為它排除了患者在測試期間是否配合或保持專注的混雜變量。
什麼是失配負波（Mismatch Negativity）？
失配負波（MMN）是一種透過腦電圖（EEG）記錄的事件相關電位成分，反映了腦部對聽覺變化的自動化、前注意階段偵測。這種自動化反應通常是透過呈現一連串相同的標準刺激音，隨後出現一個在頻率、持續時間或其他聲學特徵上不同的罕見「偏差」刺激音來誘發。
大腦會偵測到這種偏差，並在變化發生後大約 100 到 200 毫秒產生一個向負向偏轉的電壓峰值。該特徵波形在額葉和中央頭皮電極上最為顯著，是失配負波的主要指標。
有兩個特性使 MMN 區別於其他大腦反應：
第一，它是自動化的。一個人可以正在閱讀一本書、觀看一部無聲電影，或者完全主動忽略這些聲音，MMN 仍然會出現。
第二，它是前注意的。在大腦注意力介入之前，大腦就已經在偏差聲音與標準聲音的記憶痕跡之間進行了比較。
這些特徵使 MMN 成為衡量大腦偵測變化基本能力的一項指標，且不受可能受損或因人而異的高級認知過程之影響。
透過腦磁圖記錄的 MMN 磁對應物（簡稱 MMNm）代表了相同的潛在聽覺變化偵測過程。由於 MEG 提供了與 EEG 不同的空間敏感性，結合這兩種記錄模式有助於研究人員區分來自不同大腦區域的貢獻。MMNm 定位於聽覺皮層和周圍的顳葉結構，證實了該反應源自感覺處理區域，而非更高級的聯合區域。
大腦如何產生失配負波
MMN 的產生是由聽覺皮層中複雜、動態的神經元機制所驅動，研究人員正透過先進的神經計算模型積極探索這些機制。雖然在偏差聲音觸發此反應時究竟發生了什麼，在細胞層面上尚未達成單一共識，但兩個主要假說塑造了數十年的科學探索：適應假說和模型調整假說。
適應假說認為，聽覺皮層中的神經元透過逐漸降低其放電率來對重複的標準聲音做出反應——這一過程稱為刺激特異性適應。當引入罕見的偏差聲音時，它會活化一組單獨的、未適應的新神經元群。在這種觀點下，MMN 本質上是已適應和未適應神經元群體之間的差異反應。
相反地，模型調整假說提出了一種主動的認知機制，而不是被動的神經疲勞。它假設大腦不斷構建其聽覺環境的預測性內部模型。當標準聲音重複時，它們會強化這種預期；當出現偏差聲音時，它違反了預期並迫使大腦更新其內部表徵。因此，MMN 波形反映了這種主動的模型更新過程。
預測編碼框架與脈衝神經元模型
為了解釋這兩種相互競爭的觀點，研究人員越來越多地將預測編碼視為一個統一的框架。預測編碼將大腦視為一個主動預測引擎，透過預期感覺輸入來更有效地處理資訊。
聽覺皮層從先前的聲音中學習統計規律以產生預測。當輸入的刺激與這些預期相符時，處理過程就會順利進行；當聲音發生偏差時，預測誤差就會透過皮層層級結構傳播。因此，MMN 是預測誤差訊號的電生理特徵。
聽覺皮層的詳細、具有生物學合理性的脈衝神經元模型支持了這一框架。該模型將興奮性和抑制性神經元結構化為包含不同功能處理單元的層次皮層架構：
接收原始感覺數據的輸入單元。
代表已學習之環境預期的預測單元。
當輸入和預期衝突時，發出不匹配訊號的預測誤差單元。
藉由引入依賴 NMDA 受體傳遞的突觸學習規則，該網絡根據近期聲音的轉移統計數據動態調整其預測。
此計算模型成功解釋了幾個關鍵的、經實證觀察到的 MMN 特徵：
頻率依賴性縮放： MMN 的振幅與偏差聲音與標準刺激音的差異程度成比例增加。
對局部模式的敏感性： 該模型重現了對交替序列中非預期重複的反應（例如，當交替的 ABABAB 序列突然變為 ABABAA 時，會記錄預測誤差），這反映了對局部轉移機率的依賴，而非全局統計規則。
省略反應： 即使在完全省略預期聲音時，該模型也會產生預測誤差。
藥理敏感性： 該模型對 NMDA 受體拮抗劑高度敏感，這與顯示阻斷這些受體會降低或消除 MMN 振幅的臨床研究一致。
此外，一項互補的腦磁圖（MEG）實驗驗證了這些模型主張，表明 MMN 反應源自於主動的皮層預測，而非簡單的突觸習慣化，為預測編碼假說提供了強有力的實證支持。
聽覺處理中的生成模型與貝氏推論
另一個著名的神經計算模型透過貝氏推論的視角來研究聽覺皮層。這個神經科學框架將大腦模擬為利用廣義貝氏濾波持續更新感覺世界的概率生成表徵。
在這個系統中，MMN 代表預測誤差神經元在對分層動力學的隱藏狀態進行推論時所產生的集體電活動。這種貝氏方法產生了與實證數據高度一致的逼真 MMN 波形，精確捕捉了偏差概率和振幅大小如何塑造反應：
隨著偏差聲音發生的可能性增加，預期違背感減少，從而降低 MMN 振幅。
隨著偏差音與標準音在聲學上的區別變小，MMN 反應的潛伏期增加，而其振幅下降。
總體而言，預測編碼和貝氏模型都收斂於同一個基本事實：MMN 是大腦主動預測其聽覺環境並在感覺現實與內部預期衝突時發出訊號的電學特徵。
假說 | 機制 | 核心思想 |
|---|---|---|
適應假說 | 神經元因重複的聲音而疲勞 | 已適應神經元群體之間的差異反應 |
模型調整假說 | 大腦主動更新內部模型 | MMN 反映了對預期的違背 |
預測編碼假說 | 大腦預測即將到來的感覺輸入 | MMN 發出預測誤差訊號 |
MMN 作為思覺失調症的生物標記
自 1990 年代初以來，已有研究文獻記錄了思覺失調症患者相較於健康個體的 MMN 振幅降低。這種減弱現象似乎是穩定且系統性的，出現在不同的實驗室、記錄方案和患者群體中。
傳統的聽覺奇異刺激範式揭示了思覺失調症患者在持續時間偏差和頻率偏差 MMN 方面均存在顯著缺陷。這種受損是如此可靠，以至於 MMN 被廣泛提議作為臨床生物標記——一種能夠指標化疾病進程和評估治療效果的客觀生理測量工具。
不同的聲學偏差追蹤病理學的不同維度：
頻率偏差 MMN： 振幅的降低隨著病情的進展而惡化，與患病時間以及認知和功能衰退密切相關。這使得頻率偏差 MMN 成為評估疾病進程的寶貴標記。
持續時間偏差 MMN： 該領域的缺陷遵循不同的軌跡，且與遺傳易感性的聯繫更為緊密，可作為一種隨時間推移保持相對穩定的特徵標記。
此外，促成 MMN 的不同神經產生源在思覺失調症中受到的影響也不同：
顳葉產生源： 此處的受損與基本聽覺感知和分辨缺陷有關，這可能會導致幻聽等正性症狀。
額葉產生源： 額葉皮層活動減少與注意力轉移受損有關，並與社交退縮和情感淡漠等負性症狀相關。
思覺失調症中的神經元適應與偏差偵測之比較
一個關鍵問題是，思覺失調症中的 MMN 缺陷是源於感覺適應的失敗，還是主動偏差偵測的失敗。在標準的奇異刺激範式中，這兩種過程被混淆了，因為大腦對偏差音的反應既取決於它如何適應重複的標準音，也取決於它如何偵測新奇的變化。
為了隔離這些機制，Koshiyama 等人採用了多標準控制範式。在這種設計中，多個不同頻率的刺激音以相等的概率呈現，這樣就沒有任何單一的刺激音重複到足以觸發適應的程度。然後將偏差音與這種變化的背景進行比較，從而將偏差偵測與適應效應隔離開來。
當使用這兩種範式對思覺失調症患者進行評估時，結果顯示出選擇性的偏差偵測受損。雖然他們對重複聲音的神經元適應完全保持完好，但他們偵測聲學變化並對改變的環境產生預測誤差反應的能力顯著降低。
誘發失配負波的方法學最佳實踐
記錄乾淨、可解釋之 MMN 的核心原則是呈現一種聽覺規律（重複的標準聲音），並偶爾以罕見的偏差聲音違背該規律。如何構建這種違背決定了可以評估神經處理的哪一方面。
1. 核心原則：標準奇異刺激範式
標準奇異刺激範式依賴於三個關鍵的刺激參數，這些參數系統性地塑造了最終的 MMN 反應：
偏差類型： 偏差可以在各種聲學維度上與標準不同，例如頻率或持續時間。在臨床研究中通常需要同時包含頻率和持續時間偏差，因為它們反映了神經病理學和疾病進展的不同維度。
偏差機率： 較低機率的偏差會產生較大的 MMN 振幅，因為它們代表了對環境規律更出乎意料的打破。
偏差幅度： 標準音與偏差音之間較大的聲學差異會誘發更大的 MMN 振幅和更短的反應潛伏期。
2. 區分過程：奇異刺激與多標準範式
單一標準奇異刺激範式本質上混淆了兩個獨立的神經過程：對重複標準音的被動適應和對偏差音的主動偵測。
為了隔離偏差偵測，研究人員使用多標準範式。透過以相等的概率呈現多種不同的聲音頻率，適應被平均分配到刺激集中。
在同一實驗中比較奇異刺激與多標準範式，有助於研究人員確定 MMN 異常是源於適應受損、偏差偵測受損，還是兩者的結合。
3. 測試主動預測：超越標準奇異刺激
評估預測編碼解釋需要超出簡單物理特徵變化的設計：
模式違背： 呈現重複模式（例如 ABABAB）建立了交替的預測。非預期的重複（例如 ABABAA）會觸發 MMN，證明對複雜結構規則的偵測。
省略範式： 當節奏序列中可預測的聲音被完全省略時，大腦仍然會產生預測誤差訊號，證明 MMN 反映的是主動的預期，而非僅僅是感覺習慣化。
4. 訊號源定位：EEG 與 MEG
雖然標準 EEG 提供了強大的表面記錄，但要精確定位 MMN 的特定神經產生源通常需要 MEG。MEG 記錄磁對應物（MMNm），並提供卓越的空間解析度，以釐清顳葉產生源（感覺分辨）和額葉產生源（注意力轉移）的貢獻。
結論
失配負波是大腦對聽覺變化的一種自動化、前注意階段的反應。當聲音違反先前刺激建立的規律時，它就會出現，這指標化了大腦的感覺記憶和感知準確性的能力。數十年的研究已將其確立為一種具有良好特徵特性的可靠電生理現象。
解釋 MMN 背後神經機制的假說主要有兩種，且一直處於競爭狀態。適應假說將其歸因於神經元的差異性疲勞，而模型調整假說則假設內部表徵的主動更新。預測編碼已成為一個統一的框架，解釋了廣泛的實證特徵。基於預測編碼原理構建的詳細計算模型重現了 MMN 對偏差機率、偏差幅度、意外重複、聲音省略和 NMDA 受體拮抗劑的敏感性。MEG 實驗也支持核心觀點，即 MMN 反映了主動的皮層預測，而非被動的習慣化。
在思覺失調症中，MMN 振幅減弱是一個穩定且系統性的發現。頻率偏差 MMN 追蹤疾病進展和認知衰退，而持續時間偏差 MMN 則可能指標化遺傳易感性。該缺陷似乎是特定於偏差偵測的，而神經元適應則保持完好。這種特異性旨在為治療開發提供明確的靶點，而 MMN 的跨物種可轉化性旨在使其成為臨床前藥物測試的實用生物標記。
記錄有意義的 MMN 數據需要謹慎的方法學。必須刻意參考引導該反應的計算原理來選擇偏差類型、機率和幅度。當需要區分適應與偏差偵測時，多標準範式應與傳統的奇異刺激範式相結合。使用意外重複或聲音省略的非傳統設計可以測試預測編碼框架的特定預測。當訊號源定位至關重要時，MMNm 的 MEG 記錄與 EEG 互為補充。這些方法學上的考量確保了 MMN 繼續作為基礎神經科學和臨床轉化研究的精密工具。
參考文獻
Garrido, M. I., Kilner, J. M., Stephan, K. E., & Friston, K. J. (2009). The mismatch negativity: a review of underlying mechanisms. Clinical neurophysiology, 120(3), 453-463. https://doi.org/10.1016/j.clinph.2008.11.029
Wacongne, C., Changeux, J. P., & Dehaene, S. (2012). A neuronal model of predictive coding accounting for the mismatch negativity. The Journal of neuroscience, 32(11), 3665-3678. https://doi.org/10.1523/JNEUROSCI.5003-11.2012
Lieder, F., Stephan, K. E., Daunizeau, J., Garrido, M. I., & Friston, K. J. (2013). A neurocomputational model of the mismatch negativity. PLoS computational biology, 9(11), e1003288. https://doi.org/10.1371/journal.pcbi.1003288
Näätänen, R., & Kähkönen, S. (2009). Central auditory dysfunction in schizophrenia as revealed by the mismatch negativity (MMN) and its magnetic equivalent MMNm: a review. International Journal of Neuropsychopharmacology, 12(1), 125-135. https://doi.org/10.1017/S1461145708009322
Koshiyama, D., Kirihara, K., Tada, M., Nagai, T., Fujioka, M., Usui, K., ... & Kasai, K. (2020). Reduced auditory mismatch negativity reflects impaired deviance detection in schizophrenia. Schizophrenia bulletin, 46(4), 937-946. https://doi.org/10.1093/schbul/sbaa006
常見問題
什麼是失配負波（MMN）？
失配負波（MMN）是一種透過 EEG 記錄的腦電學訊號，當罕見的「偏差」聲音打破重複「標準」聲音的模式時就會發生。它反映了大腦自動偵測變化的能力，即使在人沒有注意聲音時也會產生。
為什麼 MMN 被認為是自動化和前注意的？
MMN 是自動化的，因為即使人正在閱讀、看電影或主動忽略聲音，它也會出現。它是前注意的，因為在大腦有意識的注意力介入之前，大腦就已經將偏差聲音與標準聲音的記憶痕跡進行了比較。
大腦如何產生 MMN 的兩個主要假說是什麼？
適應假說提出重複的標準聲音會導致神經元降低其放電率，因此罕見的偏差聲音會活化產生更大反應的「新」神經元。模型調整假說則提出大腦會主動構建聽覺環境的內部模型，而 MMN 反映了當偏差違背預期時更新該模型的過程。
預測編碼如何解釋 MMN？
預測編碼是一個統一的框架，它將大腦視為根據已學習的規律主動預測即將到來的聲音。當實際輸入與預期發生偏差時，就會產生預測誤差訊號，而 MMN 被理解為該預測誤差的電生理表現。
什麼是多標準範式，為什麼要使用它？
多標準範式以相等的機率呈現許多不同的聲音，這樣就沒有單一聲音會重複到引起神經適應。這使得研究人員能夠將偏差偵測與適應效應隔離開來，而這兩者在傳統的奇異刺激範式中是混淆在一起的。
什麼是 MMNm，它與 MMN 有何不同？
MMNm 是 MMN 的磁性對應物，是使用腦磁圖（MEG）代替 EEG 記錄的。它提供了更好的空間解析度，用於區分來自不同大腦區域（如顳葉和額葉產生源）的貢獻。
設計 MMN 實驗時應考慮哪些因素？
研究人員必須刻意選擇偏差類型、機率和幅度，因為這些參數會系統性地塑造 MMN 反應。較低機率和較大幅度的偏差會產生較大的振幅，且同時使用頻率和持續時間偏差對於臨床研究至關重要。當需要將適應與偏差偵測分開時，多標準範式應與傳統的奇異刺激範式相結合。
Emotiv 是一家神經科技領導者，透過可近用的 EEG 和腦部資料工具，協助推動神經科學研究進展。
醫療免責聲明：本網站提供的資訊僅供教育和參考之用，不構成醫療或健康建議。本內容可能含有錯誤，不應作為做出改變生活的健康、醫療或生活方式選擇的依據。若您對醫療狀況或治療有任何疑問，請務必諮詢您的醫生或其他符合資格的健康提供者的建議。
克里斯蒂安·布戈斯
