失写/失匹配负波（Mismatch Negativity，简称 MMN）是一种源自脑电图（EEG）记录的事件相关电位成分。与许多需要主动注意力的诱发电位不同，当不频繁的“偏差”声音打破重复的“标准”声音序列时，MMN 会自动出现。这种自动性使其作为临床和研究工具特别具有价值，因为它排除了患者在测试期间是否配合或保持专注这一干扰变量。
什么是失匹配负波？
失匹配负波 (MMN) 是通过脑电图 (EEG) 记录的事件相关电位成分，反映了大脑对听觉变化的自动、前注意检测。这种自动反应通常是通过呈现一系列相同的标准音，随后出现一个在频率、持续时间或其他声学特征上有所不同的罕见“偏差”音来诱发的。
大脑检测到这种偏差，并产生一个负向电压偏转，在变化后约 100 到 200 毫秒达到峰值。该特征波形在额叶和中央区头皮电极上记录最为显著，是失匹配负波的主要指标。
有两个特性将 MMN 与其他大脑反应区分开来：
第一，它是自动的。一个人可以正在读书、看无声电影，或者完全主动忽略这些声音，MMN 仍然会出现。
第二，它是前注意的。在大脑注意力介入之前，大脑就已经在偏差声音与标准声音的记忆痕迹之间进行了比较。
这些特征使 MMN 成为大脑检测变化基本能力的指标，独立于可能受损或因人而异的高级认知过程。
用脑磁图记录的 MMN 的磁对应物，简称为 MMNm，代表了相同的潜在听觉变化检测过程。因为 MEG 比 EEG 提供了不同的空间敏感性，结合这两种记录方式可以帮助研究人员区分来自不同大脑区域的贡献。MMNm 定位于听觉皮层和周围的时间叶结构，证实了该反应起源于感觉处理区域，而不是高级联络区域。
大脑如何产生失匹配负波
MMN 的产生是由听觉皮层中复杂、动态的神经元机制驱动的，研究人员正在通过先进的神经计算模型积极探索这些机制。虽然在偏差声音触发这种反应时究竟发生了什么，目前在细胞水平上还没有统一的共识，但两个主要假设塑造了数十年的科学探索：适应假设和模型调整假设。
适应假设认为，听觉皮层中的神经元通过逐渐降低其放电率来对重复的标准音做出反应——这一过程被称为刺激特异性适应。当引入罕见的偏差音时，它会激活另一群新鲜的、未适应的神经元。根据这种观点，MMN 本质上是适应与非适应神经元群之间的差异反应。
相反，模型调整假设提出了一个主动的认知机制，而不是被动的神经疲劳。它假定大脑不断构建其听觉环境的预测性内部模型。当标准音重复时，它们会强化这种预期；当偏差音出现时，它违背了预期并迫使大脑更新其内部表征。因此，MMN 波形反映了这种主动的模型更新过程。
预测编码框架与脉冲神经元模型
为了调和这些相互竞争的解释，研究人员越来越多地将预测编码视为一个统一的框架。预测编码将大脑视为一个主动的预测引擎，通过预测感官输入来更有效地处理信息。
听觉皮层从先前的声音中学习统计规律以生成预测。当输入的刺激与这些预期相符时，处理过程就会顺利进行；当声音发生偏差时，预测误差就会通过皮层层级结构进行传播。因此，MMN 是预测误差信号的电生理标志。
听觉皮层的一个详细、生物学上合理的脉冲神经元模型支持了这一框架。该模型将兴奋性和抑制性神经元结构化为包含不同功能处理单元的分层皮层架构：
接收原始感官数据的输入单元。
代表已学习到的环境预期的预测单元。
当输入与预测发生冲突时发出失配信号的预测误差单元。
通过引入依赖于 NMDA 受体传递的突触学习规则，该网络根据最近声音的转换统计数据动态调整其预测。
该计算模型成功地解释了几项关键的、根据经验观察到的 MMN 特征：
频率依赖性缩放：MMN 的振幅与偏差音与标准音的差异程度成比例增加。
对局部模式的敏感性：该模型重现了交替序列中对非预期重复的反应（例如，当交替的 ABABAB 序列突然变为 ABABAA 时登记预测误差），反映了对局部转换概率的依赖，而不是全局统计规则。
省略反应：即使预期的声音被完全省略，该模型也会产生预测误差。
药理敏感性：该模型对 NMDA 受体拮抗剂高度敏感，这与显示阻断这些受体会降低或消除 MMN 振幅的临床研究一致。
此外，一项补充性的脑磁图 (MEG) 实验验证了这些模型的主张，表明 MMN 反应源于主动的皮层预测，而不是简单的突触习惯化，为预测编码的解释提供了强有力的经验支持。
听觉处理中的生成模型和贝叶斯推理
另一个著名的神经计算模型通过贝叶斯推理的视角来研究听觉皮层。这个神经科学框架将大脑模拟为使用广义贝叶斯滤波不断更新感官世界的概率生成表征。
在这个系统中，MMN 代表了预测误差神经元在对分层动力学的隐藏状态进行推理时所产生的集体电活动。这种贝叶斯方法产生了高度写实的 MMN 波形，镜像了经验数据，准确地捕捉了偏差概率和幅度如何塑造反应：
随着偏差音变得更加可能，对预期的违背减少，从而降低 MMN 振幅。
随着偏差音与标准音在听觉上的差异变小，MMN 反应的潜伏期增加，而其振幅下降。
总的来说，预测编码和贝叶斯模型都趋向于同一个基本事实：MMN 是大脑积极预测其听觉环境并在感官现实与内部预期冲突时发出信号的电学标志。
假设 | 机制 | 核心观点 |
|---|---|---|
适应 | 神经元因重复的声音而疲劳 | 适应人群之间的差异反应 |
模型调整 | 大脑主动更新内部模型 | MMN 反映了对预期的违背 |
预测编码 | 大脑预测即将到来的感官输入 | MMN 信号预测误差 |
MMN 作为精神分裂症的生物标志物
自 1990 年代初以来，研究记录了与健康个体相比，精神分裂症患者的 MMN 振幅降低。这种衰减似乎是强健且系统性的，出现在不同的实验室、记录方案和患者群体中。
传统的听觉奇球范式揭示了精神分裂症患者在持续时间偏差和频率偏差 MMN 方面存在显著缺陷。这种损伤是如此可靠，以至于 MMN 被广泛提议作为一种临床生物标志物——一种能够指数化疾病进展和测试治疗效果的客观生理测量指标。
不同的声学偏差追踪病理学的不同维度：
频率偏差 MMN：振幅的降低随着疾病的进展而加剧，与病程以及认知和功能衰退密切相关。这使得频率偏差 MMN 成为评估疾病进展的宝贵标志物。
持续时间偏差 MMN：该领域的缺陷遵循不同的轨迹，与遗传易感性的联系更强，可作为一种相对稳定的特质标志物。
此外，对 MMN 做出贡献的不同神经产生源在精神分裂症中受到不同的影响：
颞叶产生源：此处的受损与基本听觉感知和分辨缺陷相关，这可能会导致阳性症状，如听幻觉。
额叶产生源：额叶皮层活动减少与注意力转移受损有关，与社交退缩和情感淡漠等阴性症状相关。
精神分裂症中的神经元适应与偏差检测
一个关键的问题是，精神分裂症中的 MMN 缺陷是源于感觉适应的失败，还是主动偏差检测的失败。在标准的奇球范式中，这两个过程是混淆的，因为大脑对偏差音的反应既取决于它如何适应重复的标准音，也取决于它如何检测新颖的变化。
为了分离这些机制，Koshiyama 等人利用了多标准控制范式。在这种设计中，多个不同频率的声音以相同的概率呈现，从而没有任何单一的声音重复到足以触发适应。然后将偏差音与这种变化多端的背景进行比较，从而将偏差检测与适应效应隔离开来。
当使用这两种范式对精神分裂症患者进行评估时，结果显示偏差检测存在选择性损伤。虽然他们对重复声音的神经适应仍然完全完好，但他们检测听觉变化并在面对改变的环境时产生预测误差的能力受到了显著损害。
诱发失匹配负波的方法学最佳实践
记录干净、可解释的 MMN 的核心原则是呈现听觉规则性（重复的标准声音），并偶尔用罕见的偏差声音违背该规则。这种违背是如何构建的决定了可以评估神经处理的哪个方面。
1. 核心原则：标准奇球范式
标准奇球范式依赖于三个关键刺激参数，这些参数系统地塑造了最终的 MMN 反应：
偏差类型：偏差可以在各种声学维度上与标准音不同，例如频率或持续时间。在临床研究中，通常需要同时包含频率和持续时间偏差，因为它们反映了神经病理和疾病进展的不同维度。
偏差概率：较低概率的偏差会产生较大的 MMN 振幅，因为它们代表了对环境规则性的更出乎意料的打破。
偏差幅度：标准音和偏差音之间较大的声学差异会激发更大的 MMN 振幅和更短的反应潜伏期。
2. 区分过程：奇球范式与多标准范式
单标准奇球范式固有地混淆了两个独立的神经过程：对重复标准音的被动适应和对偏差音的主动检测。
为了隔离偏差检测，研究人员使用多标准范式。通过以相等的概率呈现广泛的音高频率，适应可以均匀地分布在刺激集中。
在同一实验中比较奇球范式和多标准范式有助于研究人员确定 MMN 异常是源于适应受损、偏差检测受损，还是两者的结合。
3. 测试主动预测：超越标准奇球范式
评估预测编码理论需要超越简单物理特征变化的设计：
模式违背：呈现重复的模式（例如 ABABAB）可以建立交替的预测。出乎意料的重复（例如 ABABAA）会触发 MMN，展示了对复杂结构规则的检测。
省略范式：当节奏序列中可预测的声音被完全省略时，大脑仍然会产生预测误差信号，证明 MMN 反映的是主动的预期，而不是单纯的感官习惯化。
4. 源定位：EEG 与 MEG
虽然标准脑电图 (EEG) 提供了稳健的表面记录，但精确定位 MMN 的特定神经产生源通常需要脑磁图 (MEG)。MEG 记录其磁对应物 (MMNm)，并提供更优的空间分辨率，以理清颞叶产生源（感觉分辨）和额叶产生源（注意力转移）的贡献。
结论
失匹配负波是大脑对听觉变化的自动、前注意反应。当一个声音违背了先前刺激所建立的规律时，它就会出现，并作为大脑感觉记忆和知觉准确性能力的指标。数十年的研究已确定它是一种具有良好表征特征的可靠电生理现象。
有两个主要假设在解释 MMN 的潜在神经机制方面展开了竞争。适应假设将其归因于差异性的神经疲劳，而模型调整假设则认为它是内部表征的主动更新。预测编码已成为一个统一的框架，解释了广泛的经验特征。建立在预测编码原则基础上的详细计算模型重现了 MMN 对偏差概率、偏差幅度、意外重复、声音省略和 NMDA 受体拮抗剂的敏感性。MEG 实验也支持核心主张，即 MMN 反映的是主动的皮层预测，而不是被动的习惯化。
在精神分裂症中，MMN 振幅降低是一个强健且系统性的发现。频率偏差 MMN 追踪疾病的进展和认知衰退，而持续时间偏差 MMN 可能是遗传易感性的指标。这种缺陷似乎特异于偏差检测，而神经元适应则保持完好。这种特异性旨在为治疗开发确定一个明确的目标，而 MMN 的跨物种可翻译性旨在使其成为临床前药物测试的实用生物标志物。
记录有意义的 MMN 数据需要仔细的方法学。必须结合控制该反应的计算原理来特意选择偏差类型、概率和幅度。当需要将适应与偏差检测分离开来时，多标准范式应与传统的奇球范式相伴。使用意外重复或声音省略的非常规设计可以测试预测编码框架的具体预测。当源定位很重要时，MMNm 的 MEG 记录可以作为 EEG 的补充。这些方法学上的考量确保了 MMN 继续作为基础脑科学和临床转化的精密工具。
参考文献
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
常见问题
什么是失匹配负波 (MMN)？
失匹配负波（或称 MMN）是一种用脑电图记录的脑电信号，当一个罕见的“偏差”声音打破了重复的“标准”声音模式时，就会产生该信号。它反映了大脑自动检测变化的能力，即使人在没有注意到这些声音时，也能产生该信号。
为什么 MMN 被认为是自动的和前注意的？
MMN 是自动的，因为即使一个人在看书、看电影或主动忽略声音时，它也会出现。它是前注意的，因为在大脑注意力开始起作用之前，大脑就已经将偏差声音与标准声音的记忆痕迹进行了对比。
关于大脑如何产生 MMN 的两个主要假设是什么？
适应假设认为，重复的标准声音会导致神经元降低放电率，因此罕见的偏差声音会激活“新鲜”的神经元，从而产生更大的反应。模型调整假设认为，大脑主动构建听觉环境的内部模型，而 MMN 反映了当偏差违背预期时更新该模型的过程。
预测编码如何解释 MMN？
预测编码是一个统一的框架，它认为大脑会根据学到的规律积极预测即将到来的声音。当实际输入偏离预测时，就会产生预测误差信号，而 MMN 被理解为该预测误差信号的电生理表现。
什么是多标准范式，为什么要使用它？
多标准范式以相等的概率呈现许多不同的音调，从而没有任何单一的音调重复到足以引起神经适应。这使研究人员能够将偏差检测与适应效应区分开来，而这两者在传统的奇球范式中是混淆的。
什么是 MMNm？它与 MMN 有何不同？
MMNm 是 MMN 的磁对应物，用脑磁图 (MEG) 代替脑电图 (EEG) 进行记录。它提供了更好的空间分辨率，用于区分来自不同大脑区域（例如颞叶和额叶产生源）的贡献。
设计 MMN 实验时应考虑哪些因素？
研究人员必须深思熟虑地选择偏差类型、概率和幅度，因为这些参数系统地塑造了 MMN 的反应。较低的概率和较大的偏差幅度会产生较大的振幅，而且使用频率和持续时间偏差对于临床研究至关重要。当需要将适应与偏差检测分离开来时，多标准范式应与传统的奇球范式相伴。
Emotiv 是一家神经技术领域的领导者，致力于通过易于获取的 EEG 和脑数据工具推动神经科学研究发展。
医疗免责声明：本网站提供的信息仅用于教育和信息参考目的，不作为医疗或健康建议。这些内容可能包含错误，不应作为做出改变生活的健康、医疗或生活方式选择的依据。如果您对医疗状况或治疗有任何疑问，请始终咨询您的医生或其他合格的健康服务提供者。
克里斯蒂安·布尔戈斯
