5D Library › 仪式神经学、空间边界切换与自我转移的计算生物医学 · English
第六章 香、声与代价:多感官整合、呼吸节律与高代价信号
多感官仪式的三个说法
许多仪式同时调动几种感官:焚香、诵唱、钟声、烛光与固定的动作。作者的框架为此提出三个说法:多感官输入在微弱时相互增强得最多(「逆效应」);嗅觉的萜烯分子绕过丘脑直达梨状皮层与杏仁核,与声学谐波一起作用,并通过呼吸锁定的 θ–γ 相位—振幅耦合影响大脑;仪式的高代价通过信号博弈维持群体合作。本章逐一核对。第 34 本已经讨论过多感官的最大似然整合与因果推断,第 44 本讨论过集体同步,第 35 本讨论过合作与声誉,这里只回顾。
逆效应:神经元的非线性,还是统计假象
证据
多感官整合的单神经元证据(动物实验)。 梅雷迪思与斯坦 1983 年在猫的上丘中记录到同时接受视觉、听觉与体感输入的神经元:两种刺激在空间与时间上接近时,神经元对组合刺激的反应可以远大于对单一刺激的反应 (Meredith and Stein 1983)。斯坦与斯坦福 2008 年的综述把单神经元水平的整合归纳为空间规则、时间规则与逆效应:单一刺激越弱,组合带来的相对增强越大 (Stein and Stanford 2008)。多感官增强通常用 来度量, 是对组合刺激的反应。
逆效应有一个简单的来源:神经元的输出是输入的 S 形函数。下面程序的 A 部分让一个模型神经元把视觉与听觉的驱动相加,再通过 S 形函数(自发放电 2 次、最大 50 次)。B 部分说明霍姆斯 2009 年指出的统计问题 (Holmes 2009):如果按观察到的单感官反应把神经元分成「弱」与「强」,再用同一批数据计算增强,那么即使每个神经元都是纯粹相加的、真实增强完全相同,也会看到逆效应。
推导
# Inverse effectiveness: from an output nonlinearity, and as a statistical artefact
# (Chapter 6). Synthetic. Multisensory enhancement (Meredith & Stein):
# ME = (CM - max(V, A)) / max(V, A) x 100 %, CM = response to the combined stimulus.
# A: a model neuron sums visual and auditory drives and passes them through a sigmoid
# (rate = 2 + 48 / (1 + exp(-(u - 5)/1.2)) spikes); V and A drives are equal.
# B: purely additive neurons (true ME = 100 % for every neuron) with Poisson spike counts
# (5 trials per condition). Sorting neurons by their OBSERVED unisensory response and
# computing ME from the same data produces "inverse effectiveness" from noise alone.
import math, random
def rate(u):
return 2 + 48 / (1 + math.exp(-(u - 5) / 1.2))
print("A drive per sense V = A (spikes) CM (spikes) ME (%) CM / (V + A)")
for u in (1.5, 2.5, 3.5, 4.5, 5.5, 7.0):
v = rate(u); cm = rate(2 * u)
print(f" {u:10.1f} {v:15.1f} {cm:13.1f} {100 * (cm - v) / v:9.0f}"
f" {cm / (2 * v):12.2f}")
def poisson(rng, lam):
lim, k, p = math.exp(-lam), 0, 1.0
while True:
p *= rng.random()
if p <= lim:
return k
k += 1
rng = random.Random(1983)
cells = []
for _ in range(3000):
m = 6.0 # identical true means
obs = [math.fsum(poisson(rng, lam) for _ in range(5)) / 5 for lam in (m, m, 2 * m)]
cells.append(obs)
cells.sort(key=lambda o: max(o[0], o[1]))
print("B additive neurons, all with V = A = 6 and CM = 12 spikes (true ME = 100 %)")
for lab, part in (("weakest third", cells[:1000]), ("middle third", cells[1000:2000]),
("strongest third", cells[2000:])):
me = [100 * (c[2] - max(c[0], c[1])) / max(c[0], c[1]) for c in part]
print(f" {lab:16s} by observed max(V, A): mean ME {math.fsum(me) / len(me):6.1f} %")
# A drive per sense V = A (spikes) CM (spikes) ME (%) CM / (V + A)
# 1.5 4.5 9.6 116 1.08
# 2.5 7.3 26.0 255 1.78
# 3.5 12.7 42.4 234 1.67
# 4.5 21.1 48.3 129 1.15
# 5.5 30.9 49.7 61 0.80
# 7.0 42.4 50.0 18 0.59
# B additive neurons, all with V = A = 6 and CM = 12 spikes (true ME = 100 %)
# weakest third by observed max(V, A): mean ME 115.1 %
# middle third by observed max(V, A): mean ME 82.7 %
# strongest third by observed max(V, A): mean ME 57.9 %A 部分:单感官驱动为 2.5 时,单一反应 7.3 次,组合反应 26.0 次,增强 255%,组合反应是两者之和的 1.78 倍(超相加);驱动为 7.0 时,增强只有 18%,组合反应是两者之和的 0.59 倍(次相加,接近饱和)。在最弱的一端(驱动 1.5),增强反而降到 116%,因为反应被自发放电主导;所以「越弱越增强」在本模型中只在一段范围内成立。B 部分:3,000 个纯相加的神经元,真实增强都是 100%,按观察到的单感官反应分成三组后,最弱一组的平均增强为 115.1%,最强一组为 57.9%。这是回归均值与「取最大值」的偏倚造成的。图 5 左画出了 A 部分的曲线。
所以逆效应既可以来自真实的非线性,也可以部分来自分析方法。用到仪式上,「微弱的香与微弱的声合在一起效果最大」是一个可以检验的预测,但需要事先固定刺激强度的分组,并用独立的数据定义「弱」与「强」。
嗅觉:不经丘脑的主要通路,与经丘脑的旁路
嗅觉的解剖有一个独特之处:嗅球的输出不经过丘脑中继,直接到达梨状皮层、杏仁核的皮质核团与外侧内嗅皮层等结构;其他感觉都要先经过丘脑。这一点作者框架说得对。但「绕过丘脑」需要补充:梨状皮层还经丘脑背内侧核投射到眶额皮层,形成一条经丘脑的旁路,它可能参与嗅觉注意与气味辨别 (Courtiol and Wilson 2015)。
作者框架特别提到「萜烯」。萜烯是许多植物香气(如松、柠檬、薰衣草)中的一大类分子;它们与其他气味分子一样经嗅觉受体被检测,没有证据表明它们有一条特殊的通路。有关吸入某种香气改善情绪的人体研究,大多样本小、难以设盲(参与者闻得到),本书不把它们写成疗效证据。
呼吸锁定的振荡与相位—振幅耦合
证据
经鼻呼吸夹带边缘系统振荡(颅内记录与行为实验)。 泽拉诺等人 2016 年在药物难治性癫痫患者的颅内电极记录中发现,自然的经鼻呼吸夹带梨状皮层的慢振荡,并与杏仁核、海马的振荡同步;振荡功率在吸气时最高,改为经口呼吸时消失。在健康人中进行的平行行为实验发现,吸气时恐惧面孔辨别得更快,记忆提取也更好 (Zelano et al. 2016)。这说明呼吸节律可以组织边缘系统的活动;但它是在少数患者中观察到的相关,没有说明任何特定的「仪式呼吸」通过这一途径产生了治疗作用。
作者框架进一步说「呼吸锁定的 θ–γ 相位—振幅耦合」。相位—振幅耦合(PAC)指一种慢节律的相位调制一种快节律的振幅。托尔特等人 2010 年提出的调制指数是常用的度量 (Tort et al. 2010):把慢节律的相位分成 个区间,计算快节律在每个区间中的平均振幅,归一化成分布 ,再计算它与均匀分布的距离 。下面的程序在合成信号上计算它,所有滤波都用标准库实现的快速傅里叶变换完成。信号有三种:一是 6 Hz θ 的相位调制 60 Hz γ 的振幅,且调制在 0.25 Hz 呼吸周期的「吸气」半周较强;二是同样的信号但没有调制;三是完全没有 γ 振荡,只有一个尖锐的、非正弦的 6 Hz 波形。显著性用把振幅序列循环平移 200 次得到的替代分布评估。
推导
# Phase-amplitude coupling and Tort's modulation index on synthetic signals (Chapter 6).
# Sampling 250 Hz, 16,384 samples (65.5 s). Band-pass filtering and the analytic signal
# are done with a radix-2 FFT (masking), so only the standard library is needed.
# MI = (log N - H(P)) / log N, P = mean gamma amplitude in N = 18 theta-phase bins,
# normalised (Tort et al. 2010). Surrogates: the amplitude series circularly shifted by
# a random lag of at least 2 s, 200 times; z = (MI - mean) / sd of the surrogates.
# Signals (theta frequency jitters around 6 Hz): (1) theta whose phase modulates 60-Hz
# gamma, the coupling stronger during "inspiration" of a 0.25-Hz breathing cycle;
# (2) the same without modulation;
# (3) a sharp, non-sinusoidal 6-Hz wave (harmonics to 15 x 6 Hz) and NO gamma at all.
import cmath, math, random
FS, N = 250.0, 16384
def fft(x, inv=False):
a = list(x); n = len(a); j = 0
for i in range(1, n):
bit = n >> 1
while j & bit:
j ^= bit; bit >>= 1
j |= bit
if i < j:
a[i], a[j] = a[j], a[i]
size = 2
while size <= n:
ang = (2 if inv else -2) * math.pi / size
wl = [complex(math.cos(ang * k), math.sin(ang * k)) for k in range(size // 2)]
for st in range(0, n, size):
for k in range(size // 2):
u = a[st + k]; v = a[st + k + size // 2] * wl[k]
a[st + k] = u + v; a[st + k + size // 2] = u - v
size <<= 1
return [v / n for v in a] if inv else a
def analytic(spec, lo, hi):
out = [0j] * N
for k in range(1, N // 2):
if lo <= k * FS / N <= hi:
out[k] = 2 * spec[k]
return fft(out, inv=True)
def mi(phase, amp, bins=18):
s, c = [0.0] * bins, [0] * bins
for p, a in zip(phase, amp):
b = min(int((p + math.pi) / (2 * math.pi) * bins), bins - 1); s[b] += a; c[b] += 1
m = [s[i] / c[i] for i in range(bins)]; tot = math.fsum(m); P = [v / tot for v in m]
return (math.log(bins) + math.fsum(p * math.log(p) for p in P)) / math.log(bins), P
def signal(kind, rng):
x, th, y = [], 0.0, 0.0
for i in range(N):
t = i / FS; br = 2 * math.pi * 0.25 * t
y += -y / (0.5 * FS) + math.sqrt(2 / (0.5 * FS)) * rng.gauss(0, 1) # OU jitter
th += 2 * math.pi * (6 + 0.6 * y) / FS
if kind == "sharp":
v = math.fsum(math.sin(k * th) / k for k in range(1, 16))
else:
kap = 0.0 if kind == "none" else 0.8 * (1 + math.cos(br)) / 2
g = math.cos(2 * math.pi * 60 * t)
v = math.cos(th) + 0.25 * (1 + kap * math.cos(th)) * g
x.append(v + rng.gauss(0, 0.5))
return x
rng = random.Random(2010)
for kind, lab in (("coupled", "theta-gamma coupling"), ("none", "no coupling"),
("sharp", "sharp 6-Hz wave, no gamma")):
spec = fft(signal(kind, rng))
ph = [cmath.phase(z) for z in analytic(spec, 4, 8)]
am = [abs(z) for z in analytic(spec, 45, 75)]
m, P = mi(ph, am)
sur = []
for _ in range(200):
lag = rng.randrange(int(2 * FS), N - int(2 * FS))
sur.append(mi(ph, am[lag:] + am[:lag])[0])
mu = math.fsum(sur) / len(sur)
sd = math.sqrt(math.fsum((v - mu) ** 2 for v in sur) / (len(sur) - 1))
print(f"{lab:27s} MI {m:.5f} surrogates {mu:.5f} +- {sd:.5f}"
f" z {(m - mu) / sd:6.1f}")
if kind == "coupled":
br = [math.cos(2 * math.pi * 0.25 * i / FS) for i in range(N)]
for half, sel in (("inspiration half", [b > 0 for b in br]),
("expiration half", [b <= 0 for b in br])):
mh = mi([p for p, s in zip(ph, sel) if s],
[a for a, s in zip(am, sel) if s])[0]
print(f" {half:24s} MI {mh:.5f}")
# theta-gamma coupling MI 0.00187 surrogates 0.00012 +- 0.00008 z 21.8
# inspiration half MI 0.00506
# expiration half MI 0.00030
# no coupling MI 0.00006 surrogates 0.00009 +- 0.00005 z -0.6
# sharp 6-Hz wave, no gamma MI 0.00827 surrogates 0.00013 +- 0.00008 z 103.4有调制的信号 MI 为 0.00187,替代分布为 0.00012 ± 0.00008,;吸气半周的 MI(0.00506)远高于呼气半周(0.00030)。没有调制的信号 。但第三种信号,没有任何 γ 振荡,MI 为 0.00827,,比真实的耦合还「显著」。原因是尖锐的 6 Hz 波形含有 48、54、60、66、72 Hz 等谐波,落在 45–75 Hz 的「γ 频带」里,它们的振幅自然随 6 Hz 的相位起伏。阿鲁等人 2015 年详细讨论过这类假象:非正弦波形、尖峰与滤波器的选择都可以产生虚假的跨频耦合 (Aru et al. 2015)。图 5 右画出了三种信号的相位—振幅分布。
所以「仪式通过呼吸锁定的 θ–γ 耦合起作用」至少需要三步证据:在人身上记录到耦合;排除波形与滤波的假象;说明耦合的改变与主观或行为结局有关。目前作者框架引用的文献只支持第一步的一部分(呼吸夹带边缘系统振荡)。
高代价信号:仪式为什么要「难」
许多宗教仪式要求禁食、苦行、长时间的劳作或身体上的痛苦。艾恩斯 2001 年提出,宗教可以被看作一种「难以伪装的承诺信号」:只有真正认同群体的人才愿意付出这些代价,代价因此可以筛掉搭便车的人 (Irons 2001)。
证据
公社寿命与仪式要求(历史资料分析)。 索西斯与布雷斯勒 2003 年分析了 19 世纪美国的 83 个公社,发现要求更多高代价行为(如饮食、服饰、性与财产方面的规定)的公社存续时间更长,而且这种关系与宗教性有交互作用 (Sosis and Bressler 2003)。这是历史资料中的相关,公社的成立年代、规模与领导等因素都可能影响结论。
证据
极端仪式与亲社会行为(田野准实验)。 西加拉塔斯等人 2013 年在毛里求斯的大宝森节研究了两种仪式:低痛苦的集体祈祷与歌唱,以及高痛苦的卡瓦迪仪式(身体穿刺、背负重物长时间行走)。事后让参与者匿名向寺庙捐款,高痛苦仪式的参与者与旁观者捐得更多,自评的痛苦越大,捐得越多 (Xygalatas et al. 2013)。参与者不是随机分配到两种仪式的,所以这是准实验。
下面用一个筛选模型说明「代价」在什么条件下有用(作者的模型)。申请加入群体的人中,比例 是真正投入的人,他们从一个「质量」为 (群体中投入者的比例)的群体中得到 的价值;其余是搭便车的人,只得到 ()。每个加入的人都要付出仪式代价 。
推导
# A screening model of costly ritual (Chapter 6). The author's model, after the costly-
# signalling idea of Irons and Sosis. A share q of applicants are committed and value
# membership in a group of quality k (share of committed members) at v_H k; the rest are
# free-riders who value it at v_L k (v_L < v_H). Everyone who joins pays the cost c.
# Equilibrium group quality: k = q if c <= q v_L (everyone joins); free-riders join with
# a probability that leaves them indifferent, k = c / v_L, if q v_L < c < v_L; k = 1 if
# v_L <= c <= v_H; nobody joins if c > v_H. Net value to a committed member: v_H k - c.
VH, VL = 10.0, 4.0
def quality(c, q):
if c > VH:
return None
if c <= q * VL:
return q
return min(1.0, c / VL)
def free_rider_join(c, q):
k = quality(c, q)
if k is None or k >= 1.0:
return 0.0
if k == q:
return 1.0
return q * (1 - k) / (k * (1 - q)) # join probability giving quality k
print(f"v_H = {VH}, v_L = {VL}; ritual helps only if q < 1 - v_L/v_H"
f" = {1 - VL / VH:.2f}")
print("ritual cost c q = 0.3: quality net free-riders join"
" q = 0.7: quality net")
for c in (0.0, 1.0, 2.0, 3.0, 4.0, 6.0, 8.0, 11.0):
row = []
for q in (0.3, 0.7):
k = quality(c, q)
row.append(("-", "-", "-") if k is None else
(f"{k:.2f}", f"{VH * k - c:5.2f}", f"{free_rider_join(c, q):.2f}"))
a, b = row
print(f" {c:5.1f} {a[0]:>17s} {a[1]:>6s} {a[2]:>14s} {b[0]:>18s} {b[1]:>6s}")
for q in (0.3, 0.5, 0.6, 0.7):
vals = [(VH * quality(c / 100, q) - c / 100, c / 100) for c in range(0, 1001)]
top = max(v for v, _ in vals)
costs = [c for v, c in vals if abs(v - top) < 1e-9]
where = " and ".join(f"{c:.2f}" for c in costs)
tie = " (tie)" if len(costs) > 1 else ""
print(f"q = {q:.1f}: best cost {where}{tie} with net value {top:.2f};"
f" without ritual {VH * q:.2f}")
# v_H = 10.0, v_L = 4.0; ritual helps only if q < 1 - v_L/v_H = 0.60
# ritual cost c q = 0.3: quality net free-riders join q = 0.7: quality net
# 0.0 0.30 3.00 1.00 0.70 7.00
# 1.0 0.30 2.00 1.00 0.70 6.00
# 2.0 0.50 3.00 0.43 0.70 5.00
# 3.0 0.75 4.50 0.14 0.75 4.50
# 4.0 1.00 6.00 0.00 1.00 6.00
# 6.0 1.00 4.00 0.00 1.00 4.00
# 8.0 1.00 2.00 0.00 1.00 2.00
# 11.0 - - - - -
# q = 0.3: best cost 4.00 with net value 6.00; without ritual 3.00
# q = 0.5: best cost 4.00 with net value 6.00; without ritual 5.00
# q = 0.6: best cost 0.00 and 4.00 (tie) with net value 6.00; without ritual 6.00
# q = 0.7: best cost 0.00 with net value 7.00; without ritual 7.00当 时,没有仪式()的群体质量只有 0.30,投入者的净价值为 3.00;代价升到 时,搭便车的人全部不再加入,质量为 1.00,净价值为 6.00,这是最优点;代价再高,净价值下降( 时为 2.00),代价超过 时没有人加入。在代价 介于 与 之间的区间,搭便车的人以一定概率加入( 时为 0.43),使他们恰好无差别。当 时,最优代价是 0:搭便车的人本来就少,筛选得不偿失。在本模型中,仪式代价有用的条件是 ( 时两者相等,程序把代价 0 与 4 都列出并标为 tie),最优代价是恰好能筛掉搭便车者的最小代价 ;超出的代价是纯粹的浪费。
这个模型对作者框架的含义是:高代价只在群体面临搭便车问题时才有意义,而且「更难」不等于「更好」。用于个人的练习(没有搭便车问题)时,筛选模型不适用;那时仪式的代价只是代价。
假说 · 尚未验证 · 低强度多感官输入的增强
作者的假说(尚未确立): 在一项预先登记的实验中,把气味与声音的强度各分为事先固定的弱、中、强三档(由独立的预实验确定),弱气味与弱声音的组合对自评放松度的增强比例(相对于两者中较强的单一刺激)大于强与强的组合。什么样的结果能证明它是错的: 增强比例在三档之间的差别的置信区间包含零;或者用独立数据定义强弱之后,原先观察到的逆效应消失(这会说明它是统计假象)。
本章小结
逆效应在单神经元中有真实的非线性来源,但按观察值分组也能制造出它(本书模拟中真实增强都是 100%,分组后为 115.1% 与 57.9%)。嗅觉的主要通路不经丘脑中继,但存在经丘脑背内侧核的旁路;萜烯没有特殊通路。泽拉诺等人的颅内记录显示经鼻呼吸夹带边缘系统振荡;相位—振幅耦合的调制指数可以被非正弦波形伪造(无 γ 振荡时 )。高代价信号在历史与田野研究中与合作相关;作者的筛选模型显示,仪式代价只在搭便车者足够多时有用,最优代价是能筛选的最小代价。
参考文献
Fan, Y. (2026). Neurobiology of Ritual, Spatial Boundary Transitions and Computational Biomedicine of Self-Transcendence: From Predictive-Coding Free-Energy Minimisation, Default-Mode Network Decoupling and Vagal–Endocrine Restoration to Classical Chinese Medicine on Shifting the Spirit (Yijing Bianqi) [仪式神经学、空间边界切换与自我转移的计算生物医学] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23839910 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).