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
第四章 从反刍到当下:三网络模型与突显网络的切换
三个大尺度网络
静息时大脑并不安静。第 8 本已经讨论过默认模式网络(DMN)的能量预算、以后扣带回与内侧前额叶为中心的枢纽结构,以及资深禅修者在冥想中 DMN 去激活的证据,这里只回顾。梅农 2011 年把三个大尺度网络放进一个统一的框架,称为三网络模型 (Menon 2011):
- 默认模式网络:以后扣带回(PCC)与内侧前额叶(mPFC)为核心,在自我参照的思考、回忆过去与设想未来时活跃;
- 中央执行网络(CEN):以背外侧前额叶与后顶叶为核心,在需要维持与操作外部任务信息时活跃;
- 突显网络(SN):以前岛叶与背侧前扣带回为核心,检测内外环境中「重要」的事件,并在 DMN 与 CEN 之间切换。
梅农认为,许多精神疾病可以理解为这三个网络之间关系的失调:突显检测出错,或者切换不灵,使人困在 DMN 主导的自我参照状态中。第 24 本讨论过的波斯纳三网络(警觉、定向、执行控制)是另一套划分,二者不能混用。
证据
右侧额—岛叶的「切换」作用(人体功能磁共振)。 斯里达兰、列维京与梅农 2008 年在听觉事件切分、视觉怪球与静息三种条件下,用格兰杰因果分析等有效连接方法估计网络之间的影响方向,发现右侧额—岛叶皮层对 CEN 与 DMN 节点的影响大于反方向的影响,提出它在两个网络之间的切换中起因果作用 (Sridharan et al. 2008)。需要注意:这是从血氧信号的时间先后推断的「因果」,血氧信号的时间分辨率有限,区域之间血流动力学延迟的差别可能影响结论;它不是直接干预(例如刺激或损毁)的结果。
证据
反刍与 DMN(人体研究的综合)。 汉密尔顿、法默、福格尔曼与戈特利布 2015 年综述并汇总了抑郁症的功能连接研究,认为抑郁症患者 DMN 与膝下前扣带回之间的连接增强,并与反刍的程度相关,把反刍称为临床神经科学的「暗物质」(Hamilton et al. 2015)。这是相关性的证据:连接增强与反刍并存,不能直接说明降低连接就能减少反刍。
作者的框架说:多感官的仪式输入经前岛叶门控,把 PCC–mPFC 的叙事性自我反刍切换到「最小具身在场」。下面把这一说法的前半部分写成一个模型,后半部分留到本章最后讨论。
作者的模型:威尔逊—考恩型速率方程
威尔逊与考恩 1972 年用兴奋性与抑制性神经元群体的平均放电率方程描述局部神经群体的动力学 (Wilson and Cowan 1972)。本书把三个网络各当作一个群体,写成简化的威尔逊—考恩型速率方程(作者的模型,不是对任何数据的拟合):
DMN()与 CEN()各有自我兴奋,相互抑制;突显网络()抑制 、兴奋 ; 是自我参照的驱动, 是外部任务的驱动, 是外界的突显输入(在作者的框架中,就是多感官的仪式输入)。程序做三件事:A,在 主导的状态下给一段持续 20 个时间常数的突显输入;B,让 缓慢升高再降低,找切换点;C,加入噪声,测量离开 状态之前的平均停留时间。
推导
# Wilson-Cowan-type rate model of the triple network (Chapter 4). The author's model.
# Three populations: D (default mode), S (salience), C (central executive). Each obeys
# tau dx/dt = -x + F(u_x), F(u) = 1 / (1 + exp(-(u - 0.5) / 0.08))
# u_D = 0.6 D - 0.8 C - 0.8 S + I_D (self-referential drive I_D = 0.4)
# u_C = 0.6 C - 0.8 D + 0.6 S + I_C (task drive I_C)
# u_S = 0.4 S + I_S (salient, multisensory input I_S)
# S inhibits D and excites C, so it can switch the D-C competition (Menon's proposal).
# A: a 20-tau pulse of I_S, starting in the D-dominant state, for two task drives.
# B: a slow ramp of I_S up and down (hysteresis). C: with noise, the mean time before the
# D state is left, against I_S.
import math, random
ID, TAU, DT = 0.4, 1.0, 0.1
def F(u):
return 1 / (1 + math.exp(-(u - 0.5) / 0.08))
def step(x, i_s, ic, rng=None, sig=0.0):
d, s, c = x
ud = 0.6 * d - 0.8 * c - 0.8 * s + ID
uc = 0.6 * c - 0.8 * d + 0.6 * s + ic
us = 0.4 * s + i_s
n = [rng.gauss(0, sig * math.sqrt(DT)) for _ in range(3)] if rng else (0, 0, 0)
return (d + DT / TAU * (F(ud) - d) + n[0], s + DT / TAU * (F(us) - s) + n[1],
c + DT / TAU * (F(uc) - c) + n[2])
def run(amp, ic, t_end=80.0):
x, k, out = (0.9, 0.05, 0.05), 0, {}
while k * DT < t_end:
t = k * DT
x = step(x, amp if 20 <= t < 40 else 0.0, ic); k += 1
out[k] = x
return out
print("A pulse of salient input I_S between t = 20 and t = 40 (units of tau)")
for ic in (0.1, 0.2):
for amp in (0.2, 0.4):
tr = run(amp, ic)
cells = " ".join(f"t={t:2d} D {tr[t * 10][0]:.2f} C {tr[t * 10][2]:.2f}"
for t in (19, 39, 79))
print(f" I_C {ic:.1f}, I_S {amp:.1f}: {cells}")
def ramp(ic):
x, up, down = (0.9, 0.05, 0.05), None, None
for k in range(401):
i_s = 0.8 * k / 400
for _ in range(30):
x = step(x, i_s, ic)
if up is None and x[2] > x[0]:
up = i_s
for k in range(401):
i_s = 0.8 * (1 - k / 400)
for _ in range(30):
x = step(x, i_s, ic)
if down is None and x[0] > x[2]:
down = i_s
return up, down
def survives(x, i_s, ic, which, n=3000): # does the state stay D (0) or C (2)?
for _ in range(n):
x = step(x, i_s, ic)
return x[which] > x[2 - which]
def edge(ic, which, lo=0.0, hi=0.8): # bisection for where a state ends
start = (0.9, 0.05, 0.05) if which == 0 else (0.05, 0.95, 0.95)
if which == 2 and survives(start, lo, ic, 2):
return None # C exists even at I_S = 0
for _ in range(18):
mid = (lo + hi) / 2
ok = survives(start, mid, ic, which)
if (which == 0) == ok:
lo = mid
else:
hi = mid
return (lo + hi) / 2
print("B slow ramp of I_S (0 -> 0.8 -> 0): switching points seen by the scan (they")
print(" include sweep lag); bisection with long settling gives the state edges")
for ic in (0.1, 0.2):
up, down = ramp(ic)
back = f"{down:.3f}" if down is not None else "never (C persists at I_S = 0)"
print(f" I_C {ic:.1f}: ramp D -> C at I_S = {up:.3f}; C -> D at I_S = {back}")
d_end, c_start = edge(ic, 0), edge(ic, 2)
cs = f"from I_S = {c_start:.3f}" if c_start is not None else "already at I_S = 0"
print(f" edges: D state lost above I_S = {d_end:.3f}; C state exists {cs}")
print("C noise sd 0.22, I_C 0.1: mean time (tau) before the D state is left, 40 runs;")
print(" runs stopped at the 300-tau cap make the mean a lower bound")
for i_s in (0.0, 0.1, 0.2, 0.25, 0.3):
rng = random.Random(24); dwell = []
for _ in range(40):
x, k = (0.9, 0.05, 0.05), 0
while x[0] > x[2] and k < 3000:
x = step(x, i_s, 0.1, rng, 0.22); k += 1
dwell.append(k * DT)
cap = sum(1 for d in dwell if d >= 300)
print(f" I_S = {i_s:.2f}: {math.fsum(dwell) / len(dwell):6.1f}"
+ (f" lower bound: {cap} of 40 runs stopped at the cap" if cap else ""))
# A pulse of salient input I_S between t = 20 and t = 40 (units of tau)
# I_C 0.1, I_S 0.2: t=19 D 1.00 C 0.00 t=39 D 1.00 C 0.00 t=79 D 1.00 C 0.00
# I_C 0.1, I_S 0.4: t=19 D 1.00 C 0.00 t=39 D 0.00 C 1.00 t=79 D 1.00 C 0.00
# I_C 0.2, I_S 0.2: t=19 D 1.00 C 0.00 t=39 D 1.00 C 0.00 t=79 D 1.00 C 0.00
# I_C 0.2, I_S 0.4: t=19 D 1.00 C 0.00 t=39 D 0.00 C 1.00 t=79 D 0.00 C 0.97
# B slow ramp of I_S (0 -> 0.8 -> 0): switching points seen by the scan (they
# include sweep lag); bisection with long settling gives the state edges
# I_C 0.1: ramp D -> C at I_S = 0.324; C -> D at I_S = 0.226
# edges: D state lost above I_S = 0.312; C state exists from I_S = 0.241
# I_C 0.2: ramp D -> C at I_S = 0.324; C -> D at I_S = never (C persists at I_S = 0)
# edges: D state lost above I_S = 0.312; C state exists already at I_S = 0
# C noise sd 0.22, I_C 0.1: mean time (tau) before the D state is left, 40 runs;
# runs stopped at the 300-tau cap make the mean a lower bound
# I_S = 0.00: 104.0 lower bound: 4 of 40 runs stopped at the cap
# I_S = 0.10: 86.1 lower bound: 3 of 40 runs stopped at the cap
# I_S = 0.20: 55.8
# I_S = 0.25: 29.6
# I_S = 0.30: 11.3A 部分:突显输入 不够,状态不变; 时,在输入期间 降到 0、 升到 1。输入结束后会怎样,取决于任务驱动 : 时,到 状态回到 主导; 时, 主导的状态一直保持(0.97)。B 部分显示了滞后: 时,慢斜坡扫描中 升过 0.324 才从 切到 ,降到 0.226 以下才切回;这两个值含有扫描的滞后,用二分法让系统在每个 下充分稳定后求得的状态边界是: 主导态在 超过 0.312 时消失, 主导态从 起存在。 时, 主导态在 时已经存在,所以即使 降到 0 也不切回。C 部分:噪声使状态可以在没有足够输入时自发切换,平均停留时间随 增加而缩短,从 时的 104.0 个时间常数降到 时的 11.3; 与 0.1 时分别有 4 次与 3 次运行在 300 的上限处截断,所以 104.0 与 86.1 只是下界。图 4 画出了 A 与 B。
在本模型中,可以说三件事。第一,突显输入要超过一个门槛才能把系统从 主导切走,弱的输入没有作用。第二,切换能否在输入结束后保持,不取决于输入本身,而取决于之后是否有足够的任务驱动;没有后续的「事情可做」,系统会回到 主导。第三,在有噪声的系统中,突显输入的作用更像是缩短停留时间,而不是一劳永逸地改变状态。这三点都是模型的性质,参数是任意选择的,换一组参数,门槛与停留时间都会变。
「最小具身在场」是什么
作者框架所说的「最小具身在场」,在哲学与冥想研究的文献中大致指一种不伴随叙事的、对身体与当下的觉知。本书的模型里没有这样一个状态: 主导的状态是「外部任务」状态,它与「在场」不是一回事。要把「在场」放进模型,至少需要再加一个代表内感受注意的变量,并给出可测量的对应(例如岛叶活动、心跳觉察任务的表现)。所以「切换到最小具身在场」是作者的解释,不是模型或证据的结论。
还要注意一个方向性的问题。即使仪式期间 DMN 活动下降,这也可能只是因为人在做一件需要注意的事;任何有一定难度的任务都会降低 DMN 活动。要说明仪式有特别之处,需要与注意需求相匹配的对照任务比较。
假说 · 尚未验证 · 多感官仪式与反刍
作者的假说(尚未确立): 对反刍倾向较高的成年人,一段 10 分钟、包含固定动作序列、气味与声音的多感官仪式,比注意需求与时长相匹配的单感官任务(例如只听同样的声音并按键),在结束后 10 分钟内更少地出现自发的自我参照念头(用随机提示的经验取样测量)。什么样的结果能证明它是错的: 在预先登记的方案下,两种条件的自我参照念头比例之差的置信区间落在最小关注效应之内;或者差别只在仪式进行期间出现,结束后立即消失(这与本章模型中「没有后续任务驱动时回到 」的预测一致,但不支持「切换到在场」的说法)。
本章小结
梅农的三网络模型是一个整合性的框架;斯里达兰等人从有效连接分析推断右侧额—岛叶在网络切换中起作用,汉密尔顿等人综述了反刍与 DMN 连接增强的相关证据。作者的威尔逊—考恩型模型显示,在本模型中突显输入需要超过门槛( 主导态在 超过约 0.312 时消失;慢斜坡扫描测得 0.324)才能切换状态,切换能否保持取决于之后的任务驱动,噪声使输入的作用表现为缩短停留时间。「最小具身在场」不在模型之中,是作者的解释。第 8 本与第 24 本讨论过的 DMN 与注意网络只作回顾。
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).