A059 Cell Reports 方法学解读｜只看放得准不准会漏掉什么？逐试次导航轨迹与海马募集

来源：公众号 PSY-Brain_Frontier ｜ 发布：2026-10-12 ｜ 原文链接

● 认知神经科学前沿文献分享

论文信息：Navigation strategies predict spatial memory and hippocampal recruitment

发表时间：2026-09-25

发表期刊：Cell Reports

原文图形摘要：三组参与者完成同一个虚拟导航任务，每条路径被量化为直线度（SI）、向边界偏离（DB）和路径重叠（PO），再与学习进程、放置误差和海马信号（BOLD、theta、gamma）联系起来。

01 只看“放得准不准”，会漏掉什么

空间记忆实验里最常用的指标是误差：参与者记住一个物体藏在哪里，再凭记忆走回去，研究者看放下的位置离正确位置有多远。这个数字很好用，但它只记录了终点，没有记录过程。两个人误差一样，一个可能是径直走过去的，另一个可能先绕到墙边，再沿着墙慢慢找。

导航研究常用两种参照框架来描述这些走法：异中心（allocentric）参照依赖环境线索之间的关系，类似心里有一张地图；自中心（egocentric）参照依赖自己的位置、视角和走过的路线。很多范式会控制实验条件，逼参与者只能用其中一种。可现实中的导航往往几种策略混着用。作者在引言里指出，人在不受限制的环境里怎样自发地选择策略、又该怎样量化，相关研究还很少。

E. Zita Patai、Nikolai Axmacher 等人在 Cell Reports 上的这项研究，重新分析了三组完成同一个虚拟导航任务的参与者：36 名健康对照、38 名 APOE-ε4 携带者，两组都在 fMRI 扫描中完成任务；另有 33 名植入了海马颅内电极的癫痫患者。APOE-ε4 是晚发型阿尔茨海默病最重要的遗传风险因素，这组参与者都是 18–29 岁的年轻人。有一个结果值得先记住：携带者和对照组的放置误差没有差别（p = 0.76）。如果只看误差，这两组几乎一模一样。

02 把每条路径变成三个数

任务在一个圆形虚拟场地里进行，参与者要记住 8 个日常物体的位置。每个试次先提示一个物体，参与者自由走到自己认为的位置“放下”，随后看到正确位置并走过去，那里就是下一个试次的起点。对照组和携带者平均每人完成约 230 个试次，患者约 130 个。作者只分析凭记忆找物体的那一段路径。

Fig. 1 中，A 是任务流程：提示物体、凭记忆走到目标处放下、看反馈、再走到正确位置；B 比较三组的放置误差，患者组明显更高，携带者和对照组没有差别；C 示意分段回归怎样找断点；D 显示三组的误差都先快后慢地下降，断点把学习分成早期和后期。

每条路径都要和一条参照路径比较：从起点直接走到参与者放下位置的直线。这样可以扣掉起点和场地边界本身对路线的限制。在此基础上，作者算出三个指标：

直线度（straightness index，SI）：直线距离除以实际走过的距离，越接近 1 越直，被视为推定的“地图式”走法。

向边界偏离（deviation to boundary，DB）：路径上每一点离边界的距离，减去参照直线上对应点离边界的距离，取中位数；正值表示更贴边，负值表示更往中心走，被视为“锚定”策略。

路径重叠（path overlap，PO）：把路径画到 50×50 的网格上，和通往同一物体的其他所有试次比较重叠比例，再减去参照直线的重叠比例，被视为推定的“走老路”式自中心策略。

三个指标彼此相关，但任何一个对另一个的解释都不超过 51% 的方差。因此作者同时保留三个维度，没有把参与者归为“地图型”或“路线型”。他们也提醒，指标是直接测出来的，“策略”是从行为推断出来的：迷路时贴着墙走，或者拿不准时随便直线走完，同样会让指标发生变化。

Fig. 2 中，A 是三个路径指标的算法示意；B 左侧是指标之间互相解释的方差比例，中间和右侧显示被试内方差远大于被试间方差、混合模型的残差远大于参与者随机效应（03 节的第一个发现）；C 是三组参与者走向同一目标的真实路径，同一个人的走法也相当分散。

统计上，他们用混合效应模型（参与者随机截距）把逐试次的指标与误差、与海马信号联系起来。初步分析发现这些关系并不是直线，于是改用分段（piecewise）混合模型：在预测变量上找一个让模型拟合最好的断点，断点前后各估计一条斜率，只有当分段模型明显优于直线模型时才保留断点。神经数据方面，fMRI 组以双侧海马 BOLD 信号为因变量，患者组以海马 theta（3–8 Hz）和高 gamma（60–90 Hz）功率为因变量，逐时间点建模，并校正时间自相关。

03 逐试次的轨迹让作者多看到了什么

第一个发现关于“策略到底是什么”。三个指标的被试内方差都大于 0.9，被试间方差都小于 0.6；在混合模型里，残差方差是参与者随机效应的 4 倍以上，组内相关系数（ICC）只有 0.18–0.21。同一个人这一趟和下一趟的走法差别，比不同人之间的平均差别大得多。走法更像一种随时在调整的状态，算不上稳定的个人特征。如果先给每个人贴上“地图型”“路线型”的标签，这部分变化在第一步就被抹掉了。

第二个发现来自分段模型。对照组里，路径越直误差越小，这个关系一直持续到一个断点；过了断点，方向反了过来。作者查看这些试次后认为，极直的路径多半出现在参与者拿不准、干脆走一条短直线结束试次的时候。如果只用一条直线去拟合，这两段截然不同的关系就混在了一起。分段模型还显示，走法会随学习改变：对照组在学习早期受益于重复走熟悉的路线，后期更多受益于直走；携带者在早期则受益于往边界靠。两组的总体差异（携带者更贴边，对照组更往中心走）主要来自学习早期。

Fig. 4 中，三个指标分别预测放置误差（纵轴为校正后的误差百分位，越低越好），绿、粉、蓝分别为对照、携带者和患者。A 为整个实验，B 分学习早期和后期；竖虚线是分段模型的断点。

第三个发现最能说明这套方法的用处。单看海马 BOLD 和误差的关系，对照组里两者没有关联（p > 0.1），携带者里则是 BOLD 越高误差越小。如果分析停在这里，很容易得出“对照组完成任务不太依赖海马”的印象。按走法拆开后，情况就不一样了：对照组走得越直，海马 BOLD 越低；往中心偏或者重复走老路时，海马 BOLD 反而升高。作者认为，不同的有效走法把海马 BOLD 往相反的方向推，可能正是总体上看不到关联的原因。携带者那边，往中心和往边界的“锚定”都伴随 BOLD 升高，这也可能解释了为什么这一组整体上海马越活跃、表现越好。

Fig. 5A 是海马活动与表现的总体关系：携带者（粉）的海马 BOLD 与误差相关，对照（绿）没有；患者组中 gamma（灰）与误差相关，theta（蓝）没有。B 按三个路径指标拆开：上排为 fMRI 两组的海马 BOLD，可以看到直线度与“往中心/往边界偏”、路径重叠把 BOLD 推向相反方向；下排为颅内记录的 theta 和 gamma。

颅内记录提供了另一种尺度的信号：在患者组里，路径越直，海马 theta 功率越高、gamma 功率越低；往边界偏和走老路时，theta 则下降。作者检查了行走速度：走得直的试次确实更快，但速度本身并没有带来更高的 theta，所以这个结果不太可能只是速度造成的。总体上 BOLD 与 theta 呈反向关系，但往中心偏时两者同时升高，所以两种信号不能简单地互相换算。

解读时有几处要小心。这是对已有数据的重新分析，策略没有被随机操纵，只能说走法与表现、与海马信号相关。三个指标是作者结合假设和数据定义的，换一种环境（比如网格状的城市街道）可能需要另一套指标。BOLD 和颅内电生理来自不同的人群，二者的比较是间接的。作者对携带者“补偿性募集”的解释，也明确标为推测。

04 你的数据也能这样分析吗

这项研究用的是“动态与状态分析”中的轨迹分析：把一段连续的行为时序变成逐试次、可比较的指标，再与表现或神经信号一起建模。只要实验记录了连续的位置，就可以考虑这条思路，比如 VR 或真实环境中的导航、动物在旷场和迷宫中的运动轨迹、眼动的扫视路径、鼠标或手柄的移动轨迹。

比较适合的问题有三类：被试在一个任务里会不会换策略；同样的表现背后是不是不同的走法，例如风险组和对照组误差相同的时候；神经信号与表现“无关”时，是不是不同策略的效应相互抵消了。

迁移时值得先想清楚三件事。第一，参照路径怎么定。这项研究用起点到放下点的直线来扣除场地几何的影响；换成有障碍物或走廊的环境，参照路径可能要改成最短可行路径。第二，指标的含义要重新解释。贴边在圆形场地里被视为锚定，在别的场景里可能只是习惯，也可能是迷路，最好像作者这样检查指标与表现的关系是不是单调的。第三，保留试次层面的变化。先给每个人求平均再做组间比较，最容易丢掉的恰恰是这项研究最核心的发现。

作者已把路径指标和统计分析代码公开在 Zenodo（https://doi.org/10.5281/zenodo.21487296），实现细节可以直接参考。