圖片來源@視覺中國
文 | 陳根
作為承載人類意識的載體，大腦結構和運行機制的復雜是眾所周知的。其中，大腦的運轉主要依靠多重神經元網絡在多個腦區之間架起信息交流的橋梁，一個神經元細胞可以與50000個神經元細胞交流信息。
即使人們處於睡眠狀態，大腦中的神經元也無時無刻不在相互交流。在60年前科學家掌握了記錄單個神經元的技術之後，他們就知道大腦活動會頻繁發生變化，即便沒有明顯的理由表明大腦應當如此變化，但事實依舊如此。
也就是說，大腦的神經活動是不規則的，是從一個瞬間到另一個瞬間的變化。並且，無論是否評估單個神經元或整個大腦區域，都會出現這種神經活動異常。大腦總是顯得“嘈雜”，然而就是這種“嘈雜”，為大腦的科學研究帶來了新的令人驚喜的發現。
大腦“噪音”何起？用腦電圖儀在頭皮表面記錄到的自發腦電活動，就是所謂的腦電圖（EEG）。1875年，英國生理學家RichardCaton首次從動物大腦皮層記錄到節律性腦電波；1928年，德國精神病學家HansBerger則在前者基礎上首次記錄到人的腦電波。
腦電波的基本波形包括a、β、θ和δ波四種。其中，a波的頻率為8~13Hz，幅度為20~100μV，常表現為波幅由小變大再由大變小，反復變化而形成a波的梭形。a波在枕葉皮層最為顯著，成年人在清醒、安靜並閉眼時出現。
睜眼或接受其他刺激時立即消失而呈快波，即β波，這一現象也被稱為a波阻斷。β波的頻率為14~30Hz，幅度為5~20μV，在額葉和頂葉較顯著，是新皮層處於緊張活動狀態的標誌。
θ波的頻率為4~7Hz，幅度為100~150μV，是成年人困倦時的主要腦電活動表現，可在顳葉和頂葉記錄到。
δ波的頻率為0.5~3Hz，幅度為20~200μV，常出現在成人入睡後，或處於極度疲勞或麻醉時，在顳葉和枕葉比較明顯。
腦電波的發現和腦電圖記錄的實際應用實現了人們對睡眠狀態的準確判斷和定量分析，成為研究睡眠的必備手段。根據腦電圖，睡眠被分為了眼球快速運動（REM）睡眠，也叫做快速眼動睡眠或快動眼睡眠，具體表現為眼球快速運動並且發生夢境，以及與眼球快速運動睡眠恰好相反並且持續較長時間的非眼球快速運動（NREM）睡眠。
不論是眼球快速運動（REM）睡眠，還是非眼球快速運動（NREM）睡眠，都是根據腦電波節律性電位變化所分類。然而，在腦電波節律性電位變化外，還存在一種非節律性的電位變化，也就是所謂的大腦“噪音”。
對非周期性電位變化的認識可以追溯到1925年，J.B.約翰遜在研究的真空管噪音。四年後，德國科學家漢斯·博傑就發表了首份人類腦電圖研究報告。即便沒有明顯的理由表明大腦應當如此變化，但事實依舊如此，並且波動方式似乎完全隨機。
比如，當大腦形成α電波，即電波頻率在8-12赫茲/秒時，人們處於放松、準備進入睡眠的狀態。但是大腦的電波輸出並不是完美的平滑曲線，相反，當它們陡增到頂峰、下衝到谷底時，這些線會產生抖動。有時大腦活動沒有規律，使其看起來更像電噪音。
當前，大腦噪音這一現象被給予諸多命名，有人稱其為“1/f斜率”或“無標度活動”，也有研究人員將其命名為“非周期性信號”或“非周期性活動”。盡管神經科學家在幾十年前就已經知道了自發性的大腦波動，但一直不知道是什麼原因造成的。
研究人員只是將這種現象歸結為“隨機背景噪聲”，仍繼續專註於分析更容易測試的有意識大腦活動。但是，隨著研究人員開發出能夠有效分析這些“大腦噪音”的算法，他們開始意識到，這種腦電活動並非真正的噪音，而是具有更深層的含義 ——它或許指示了大腦中神經活動的狀態，甚至有可能判斷意識的邊界。
大腦噪音之必要如上所述，很長一段時間以來，研究人員都不認為這些“大腦噪音”能帶來有用的信號——2014年發表於《認知科學趨勢》的一篇綜述中寫到，或許是因為噪音看起來如此普遍，許多生物學家並不認為通過對噪音進行1/f特征轉化，可以得到有用的信號。他們認為這可能是儀器自身發出的噪音。
但與此同時，也有越來越多的研究駁斥了這一觀點。紐約大學的研究人員就發現，儀器噪音的幅度遠小於非周期性腦電活動。並且，越來越多的證據表明，無標度的腦電活動會給大腦功能帶來益處。
為了量化非周期性腦電活動，科學家們做了不同的努力。一方面，有科學家分解了原始的腦電圖數據，就像用棱鏡將太陽光分成不同顏色。為此，他們首先采用了傅立葉分析技術。在任何一段時間內繪制的數據都可以表示為三角函數的和，例如正弦波，而三角函數可以通過頻率和振幅來表示。
科學家可以將不同頻率下的波幅繪制成一張圖表，即功率譜（power spectrum）。功率譜的幅度通常用對數坐標系表示，因為它們的數值範圍很大。對於純隨機的白噪聲，功率譜曲線相對平坦，呈水平狀態，因為它在所有頻率下都是近乎相同的。
但神經活動產生的曲線具有負斜率，因為低頻腦電波的振幅更高，而高頻腦電波的強度則呈指數下降。這條曲線被稱為1/f，表示頻率和振幅具有反向關系。加拿大不列顛哥倫比亞大學的認知神經學家勞倫斯·沃德表示，用這種方式分析腦電圖數據，類似於在一座公鐵兩用橋上用錄音機記錄聲波。
隨機經過的汽車輪胎發出的嗡嗡聲，制造出非周期性的背景噪音；而列車每10分鐘一次的鳴笛會產生具有峰值的周期性信號。在數據中，這個信號明顯比背景信號突出。一次突發性事件，如長時間的鳴笛或車輛相撞，就會在聲波中產生明顯的尖峰，影響1/f的整體斜率。
另一方面，研究人員嘗試開發工具來支持對於大腦噪音的研究，加利福尼亞大學聖疊戈分校的認知科學和數據科學副教授布拉德利·沃伊特克就是其中的先行者。沃伊特克希望神經學家能利用軟件從任何數據集中，自動分離出周期性和非周期性的腦電波特征，並尋找出有意義的1/f趨勢線。
因此，通過與加利福尼亞大學聖疊戈分校和伯克利分校的神經科學家合作，沃伊特克開發了一種軟件，可以分離出隱藏在非周期性腦電活動中的規律性腦電波。比如α波，科學家對睡眠和清醒狀態下的α腦電波已經進行了大量的研究。
這為神經科學家提供了一種新的工具，用於剖析有規律的腦電波和非周期性腦電活動，以便理清它們在行為、認知和疾病中的作用。
大腦噪音將帶來什麼？可以說，自發性大腦波動是一種不應被低估的工具，其帶來的影響和作用也正在超越人們的想像。
首先，借助沃伊特克的軟件，有研究人員發現，快速眼動睡眠期間，在受試者腦電圖的非周期性噪音中，高頻腦電活動的下降速度比清醒時更快。換句話說，功率譜斜率的絕對值更大。研究人員認為，非周期性腦電活動可以作為衡量一個人意識狀態的特定標誌。像這種新的客觀指標，可能有助於了解昏迷患者的麻醉狀態，並改善治療過程。其研究於2020年7月在線發表於eLife。
還有一些使用沃伊泰克開發的軟件所進行的研究，其中包括對多動癥藥物療效的調查，以及基於性別差異對自閉癥患者大腦活動的研究。他們和團隊的其他成員在模擬數據庫中測試了代碼的性能，肯定了利用此工具進行新研究的可能性。
其次，在《意識與大腦》一書中，法國神經學家斯坦尼斯拉斯·德阿納也提到：“神經元不僅能容忍噪聲，還能放大噪聲。”神經元的工作原理是放大認知波動，甚至利用這些波動的噪聲來幫助生成解決復雜問題的新方案。認知波動可能使我們更接近一個範式轉變，即“噪聲是新的信號”。
對這些認知波動的研究正引導研究人員以全新的方式進行心理健康治療。研究人員認為，這可能會在心理健康科學領域帶來一些難以置信的突破。對這些認知波動的研究正引導研究人員以全新的方式進行心理健康治療。
研究人員開始嘗試不再試圖減少抗抑郁藥引起的自發大腦波動，而是嘗試增加這些波動。這有些違反直覺，因為自發波動和走神也會導致抑郁性的沈思和焦慮。然而，通量理論認為，這些消極的思維習慣會受到大腦中大量自發性波動的幹擾，而這種幹擾會使一切放松下來，使我們改變舊的習慣。
在紐約大學的朗格尼成癮卓越研究中心，羅蘭·格裏菲思和斯蒂芬·羅斯給巴爾的摩和紐約市的80名重癥癌癥患者服用賽洛西賓，超過四分之三的患者表示，他們因害怕死亡而產生的抑郁和焦慮情緒得到了顯著緩解。即使在治療6個月後，這樣的改善效果仍然存在，並且與自發波動的放大有關。
最後，大腦噪音的研究或許還將為機器智能帶來新的研究路徑。要知道現代人工智能的核心挑戰之一就是在深度學習方面的困境，這使得人工智能經常變成人工智障。
比如，一輛黃色校車來說明如果是在鄉村公路上行駛，深度學習的神經網絡可以自信地準確識別出校車。然而，如果校車側方位停在馬路正對面，那算法可能就會很有自信地認為它是一輛掃雪車。如果從某個角度從下往上看，它又會被當作一輛垃圾車。
問題之一在於情境。當一張新圖像與訓練圖像集足夠不同時，即使差別只是簡單的旋轉或障礙物，深度學習的視覺識別也會發生錯誤。相反地，情境的生成似乎取決於某種非同尋常的連線和信號生成功能——至少在人類大腦中是這樣。如果人們能夠更準確地把握非同尋常的連線和信號生成功能，或許也將推動人工智能實現新的階段發展。
大腦不是完全確定性的，對於大腦的認知還在不斷更新。神經元鋪設的這個超級信息網絡貌似充滿了大量無意義的信號，但顯然，它們對於人們的行為有著十分重要的作用。探索其背後的機理，或許也將朝人類意識的邊界更近一步。