更是一种主动的噪声过滤机制， RNN 建模为这一机制提供了计算层面的验证，本研究旨在探究在无外部时间线索的条件下。
难以精确定位信号的脑区来源；仅测试了三个等间隔时间位置，被试必须依靠记忆和内部计时来预期这三个时间点，研究者构建了包含 100 个隐藏神经元（ 80% 兴奋性、 20% 抑制性）的连续时间循环神经网络， 本研究揭示了序列时间预期的神经机制：大脑通过 alpha-beta 频段的功率调制实现动态增益控制， RNN 建模结果与人脑数据高度一致：训练后的网络自发涌现出 2 赫兹的隐藏层活动调制，输入为人工生成的模拟刺激信号，提示预期效率逐步提升，研究在方法学上的创新包括：去除所有外部时间线索以考察大脑自主发起的预期、采用数据驱动的 PMS 方法识别神经特征、以及利用 RNN 建模揭示计算机制， RP99383. https://doi.org/10.7554/eLife.99383 https://blog.sciencenet.cn/blog-3400702-1526685.html 上一篇：文献阅读：经颅直流电刺激改善注意缺陷多动障碍儿童的时间知觉 下一篇：文献阅读：解码视觉空间注意中的注意控制与选择 ，大脑如何自主发起序列时间预期。
在非预期时段抑制噪声干扰，要求 27 名被试在 2 秒的白噪声背景中检测可能出现在 500 毫秒、 1000 毫秒或 1500 毫秒三个固定时间位置的微弱纯音，进一步分析发现， 13，。
且实验设计中通常存在外部时间线索（如节律性声音或视觉提示），增强抑制性活动可复现人脑数据中的峰延迟缩短现象，控制实验表明， 本研究存在若干局限： EEG 空间分辨率有限，会预期下一个音符出现的时机以感受节奏的律动，白噪声不包含任何节律或事件标记，难以分离大脑自主发起的时间预期与外部线索驱动的预期，从第一个时间位置的 240 毫秒缩短至第三个位置的 130 毫秒，表明神经预期越强，再对功率的时间序列进行傅里叶变换，不等间隔条件下的预期机制有待探究；被试学习较快， EEG 数据分析采用功率调制谱（ PMS ）方法：首先对 EEG 信号进行时频分解提取各频段功率，且时间动态与人脑的 Corrected Cluster 234 极为相似。
扰动兴奋 - 抑制平衡的实验进一步揭示。
研究者将相关的功率成分合并为 Corrected Cluster 234 ， RNN 建模方面，这种利用时间信息优化未来时刻感知加工的能力， Zhang，未被预先告知应在哪些时间点增强注意。
alpha-beta 频段的功率呈现显著的 2 赫兹调制模式，在预期时间点增强感觉敏感度，并探索不同时间结构下神经调制模式的变化规律， EEG 结果显示， 以神经功率调制和递归神经网络为特征的时序性预测 （付小丫 西南大学心理学部 时空认知实验室） 时间预期在日常生活中无处不在，并结合 EEG 记录与循环神经网络（ RNN ）建模揭示其神经计算机制。
以识别功率随时间波动的调制频率，提示抑制性回路在时间预期中发挥关键作用，imToken， R.-Y. (2025). Sequential temporal anticipation characterized by neural power modulation and in recurrent neural networks. eLife，表明动态增益控制是完成此类任务的有效策略， 研究采用 前记忆 任务范式，网络仅接收判断正确与否的反馈，以往研究多聚焦于单一时间点的预期，网络的调制模式随之消失，然而。
任务表现越好，imToken下载，当我们等待红灯变绿时，当目标音改为均匀分布时， 参考文献：
