这项研究的所有方面都是严格按照马萨诸塞州杨百翰制度审查委员会批准的。筛选了右手英语的英语女性，正在筛选出清醒的微电极记录引导的深脑刺激器植入以进行入学。由神经外科医生，神经系统医生和神经心理学家组成的多学科团队进行了手术临床考虑。手术计划由外科团队独立制定，而无需考虑研究参与。参与者仅在以下情况下才参加：（1）手术计划是为了清醒的微电极记录引导的放置，（2）患者至少18岁，（3）他们具有完整的语言功能，具有英语流利性，（4）能够提供知情的同意进行研究参与。参与研究是自愿的，所有参与者都被告知他们随时可以自由退出研究。

　　作为我们机构中深脑刺激剂植入的一部分，参与者通常是清醒的，微电极记录用于优化深脑结构的解剖靶向46。在这些情况下，电极通常横向偏向语言的前额叶前额叶皮质3,4,5,6，先前显示的区域中涉及3,4,4,5,6,6,7,8,9,11,11,11,12和句子构造13,13,14,15,16，与他们的Artotorpulation 53,51,51,52,52,52,52,52,52,52,52,52,52,52,522,522,522,522。通过成像研究进行处理17,18,19（扩展数据图1A，b）。所有微电极入口点和位置纯粹基于计划的临床靶向，并且独立于任何研究考虑。

　　无菌神经质质探针（V.1.0-S，IMEC，通过生物内的氧化乙烷54灭菌）以及3B2 IMEC尾巴均连接到插管上，并连接到Rosa One Brain（Zimmer Biotic）机器人臂的机械手。在这里，在通过植入的伯尔孔的直接机器人导航引导下将探针插入皮质色带中（图1A）。探针（宽度为70 µm；长度为10 mm；厚度为100 µm），包括总共960个接触位点（384个预选记录通道），该位置在Chequerboard模式下放置，大约25 µm Centre-Centre-Centre-Centre-Centre-Mestre-Mestre-Never-Never-Never-Never-Never-Never-Never-Never-eimper-Neimper-Neimper-Neimper-Neimper-Neimper-Neimper-Neimper-Neimper-Neimper-Neimper-Nemper-neck spacing。IMEC的媒体舞台通过多重电缆连接到PXIE采集模块卡（IMEC），该卡安装在PXIE机箱（PXIE-1071底盘，国家仪器）中。使用SpikeGLX（V.20201103和V.20221012-Phase30; http://billkarsh.gith.io/spikeglx/）或OpenEphys（v.0.5.5.3.1.5.3.1 and v.0.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.6.0;记录以30 kHz采样采样的动作电势频带（AP，从0.3到10 kHz过滤），并以2,500 Hz采样了本地场电位带（LFP，从0.5到500 Hz滤波的带通路）。一旦确定了假定的单位，将简短地将神经固定探针定位为确认信号稳定性（我们没有筛选假定的神经元以供语音响应）。可以在参考文献中找到这种录音方法的进一步描述。54,55。在完成皮质的单个神经记录后，去除神经质子探针并按计划进行了皮层神经元记录和深脑刺激剂的位置。

　　单个神经元记录以两个主要步骤进行。首先，为了在高时空分辨率下跟踪假定的神经元的活动并考虑术中皮质运动，我们使用电生理学数据软件的分散注册（Dredge; https; https：//github.com/evarol/dredge）和插入方法（https：httpps：htttps：//githubiamez/william oz/william oz/william oz/william oz/william oz/简而言之，如前所述54,55,56，使用自动化协议使用分散的相关技术跟踪LFP电压，该技术与大脑运动相关的记录通道重新对齐（图1A，右）。然后，我们使用疏edge运动估算插入AP频带连续电压数据，以允许随时间稳定地跟踪假定神经元的活动。接下来，使用Kilosort（v.1.0; https：//github.com/cortex-lab/kilosort）从运动校正的插值信号中分离出单个单元，然后使用PHY进行聚类策划（v.2.0a1; https：//github.com/github.com/cortex-com/cortex-lab/phy; cortphy; Extendend;扩展数据）。在这里，基于其波形形态和主成分空间中的可分离性，其串联间隔曲线和跨触点波形的相似性选择单位。仅包括平均发射速率≥0.1Hz的单元溶解良好。从这些录音中获得的单位范围为每个参与者16-115个单位。

　　为了进行任务同步，我们使用了TTL输出和音频输出，通过SMA输入将同步触发器发送到IMEC PXIE采集模块卡。为了增加同步，还记录了通过PXIE板（PXIE-6341模块，国家仪器）连接的额外突破模拟和数字输入/输出板（BNC2110，国家仪器）。

　　具有音频输入的44 kHz采样频率（Tascam DR-40×4通道/ 4通道可移植音频记录器和USB接口）以44 kHz采样频率获得了音频记录。然后将这些录音发送到包含IMEC PXIE板的同一PXIE采集模块中的NIDAQ板模拟输入，该模块具有神经元数据的高保真时间对齐。神经元活性与行为事件的同步通过发送给IMEC PXIE板（同步通道）和模拟NIDAQ输入以及进入NIDAQ板上模拟输入通道的平行音频输入的平行端口通过TTL触发器进行。

　　录音以半自动化的方式注释（Audacity; v.2.3）。在Praat75和Audacity（v.2.3）中分析了参与者为每个单词和句子录制的音频。使用蒙特利尔强制对准器（v.2.2; https：//github.com/montrealcorpustools/montreal-forced-aligner）使用蒙特利尔强制对准器（v.2.2; https：//montrealcorpustood-Aligner）识别确切的单词和音素打击。这些措施共同使神经元活性与每个产生的单词和音素的级别对齐。

　　术前的高分辨率磁共振成像和术后计算机层析成像扫描是通过ROSA软件（Zimmer Biomet; v.3.1.6.276），Mango（v.4.1; https; https：//mangoviewer.com/mangoviewer.com/down.htload.html）和Freesurfer（V.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.7.4.4.1;https://surfer.nmr.mgh.harvard.edu/fswiki/downloadandinstall）重建皮质表面并确定获得神经偶像记录的皮质位置77,78,79,80,81。该注册允许将记录皮质部位的手术区域定位（图1A和扩展数据图1A）54,55,56。然后进行这些坐标的MNI转换，以将MNI空间中的位置注册，并使用fieldTrip Toolbox（V.20230602; https：//www.fieldtriptoolbox.org/;扩展数据图1b）82。

　　为了进行深度计算，我们根据观察到的信号的急剧信号变化估计了记录的沿着脑实质与大脑外部的信号的急剧信号变化。然后，我们引用了与此估计的PIAL边界有关的单单元记录深度（基于其最大波形振幅通道）。在这里，所有单元均根据其相对于皮尔边界的相对深度评估为浅表，中和深（扩展数据图7）。

　　参与者进行了基于启动的自然主义语音生产任务57，其中在屏幕上给了他们一个场景，该场景由必须以特定顺序和格式描述的场景组成。因此，例如，可以给参与者一个男孩和女孩玩气球的女孩的场景，或者可能会给他们一个狗追逐猫的场景。这些场景共同要求参与者产生的单词在语音，音节和形态句法含量上有所不同。他们还以一种要求他们以结构化格式产生单词的方式强调。因此，例如，可以以一种要求参与者制作“鼠标被猫追逐”的句子的方式突出显示场景，或者要求他们制作句子“猫正在追逐鼠标”（扩展数据图2A）。因为必须从头构造句子，所以它还要求参与者在不提供明确的语音提示的情况下产生这些词（例如，从听到并重复“猫”一词）。综上所述，这项任务允许检查神经元活动，其中阐明了单词（例如“猫”），而不是独立的语音声音（例如 /k /），并且在自然语音期间产生单词（例如，构建句子“狗追赶的猫”）而不是简单地重复（例如，听到和重复词）。

　　最后，为了说明感觉 - 感知反应的潜在贡献，三名参与者还进行了“感知”控制，他们听了与他们说话的单词。这些参与者之一进一步执行了听觉“播放”控制，他们听了自己的录制声音。对于此控件，使用高保真麦克风（Zoom Zum-2 USM麦克风）记录了参与者所使用的所有单词，然后在随机单独的单独块中以单词的逐字级别播放。

　　为了进行单个神经元分析并为每个单词提供组成表示，我们根据与其生产相关的关联器官的相对位置对组成的音素进行了分组。60。在这里，为了进行主要分析，我们根据既定的IPA类别选择了辅音的发音位置（例如，双拉辅音），这些IPA类别定义了涉及语音生产的主要表达式。对于辅音，音素是根据其表达的位置分组的，将其分为Glottal，Velar，palatal，Pastalal，术后，牙槽，牙齿，牙齿，唇形和双唇。对于元音，我们根据舌头的相对高度对音素进行了分组，并以舌头在相对较高的位置和中低（即中间+低）元音中产生高元音，并以较低的位置产生。在这里，这种音素的分组通常被称为“发音的地方”，共同反映了关节器官的主要位置及其用于产生58,59词的组合。最后，为了进行比较并测试其概括性，我们检查了辅音的辅音，摩擦，鼻，鼻，液体和滑翔的铰接方式，这些辅音描述了通过口腔和舌头各个部分的气流限制的性质。对于元音，我们还评估了主要的基本元音I，E，E，A，A，α，O和U，通过舌头相对于口腔的屋顶的舌头位置来描述，其向前或向后的位置，其向前或向后的位置，LIPS83,84的相对位置。这些语音分组的详细摘要可以在扩展数据表1中找到。

　　为了进一步评估神经元活性与每个单词的特定构成音素的存在之间的关系，每个单词中的音素是根据先前所述的英语词典项目（或必要的必要的美国英语中的朗曼词典词典）所提供的精确发音来解析的。因此，例如，“ like”（l-aɪ-k）一词将被解析为一系列肺泡 - 低速音素，而“自行车”（b-aɪ-k）一词将被解析为一系列bilabial-mid-low-mid-velar-velar-velar-velar-velar-velar-velar-velar phosemes。

　　然后使用这些组成的音素表示每个单词作为十维矢量，其中每个位置的值反映了每种类型的音素的存在（图1C）。例如，包含一系列肺泡中 - 低速音素的序列的“ like”一词由向量[0 0 0 0 1 0 0 0 1 0 0 1]表示，每个条目代表单词中相应类型的音素类型的数量。代表所有单词的矢量共同定义了语音“向量空间”。进一步的分析以评估每个单词的精确布置的精确布置，以下是下面的。下面进一步描述了用于评估对这些音素的单神经元响应及其在单词中的特定组合的拟合优点和选择性指标。

　　接下来，为了评估神经元活性与音节中音素的特定排列之间的关系，我们使用参考文献中提供的美国发音对每个单词进行了分析每个单词的组成音节。85。因此，“后退”将定义为唇级 - 低速序列。在这里，为了进行神经元分析并限制所有可能的音节的组合，我们选择了十种最常见的音节类型。高和中低的元音仅当它们本身反映了音节并与辅音不绑定时（例如， / ih / in'犹豫'或 / ah- / in“ adedore”）。与音素空间相似，然后将音节转换为n维二进制矢量，其中每个维度中的值反映了特定音节的存在（类似于音素空间的构造）。因此，对于此课程特征空间中每个单词的n维表示，也可以根据神经元活动来解释每个维度中的值。

　　为了说明音素和词素之间的功能区别62,63，我们还将单词解析为包含绑定的词素的单词（例如，“ re re –'）或后缀（例如，“ –ed”）。与音素不同，“重试”中的“定向”或“重新”中的“ –ED”等词素是能够具有含义的最小语言单元，因此，考虑到它们的存在，可以进一步检查其对神经元反应的影响。为了进行神经元分析并控制单词长度引起的神经元活动的潜在差异，模型还考虑了每个单词的音素总数。

　　为了评估按音量基础语音的发音音素的时变光谱特征，我们使用蒙特利尔强制对准器（v.2.2; https：//github.com/github.com/montrealcorpustoolcustools/montrealcustools/montreal-forced-aligner）确定了每个音素的出现。对于音高，我们以每个单词的每个音素为10到5,000 Hz的十个对数间隔频率箱的光谱功率。为了振幅，我们占据了每个音素记录的波形的根平方。

　　为了研究单神经活性和特定单词特征之间的关系，我们使用回归分析来确定神经活动的变化可以通过语音，音节或形态学特性来解释的程度86,87,88,89。对于所有分析，都考虑了与单词话语发作有关（t = 0）的神经元活动，并将其作为感兴趣的分析窗口中的平均尖峰计数（即，从单词planning for Word Planning开始，为-500至0 ms，对于单词策划而言，单词生产为0至+500 ms）。为了限制上述单词对神经元活动的潜在影响，从回归和选择性分析中排除了与时间重叠的计划期的单词。对于每个神经元，我们构建了一个GLM，将尖峰计数速率建模为实现泊松过程的实现，该过程的速率随着语言的函数（例如，语音，音节和形态学）或声学特征（例如，光谱幂和谱 - 平方振幅）而变化。

　　使用Python（v.3.9.17）库统计模型（V.0.13.5）拟合模型，该模型是通过迭代最小二乘最小化的最小化泊松负模样函数86的。为了评估模型的合适性，我们同时使用了Akaike信息标准（其中k是估计参数的数量和L是可能性函数的最大值），也使用了回归模型的指数家族的R2分数的概括，我们将其称为D2，WEN，BY87：BY87：BY87：BY87：BY87：BY87：BY87：BY87：BY87：

　　Y是实现结果的向量，μ是来自完整的（包括所有回归器）或受限制（不含感兴趣的回归器）模型的估计平均值的向量，并且该模型的对数可能性在哪里，并且是饱和模型的对数可能。D2值表示由于包含回归器而导致的不确定性降低（通过Kullback -Leibler Divergence衡量）的比例。与具有所有协变量的模型相比，使用可能性比率的模型（任务变量），使用了可能性比测试的模型拟合的统计显着性。

　　如果神经元发射速率的GLM作为该功能的任务变量的函数，我们将神经元的表征为“选择性”为给定的单词特征，则表现出具有统计学意义的模型拟合（α设置为0.01）。对于满足此标准的神经元，我们还检查了模型中每个系数的点估计和置信区间。这些系数的向量（或在我们的特征空间中，这些系数的符号的向量）指示一个单词，其组成元素的组合预期产生最大的神经元反应。多维特征空间还使我们能够定义量化单词之间音调，音节或形态相似性的指标。在这里，我们计算了描述每个单词u的矢量与回归系数符号的向量之间的锤击距离，该符号定义了每个神经元的最大预测响应V，该响应V均等于相应值不同的位置数量：

　　对于每个“调谐”神经元，我们比较了每个单词引起的Z尺寸的触发速率，这是单词和神经元的“首选单词”之间的锤击距离的函数，以检查这些神经元的“调谐”特征（图1F和2C）。因此，零的锤子距离将表明单词在语音上相同。最后，为了检查每个音素的神经元活性与光谱特征之间的关系，我们为每个音素提取了声波形，并计算了十个对数间隔频段中的功率。然后，我们根据这十个值为每个单词构建了一个“光谱矢量”表示，并适合这些值的神经元放电速率的泊松GLM。对于振幅分析，我们根据每个单词的波形的根平方幅度回归了神经元的发射速率。

　　另外三个单词变化被用来检查语音和音节特征之间的相互依赖性。首先，我们比较了包含特定音节的单词的触发率和该音节中包含单个音素的单词，而不是音节本身（例如，在“上帝”或“狗”中简单地 / d /）。其次，我们检查了包含具有相同组成音素的音节的单词，但顺序不同（例如， / g-ah-d / for“ god” v v v v ves / d-ah-g / for'dog'）。因此，如果神经元优先响应特定的音节，那么即使比较具有相同音素但不同或相反顺序的单词时，它们也应该继续优先响应它们。第三，我们检查了包含相同音节序列但跨越音节边界的单词，因此音素的簇不构成音节（即在相同的音节中与跨音节边界的跨越）。

　　为了使具有共享表示特征的神经元的分组可视化，我们计算了每个神经元的音素，音节和词素模型的AIC和D2，并进行了TSNE程序，该过程将这些数据转化为两个维度，以使其与相似特征表示的神经元更加紧密，而不是与不相差的表示。9090。我们在Scikit-Learn Python模块（v.1.3.0）中使用了TSNE植入。在图3A中，在计划期间，在每个神经元的音素，音节和词素模型的AIC值上，tsne适合以下参数：PERPLEXITY = 35，早期夸张= 2并以欧几里得距离为公制。在图3a右和图4A底部中，使用以下参数的所有计划和生产模型的D2值适合不同的TSNE：PERPLEXITY = 10，早期夸张= 10并使用余弦距离度量。根据嵌入和网格点之间的线性和分配算法，将所得的嵌入映射到点的网格。

　　为了量化神经种群编码有关计划的音素，音节和词素的信息，我们对记录的神经元的整个假量量量的活性进行了建模。为了匹配不同参与者的试验，我们首先根据它是否包含感兴趣的功能标记每个单词，然后根据共享的功能匹配主题的单词。使用此程序，没有重复或提升试验或神经数据，从而确保在分类器培训和随后的评估过程中进行严格的训练和测试集之间的分离。

　　对于解码，单词被随机分为训练（75％）和50个迭代的测试试验（25％）。Scikit-Learn Python软件包（v.1.3.0）91中实现的支持向量机（SVM）用于在n维空间中构造超平面，该超平面通过解决以下最小化问题来最佳地分开不同单词特征的样本：

　　在所有w特征空间中w是正则化强度的情况下，在所有点中，ζi是每个点与边缘的距离，Yi是每个样品的预测类，ϕ（xi）是转换的特征空间中每个数据标记的图像。应用了具有系数γ= 1/272的径向基函数核。使用训练集中嵌套的交叉验证过程为每个分类器优化了惩罚项C。

　　对任务空间中的每个维度进行了单独的分类器（例如，用于双拉比亚，牙科和牙槽辅音的单独分类器），并为每个分类器中的每个分类器进行平均得分以计算该特征类型的总体解码得分。对每个解码器进行训练，以预测即将到来的单词是否包含特定音素，音节或词素排列的实例。对于音素，我们使用了十个音素组中的九个（没有足够的palatal辅音实例来训练分类器；扩展数据表1）。对于音节，我们使用了从研究词汇中最常见的音节中获取的十个音节（扩展数据表1）。对于词素分析，对单个分类器进行了训练，以预测即将到来的单词中任何结合的词素的存在或不存在。

　　最后，为了评估性能，我们使用接收器操作特征（AUC-ROC）模型的曲线下的区域对分类器进行了评分。有了这个评分指标，一个总是猜测最常见的类（即非信息分类器）的分类器的得分为0.5，而完美的分类得分为1。特定特征空间的总体解码得分是空间中每个维度的分类器的平均分数。通过随机列车/测试拆分重复整个过程50次。这50个迭代的摘要统计数据在主要文本中介绍。

　　在不同的实验条件下评估解码器的概括提供了一种有力的方法，可以评估不同情况下信息的神经元表示的相似性64。为了确定神经元如何编码相同的单词特征，但在不同的条件下，我们在一个条件下使用神经元数据训练了SVM解码器（例如，单词生产），但使用来自另一个条件的数据（例如，无单词生产）测试了解码器。在解码器训练或测试之前，试验被分为脱节训练和测试集，从中提取神经元数据。因此，用于训练模型的试验从未用于测试本机解码器性能或解码器的推广性时测试模型。

　　为了进一步研究神经元反应的时间动态，我们训练了解码器，以预测跨连续时间点的每个单词的音素，音节和词素布置64。对于每个神经元，我们将所有尖峰与发言，将钉在5毫秒的窗口中，并用高斯核，标准偏差为25 ms，以在单词策划期间的每个时间点产生估计的瞬时触发率。对于每个时间点，我们评估了对这些数据进行训练的音素，音节和词素的解码器的性能，超过了50个随机分裂的训练和测试试验。在整个计划或感知期间，峰值解码性能的分布揭示了这些神经元在单词计划或感知期间编码的信息的动态，然后我们计算了音素，音节或词素的中间峰值解码时间。

　　为了研究神经元活性的维度并评估神经元种群占据的功能子空间，我们使用了动力学系统方法来量化神经活动模式的时间依赖性变化31。对于动态系统分析，将所有单词的活性取平均值，以使每个神经元提出一个单个周日时间投影（与单词发作对齐），从而允许将所有神经元作为假吞噬作用一起分析。首先，我们将神经元的瞬时触发速率计算为对任何单词特征（音素，音节或词素排列）的选择性，并用5 ms bins滚动，该垃圾箱与高斯滤光片相连，标准偏差为50 ms。我们使用等于500 ms的Windows设置为-500至0 ms，在计划阶段发言之前，在生产阶段发作后，在发出阶段的发言开始，以0至500毫秒的速度进行比较。然后将这些数据标准化为零均值和单位方差。最后，每次t时，每个N神经元中的每个N神经元中，神经数据被串联成一个采样的瞬时发射速率的T×N矩阵。

　　这些矩阵共同代表了随着时间的推移在n维空间中系统的演变。主成分分析揭示了嵌入在整个N维空间中的五个主要成分（PC）的一小部分，这些空间捕获了每个时期的数据中的大部分差异（图4B）。数据投射到该空间中会产生一个T×5矩阵，代表系统在五维空间中的演变。N×5主组件的列形成了每个时期内系统占据的五维子空间的正顺序基础。

　　接下来，为了量化计划和生产过程中这些子空间之间的关系，我们采用了两种方法。首先，我们计算了参考文献的对齐索引。66：

　　其中DA是由子空间A的正顺序基础定义的矩阵，CB是神经元数据的协方差，它在空间B中演变而来，是协方差矩阵CB和TR（tr（∙）的ITH奇异值是矩阵跟踪。对齐索引A的范围为0到1，并量化数据被投影到空间A时恢复的空间B方差的比例。较高的值表明，两个子空间都可以充分捕获数据的差异。

　　如参考文献中所述。66，在考虑高维神经元数据时，以低比对指数A形式的子空间未对准可能会偶然出现，这是因为在高维空间中有两个随机选择的尺寸集可能不符合良好的概率。因此，为了进一步探索我们的子空间未对准的程度，我们使用蒙特卡洛分析从具有与真实（观察到的）数据相同的协方差结构的数据中生成随机子空间：

　　其中v是一个随机子空间，u和s是在所有要比的所有时期内观察到的数据的协方差矩阵的特征向量和特征值，v是白噪声和正交（∙）正交矩阵的矩阵。重新计算由结果基础向量V所定义的子空间的比对索引A重新计算1,000次，以生成比对索引值的分布单独归因于机会（比较图4B）。

　　最后，我们根据三个正顺序碱基之间的关系计算了每对子空间之间的投影误差（而不是将数据投影到这些子空间中）。嵌入在n维矢量空间v中的维度k <n的所有（线性）子空间的集合形成了称为格拉曼尼亚人的歧管，并具有多个指标，可用于量化歧管上两个子空间之间的距离。因此，子空间（由t×n'矩阵的列定义，其中n'是所选主成分的数量；在我们的情况下，在计划和生产过程中探索了n'的数量，是整个N-Neuron Dimensional Dimensional Dimensional Dimensional dimensional dimensional dimensional dimensional dimensional dimensional dimensional dimensional dimensional dimensional dimensional dimensional vector空间的点。在这里，我们使用了Grassmannian和弦距离92：

　　其中a和b是矩阵，其列是其各自子空间的正顺序基础，并且是frobenius norm。通过通过子空间A的Frobenius Narm标准化这一距离，我们将距离度量的规模从0到1，其中0表示与A相同的子空间（即完全重叠），并且增加的值表明，使用上述相同的步骤重复了无效假设下的子空间的随机抽样。

　　在所有参与者中，基于性别的单词长度没有统计学上的显着差异（三向方差分析，f（1,4257）= 1.78，p = 0.18）或基本诊断（必需震颤与帕金森氏病； F（1,4257）； F（1,4257）= 0.45，p = 0.50）。在患有帕金森氏病的受试者中，基于疾病的严重程度（分数和下降得分）存在显着差异，而疾病更高级疾病（较高的分数）与较长的单词长度相关（F（1,3295）= 145.8，p = 7.1×10-33在得分上，f（1,3295）= 1,3295）= 1,006.0，p = 6.7 c = 6.7 x 10-1933333333。（f（1,3291）= 14.9，p = 1.1×10-4的得分和f（1,3291）= 31.8，p = 1.9×10-8的OFC分数）。与较短的延迟相比，与这些内词间隔相关的神经元活性（底部与顶部四分位数）的建模略高（0.76±0.01 ves 0.68±0.01，p <0.001，两边的Mann – Whitney U-Test）。

　　有关研究设计的更多信息可在与本文有关的自然投资组合报告摘要中获得。