经颅直流电刺激对亚临床抑郁症奖励学习的影响。

无创脑刺激技术的发展为抑郁症的治疗提供了新的途径。 TMS 是英国和美国批准的治疗难治性抑郁症的方法。 tDCS 目前正在研究作为一种可能更便宜、更安全和更容易获得的替代方案。 最近的一项荟萃​​分析表明，它具有适度的抗抑郁作用（Razza 等人，2020 年）。

提高 tDCS 抗抑郁功效的一种潜在方法可能是将其与奖励学习任务相结合。 来自啮齿动物和人类研究的证据表明，tDCS 增强了依赖于活动的突触可塑性和行为学习和保留（Fritsch 等人，2010 年；O'Shea 等人，2017 年；Reis 等人，2009 年）。

在抑郁症中，人们以牺牲正面信息为代价来优先处理负面信息，理论上这种负面偏见在维持抑郁症状方面发挥着重要作用（Kube、Schwarting、Rozenkrantz、Glombiewski 和 Rief，2020 年）。 因此，通过让抑郁的参与者从奖励中学习，并通过 tDCS 增加他们的学习/保留，这可能会抵消负面偏见，从而增加 tDCS 的抗抑郁潜力。

在早期针对年轻健康志愿者（没有情绪低落）的概念验证研究中，我们表明 tDCS 在信息偏差学习任务期间而非之前应用，增加了奖励学习率。 在这里，我们将在患有亚临床抑郁症的年轻健康志愿者中测试同样的效果。 该研究将涉及在线筛选、面对面筛选课程和两个 tDCS + 学习课程。 任务性能将配备计算强化学习模型。 分析将包括任务行为的计算和非计算测量。

主要假设：

1. 与在信息偏差学习任务期间应用的假 tDCS 相比，双额脑将提高积极成果的学习率。
2. Bifrontal 与在任务期间应用的假 tDCS 相比，将增加双赢驱动选择的百分比。
3. 双额 tDCS 的影响将依赖于认知状态，即预测的影响将特定于学习期间而非学习前应用的刺激。

次要假设：

越来越多的证据表明，抑郁和焦虑的特点是调整学习率以适应行动结果突发事件的波动性的能力降低（Browning、Behrens、Jocham、O'Reilly 和 Bishop，2015 年；Gagne、Zika、Dayan 和Bishop，2020 年；Pulcu 和 Browning，2017 年）。 因此，我们还将研究双额 tDCS 是否可以提高参与者根据波动情况调整学习率的能力。 这是探索性的，因为目前没有证据表明 tDCS 可以提高这种能力。

样本量：我们的主要目标是检验假设 1，即与信息偏差学习任务期间应用的假 tDCS 相比，双额脑会提高积极结果的学习率。 在我们之前对健康志愿者的研究中，我们观察到这种效果，这在损失波动条件下最为明显（配对 t 检验对比损失波动块中的双额和假 tDCS：t(19) = 2.88，p = .009） , Cohen 的 d = 0.522 的效果大小。 要检测功效为 80% 且 alpha 水平为 0.05 的这种大小的效应 需要 31 名参与者。 考虑到对效果大小的潜在高估，我们将招募 40 名参与者，这应该产生 0.89 的功效水平 对于我们之前研究中观察到的效果大小。 为了在不同条件下保持样本量相等，我们将为离线条件再招募 40 名参与者。

筛选：将要求参与者填写预筛选在线抑郁问卷（贝克抑郁量表 - II (BDI)）和安全筛选表，以确定 tDCS 的潜在禁忌症。 BDI 分数≥10 的参与者将被邀请参加 1 小时的筛选会议。 将进行结构化临床访谈 (SCID)，研究人员将就参与者的 tDCS 安全筛查问卷对参与者进行访谈。 如果没有 tDCS 的禁忌症并且没有双相情感障碍的当前或病史的迹象，研究人员将安排两次 tDCS 测试。

实验任务：参与者将执行由 (Pulcu & Browning, 2017) 开发的信息偏差学习任务。 将使用与我们之前研究中相同的任务协议（Overman、Sarrazin、Browning 和 O'Shea，2021）。 简而言之，参与者将被要求在每次试验中按下按钮以在两种形状之间进行选择。 他们选择后，屏幕上会出现“赢”和“输”两个字，每个字都与两种形状中的一种相关联。 输赢是相互独立的，即两者也可以以相同的形状出现。 如果所选形状与获胜相关联，则将导致 10 便士的经济收益；损失是负 10 便士。 在整个任务过程中，累计总数会连续显示在屏幕的底部中央。 参与者从 1.50 英镑开始。 此任务旨在评估参与者的选择在多大程度上受输赢结果的相对影响。 参与者将执行 80 个试验的 6 个任务块。 在第一个和第六个块（“两个易变块”）中，输赢各有 75% 的概率与其中一个形状相关联。 赢或输的形状随着时间的推移而变化。 在第二到第五个任务块中，一个结果与 75% 的试验中的一种形状相关联。 赢或输的形状随着时间的推移而变化。 在 50% 的试验中，另一个结果与两种形状相关。 每个参与者以交替顺序执行两个“wins-volatile”块和两个“loss-volatile”块。 一半的参与者首先执行“win-volatile”块，另一半首先执行“loss-volatile”块。

测试环节：参与者将被要求填写情绪和焦虑问卷。 在第一节课开始时，将完成状态特质焦虑量表 (STAI)（斯皮尔伯格，1983 年）的特质子量表。 在这两个环节中，参与者在执行任务之前和之后将完成 STAI 的状态子量表和积极和消极影响量表 (PANAS)（Watson、Clark 和 Tellegen，1988））。 研究人员将解释计算机化任务，参与者将有机会练习该任务。 然后，研究人员将在 F3 和 F4 EEG 电极位置设置 tDCS 设备，阳极位于左侧背外侧前额叶皮层 (DLPFC) 上方，阴极位于右侧 DLPFC 上方。 研究人员将简要测试 tDCS，以确保参与者对刺激感到舒适。 参与者将在没有 tDCS 的情况下执行任务的一个（“两者都不稳定”）基线块。 在“在线”条件下，tDCS 将在任务期间应用 - 在第二个和第三个任务块期间以 2 mA 持续 20 分钟。 刺激结束后，参与者将执行剩余的任务块 4 和 5（以测试 tDCS 后任何影响的持久性），然后重复在基线执行的“两个易变”块。 在“离线”条件下，所有程序都将相同，除了刺激将在基线（“两者都不稳定”）块之后和其余块之前应用，而参与者坐在休息处。

统计分析：

为了检验假设 1，与在任务期间应用的假 tDCS 相比，双额脑会增加获胜结果的学习率，我们将对“获胜-波动”和“损失”中的学习率进行重复测量方差分析 (ANOVA) -volatile" 块，包括主体内因素 tDCS 条件（双侧与假）、效价（赢与输结果）、波动性（赢-易失性与损失-易失性块）和时间（上半场与下半场四个任务块）。 第一节的第一个任务块中获胜和失败的基线学习率将作为协变量包含在内。

首先，我们将测试 tDCS Condition 和 Valence 之间的交互作用。 为了测试我们的关键预测，我们将运行一个先验计划的真实对比。 虚假 tDCS 的学习率。 由于在我们之前的研究中，tDCS 诱导的获胜学习率增加在损失波动条件下最为明显，因此我们将分别针对损失波动和胜利波动条件对比真实假获胜学习率。

为了检验假设 2，即双额与假 tDCS 相比会增加胜利驱动选择的比例，我们将对胜利驱动选择的比例运行方差分析，包括 tDCS 条件、波动性和时间因素。 我们将测试 tDCS 条件的主要影响，以及 tDCS 条件和波动率之间的交互作用。 相互作用效应将通过双额与假 tDCS 的计划对比来跟进，分别针对胜利-波动条件和损失-波动条件。

为了比较在线和离线双额 tDCS 对获胜学习率和获胜驱动选择比例的影响（假设 3），我们将在组合数据集（在线和离线条件）上运行方差分析，添加因素“刺激时间” （之前与任务执行期间）。 对于学习率，我们将测试刺激时间的主要影响和/或刺激时间与 tDCS 条件和/或效价之间的相互作用。 后续方差分析将按刺激时间分离数据，并按照上述假设 1 所述分析每个数据集，以测试 tDCS 对获胜学习率的影响。 每个条件下的效果（无论显着与否）将在两个刺激时间条件下进行量化和对比，以检验在线而非离线 tDCS 将提高获胜学习率的假设。 同样的分析方法将用于双赢选择的比例。

关于我们的次要假设，即与假 tDCS 相比，在线双额脑可能会提高参与者根据波动性环境调整学习率的能力，我们将进行探索性分析，使用方差分析来测试 tDCS 对赢和输学习率之间差异的影响volatile 和 stable 块（即 因变量将是：Win delta LR（wins-volatile 块中的获胜学习率减去 losses-volatile 块中的获胜学习率）和 Loss delta LR（损失 volatile 块中的损失学习率减去 wins volatile 块中的损失学习率）。 我们将测试刺激时间和 tDCS 条件在输赢增量 LR 上的交互作用。 这将跟进在线和离线 tDCS 条件内部和之间的计划对比，如上文假设 3 所述。