脑电图神经影像数据的应用：事件相关电位、谱功率与多尺度熵

本实验的总体目标是量化脑电图（EEG）时间序列的变异性，并将该变异性与潜在神经系统的信息处理能力相关联。首先需要获取高质量的脑电图记录以反映大脑的响应，这是实现目标的第一步。第二步是对数据进行预处理，以去除所有伪迹。

接下来，提取感兴趣的统计量。此处，我们将多尺度熵这一新型应用与传统的平均振幅和谱功率方法进行对比。最后一步是分析结果的统计显著性，并对数据进行解释。

通过使用数据驱动的多变量方法（如偏最小二乘分析），可以促进此步骤的实现。最终，多尺度熵被用于揭示空间-时间模式在多个时间尺度上的序列变化如何贡献于特定的认知操作。与均值振幅或谱功率等现有方法相比，多尺度熵（MSC）的优势在于其对数据中的非线性特征具有更高的敏感性。

这些非线性动力学反映了网络中微状态之间的转换或分岔，这对于跨脑区分布式网络的信息交换具有重要意义。演示本实验流程的是来自罗特曼研究所ERP实验室的Christina Backer。首先，向受试者解释实验步骤，并获取其知情同意。

使用酒精棉片清洁将要放置下拉电极的区域。在电极上涂抹适量导电膏。撕去电极贴片皮肤接触面的保护纸，将电极贴于受试者相应位置，以识别眼动伪迹。

将一个电极置于眼睑上下部的外侧交界处，另一个电极置于眶缘中心，约在眼睛下方一厘米处，并与瞳孔对齐。另一只眼重复相同操作。

测量受试者的头围，并根据国际公认的10-20系统选择合适的电极帽尺寸。进行电极定位时，沿中线测量从眉间（Indian Ian）到枕后点的距离，将其分为10%的等分；根据该数值，从鼻根点（NAS）向上测量并标记。

将电极帽的 FP 位置与此标记对齐并向后拉紧帽体。确保帽的中心与鼻部成一直线。测量 nasn 到 cz 的距离，并确认该距离为 NAS 到 Indian 距离的一半。

然后系紧下颌带，必要时在带子下方放置纱布以增加舒适度。接着，将装有凝胶的钝头注射器放入电极架中，以形成凝胶的导电柱。开始时与头皮接触，然后边挤压边向后拉动。

请注意，涂抹过多凝胶可能导致相邻电极的信号发生桥接。接下来，将主动电极固定到电极帽的插槽中。然后将受试者安置在显示器前方的适当距离处。

进行实验时，请受试者保持静止，并强调尽量减少眼球运动和眨眼的重要性。为了获得清晰的记录，在采集计算机上检查电极连接情况和脑电（EEG）信号质量。如果某个特定电极存在问题，可在实验结束后、提取目标统计量之前，取下该电极并重新涂抹导电膏，以调整该位置的阻抗。

采用标准的滤波和伪迹剔除方法对连续脑电数据进行预处理，以去除伪迹。事件相关电位分析可捕捉与刺激起始相位锁定的同步脑活动。将大脑对显著事件起始的反应进行时间锁定，然后对多个相似事件进行平均。为提高信噪比，识别每个受试者事件相关电位成分的峰值振幅和潜伏期。谱功率量化了特定频率对某一脑电信号的相对贡献。

使用傅里叶分析将脑电图（EEG）信号从时域转换到频域，并将信号分解为不同频率的正弦波成分。多尺度熵是一种信息理论度量，用于捕捉神经电活动信号在时间上以及多个时间尺度上的变异性。使用 PhysioNet 提供的算法，通过两个步骤计算多尺度熵。

第一步，逐步向下。对每次试验和条件的时间尺度进行信号采样。其中一个代表原始信号。

通过首先将原始信号划分为长度为时间尺度的无重叠窗口来创建后续的时间尺度，然后对每个窗口内的数据点进行平均。例如，要创建时间尺度二，需将数据点两两平均。

前两个数据点、接下来的两个数据点，依此类推。在时间尺度三中，将前三个数据点、接下来的三个数据点等分别取平均。通过在不同时间尺度上表示原始信号，可以分析以不同速率展开的神经过程。

第二步计算每个粗粒化时间序列的样本熵，从而在不同时间尺度上评估大脑反应复杂性的估计值。

规律性信号的样本熵低于随机性更强的信号。在此示例中，模式长度 M 设置为 2，这意味着时间序列将表示为两个点与三个点序列匹配数的比值。

参数 R 是相似性判据。位于该幅值范围内的数据点具有相似的数值，因此被认为匹配。有关参数设置的详细信息，请参阅文本方案，以计算该模拟时间序列的样本熵。

从最开始的两个组分入手。序列模式为红橙色，首先统计该红橙色序列模式在时间序列中出现的次数。此处共有 10 次匹配。

两个组成部分的序列。其次，统计前三个组成部分中红色、橙色、紫色这一序列模式在时间序列中出现的次数。

共有五个匹配项。三组件序列。对接下来的两个组件序列（橙色、紫色）以及接下来的三个组件序列（橙色、紫色、绿色）的时间序列，继续执行相同的操作。

将这些序列的双组分匹配数与三组分匹配数相加至先前的数值。对时间序列中所有其他序列匹配重复此步骤，以确定双组分匹配数与三组分匹配数的总比值。样本熵即为该比值的自然对数。

这些数据展示了在初次与重复呈现面部照片时，事件相关电位（ERP）谱功率和熵的条件差异。在此示例中，所有测量指标均一致揭示了样本熵随面部重复呈现而降低的效应。这种复杂性的降低表明所涉及的功能网络更为简单，且处理的信息量更少。

这些统计结果源自对与不同熟悉程度相关的人脸诱发的事件相关电位（ERP）谱功率和多尺度熵进行的偏最小二乘多变量分析。对比显示，ERP振幅能够区分新面孔与熟悉面孔，但无法区分先前接触次数不同的熟悉面孔。谱功率可根据熟悉程度区分面孔，但不能准确区分低熟悉度与中等熟悉度的面孔。

多尺度熵对条件差异最为敏感。样本熵值随着面孔熟悉度的增加而升高。这些图像展示了条件效应在时空上的空间分布。

有趣的是，多尺度熵揭示了通过传统的事件相关电位（ERP）或谱功率分析无法获得的独特信息。多尺度熵的这种差异表明，不同条件可能在网络动力学的非线性特征上存在区别，这可能涉及不同频段之间的相互作用。这一新型分析工具帮助我们捕捉有关神经网络动力学的新信息，推动我们摆脱将心理功能描述为静态状态的传统模式，转而理解与人类认知相关的过程如何动态展开。