研究神经振荡的七大注意事项

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。

导读

神经振荡的记录方法和类型有很多，与认知任务广泛相关，并且适用于研究神经回路生成机制和神经种群动态的计算模型。正因为如此，神经振荡为连接理论、生理学和认知机制的发展提供了潜在机会。本文讨论了分析神经振荡的七种方法论。分别为(1)验证振荡的存在与否，因为它们可能不存在；(2)验证振荡频带定义，以解决可变峰值频率；(3)考虑并发的非振荡非周期性活动，否则可能会混淆测量；测量和解释(4)时间变异性和(5)神经振荡的波形形状，它们通常是突发性的或非正弦的，可能导致虚假的结果；(6)分离空间上重叠的振荡，因为可能会存在相互干扰；(7)考虑获得可靠估计所需的信噪比。对于每一点，本文都提供了相关示例，说明了潜在的解释误差，并提供了解决这些问题的建议。这些注意事项和建议为测量和解释神经振荡提供了有用的指南。

前言

大脑中电场或磁场的记录，统称为神经场记录，通常用于研究生理与行为、认知和疾病之间的联系。这种记录的一个显着特征是突出的节律活动，称为神经振荡，在大脑看似混乱的活动中‘脱颖而出’。自从早期的脑电记录以来，神经振荡一直是一个令人感兴趣的特征，并且被广泛观察和研究。在生理学上，场电位记录在很大程度上反映了数千到数百万个神经元的突触后和跨膜电流，其中神经振荡被认为与群体同步性有关。因此，神经振荡潜在地提供了对群体水平神经活动协调的洞察。振荡功能理论认为它们促进了神经活动的动态时间和空间组织功能。振荡中断也与神经和精神疾病广泛相关，并已被探索为疾病状态、药物疗效和其他临床指标的潜在生物标志物。

由于神经振荡出现在许多不同的时间尺度上，研究通常集中在预定义的典型频带范围上，这些频带范围被认为可以捕获不同的振荡。例如，睡眠研究人员经常研究delta(1-4 Hz)、记忆研究人员theta(4-8 Hz)、视觉研究人员alpha(8-12 Hz)以及认知和运动研究人员beta(13-30 Hz)频带。在此过程中，神经振荡研究跨越了不同的记录方式，包括非侵入性和侵入性方法，以及不同的大脑区域。

虽然振荡为将认知和疾病与理论和生理联系起来提供了一种令人兴奋的可能性，但关于哪些振荡受哪些条件以及如何调节的报告往往不一致。在某种程度上，这可能反映了所采取的各种方法，如实验设计、分析方法、参数选择和跨研究使用的理论框架方面的一致性是有限的。公开的挑战包括制定更一致的术语和解释，以及明确考虑电生理研究中再现性的需要。因此，研究的最佳实践指南和临床研究已被提议用于提高报告标准，从而提高使用神经场记录的研究的可重复性。

本研究明确地关注神经振荡的性质，以及这些性质与常用方法的关系，而不是关注方法本身。因此，本文讨论了由于方法或实验假设与数据属性之间的不一致，常见的分析方法是如何导致研究人员容易误解的结果的。这些考虑不限于单个估计器（例如使用特定滤波器或特定功率估计），因为它们反映了信号处理方法和神经数据的更一般性质。重要的是，导致这些错误解释的并不是算法本身的错误，这些算法在数学意义上确实达到了其所能做到的，主要的潜在陷阱在于我们如何解释其输出。如果方法假设和数据性质之间存在不一致，计算测量可能会缺乏有效性，从而导致结果不一致。这反过来又会阻碍生理学和理论中正确地进行振荡研究。

为了解决这些问题，研究者检查了在研究神经振荡时的常见解释，以便识别和解决可能导致解释错误的方法问题。本研究将分析神经振荡的方法考虑分为七个部分，每个部分都有示例演示。主要关注的是振荡功率、频率和相位的单变量测量，包括确保准确测量和解释这些方面的潜在陷阱和考虑因素，以及讨论这些问题如何扩展到多变量分析，例如交叉频率耦合。这些演示利用了模拟数据，这些数据是为了匹配神经场记录的已知特性而创建的，从而选择和操纵模拟神经场活动的关键特征，以反映经验数据中实验观察到的变化。使用常见的频谱和时域分析方法分析模拟数据，以评估它们在数据属性和方法假设的相互作用方面的性能。然后将每个考虑因素置于更广泛的研究中，并提出具体的实用建议以帮助指导神经振荡的分析。模拟数据和分析方法是从NeuroDSP模块创建和使用的，所有相关代码详见网址 https://github.com/OscillationMethods/oscillationmethods。

七种方法论

神经振荡并不总是存在

神经场记录的特征不仅是振荡活动，而且还包括非周期性的‘1/f’或‘1/f-like’活动，其中信号功率随频率的增加呈指数下降。这通常表示为1/fχ，其中χ表示交叉频率的功率衰减。在神经数据中，χ通常介于0和4之间，其中χ=0的信号是白噪声，在所有频率上具有相等的功率，并且χ的值越高表明频谱越“陡峭”。非周期性神经活动与突触后电位的潜在活动有关，是神经场数据普遍存在且有时占主导地位的特征。

非周期性活动无处不在以及可观察到的广泛的神经振荡变异性这一事实，这就需要我们注意如何测量和解释频谱分析中获得的有限频带功率。由于存在非周期性活动，因此在所有频段始终存在非零功率。这意味着任何频谱测量，包括计算功率谱、窄带滤波和平均频带功率测量，将始终返回给定频带的功率数值，即使不存在振荡活动。也就是说，仅仅因为在一个频带中有功率并不意味着在同一频带中有振荡。对预定义窄带频率范围的分析必然反映生理振荡活动的观点是一种谬误。

为了介绍如何在频域中表示瞬态和非周期性信号，可以使用狄拉克增量，其中时域中的单个非零值由频域中所有频率的恒定功率表示（图 1a）。这说明特定频带中的功率通常不对应于当前时域中的振荡。同样，神经数据中常见的1/f-like非周期性活动显示了所有频率的功率，而更高频段的功率降低（图 1b）。尽管在非周期性时间序列中的周期性活动不明显，但可以通过施加一个正弦基的窄带滤波在过滤到典型频带范围时提取看似振荡的成分（图 1c）。相比之下，振荡信号，例如纯正弦曲线，在功率谱中表现为频率特定的峰值（图 1d）。神经场记录可以模拟为振荡和非周期性成分的总和，从而产生一个功率谱，其频谱峰值超过非周期性成分，反映了大量特定频带的功率（图 1e）。在这种情况下，频谱峰值的存在表示振荡功率。通常，由于不同的信号成分能够影响不同频率范围内的频谱功率，因此在一个频带中的功率可能不能反映振荡活动。

建议

振荡研究应从检测步骤开始，验证是否存在感兴趣的振荡。此验证步骤可以在频域和时域中完成。在时域中，可视化数据以检查数据中是否有清晰的节奏段。在频域中，振荡表现为高于非周期信号的功率峰值。作为一种初步的检查，目视检查功率谱有助于验证是否存在明显的振荡。建议研究者们在论文手稿中展示相应的功率谱图，因为它向读者提供了研究数据中存在振荡活动的支持性证据。

还存在许多定量方法来检测神经场数据中的振荡活动，例如检测窄带频谱峰值的自动化方法。这可以通过将功率谱参数化来系统地完成，其中应用量化周期性和非周期性活动的数学模型来检测高于非周期性成分的任何假定振荡峰（图 1f）。同样，“多重振荡检测算法”（MODAL）方法和“扩展更好的振荡检测”（eBOSC）方法，其本身是先前方法的扩展，使用非周期性活动的拟合来检测频率特定活动。

检查数据的节奏特性，在难以观察到频谱峰值的情况下寻找假定的振荡活动也可能很有用。例如，振荡可能以罕见或不常见的形式出现，当在整个时间间隔内计算频谱时，不会出现清晰的频谱峰值。在这种情况下，可能需要检查更短的时间窗，并选择具有更高频带功率或围绕感兴趣的事件的时间窗来解决频域中的峰值。另外，时域和脉冲检测方法可能更适用。解决此问题的另一种潜在方法是滞后相干性，它明确地量化了时间序列中的节律性，与仅测量频谱功率相反，也可用于区分振荡信号和瞬态。

因为振荡在被试内和被试间以及跨不同频段的存在可能会有所不同，应针对每个感兴趣的频带、被试和分析区域执行振荡检测。如果没有检测到振荡，这可能会妨碍进一步的分析。群体水平的分析可能会掩盖振荡在个体被试中发生的变化。例如，如果并非所有被试都显示出清晰的节律，则在群体水平上振荡变化的效应大小估计可能会因包括没有任何明显振荡活动的被试子集而被混淆。或者，在没有首先进行振荡检测的情况下比较区域之间的振荡功率可能会将振荡功率的变化与振荡存在的差异混为一谈。应用分析来检测振荡是否存在，可以确保测量结果是否真正反映了振荡活动。

神经振荡的峰值频率不同

神经振荡在其峰值频率上表现出显著变化，包括不同年龄、被试内和被试间以及不同皮层位置的变化。例如，alpha峰值频率被认为是一个稳定的特征标记，并且还与一些临床疾病有关，例如，在注意力缺陷多动障碍(ADHD)中显示出较慢的频率。神经振荡的频率变化也可以发生在被试完成的任务中，包括与任务相关的方式。

由于频率变化，即使验证了振荡的存在，使用规范定义的频率范围仍然可能无法准确反映数据，因为如果在规范范围内没有很好地捕获频谱峰值，这可能会导致振荡功率的错误估计。例如，在图 2中，在规范定义的8-12 Hz的alpha范围捕获了10 Hz振荡的峰值（图 2a），但未能准确捕获8 Hz的峰值（图 2b）。尽管使用相同的振荡功率模拟信号，但由于低估了具有特殊峰值频率的信号中的功率，使用规范频率范围估计的alpha功率在信号之间是不同的（图 2c)。这个问题也影响了带通滤波的结果，因为与一个单独的频段相比，典型滤波范围低估了存在的alpha功率（图 2d）。使用个性化的频带范围来控制频率差异可以准确地捕获每个信号中的alpha功率（图 2e）。总体而言，预定义的频段可能无法解决峰值频率的变化，从而导致错误估计。

峰值频率的差异对于特定频率范围内的估计分析很重要，例如计算频带功率或对感兴趣的频率范围进行窄带滤波。当单个峰值频率位于边界附近或定义范围之外时，此时应用固定频率范围可能会导致信息丢失；如果范围捕获到相邻的振荡或非周期性的活动，它也可能是非特异性的。这些问题既适用于单个频带的分析，也适用于复合测量。如计算不同频带功率之间的比率，因为峰值频率或峰值带宽的变化会影响测量结果。例如，之前报告的ADHD被试的theta/beta比率的差异被发现部分是由ADHD组的alpha峰值变慢所导致，从而改变了对数据结果的解释。

建议

为了解决峰值频率的变异性，任何采用窄带频率范围的分析都应评估所选范围与数据的匹配程度。目视检查可以帮助确定定义的频率边界反映功率谱中实际峰值的程度。应在个体被试水平的所有分析频带进行这一操作，因为个体被试可能具有特殊的峰值频率，如果它们被错误估计，可能会影响组水平的结果。对于被试内分析，还应考虑峰值频率随时间或任务之间的变化，以确定测量到的功率变化是否可以反映峰值频率的变化，其中频率可能“漂移”到定义的感兴趣范围之外。因此，在研究人员的论文手稿中应该包含功率谱相关信息，使读者能够观察到应用的波段范围与数据中观察到的峰值的匹配情况。

如果规范定义的频率范围确实与数据相匹配，那么可以放心地进行后续分析。然而，如果选择的感兴趣频带范围不能恰当地反映数据，则可以自定义频带。计算个性化频带的方法通常通过测量频谱峰值来实现。现有的自动化方法，包括通过频谱平滑来提高性能。尽管有些方法使用“锚定频率”，但这种方法并不总是能够推广到多个峰值或频段，例如，将theta定义为低于已确认的alpha频段的范围。这种方法的局限性在于不考虑振荡检测步骤。对于多个假定峰的峰检测，无需预先定义频率范围，也可以通过频谱参数化来完成，之后可以将峰分组到观察到的感兴趣的频段。

除了频谱峰值检测之外，检测振荡的方法还可用于检测具有峰值节律性的频率，例如，通过在频率上应用滞后相干性。一些方法还允许联合学习多个频段定义。例如，振荡重建算法(ORCA)根据每个定义重建数据的能力来评估多个频段定义，而gedBounds方法通过对频率间的相似性进行聚类来识别频率边界。这些方法一起检查所有分析的频率，可能有助于在被试内和被试间获得更一致的频率范围组。总的来说，需要进行某种形式的评估来验证频带，以确保应用的测量能够准确地捕捉到预期的振荡活动。

神经振荡与非周期性活动共存

如前所述，神经场记录包含非周期性活动。这种活动不仅无处不在，而且在被试内和被试间也是可变的和动态的。被试间非周期性活动的变异性可能与年龄和临床诊断有关，而在被试内，非周期性活动随状态而变化，例如睡眠，与行为任务有关并且会受到外源刺激和认知需求的影响。与振荡相比，这种动态的非周期性活动具有不同的假定生成器、生理解释和与任务相关的动力学，使其本身成为一个有趣的特征。总而言之，非周期性神经活动在许多情况下是动态的，其中神经振荡通常是研究的焦点。

这种非周期性活动的动态特性是检测神经振荡的一个重要考虑因素，以及解释测量的数据变化。对于多个动态成分，分析必须判断数据的哪些方面正在发生变化，以及如何变化，以便进行适当的解释。由于非周期性活动在所有频率上都具有能量，因此非周期性活动的变化或差异会导致所有频率上的差异活动模式。通过比较黑色(χ=0)和红色(χ=1)噪声1/fχ信号可以看出，它们在规范定义的alpha频段中具有不同的功率（图 3a）。即使使用经过验证的频谱峰值和频率范围，在给定频率范围内的两个条件之间的频带功率差异可能并不特定于振荡变化，因为它可能反映了非周期性活动的全局变化。例如，在图 3b中，由于两个信号中的周期性活动是相同的，所以两个条件之间alpha频段功率的测量差异反映了非周期性指数的变化，而不是与alpha频段中的频谱峰值相关的变化。

考虑到非周期性活动对于研究一系列频段的频带功率的分析特别重要，因为测量到的跨频带变化的系统模式可能不会反映振荡活动的任何变化。例如，在图 3c中，两个条件的频带功率在五种不同的频段上进行了比较。尽管该分析表明了一系列规范定义的频段中频带功率的变化模式（图 3d)，但这些变化实际上是由非周期性活动的变化导致的。因此，不同频段的相关变化模式有时可以用非周期性活动的变化来解释，而不是用多个不同的振荡变化来解释。

由于非周期性变化，全局功率的变化也会影响振荡活动的相对或标准化测量。在图 3c的频谱中，在alpha频段有一个可见的频谱峰。尽管峰值功率没有变化，但相对功率测量表明alpha功率发生了变化，因为所有频率的功率变化是由非周期性活动的变化导致的（图 3e）。这个问题也会影响其他复合测量，例如频段功率比，包括theta/beta比值，通常作为ADHD的潜在生物标志物进行研究。

建议

由于振荡和非周期性成分都是动态的，因此分析验证数据的哪些元素发生了具体变化是很重要的，以便适当地解释结果。这与任何研究假定窄带功率的分析相关，包括研究多个振荡频带。应明确测量非周期性活动，以评估它是否解释了特定频段的变化，包括不同频段的相关变化模式是否可以更简洁地解释为宽频带非周期性活动的变化。应避免假设振荡存在于静态“背景”上的方法，例如在所有频率上除以功率的相对功率测量或频段比率测量。相对功率测量值的变化可能来自特定频带的感兴趣功率的变化，或者是由于非周期性成分的变化导致在用作分母的所有频率上的测量功率发生变化。

明确测量非周期性活动需要概念化非周期性和周期性活动的方法，以避免错误地将非周期性活动归因于振荡变化。定义和测量与非周期性活动有关的振荡活动方法，包括先前引入的方法，如频谱参数化和eBOSC，旨在测量和控制非周期性的活动，从而解决这个问题。还有用于测量非周期性活动的专用方法。例如，不规则重采样自频谱分析(IRASA)方法，通过提出重采样程序来分离非周期性活动，从而利用了非周期性活动的无标度特性。IRASA可用于分离和测量非周期性神经活动，之后分析可以评估每个成分，以检查感兴趣的测量是否具体反映了预期的成分。总体而言，控制非周期性活动需要采用振荡检测步骤并评估相对于非周期性成分的振荡功率，以评估测量的变化是否捕获了振荡或非周期性活动。

神经振荡是随时间变化的

神经振荡通常表现出脉冲式的时间动态，而且很少是完全一致和连续性的。这些神经振荡的时间动态是一个潜在的重要特征。一些振荡生成模型以与经验数据中所见一致的方式预测非连续事件。尽管如此，许多方法在分析时（例如，跨时间或试次的平均频段功率）会隐含地假设所研究信号的平稳性。在这种情况下，振荡存在或时间动态的可变性可能被误解为功率差异。例如，在振荡活动的随机开始和偏移的模拟过程中，信号可以显示振荡活动的不同比例，且振荡功率相等（图 4a）。通常被解释为反映了整个振荡幅值的变化，但是，测得的差异可能是由于时间变化造成的（图 4b）。这些平均效应在诸如跨试次平均的时频分析等场景中也很重要，这可能会在平均数据中产生持续活动的错觉。如果不同试次中的单个试次具有在不同时间发生的类似脉冲式的时间动态，则可能会发生这种情况，尽管这种连续性在任何单个试次中都没有发生（图 4c）。神经振荡的时间变异性引发了对单个试次动力学重要性的考虑。

振荡脉冲可以以多种方式变化，从而导致类似测量的频段功率变化，这可能被误解为反映了强直频带功率的变化。这包括脉冲持续时间（图 4d）、脉冲发生（图 4e）或脉冲振幅（图 4f）的变化，每一个都可以在分析的时间段内或之间变化。了解变异的不同来源对如何解释这些信号有很大的影响，因为脉冲长度、数量或大小的变化，可能反映不同的神经环路机制以及与神经功能的假定关系。

建议

对神经振荡的分析必须评估时间变异性，因为这可能推动测量发生变化。为了解决时间可变性，必须同时考虑频域和时域。时频分析，例如频谱图，可用于检查随时间变化的频谱特性，以便在振荡平均功率的变化及其时间动态变化之间做出判断。在此过程中，分析单个试次是非常重要的，以避免错误解释平均功率。如果报告频谱图，则应包括单个试次示例图，以评估明显的持续活动是否真正持续，亦或是产生于多个短脉冲平均后的结果。

脉冲检测方法也可用于识别存在振荡的信号段，然后可以根据脉冲持续时间、数量或振幅对其进行表征。检测的常用方法是使用幅度阈值，检测频率特定功率大于所选阈值水平的功率段。如前所述的eBOSC算法可以认为是基于阈值的脉冲检测，其中阈值是基于非周期成分的，可以用于脉冲检测。

其他检测算法包括匹配追踪，能够更准确地估计脉冲开始和持续时间。或者，可以使用诸如隐马尔可夫模型之类的方法，该方法旨在表征状态转换，并且能够以概率方式对输入和输出的振荡状态转换进行建模。通过表征单个周期来识别振荡的时域测量，也可用于检测和分析脉冲的数量和持续时间，以及周期特性。检测后，对脉冲式神经活动的分析通常涉及对已识别的脉冲的后续分析，以评估它们的持续时间、发生率或振幅是否发生变化。

神经振荡是非正弦的

神经振荡的波形形状通常是非正弦的，例如，圆弧形的感觉运动μ节律、锯齿状的海马theta节律。神经振荡的这些波形特性可能反映了生理特性，例如神经活动的同步性、神经元的尖峰模式等。因此，波形形状可能是一个重要的感兴趣特征，它可能会对振荡的生成电路模型以及相关突触电流的时间常数施加约束。

由于大多数方法都假定正弦基础，振荡的可变波形形状也造成了大量的方法学和解释障碍。例如，估计瞬时相位通常涉及在应用希尔伯特变换之前对信号进行窄带滤波。对波形形状变化的数据应用窄带滤波器可能会出现问题，因为窄带滤波的正弦输出相位与非正弦信号的相位不对应（图 5a）。这是因为在频域中，非正弦形状由跨多个频率的功率表示，如果去除谐波频率中的信号内容，则与原始非正弦信号相比，得到的滤波信号将具有偏移的波峰和波谷（图 5a )。这是任何分析周期特性需要重点考虑的因素，例如信号峰和谷的位置，假定对应于特定的生理状态。对于依赖于精确时间特征的分析（例如，研究刺激前阶段对行为测量的影响），控制波形形状可能是有利的。

在频谱分析中，非正弦波形在功率谱中表现为主频倍数的谐波，如图 5b所示。这可能导致将这些单独的峰值解释为独立的生理节律。例如，在弧形μ节律的情况下，振荡的波形形状将在alpha和beta频率范围内产生峰值。这可能会被解释为具有假定的相位和振幅耦合关系的单独的alpha和beta节律，而实际上只存在一种非正弦节律。大脑皮层中存在多种类型的节律，使得对这些情况的区分变得更加复杂。图 5c显示了非正弦的程度如何反映在谐波频率的功率上，随着非正弦性的增加，谐波频率范围内的功率越大。所以在评估不同条件之间的频谱功率差异时应考虑这一点，以控制波形形状的潜在变化。

波形形状可以在频率之间引起杂散耦合，这在考虑诸如相位-振幅耦合等受波形形状影响较大的测量时尤为重要。如图 5d所示，波形形状会导致谐波频率处的幅值发生系统性变化，这可能取决于基振荡的相位，如图 5e所示。这就产生了跨频率相位振幅耦合的测量。从数值上看，这些值并不令人反感，因为它们反映了频域中频率之间的关系。然而，如果这种关系被用来反映独立节律之间的显著耦合，那么这种解释可能存在谬误，而实际上多个节律之间不需要存在这种相互作用。由于这些方法上的局限性，所以在反映波形形状的相位振幅耦合测量与真正反映嵌套振荡的相位振幅耦合测量之间需要进行仔细的判断。

建议

为了评估和控制波形形状，应该对波形和周期特性进行明确的测量。单个周期的时域测量可用于表征波形形状，例如，上升/衰减对称性或峰值锐度的测量。其他方法旨在学习波形并将其分组到观察到的类别中，例如，通过滑动窗口匹配来学习数据中的重复模式，或通过学习数据中观察到的形状来检测数据中特定波形的出现情况。

在频域中，特定的波形可以在功率谱和时频表征中产生典型的模式，这会使振荡的检测变得复杂。如果频谱峰值出现在较慢频率的精确倍数上，则量化波形形状可能有助于区分在该特定频率处的独立振荡或由波形形状引起的谐波谱峰。由于不同的波形形状可能出现相似的时频表征，因此可能需要时域分析来评估波形形状是否以及如何影响频谱表征。

对于跨频域耦合分析，一个区域内局部耦合的频率范围（例如，对于相位振幅耦合，耦合到低频相位的高频范围）可以表明该区域是否可能是真正的振荡耦合或形状效应。应用和比较多种跨频耦合测量可以分离谐波和非谐波相位振幅耦合。此外，其他频域方法，例如双相干，一种对频率之间的非线性相互作用的测量方法，也可用于研究频域中的波形形状。

多种振荡在大脑中共存

神经振荡的非侵入性记录反映了相对较大的皮层区域的聚集活动。通过容积传导(一个用于描述电场从其原始源穿过组织传播到记录传感器的术语)，记录电极可以反映来自多个局部源的活动，以及来自空间和时间上重叠的更远源的贡献。例如，在MEG/EEG中，有几个alpha节律源，位于体感、枕叶、顶叶和颞叶皮层，可以同时协同工作。在许多研究中，通过直接分析来自记录传感器的活动，在传感器空间中分析记录。在这种情况下，由于多个不同源的空间和时间重叠，聚集信号可能与潜在的兴趣源明显不同。因此，应用于这些组合信号的测量可能无法准确反映潜在的源，时间动态或波形形状的测量会失真。

检查频谱和时域测量如何受重叠源影响的示例如下，其中来自单个电极的传感器空间活动由来自顶叶和视觉皮层中两个潜在源的活动组成（图 6a）。在频域中，当两个源的峰值频率略有不同时，这种配置会导致alpha频率范围内出现两个峰值（图 6b）。这在经验数据中被观察为“双阿尔法”或“分裂阿尔法”峰。传感器空间中的分析可能会导致特定电路产生具有两个同时存在的峰值频率信号的解释，这反过来将影响产生机制的理论。相似峰值频率的多个潜在节律的空间总和也可以掩盖潜在节律感兴趣的时间特征，如图 6c所示。由于干扰效应，相似频率源之间的相位差可以减弱传感器空间中的振荡，即使底层源中的振荡功率没有改变，这可能会导致对源的振荡功率变化的错误解释。

区域间连通性测量也受到多个源同时存在的影响。使用传感器空间信号计算连通性测量可能会导致错误的结果，因为容积传导会影响这些测量。因为单个源传播到多个传感器，所以振幅和相位的规律将存在于在多个传感器中。这可以在电极之间产生非常显著的统计关系，反映出由于共同源而不是真正的区域间耦合而存在的信号，这可能会导致对振荡源之间连接性的错误解释。

建议

由于源信号重叠，分析传感器水平时间序列或功率谱可能会误导振荡的哪些方面存在或正在改变。只要有可能，传感器空间分析应辅以源水平分析。源分离方法可用来分离信号中不同的窄带周期性成分，这有助于揭示传感器空间数据中不可见的特征，并有助于定位源。有许多可能的源分离方法，适当方法的选择还取决于源分离的具体目标，例如将活动定位于特定区域或根据统计特性将时间序列分解为成分。

基于这些目标，可以使用两种具有不同优化标准的方法来估计来自传感器空间的源活动。第一种方法使用结构信息来约束基于个体或模板结构MRI的逆解，并结合波束形成器或最小范数估计技术等方法。第二种方法与结构信息无关，仅依赖于跨通道信号的统计结构。在这种方法中，通道活动被假定为多个潜在源的线性混合，由引导场矩阵定义，该矩阵描述了各个源如何映射到传感器。通过假设源时间序列的特定统计特性以及混合特性，可以尝试进行分离。该领域的方法包括联合去相关或独立成分分析。在研究神经振荡的背景下，有些专门使窄带振荡成分的信噪比(SNR)最大化，同时最小化侧频段的SNR。为了增强振荡SNR，可以使用空间频谱分解或广义特征分解。公共空间模式算法及其变体可用于最大化任务条件之间窄带活动的差异。为了研究窄带活动和连续变量之间的关系，源功率相关分析可能是有意义的。空间滤波方法也可以用作降维的预处理步骤，以此简化统计比较和计算需求。

测量神经振荡需要足够的信噪比

神经振荡嵌入在包含多个节律信号、非周期性活动和瞬态事件的复杂记录中。分析感兴趣的振荡信号需要定义感兴趣的特征（信号），并从其余数据（噪声）中提取此信号。与所有测量一样，分析振荡的方法需要足够的信噪比(SNR)。实际上，普遍使用诸如滤波之类的处理步骤主要是为了提高信噪比。迄今为止，许多考虑因素（检测振荡、调整频率范围、控制非周期性活动、脉冲检测和源分离）都可以被理解为旨在通过调整对数据特定特性来提高SNR。

振荡活动的SNR和振荡功率与噪声的比率有关。振荡功率是一种动态特性，可以通过在非周期性成分之上的振荡峰的峰值变化看出这一点（图 7a）。许多实验范式将改变振荡功率，因为刺激的呈现可能导致与事件相关的振荡衰减。振荡功率的这种变化会改变SNR，进而可能影响其他振荡测量的准确性和稳定性，例如瞬时相位和频率。当SNR较高时，可以可靠地估计相位和频率（图 7b）。然而，当SNR较低时，估计可能会有很大的噪声，如图 7c所示。

振荡功率的变化会改变信噪比和破坏相位估计，从而导致对衍生测量的估计不准确，例如锁相值或试次间一致性。低SNR使得难以可靠地提取感兴趣的振荡（图 7d），从而导致可变相位估计（图 7e）。在计算此类估计的耦合测量时，在没有任何真正的相位对齐变化的情况下，SNR的差异可能会削弱两个信号之间的锁相检测（图 7f）。振荡测量的不稳定估计也可以传播到多变量分析，例如跨频耦合，由此影响SNR的振荡功率变化可能导致测量的跨频耦合发生变化。时域分析，例如用于分析波形形状的分析，也强烈依赖于它们是否有足够的SNR来有意义地测量感兴趣的特性。

建议

考虑稳定估计振荡测量所需的SNR，首先要选择适当的实验设计。在设计方案和任务时，实验者应考虑对感兴趣效应的可靠性和效应大小的了解，并考虑进行功效分析以设计功效良好的研究。这包括考虑记录模式，因为不同的模式对不同的源位置具有不同的敏感性，以及它们提供的不同时间、空间和频率分辨率。记录数据时，应采用最佳实践来最大限度地减少非神经元噪声，并使用适当的预处理来提高数据在所需分析方面的质量。

一旦收集了记录数据，或者如果考虑对现有数据集进行潜在的重新分析，则必须考虑SNR以验证数据集是否适合所需的分析。这需要明确测量SNR，以验证应用的测量在数据的SNR机制中是否具有稳定性。如果SNR太低而无法提供准确的测量结果，则分析可能不可行，因为任何测量结果都将无法解释。如果可以运行分析，则仍应持续验证SNR，以评估SNR随时间或条件之间的潜在变化是否可以解释测量结果的变化。

优化SNR的一般方法包括良好的滤波器设计，以及使用有关频谱估计器和感兴趣信号的信息来选择最合适的方法来提高估计的准确性和稳定性。还有一些特定方法可以在低功率情况下更稳健地估计相位，包括蒙特卡罗估计和应用卡尔曼平滑器。许多先前描述的方法，例如检测振荡峰值、使用个性化频率范围和使用脉冲检测都可以提高SNR。源分离技术，包括那些明确优化SNR的技术可用于提取具有更高SNR的振荡成分。

原文：Methodological considerations for studying neural oscillations.

DOI: 10.1111/ejn.15361