文章來源于微信公眾號（茗創(chuàng)科技），歡迎有興趣的朋友搜索關注弦悉。

導讀

神經振蕩的記錄方法和類型有很多樟澜，與認知任務廣泛相關倍靡，并且適用于研究神經回路生成機制和神經種群動態(tài)的計算模型。正因為如此厢汹，神經振蕩為連接理論螟深、生理學和認知機制的發(fā)展提供了潛在機會。本文討論了分析神經振蕩的七種方法論烫葬。分別為(1)驗證振蕩的存在與否界弧，因為它們可能不存在；(2)驗證振蕩頻帶定義搭综，以解決可變峰值頻率垢箕；(3)考慮并發(fā)的非振蕩非周期性活動，否則可能會混淆測量兑巾；測量和解釋(4)時間變異性和(5)神經振蕩的波形形狀条获，它們通常是突發(fā)性的或非正弦的，可能導致虛假的結果蒋歌；(6)分離空間上重疊的振蕩帅掘，因為可能會存在相互干擾委煤；(7)考慮獲得可靠估計所需的信噪比。對于每一點修档，本文都提供了相關示例碧绞，說明了潛在的解釋誤差，并提供了解決這些問題的建議吱窝。這些注意事項和建議為測量和解釋神經振蕩提供了有用的指南讥邻。

前言

大腦中電場或磁場的記錄，統(tǒng)稱為神經場記錄癣诱，通常用于研究生理與行為计维、認知和疾病之間的聯(lián)系。這種記錄的一個顯著特征是突出的節(jié)律活動撕予，稱為神經振蕩鲫惶，在大腦看似混亂的活動中‘脫穎而出’。自從早期的腦電記錄以來实抡，神經振蕩一直是一個令人感興趣的特征欠母，并且被廣泛觀察和研究。在生理學上吆寨，場電位記錄在很大程度上反映了數千到數百萬個神經元的突觸后和跨膜電流赏淌，其中神經振蕩被認為與群體同步性有關。因此啄清，神經振蕩潛在地提供了對群體水平神經活動協(xié)調的洞察六水。振蕩功能理論認為它們促進了神經活動的動態(tài)時間和空間組織功能。振蕩中斷也與神經和精神疾病廣泛相關辣卒，并已被探索為疾病狀態(tài)掷贾、藥物療效和其他臨床指標的潛在生物標志物。

由于神經振蕩出現在許多不同的時間尺度上荣茫，研究通常集中在預定義的典型頻帶范圍上想帅，這些頻帶范圍被認為可以捕獲不同的振蕩。例如啡莉，睡眠研究人員經常研究delta(1-4 Hz)港准、記憶研究人員theta(4-8 Hz)、視覺研究人員alpha(8-12 Hz)以及認知和運動研究人員beta(13-30 Hz)頻帶咧欣。在此過程中浅缸，神經振蕩研究跨越了不同的記錄方式，包括非侵入性和侵入性方法该押，以及不同的大腦區(qū)域疗杉。

雖然振蕩為將認知和疾病與理論和生理聯(lián)系起來提供了一種令人興奮的可能性，但關于哪些振蕩受哪些條件以及如何調節(jié)的報告往往不一致。在某種程度上烟具，這可能反映了所采取的各種方法梢什，如實驗設計、分析方法朝聋、參數選擇和跨研究使用的理論框架方面的一致性是有限的嗡午。公開的挑戰(zhàn)包括制定更一致的術語和解釋，以及明確考慮電生理研究中再現性的需要冀痕。因此荔睹，研究的最佳實踐指南和臨床研究已被提議用于提高報告標準，從而提高使用神經場記錄的研究的可重復性言蛇。

本研究明確地關注神經振蕩的性質僻他，以及這些性質與常用方法的關系，而不是關注方法本身腊尚。因此吨拗，本文討論了由于方法或實驗假設與數據屬性之間的不一致，常見的分析方法是如何導致研究人員容易誤解的結果的婿斥。這些考慮不限于單個估計器（例如使用特定濾波器或特定功率估計）劝篷，因為它們反映了信號處理方法和神經數據的更一般性質。重要的是民宿，導致這些錯誤解釋的并不是算法本身的錯誤娇妓，這些算法在數學意義上確實達到了其所能做到的，主要的潛在陷阱在于我們如何解釋其輸出活鹰。如果方法假設和數據性質之間存在不一致哈恰，計算測量可能會缺乏有效性，從而導致結果不一致志群。這反過來又會阻礙生理學和理論中正確地進行振蕩研究蕊蝗。

為了解決這些問題，研究者檢查了在研究神經振蕩時的常見解釋赖舟，以便識別和解決可能導致解釋錯誤的方法問題。本研究將分析神經振蕩的方法考慮分為七個部分夸楣，每個部分都有示例演示宾抓。主要關注的是振蕩功率、頻率和相位的單變量測量豫喧，包括確保準確測量和解釋這些方面的潛在陷阱和考慮因素石洗，以及討論這些問題如何擴展到多變量分析，例如交叉頻率耦合紧显。這些演示利用了模擬數據讲衫，這些數據是為了匹配神經場記錄的已知特性而創(chuàng)建的，從而選擇和操縱模擬神經場活動的關鍵特征，以反映經驗數據中實驗觀察到的變化涉兽。使用常見的頻譜和時域分析方法分析模擬數據招驴，以評估它們在數據屬性和方法假設的相互作用方面的性能。然后將每個考慮因素置于更廣泛的研究中枷畏，并提出具體的實用建議以幫助指導神經振蕩的分析别厘。模擬數據和分析方法是從NeuroDSP模塊創(chuàng)建和使用的，所有相關代碼詳見網址 https://github.com/OscillationMethods/oscillationmethods拥诡。

七種方法論

神經振蕩并不總是存在

神經場記錄的特征不僅是振蕩活動触趴，而且還包括非周期性的‘1/f’或‘1/f-like’活動，其中信號功率隨頻率的增加呈指數下降渴肉。這通常表示為1/fχ虹蒋，其中χ表示交叉頻率的功率衰減。在神經數據中杖狼，χ通常介于0和4之間梆暖，其中χ=0的信號是白噪聲，在所有頻率上具有相等的功率前塔，并且χ的值越高表明頻譜越“陡峭”嚣艇。非周期性神經活動與突觸后電位的潛在活動有關，是神經場數據普遍存在且有時占主導地位的特征华弓。

非周期性活動無處不在以及可觀察到的廣泛的神經振蕩變異性這一事實食零，這就需要我們注意如何測量和解釋頻譜分析中獲得的有限頻帶功率。由于存在非周期性活動寂屏，因此在所有頻段始終存在非零功率贰谣。這意味著任何頻譜測量，包括計算功率譜迁霎、窄帶濾波和平均頻帶功率測量吱抚，將始終返回給定頻帶的功率數值，即使不存在振蕩活動考廉。也就是說秘豹，僅僅因為在一個頻帶中有功率并不意味著在同一頻帶中有振蕩。對預定義窄帶頻率范圍的分析必然反映生理振蕩活動的觀點是一種謬誤昌粤。

為了介紹如何在頻域中表示瞬態(tài)和非周期性信號既绕，可以使用狄拉克增量，其中時域中的單個非零值由頻域中所有頻率的恒定功率表示（圖 1a）涮坐。這說明特定頻帶中的功率通常不對應于當前時域中的振蕩凄贩。同樣，神經數據中常見的1/f-like非周期性活動顯示了所有頻率的功率袱讹，而更高頻段的功率降低（圖 1b）疲扎。盡管在非周期性時間序列中的周期性活動不明顯，但可以通過施加一個正弦基的窄帶濾波在過濾到典型頻帶范圍時提取看似振蕩的成分（圖 1c）。相比之下椒丧，振蕩信號壹甥，例如純正弦曲線，在功率譜中表現為頻率特定的峰值（圖 1d）瓜挽。神經場記錄可以模擬為振蕩和非周期性成分的總和盹廷，從而產生一個功率譜，其頻譜峰值超過非周期性成分久橙，反映了大量特定頻帶的功率（圖 1e）俄占。在這種情況下，頻譜峰值的存在表示振蕩功率淆衷。通常缸榄，由于不同的信號成分能夠影響不同頻率范圍內的頻譜功率，因此在一個頻帶中的功率可能不能反映振蕩活動祝拯。

建議

振蕩研究應從檢測步驟開始甚带，驗證是否存在感興趣的振蕩。此驗證步驟可以在頻域和時域中完成佳头。在時域中鹰贵，可視化數據以檢查數據中是否有清晰的節(jié)奏段。在頻域中康嘉，振蕩表現為高于非周期信號的功率峰值碉输。作為一種初步的檢查，目視檢查功率譜有助于驗證是否存在明顯的振蕩亭珍。建議研究者們在論文手稿中展示相應的功率譜圖敷钾，因為它向讀者提供了研究數據中存在振蕩活動的支持性證據。

還存在許多定量方法來檢測神經場數據中的振蕩活動肄梨，例如檢測窄帶頻譜峰值的自動化方法阻荒。這可以通過將功率譜參數化來系統(tǒng)地完成，其中應用量化周期性和非周期性活動的數學模型來檢測高于非周期性成分的任何假定振蕩峰（圖 1f）众羡。同樣侨赡，“多重振蕩檢測算法”（MODAL）方法和“擴展更好的振蕩檢測”（eBOSC）方法，其本身是先前方法的擴展粱侣，使用非周期性活動的擬合來檢測頻率特定活動辆毡。

檢查數據的節(jié)奏特性，在難以觀察到頻譜峰值的情況下尋找假定的振蕩活動也可能很有用甜害。例如，振蕩可能以罕見或不常見的形式出現球昨，當在整個時間間隔內計算頻譜時尔店，不會出現清晰的頻譜峰值。在這種情況下，可能需要檢查更短的時間窗嚣州，并選擇具有更高頻帶功率或圍繞感興趣的事件的時間窗來解決頻域中的峰值鲫售。另外，時域和脈沖檢測方法可能更適用该肴。解決此問題的另一種潛在方法是滯后相干性情竹，它明確地量化了時間序列中的節(jié)律性，與僅測量頻譜功率相反匀哄，也可用于區(qū)分振蕩信號和瞬態(tài)秦效。

因為振蕩在被試內和被試間以及跨不同頻段的存在可能會有所不同，應針對每個感興趣的頻帶涎嚼、被試和分析區(qū)域執(zhí)行振蕩檢測阱州。如果沒有檢測到振蕩，這可能會妨礙進一步的分析法梯。群體水平的分析可能會掩蓋振蕩在個體被試中發(fā)生的變化苔货。例如，如果并非所有被試都顯示出清晰的節(jié)律立哑，則在群體水平上振蕩變化的效應大小估計可能會因包括沒有任何明顯振蕩活動的被試子集而被混淆夜惭。或者铛绰，在沒有首先進行振蕩檢測的情況下比較區(qū)域之間的振蕩功率可能會將振蕩功率的變化與振蕩存在的差異混為一談诈茧。應用分析來檢測振蕩是否存在，可以確保測量結果是否真正反映了振蕩活動至耻。

神經振蕩的峰值頻率不同

神經振蕩在其峰值頻率上表現出顯著變化若皱，包括不同年齡、被試內和被試間以及不同皮層位置的變化尘颓。例如走触，alpha峰值頻率被認為是一個穩(wěn)定的特征標記，并且還與一些臨床疾病有關疤苹，例如互广，在注意力缺陷多動障礙(ADHD)中顯示出較慢的頻率。神經振蕩的頻率變化也可以發(fā)生在被試完成的任務中卧土，包括與任務相關的方式惫皱。

由于頻率變化，即使驗證了振蕩的存在尤莺，使用規(guī)范定義的頻率范圍仍然可能無法準確反映數據旅敷，因為如果在規(guī)范范圍內沒有很好地捕獲頻譜峰值，這可能會導致振蕩功率的錯誤估計颤霎。例如媳谁，在圖 2中涂滴，在規(guī)范定義的8-12 Hz的alpha范圍捕獲了10 Hz振蕩的峰值（圖 2a），但未能準確捕獲8 Hz的峰值（圖 2b）晴音。盡管使用相同的振蕩功率模擬信號柔纵，但由于低估了具有特殊峰值頻率的信號中的功率，使用規(guī)范頻率范圍估計的alpha功率在信號之間是不同的（圖 2c)锤躁。這個問題也影響了帶通濾波的結果搁料，因為與一個單獨的頻段相比，典型濾波范圍低估了存在的alpha功率（圖 2d）系羞。使用個性化的頻帶范圍來控制頻率差異可以準確地捕獲每個信號中的alpha功率（圖 2e）郭计。總體而言觉啊，預定義的頻段可能無法解決峰值頻率的變化拣宏，從而導致錯誤估計。

峰值頻率的差異對于特定頻率范圍內的估計分析很重要杠人，例如計算頻帶功率或對感興趣的頻率范圍進行窄帶濾波勋乾。當單個峰值頻率位于邊界附近或定義范圍之外時，此時應用固定頻率范圍可能會導致信息丟失嗡善；如果范圍捕獲到相鄰的振蕩或非周期性的活動辑莫，它也可能是非特異性的。這些問題既適用于單個頻帶的分析罩引，也適用于復合測量各吨。如計算不同頻帶功率之間的比率，因為峰值頻率或峰值帶寬的變化會影響測量結果袁铐。例如揭蜒，之前報告的ADHD被試的theta/beta比率的差異被發(fā)現部分是由ADHD組的alpha峰值變慢所導致，從而改變了對數據結果的解釋剔桨。

建議

為了解決峰值頻率的變異性屉更，任何采用窄帶頻率范圍的分析都應評估所選范圍與數據的匹配程度。目視檢查可以幫助確定定義的頻率邊界反映功率譜中實際峰值的程度洒缀。應在個體被試水平的所有分析頻帶進行這一操作瑰谜，因為個體被試可能具有特殊的峰值頻率，如果它們被錯誤估計树绩，可能會影響組水平的結果萨脑。對于被試內分析，還應考慮峰值頻率隨時間或任務之間的變化饺饭，以確定測量到的功率變化是否可以反映峰值頻率的變化渤早，其中頻率可能“漂移”到定義的感興趣范圍之外。因此瘫俊，在研究人員的論文手稿中應該包含功率譜相關信息鹊杖，使讀者能夠觀察到應用的波段范圍與數據中觀察到的峰值的匹配情況提鸟。

如果規(guī)范定義的頻率范圍確實與數據相匹配，那么可以放心地進行后續(xù)分析仅淑。然而，如果選擇的感興趣頻帶范圍不能恰當地反映數據胸哥，則可以自定義頻帶涯竟。計算個性化頻帶的方法通常通過測量頻譜峰值來實現。現有的自動化方法空厌，包括通過頻譜平滑來提高性能庐船。盡管有些方法使用“錨定頻率”，但這種方法并不總是能夠推廣到多個峰值或頻段嘲更，例如筐钟，將theta定義為低于已確認的alpha頻段的范圍。這種方法的局限性在于不考慮振蕩檢測步驟赋朦。對于多個假定峰的峰檢測篓冲，無需預先定義頻率范圍，也可以通過頻譜參數化來完成宠哄，之后可以將峰分組到觀察到的感興趣的頻段壹将。

除了頻譜峰值檢測之外，檢測振蕩的方法還可用于檢測具有峰值節(jié)律性的頻率毛嫉，例如诽俯，通過在頻率上應用滯后相干性。一些方法還允許聯(lián)合學習多個頻段定義承粤。例如暴区，振蕩重建算法(ORCA)根據每個定義重建數據的能力來評估多個頻段定義，而gedBounds方法通過對頻率間的相似性進行聚類來識別頻率邊界辛臊。這些方法一起檢查所有分析的頻率仙粱，可能有助于在被試內和被試間獲得更一致的頻率范圍組±嘶洌總的來說缰盏，需要進行某種形式的評估來驗證頻帶，以確保應用的測量能夠準確地捕捉到預期的振蕩活動淹遵。

神經振蕩與非周期性活動共存

如前所述口猜，神經場記錄包含非周期性活動。這種活動不僅無處不在透揣，而且在被試內和被試間也是可變的和動態(tài)的济炎。被試間非周期性活動的變異性可能與年齡和臨床診斷有關，而在被試內辐真，非周期性活動隨狀態(tài)而變化须尚，例如睡眠崖堤，與行為任務有關并且會受到外源刺激和認知需求的影響。與振蕩相比耐床，這種動態(tài)的非周期性活動具有不同的假定生成器密幔、生理解釋和與任務相關的動力學，使其本身成為一個有趣的特征撩轰】杷Γ總而言之，非周期性神經活動在許多情況下是動態(tài)的堪嫂，其中神經振蕩通常是研究的焦點偎箫。

這種非周期性活動的動態(tài)特性是檢測神經振蕩的一個重要考慮因素，以及解釋測量的數據變化皆串。對于多個動態(tài)成分淹办，分析必須判斷數據的哪些方面正在發(fā)生變化，以及如何變化恶复，以便進行適當的解釋怜森。由于非周期性活動在所有頻率上都具有能量，因此非周期性活動的變化或差異會導致所有頻率上的差異活動模式寂玲。通過比較黑色(χ=0)和紅色(χ=1)噪聲1/fχ信號可以看出塔插，它們在規(guī)范定義的alpha頻段中具有不同的功率（圖 3a）。即使使用經過驗證的頻譜峰值和頻率范圍拓哟，在給定頻率范圍內的兩個條件之間的頻帶功率差異可能并不特定于振蕩變化想许，因為它可能反映了非周期性活動的全局變化。例如断序，在圖 3b中流纹，由于兩個信號中的周期性活動是相同的，所以兩個條件之間alpha頻段功率的測量差異反映了非周期性指數的變化违诗，而不是與alpha頻段中的頻譜峰值相關的變化漱凝。

考慮到非周期性活動對于研究一系列頻段的頻帶功率的分析特別重要，因為測量到的跨頻帶變化的系統(tǒng)模式可能不會反映振蕩活動的任何變化诸迟。例如茸炒，在圖 3c中，兩個條件的頻帶功率在五種不同的頻段上進行了比較阵苇。盡管該分析表明了一系列規(guī)范定義的頻段中頻帶功率的變化模式（圖 3d)壁公，但這些變化實際上是由非周期性活動的變化導致的。因此绅项，不同頻段的相關變化模式有時可以用非周期性活動的變化來解釋紊册，而不是用多個不同的振蕩變化來解釋。

由于非周期性變化快耿，全局功率的變化也會影響振蕩活動的相對或標準化測量囊陡。在圖 3c的頻譜中芳绩，在alpha頻段有一個可見的頻譜峰。盡管峰值功率沒有變化撞反，但相對功率測量表明alpha功率發(fā)生了變化妥色，因為所有頻率的功率變化是由非周期性活動的變化導致的（圖 3e）。這個問題也會影響其他復合測量遏片，例如頻段功率比垛膝，包括theta/beta比值，通常作為ADHD的潛在生物標志物進行研究丁稀。

建議

由于振蕩和非周期性成分都是動態(tài)的，因此分析驗證數據的哪些元素發(fā)生了具體變化是很重要的倚聚，以便適當地解釋結果线衫。這與任何研究假定窄帶功率的分析相關，包括研究多個振蕩頻帶惑折。應明確測量非周期性活動授账，以評估它是否解釋了特定頻段的變化，包括不同頻段的相關變化模式是否可以更簡潔地解釋為寬頻帶非周期性活動的變化惨驶。應避免假設振蕩存在于靜態(tài)“背景”上的方法白热，例如在所有頻率上除以功率的相對功率測量或頻段比率測量。相對功率測量值的變化可能來自特定頻帶的感興趣功率的變化粗卜，或者是由于非周期性成分的變化導致在用作分母的所有頻率上的測量功率發(fā)生變化屋确。

明確測量非周期性活動需要概念化非周期性和周期性活動的方法，以避免錯誤地將非周期性活動歸因于振蕩變化续扔。定義和測量與非周期性活動有關的振蕩活動方法攻臀，包括先前引入的方法，如頻譜參數化和eBOSC纱昧，旨在測量和控制非周期性的活動刨啸，從而解決這個問題。還有用于測量非周期性活動的專用方法识脆。例如设联，不規(guī)則重采樣自頻譜分析(IRASA)方法，通過提出重采樣程序來分離非周期性活動灼捂，從而利用了非周期性活動的無標度特性离例。IRASA可用于分離和測量非周期性神經活動，之后分析可以評估每個成分纵东，以檢查感興趣的測量是否具體反映了預期的成分粘招。總體而言偎球，控制非周期性活動需要采用振蕩檢測步驟并評估相對于非周期性成分的振蕩功率洒扎，以評估測量的變化是否捕獲了振蕩或非周期性活動辑甜。

神經振蕩是隨時間變化的

神經振蕩通常表現出脈沖式的時間動態(tài)，而且很少是完全一致和連續(xù)性的袍冷。這些神經振蕩的時間動態(tài)是一個潛在的重要特征磷醋。一些振蕩生成模型以與經驗數據中所見一致的方式預測非連續(xù)事件。盡管如此胡诗，許多方法在分析時（例如邓线，跨時間或試次的平均頻段功率）會隱含地假設所研究信號的平穩(wěn)性。在這種情況下煌恢，振蕩存在或時間動態(tài)的可變性可能被誤解為功率差異骇陈。例如，在振蕩活動的隨機開始和偏移的模擬過程中瑰抵，信號可以顯示振蕩活動的不同比例你雌，且振蕩功率相等（圖 4a）。通常被解釋為反映了整個振蕩幅值的變化二汛，但是婿崭，測得的差異可能是由于時間變化造成的（圖 4b）。這些平均效應在諸如跨試次平均的時頻分析等場景中也很重要肴颊，這可能會在平均數據中產生持續(xù)活動的錯覺氓栈。如果不同試次中的單個試次具有在不同時間發(fā)生的類似脈沖式的時間動態(tài)，則可能會發(fā)生這種情況婿着，盡管這種連續(xù)性在任何單個試次中都沒有發(fā)生（圖 4c）授瘦。神經振蕩的時間變異性引發(fā)了對單個試次動力學重要性的考慮。

振蕩脈沖可以以多種方式變化竟宋，從而導致類似測量的頻段功率變化奥务，這可能被誤解為反映了強直頻帶功率的變化。這包括脈沖持續(xù)時間（圖 4d）袜硫、脈沖發(fā)生（圖 4e）或脈沖振幅（圖 4f）的變化氯葬，每一個都可以在分析的時間段內或之間變化。了解變異的不同來源對如何解釋這些信號有很大的影響婉陷，因為脈沖長度帚称、數量或大小的變化，可能反映不同的神經環(huán)路機制以及與神經功能的假定關系秽澳。

建議

對神經振蕩的分析必須評估時間變異性闯睹，因為這可能推動測量發(fā)生變化。為了解決時間可變性担神，必須同時考慮頻域和時域楼吃。時頻分析，例如頻譜圖，可用于檢查隨時間變化的頻譜特性孩锡，以便在振蕩平均功率的變化及其時間動態(tài)變化之間做出判斷酷宵。在此過程中，分析單個試次是非常重要的躬窜，以避免錯誤解釋平均功率浇垦。如果報告頻譜圖，則應包括單個試次示例圖荣挨，以評估明顯的持續(xù)活動是否真正持續(xù)男韧，亦或是產生于多個短脈沖平均后的結果。

脈沖檢測方法也可用于識別存在振蕩的信號段默垄，然后可以根據脈沖持續(xù)時間此虑、數量或振幅對其進行表征。檢測的常用方法是使用幅度閾值口锭，檢測頻率特定功率大于所選閾值水平的功率段寡壮。如前所述的eBOSC算法可以認為是基于閾值的脈沖檢測，其中閾值是基于非周期成分的讹弯，可以用于脈沖檢測。

其他檢測算法包括匹配追蹤这溅，能夠更準確地估計脈沖開始和持續(xù)時間组民。或者悲靴，可以使用諸如隱馬爾可夫模型之類的方法臭胜，該方法旨在表征狀態(tài)轉換，并且能夠以概率方式對輸入和輸出的振蕩狀態(tài)轉換進行建模癞尚。通過表征單個周期來識別振蕩的時域測量耸三，也可用于檢測和分析脈沖的數量和持續(xù)時間，以及周期特性浇揩。檢測后仪壮，對脈沖式神經活動的分析通常涉及對已識別的脈沖的后續(xù)分析，以評估它們的持續(xù)時間胳徽、發(fā)生率或振幅是否發(fā)生變化积锅。

神經振蕩是非正弦的

神經振蕩的波形形狀通常是非正弦的，例如养盗，圓弧形的感覺運動μ節(jié)律缚陷、鋸齒狀的海馬theta節(jié)律。神經振蕩的這些波形特性可能反映了生理特性往核，例如神經活動的同步性箫爷、神經元的尖峰模式等。因此，波形形狀可能是一個重要的感興趣特征虎锚，它可能會對振蕩的生成電路模型以及相關突觸電流的時間常數施加約束硫痰。

由于大多數方法都假定正弦基礎，振蕩的可變波形形狀也造成了大量的方法學和解釋障礙翁都。例如碍论，估計瞬時相位通常涉及在應用希爾伯特變換之前對信號進行窄帶濾波。對波形形狀變化的數據應用窄帶濾波器可能會出現問題柄慰，因為窄帶濾波的正弦輸出相位與非正弦信號的相位不對應（圖 5a）鳍悠。這是因為在頻域中，非正弦形狀由跨多個頻率的功率表示坐搔，如果去除諧波頻率中的信號內容藏研，則與原始非正弦信號相比，得到的濾波信號將具有偏移的波峰和波谷（圖 5a )概行。這是任何分析周期特性需要重點考慮的因素蠢挡，例如信號峰和谷的位置，假定對應于特定的生理狀態(tài)凳忙。對于依賴于精確時間特征的分析（例如业踏，研究刺激前階段對行為測量的影響），控制波形形狀可能是有利的涧卵。

在頻譜分析中勤家，非正弦波形在功率譜中表現為主頻倍數的諧波，如圖 5b所示柳恐。這可能導致將這些單獨的峰值解釋為獨立的生理節(jié)律伐脖。例如，在弧形μ節(jié)律的情況下乐设，振蕩的波形形狀將在alpha和beta頻率范圍內產生峰值讼庇。這可能會被解釋為具有假定的相位和振幅耦合關系的單獨的alpha和beta節(jié)律，而實際上只存在一種非正弦節(jié)律近尚。大腦皮層中存在多種類型的節(jié)律蠕啄，使得對這些情況的區(qū)分變得更加復雜。圖 5c顯示了非正弦的程度如何反映在諧波頻率的功率上戈锻，隨著非正弦性的增加介汹，諧波頻率范圍內的功率越大。所以在評估不同條件之間的頻譜功率差異時應考慮這一點舶沛，以控制波形形狀的潛在變化嘹承。

波形形狀可以在頻率之間引起雜散耦合，這在考慮諸如相位-振幅耦合等受波形形狀影響較大的測量時尤為重要如庭。如圖 5d所示叹卷，波形形狀會導致諧波頻率處的幅值發(fā)生系統(tǒng)性變化撼港，這可能取決于基振蕩的相位，如圖 5e所示骤竹。這就產生了跨頻率相位振幅耦合的測量帝牡。從數值上看，這些值并不令人反感蒙揣，因為它們反映了頻域中頻率之間的關系靶溜。然而，如果這種關系被用來反映獨立節(jié)律之間的顯著耦合懒震，那么這種解釋可能存在謬誤罩息，而實際上多個節(jié)律之間不需要存在這種相互作用。由于這些方法上的局限性个扰，所以在反映波形形狀的相位振幅耦合測量與真正反映嵌套振蕩的相位振幅耦合測量之間需要進行仔細的判斷瓷炮。

建議

為了評估和控制波形形狀，應該對波形和周期特性進行明確的測量递宅。單個周期的時域測量可用于表征波形形狀娘香，例如，上升/衰減對稱性或峰值銳度的測量办龄。其他方法旨在學習波形并將其分組到觀察到的類別中烘绽，例如，通過滑動窗口匹配來學習數據中的重復模式俐填，或通過學習數據中觀察到的形狀來檢測數據中特定波形的出現情況安接。

在頻域中，特定的波形可以在功率譜和時頻表征中產生典型的模式玷禽，這會使振蕩的檢測變得復雜。如果頻譜峰值出現在較慢頻率的精確倍數上呀打，則量化波形形狀可能有助于區(qū)分在該特定頻率處的獨立振蕩或由波形形狀引起的諧波譜峰矢赁。由于不同的波形形狀可能出現相似的時頻表征，因此可能需要時域分析來評估波形形狀是否以及如何影響頻譜表征贬丛。

對于跨頻域耦合分析撩银，一個區(qū)域內局部耦合的頻率范圍（例如，對于相位振幅耦合豺憔，耦合到低頻相位的高頻范圍）可以表明該區(qū)域是否可能是真正的振蕩耦合或形狀效應额获。應用和比較多種跨頻耦合測量可以分離諧波和非諧波相位振幅耦合。此外，其他頻域方法，例如雙相干漆枚，一種對頻率之間的非線性相互作用的測量方法弱睦，也可用于研究頻域中的波形形狀。

多種振蕩在大腦中共存

神經振蕩的非侵入性記錄反映了相對較大的皮層區(qū)域的聚集活動蕴茴。通過容積傳導(一個用于描述電場從其原始源穿過組織傳播到記錄傳感器的術語)迅诬，記錄電極可以反映來自多個局部源的活動箭养，以及來自空間和時間上重疊的更遠源的貢獻奥喻。例如偶宫，在MEG/EEG中，有幾個alpha節(jié)律源环鲤，位于體感纯趋、枕葉、頂葉和顳葉皮層冷离，可以同時協(xié)同工作吵冒。在許多研究中，通過直接分析來自記錄傳感器的活動酒朵，在傳感器空間中分析記錄桦锄。在這種情況下，由于多個不同源的空間和時間重疊蔫耽，聚集信號可能與潛在的興趣源明顯不同结耀。因此，應用于這些組合信號的測量可能無法準確反映潛在的源匙铡，時間動態(tài)或波形形狀的測量會失真图甜。

檢查頻譜和時域測量如何受重疊源影響的示例如下，其中來自單個電極的傳感器空間活動由來自頂葉和視覺皮層中兩個潛在源的活動組成（圖 6a）鳖眼。在頻域中黑毅，當兩個源的峰值頻率略有不同時，這種配置會導致alpha頻率范圍內出現兩個峰值（圖 6b）钦讳。這在經驗數據中被觀察為“雙阿爾法”或“分裂阿爾法”峰矿瘦。傳感器空間中的分析可能會導致特定電路產生具有兩個同時存在的峰值頻率信號的解釋，這反過來將影響產生機制的理論愿卒。相似峰值頻率的多個潛在節(jié)律的空間總和也可以掩蓋潛在節(jié)律感興趣的時間特征缚去，如圖 6c所示。由于干擾效應琼开，相似頻率源之間的相位差可以減弱傳感器空間中的振蕩易结，即使底層源中的振蕩功率沒有改變，這可能會導致對源的振蕩功率變化的錯誤解釋柜候。

區(qū)域間連通性測量也受到多個源同時存在的影響搞动。使用傳感器空間信號計算連通性測量可能會導致錯誤的結果，因為容積傳導會影響這些測量渣刷。因為單個源傳播到多個傳感器鹦肿，所以振幅和相位的規(guī)律將存在于在多個傳感器中。這可以在電極之間產生非常顯著的統(tǒng)計關系辅柴，反映出由于共同源而不是真正的區(qū)域間耦合而存在的信號狮惜，這可能會導致對振蕩源之間連接性的錯誤解釋高诺。

建議

由于源信號重疊，分析傳感器水平時間序列或功率譜可能會誤導振蕩的哪些方面存在或正在改變碾篡。只要有可能虱而，傳感器空間分析應輔以源水平分析。源分離方法可用來分離信號中不同的窄帶周期性成分开泽，這有助于揭示傳感器空間數據中不可見的特征牡拇，并有助于定位源。有許多可能的源分離方法穆律，適當方法的選擇還取決于源分離的具體目標惠呼，例如將活動定位于特定區(qū)域或根據統(tǒng)計特性將時間序列分解為成分。

基于這些目標峦耘，可以使用兩種具有不同優(yōu)化標準的方法來估計來自傳感器空間的源活動剔蹋。第一種方法使用結構信息來約束基于個體或模板結構MRI的逆解，并結合波束形成器或最小范數估計技術等方法辅髓。第二種方法與結構信息無關泣崩，僅依賴于跨通道信號的統(tǒng)計結構。在這種方法中洛口，通道活動被假定為多個潛在源的線性混合矫付，由引導場矩陣定義，該矩陣描述了各個源如何映射到傳感器第焰。通過假設源時間序列的特定統(tǒng)計特性以及混合特性买优，可以嘗試進行分離。該領域的方法包括聯(lián)合去相關或獨立成分分析挺举。在研究神經振蕩的背景下杀赢，有些專門使窄帶振蕩成分的信噪比(SNR)最大化，同時最小化側頻段的SNR湘纵。為了增強振蕩SNR脂崔，可以使用空間頻譜分解或廣義特征分解。公共空間模式算法及其變體可用于最大化任務條件之間窄帶活動的差異瞻佛。為了研究窄帶活動和連續(xù)變量之間的關系脱篙，源功率相關分析可能是有意義的娇钱∩吮空間濾波方法也可以用作降維的預處理步驟，以此簡化統(tǒng)計比較和計算需求文搂。

測量神經振蕩需要足夠的信噪比

神經振蕩嵌入在包含多個節(jié)律信號适刀、非周期性活動和瞬態(tài)事件的復雜記錄中。分析感興趣的振蕩信號需要定義感興趣的特征（信號）煤蹭，并從其余數據（噪聲）中提取此信號笔喉。與所有測量一樣取视，分析振蕩的方法需要足夠的信噪比(SNR)。實際上常挚，普遍使用諸如濾波之類的處理步驟主要是為了提高信噪比作谭。迄今為止，許多考慮因素（檢測振蕩奄毡、調整頻率范圍折欠、控制非周期性活動、脈沖檢測和源分離）都可以被理解為旨在通過調整對數據特定特性來提高SNR吼过。

振蕩活動的SNR和振蕩功率與噪聲的比率有關锐秦。振蕩功率是一種動態(tài)特性，可以通過在非周期性成分之上的振蕩峰的峰值變化看出這一點（圖 7a）盗忱。許多實驗范式將改變振蕩功率酱床，因為刺激的呈現可能導致與事件相關的振蕩衰減。振蕩功率的這種變化會改變SNR趟佃，進而可能影響其他振蕩測量的準確性和穩(wěn)定性扇谣，例如瞬時相位和頻率。當SNR較高時揖闸，可以可靠地估計相位和頻率（圖 7b）揍堕。然而，當SNR較低時汤纸，估計可能會有很大的噪聲衩茸，如圖 7c所示。

振蕩功率的變化會改變信噪比和破壞相位估計贮泞，從而導致對衍生測量的估計不準確楞慈，例如鎖相值或試次間一致性。低SNR使得難以可靠地提取感興趣的振蕩（圖 7d）啃擦，從而導致可變相位估計（圖 7e）囊蓝。在計算此類估計的耦合測量時，在沒有任何真正的相位對齊變化的情況下令蛉，SNR的差異可能會削弱兩個信號之間的鎖相檢測（圖 7f）聚霜。振蕩測量的不穩(wěn)定估計也可以傳播到多變量分析，例如跨頻耦合珠叔，由此影響SNR的振蕩功率變化可能導致測量的跨頻耦合發(fā)生變化蝎宇。時域分析，例如用于分析波形形狀的分析祷安，也強烈依賴于它們是否有足夠的SNR來有意義地測量感興趣的特性姥芥。

建議

考慮穩(wěn)定估計振蕩測量所需的SNR，首先要選擇適當的實驗設計汇鞭。在設計方案和任務時凉唐，實驗者應考慮對感興趣效應的可靠性和效應大小的了解庸追，并考慮進行功效分析以設計功效良好的研究。這包括考慮記錄模式台囱，因為不同的模式對不同的源位置具有不同的敏感性淡溯，以及它們提供的不同時間、空間和頻率分辨率簿训。記錄數據時血筑，應采用最佳實踐來最大限度地減少非神經元噪聲，并使用適當的預處理來提高數據在所需分析方面的質量煎楣。

一旦收集了記錄數據豺总，或者如果考慮對現有數據集進行潛在的重新分析，則必須考慮SNR以驗證數據集是否適合所需的分析择懂。這需要明確測量SNR喻喳，以驗證應用的測量在數據的SNR機制中是否具有穩(wěn)定性。如果SNR太低而無法提供準確的測量結果困曙，則分析可能不可行表伦，因為任何測量結果都將無法解釋。如果可以運行分析慷丽，則仍應持續(xù)驗證SNR蹦哼，以評估SNR隨時間或條件之間的潛在變化是否可以解釋測量結果的變化。

優(yōu)化SNR的一般方法包括良好的濾波器設計要糊，以及使用有關頻譜估計器和感興趣信號的信息來選擇最合適的方法來提高估計的準確性和穩(wěn)定性纲熏。還有一些特定方法可以在低功率情況下更穩(wěn)健地估計相位，包括蒙特卡羅估計和應用卡爾曼平滑器锄俄。許多先前描述的方法局劲，例如檢測振蕩峰值、使用個性化頻率范圍和使用脈沖檢測都可以提高SNR奶赠。源分離技術鱼填，包括那些明確優(yōu)化SNR的技術可用于提取具有更高SNR的振蕩成分。

原文：Methodological considerations for studying neural oscillations.

DOI: 10.1111/ejn.15361