- 3 次围观
神经电压记录的功率谱会随脑状态系统性变化，并同时包含窄带（节律性）与宽带成分。一大类算法试图通过将节律从宽带结构中分离出来，对这些频谱进行参数化，从而支持了许多稳健的经验性发现。本文表明，流行频谱分解方法所依据的两个常见假设，与神经记录的标准物理与统计性质并不相容：（1）场电位源于生物物理过程的加性（线性）叠加，而若干方法却隐含施加了乘性结构；（2）功率估计服从 Gamma 分布，其方差与功率平方成正比（异方差性），然而许多方法却假设各频率上的误差服从高斯分布且具有同方差性。借助具有已知真实值的模拟，我们展示了这些模型设定错误如何使节律振幅以及宽带高度/斜率的估计产生偏倚，即使在条件良好的情况下亦是如此。 我们提出了一个校正后的分解框架，并以开源软件包 SL_specdecomp 的形式发布。与使用最广泛的方法 specparam 相比，我们的方法能够准确恢复节律与宽带参数，而 specparam 的分解结果则存在偏倚，并可能将节律性峰与宽带斜率相混淆。随后，我们将这些方法应用于猕猴在异丙酚麻醉期间的皮层脑电图记录。SL_specdecomp 估计表明，麻醉状态下 40--60~Hz 的宽带斜率较清醒状态明显更陡（即更负），而 specparam 显示的状态差异则较小。我们通过模拟表明，这两种分解结果的差异可以直接由 specparam 的模型设定错误所导致。我们还引入了一种基于交叉验证对数似然的形式化方法，用于比较候选功率谱分解，并证明该方法更支持 SL_specdecomp。这些结果表明，在强节律存在时，设定错误的分解方法会削弱或扭曲宽带斜率变化，并进一步说明应将 SL_specdecomp 作为更可靠的分解工具加以采用。
神经电压记录的功率谱会随脑状态发生系统性变化，并且同时包含窄带（节律性）和宽带成分。一大类算法试图通过将节律与宽带结构分离来参数化这些频谱，从而支持了许多稳健的经验性发现。本文表明，流行频谱分解方法所依据的两个常见假设与神经记录的标准物理和统计性质并不相容：(1) 场电位来源于生物物理过程的加性（线性）叠加，然而若干方法却隐含地施加了乘性结构；(2) 功率估计服从 Gamma 分布，其方差与功率平方成正比（异方差性），然而许多方法却假设各频率上的误差服从高斯且同方差。通过使用具有已知真实值的模拟数据，我们证明了这些模型设定错误即使在条件良好的情况下，也会使节律振幅以及宽带高度/斜率的估计产生偏差。我们提出了一个经校正的分解框架，并以开源软件包 SL_specdecomp 的形式发布。与目前使用最广泛的方法 specparam 相比，我们的方法能够准确恢复节律和宽带参数，而 specparam 的分解结果则存在偏差，并且可能混淆节律峰与宽带斜率。随后，我们将这些方法应用于丙泊酚麻醉期间的猴皮层脑电图记录。SL_specdecomp 估计麻醉状态下 40--60~Hz 宽带斜率明显更陡（更负），相比清醒状态差异显著；而 specparam 显示的状态差异则较小。我们通过模拟表明，两种分解结果之间的差异可以直接来源于 specparam 的模型设定错误。我们还提出了一种基于交叉验证对数似然的正式方法，用于比较候选功率谱分解，并表明该方法更支持 SL_specdecomp。上述结果表明，在存在强节律的情况下，设定错误的分解方法可能会削弱或扭曲宽带斜率的变化，并促使将 SL_specdecomp 用作更可靠的分解工具。
📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.12.718232v1?rss=1
🏷️ 功率谱分解 神经电压记录 频谱参数化 模型设定错误 宽带斜率 节律振荡