利用時頻分析研究非相位鎖定腦電活動*

武 俠 鐘楚鵬 丁玉瓏 曲 折

(中山大學心理系,廣州 510006)

1 引言

Berger于1929年第一次記錄了人類頭皮處的腦電活動(Electroencephalography,EEG,Berger,1929),揭開了對人類EEG研究的序幕。隨著時間的推進,研究者們的研究興趣逐漸從直接研究自發腦電活動轉移到了研究事件相關電位(Event-Related Potentials,ERPs)。在1960年代以后,人們主要通過使用時域內ERP分析方法來探討認知活動和腦電活動之間的關系 (Bastiaansen,Mazaheri,& Jensen,2012)。時域ERP分析方法假設每一次事件誘發的電活動類似,而自發噪音則是隨機的。時域ERP分析方法把每一次事件出現的時刻作為數據分析的標準時刻點,將每一個試次(trial)的EEG信號按照標準時刻點對齊后疊加求平均。不同試次的噪音會在疊加平均的過程中相互抵消,疊加平均后的腦電信號就是事件誘發的腦電活動,代表了大腦對該事件的認知加工過程(Luck,2005;Woodman,2010)。

1980年代以來,越來越多的研究者意識到時域ERP成分只是一種特定類型的事件相關腦電信號。事件發生后,大腦對事件認知加工所對應的腦電活動中還有其他類型的事件相關腦電活動。研究者發現,在事件發生后大腦內與事件加工相關的EEG活動有可能是以下幾種類型：頻率反應(frequency response,Ijspeert,2008),振幅反應(amplitude response,Klimesch,2012; Tallon-Baudry & Bertrand,1999),相位重置(phase resetting,Gruber & Müller,2005; Klimesch et al.,2004),新增成分(additive response,M?kinen,Tiitinen,&May,2005; Mazaheri & Picton,2005)。

圖 1列出了上述四類大腦對事件的反應類型。(1)頻率反應(圖 1A)是某頻率的自發 EEG活動在事件出現后變化了振蕩頻率,這一類大腦活動多見于單細胞放電或者人們在有節律運動的時候中樞系統某節律細胞的活動。(2)振幅反應(圖1B)是事件發生后某頻率 EEG自發電活動能量增加(或減小),每個試次中該頻率的能量都有所增加(或減小),不過每個試次事件相關電活動相位是隨機的,疊加平均時相互抵消掉了,ERP平均波形捕捉不到此類事件相關腦電活動。(3)相位重置(圖 1C)是所有試次的相位都會因事件出現而變得一致,這類活動是相位鎖定活動。求平均波形時,此類活動會出現在平均波形中,這是我們熟知的ERP成分。(4)新增成分(圖1D),即事件發生后每個試次都會出現與自發活動相互獨立的新增成分。這些活動的相位相似,強度相似,求平均波形時,也會呈現在平均結果中,也可以產生我們所熟知的ERP成分。

圖 1 事件發生后可能的腦電活動變化。

綜上,在事件發生后,大腦對事件的認知加工過程可能表現為相位鎖定的活動和非相位鎖定的活動兩類,相位鎖定的活動可以通過時域 ERP分析方法來分析,而相位不鎖定的活動在時域ERP分析方法中被當作噪音去除掉了。即使是傳統的時域 ERP平均波形,也可能有兩種產生機制：相位重置(圖 1C)和新增活動(圖 1D),但這兩種機制在傳統的時域ERP分析方法中無法區分。為了彌補時域ERP分析方法的這些局限性,研究者們引入了一種新的信號分析方法,這就是本文要介紹的時頻分析方法。

2 時頻分析方法原理簡介

研究者從頭皮處的電極記錄到的腦電信號是一種時域內的信號,是糅雜了事件誘發的短時暫變信號、自發電活動以及隨機噪音等強度隨時間變化的信號。為了更加清晰直觀地觀察腦電信號,可以通過傅立葉變換將信號從時域變換至頻域,頻域內 EEG活動的各種頻率成分可以清晰區分,不僅更直觀,而且可以對不同頻率成分進行獨立分析,給信號分析提供了極大的方便。但實驗條件下的EEG信號是一種非穩恒信號,事件誘發的信號有產生和衰減的時間進程。將信號完全轉換到頻域會失去時變信息,導致頻域結果含義不清,難以解釋。而時頻分析則可以在分析頻率成分的同時給出時間信息,使得對時變信號的分析變得直觀和容易理解。在結果中包含信號的頻域和時域信息的分布被稱為時頻分布,對信號做時頻分布的分析就是時頻分析。

時頻分析的算法有很多種,包括窗口傅立葉變換,小波變換,Hilbert變換,Hilbert-Huang變換,Wigner-Ville分布等方法(Huang et al.,1998; Torrence& Compo,1998)。在心理學腦電數據分析領域,最常用的是小波變換和Hilbert變換。小波變換常應用于計算各個波段活動的能量(Mishra,Martínez,Schroeder,& Hillyard,2012; Tallon-Baudry &Bertrand,1999)。對相位的計算中,則常會用到Hilbert變換(Canolty et al.,2006; Song,Meng,Chen,Zhou,& Luo,2014)。窗口傅立葉變換也是一種時頻分析算法,但高頻和低頻波段信號的分辨率相同,在心理學腦電數據分析中應用較少。傳統的傅立葉變換則是一種頻域分析方法,不適合時變信號的分析。

2.1 傅立葉變換和窗口傅立葉變換

為了形象地說明幾種時頻分析方法的異同,本文構造了兩段簡單的時變信號：第一段(圖2A)的前半段是振幅為1的10 Hz正弦信號,后半段是振幅為 1.5的 20 Hz余弦信號; 第二段(圖 2B)的前半段是振幅為1.5的20 Hz余弦信號,后半段是振幅為1的10 Hz正弦信號。這兩段不同時變信號的傅立葉變換結果完全相同(分別見圖2C和圖2D)。由此可見,傅立葉變換對于時變信號并不適用。在實際應用中,傅立葉變換只適用于分析一些能產生相對穩恒的腦電振蕩模式的實驗數據,如對穩態視誘發(SSVEP)的分析(Regan,1966;Norcia,Appelbaum,Ales,Cottereau,& Rossion,2015; Rossion,Prieto,Boremanse,Kuefner,& van Belle,2012)。

窗口傅立葉變換,又叫短時傅立葉變換(shorttime Fourier transform,STFT,Allen,1977),是在傅立葉變換的基礎上,對算法做了改進,從而適用于時變信號的分析。具體來說,是對信號進行分析時,加了一個短暫的時間窗口,在窗口內對信號進行傅立葉變換。因為窗口時間短暫,窗口內的信號可近似看作穩恒信號,通過傅立葉變換就可以得到短暫窗口內的頻率信息,然后再將時間窗口依次施加于信號中不同的時間位置,從而獲得原信號不同時間位置的頻率信息。用窗口傅立葉變換分析圖 2A、2B中的時變信號結果如圖3A所示。

窗口傅立葉變換中采用的窗口一般是 Hanning窗、Hamming窗或者高斯窗口(Pampu,2011)。選擇了窗口后,窗口長度在信號分析過程中便不再改變(如圖 5A),于是高頻和低頻信號有相同的時間分辨率和頻率分辨率。

腦電研究表明,低頻波段相差數赫茲的頻率可能代表了不同的心理功能。比如一項記憶研究中,阿爾法波段(α,8～12 Hz)與記憶的提取相關,而西塔波段(θ,4～8 Hz)與記憶編碼相關(Klimesch,1999),兩個波段頻率只相差數赫茲。對于較高頻段,往往較廣頻段范圍內的信號代表了同一種心理功能,比如伽馬波段(γ,30 Hz以上)往往是一大段頻率具有同樣的認知功能(Siegel,Donner,Oostenveld,Fries,& Engel,2008)。這就需要在實際分析腦電信號時,更加希望低頻有更高的頻率分辨率,而高頻則無需追求特別高的頻率分辨率。要實現這樣的目的,需要采用小波變換。

圖2 時變信號的傅立葉變換示意圖。

圖3 對圖2中的兩個時變信號的時頻分析示意圖。

2.2 小波變換

小波是一種時間長度有限并向兩端快速衰減的振蕩波形(Vidakovic & Mueller,1991)。小波的振蕩形態有很多種,每一種形態被稱為一種母小波 (Lee & Yamamoto,1994)。構造母小波需滿足一定的條件,不同形態的母小波會對分析結果造成影響(Nobach et al.,2007)。所以分析數據時要根據所分析數據的特點,選擇合適的母小波(Kharate,Patil,& Bhale,2007; Ngui,Leong,Hee,& Abdelrhman,2013)。腦電研究中最常用的是復morlet小波分析(連續小波分析,Roach & Mathalon,2008)。復Morlet小波可以看做是由余弦振蕩為實部和正弦振蕩為虛部構成的復振蕩函數加一個高斯窗口組成,正余弦振蕩向窗口兩端迅速衰減(Bernardino& Santos-Victor,2005; Lieuw,2015,圖 4)。

圖4 復Morlet小波示意圖,實線是小波的實部,虛線是小波的虛部。復Morlet小波的實部和虛部相位相差 90度,都可以看做是正余弦信號加了高斯窗口構成的向兩端急劇衰減的振蕩信號。

信號分析時,Morlet母小波經過壓縮和擴張可生成一個小波族(wavelet family,圖 5B),不同壓縮和擴張程度的小波可以理解為代表著不同“頻率”的小波,然后將小波族的子小波分別與信號做卷積,從卷積結果中提取出信號的時頻能量和相位。各個子小波具有不同的時間長度,“高頻”小波的時間長度比“低頻”小波更短,但是兩者在各自時間長度內的周期數是一樣的。小波分析中低頻波段時間窗口長,頻率窗口短,因而可以得到較高的頻率分辨率但時間分辨率較差; 而高頻波段,時間窗口短,頻率窗口長,因而有較高的時間分辨率和較差的頻率分辨率(圖 5B)。對圖 2的兩個時變信號做小波變換結果如圖3B所示。

圖 5 窗口傅立葉變換和小波變換小波族(wavelet family)子小波對比。

2.3 Hilbert變換

Hilbert變換是將信號與1/(pi×t)做卷積,使得信號的相位旋轉 90度,而本身的振幅大小不變(Nobach et al.,2007)。心理學領域的數據分析中,Hilbert變換的應用亦很廣泛(Canolty et al.,2006;Penny,Duzel,Miller,& Ojemann,2008; Song et al.,2014)。在EEG數據分析中,Hilbert變換主要是通過解析信號的構造來求解信號的能量和相位的。Hilbert變換常和濾波結合在一起用,通過無相位偏差的帶通濾波將要分析的信號限定在所要分析的較窄頻段內,然后再由Hilbert變換求解該頻段信號的振幅和相位大小(Song et al.,2014)。一般認為,Hilbert變換擁有較高的頻率分辨率,而時間分辨率稍差,在邊界處的計算誤差(邊界效應)比較大。一些研究者采用了信號兩端補零和加Hanning窗的辦法減少 Hilbert變換的邊界效應(Song et al.,2014)。Hilbert變換對圖2中的時變信號的分析結果如圖3C所示。

總之,窗口傅立葉變換、小波變換以及 Hilbert變換都可以有效地分析時變信號(如圖3所示)。有研究者對比了窗口傅立葉變換、小波變換以及Hilbert變換對一批腦電數據分析的結果,發現在三種方法之間并沒有實質的差別 (Bruns,2004)。

3 時頻分析的基本計算指標和心理學意義

時頻分析技術通過豐富的計算指標揭示腦電中非相位鎖定成分的心理意義。不同計算指標幫助揭示認知加工過程的不同方面。這部分內容將簡要介紹時頻分析用于腦電分析的三大類指標：能量,相位一致性以及耦合。

3.1 能量(Power)

3.1.1 計算原理

能量是指信號分析結果中某頻率成分在某時刻點的能量值,代表了該頻率成分振蕩強度(振幅亦可以代表振蕩強度,為能量的平方根)。以小波變換求能量為例,分析能量前,首先構造合適的母小波,母小波由小波核心參數Q值決定。感興趣的頻段為低頻時,Q一般選為5,或者3 (Mishra et al.,2012); 若感興趣的頻段為高頻時,Q可以選擇為6或者7。也有文獻提出可以調節Q值的小波變換(Selesnick,2011)。母小波構造好后,根據要分析的頻段確定具體頻率值和對應尺度值,然后根據尺度值構造子小波。將子小波和信號做卷積運算,對卷積結果中的小波分析系數求模平方即為能量值,而系數模則為振幅值。

3.1.2 能量的心理學意義

在數據分析過程中,時頻分析求能量有兩種求解順序,分別對應不同的事件相關腦電活動(圖6)：一種是先對不同試次的信號疊加平均得到平均波形(ERP),然后求平均波形的能量(evoked能量,代表相位鎖定于刺激發生時刻的能量); 另一種是求單個試次的能量,然后把不同試次的相應時頻能量進行疊加平均(包含了 evoked能量和induced能量)。由此可見,時頻分析比傳統的時域ERP分析方法可以挖掘出更多的事件誘發腦活動,彌補了傳統方法的局限。在 Tallon-Baudry和Bertrand (1999)的研究中,induced γ活動代表了被試對三角形的整體覺知,代表了一種對特征的整合,這是evoked能量所無法揭示出來的。后來的研究者使用了不同的刺激,仍然得到了相似的結論,刺激之后200 ms后出現的非相鎖的induced γ活動標志著物體的特征整合在一起(Busch,Herrmann,Müller,Lenz,& Gruber,2006; Goffaux,Mouraux,Desmet,& Rossion,2004; Gruber,Trujillo-Barreto,Giabbiconi,Valdés-Sosa,& Müller,2006; Martinovic,Gruber,& Müller,2007; Tallon-Baudry,2009)。不僅如此,也有研究發現γ能量在工作記憶中也標志著特征整合的過程(Morgan et al.,2011; Tseng,Chang,Chang,Liang,& Juan,2016)。

圖6 計算evoked能量和induced能量示意圖,

雖然有研究表明,induced γ活動可能受到微眼動的影響(Yuval-Greenberg,Tomer,Keren,Nelken,& Deouell,2008; Muthukumaraswamy,2013),但大量的研究在使用一些數據分析技術去除了微眼動對研究結果的影響后,同樣發現了特征捆綁過程中γ活動的存在(Hassler,Barreto,& Gruber,2011;Keren,Yuval-Greenberg,& Deouell,2010)。這說明了刺激出現200ms后持續較長時間的γ活動與特征捆綁相關,這種 γ活動代表了一種將大腦加工的特征信息整合起來的過程(Hassler,Friese,Martens,Trujillo-Barreto,& Gruber,2013; Makin et al.,2011)。

α能量是較早被發現和研究最廣泛的波段之一。α能量在清醒閉眼的時候比較顯著,是清醒時大腦后部區域能量最為顯著的波段(Valipour,Shaligram,& Kulkarni,2013)。大量研究發現α與注意密切相關,α能量低預示著注意狀態(Sharma& Singh,2015; Marshall,O’Shea,Jensen,&Bergmann,2015; Capilla,Schoffelen,Paterson,Thut,& Gross,2014; H?ndel,Haarmeier,& Jensen,2011; Hanslmayr,Gross,Klimesch,& Shapiro,2011; van Gerven & Jensen,2009),比如選擇性注意的研究中發現了α能量的高低預示著注意選擇過程。在使用Posner中央線索范式來研究空間選擇性注意的文獻中,人們發現線索提示后約500ms (此時目標尚未出現),會在提示空間對側枕區皮層誘發比同側更低的 α能量,代表了對線索提示位置的注意增強(Kelly,Gomez-Ramirez,&Foxe,2009; Kelly,Lalor,Reilly,& Foxe,2006;Rihs,Michel,& Thut,2007; Sauseng et al.,2005;Thut,Nietzel,Brandt,& Pascual-Leone,2006;Worden,Foxe,Wang,& Simpson,2000)。不僅如此,在一項外周 Posner線索任務中,無關聲音刺激在左右視野空間出現,也會引起目標出現前線索對側大腦皮層枕區 α能量的降低。說明了在外周Posner任務中,α能量的減小同樣代表了被試對一側空間的注意(St?rmer,Feng,Martinez,McDonald,& Hillyard,2016)。除此之外,在基于特征的注意和基于物體的注意研究中都有類似的發現,即特征加工相應腦區或者物體加工相應腦區α能量的降低代表了對該特征或物體的注意 (Snyder &Foxe,2010; Knakker,Weiss,& Vidnyánszky,2015;Fu et al.,2001)。在情緒性注意的研究中,也有類似的發現,即 α能量大小預示著對情緒刺激的注意和抑制(Uusberg,Uibo,Kreegipuu,& Allik,2013)。

定位于前額中區的 θ能量則被發現與認知控制功能有關(Cavanagh,Cohen,& Allen,2009;Cavanagh,Frank,Klein,& Allen,2010; Womelsdorf,Johnston,Vinck,& Everling,2010)。比如在2013年的一篇研究中,研究者使用多任務的視覺游戲來訓練老年人,發現多任務視覺游戲訓練后,老年人額中區的θ能量以及額中區θ相位和枕區的θ相位聯系增強,說明了增加的額中區能量對視覺任務的完成有更好的認知控制作用(Anguera et al.,2013)。此外,有研究發現β能量與運動密切相關(Engel & Fries,2010; Bai et al.,2008; de Lange,Jensen,Bauer,& Toni,2008; Waldert et al.,2008),也有一些研究發現β能量與被試的注意有關(Gola,Magnuski,Szumska,& Wróbel,2013; Deiber,Iba?ez,Missonnier,Rodriguez,& Giannakopoulos,2013)。

3.2 相位一致性(Phase Locking Index,PLI)

3.2.1 計算原理

相位一致性(PLI)是對某電極大量試次間相位一致性程度的衡量。相位一致性代表著大量試次在事件發生時刻以及后續較短時間內,相位在試次間是否一致。如果相位完全一致,PLI為1,相位完全隨機,PLI則為0。計算時,將不同試次的某時刻相位用單位向量表示,然后計算不同試次間該向量的平均值,原理如圖7。

3.2.2 相位一致性的心理學意義

時域 ERP成分和相位一致性有密切的關系(Busch,Dubois,& VanRullen,2009; Mathewson,Gratton,Fabiani,Beck,& Ro,2009)。相位一致性指標可以和能量指標結合起來,用于探討ERP產生的機制 (Makeig et al.,2002; Mishra et al.,2012)。如前所述,ERP成分有兩種可能的產生機制：相位重置(圖 1C),和新增成分(圖 1D)。一種區分兩種機制的方法是檢測刺激出現前后每個試次中的能量以及相位一致性; 如果前后能量沒有明顯不同,但是平均結果中卻有明顯的ERP成分,那么便可以肯定相鎖機制的存在; 如果刺激出現后單個試次的能量有明顯增加,且有中等強度的相位鎖定性,那么可能說明新增成分機制的存在。但在實際的研究中,ERP機制的分析還會受到α阻斷效應的干擾(Mazaheri & Picton,2005; Mishra et al.,2012),增加了區分ERP機制的難度。大量研究者使用了更多的方法來嘗試區分ERP產生的機制(Becker,Ritter,& Villringer,2008; Mazaheri &Jensen,2006)。其他腦功能成像技術也能從探討ERP產生的機制中獲得啟發,Fell (2007)指出為了進一步理解事件相關 EEG和 fMRI之間的關系,將振幅和相位分離將是至關重要的步驟。

圖7 PLI計算原理示意圖,

此外,相位一致性還代表大腦認知加工過程的一些特點,如有文獻指出,α活動的相位一致性指標標志著α活動相對于刺激輸入的一種初始化,能夠增強刺激隨后加工的強度(Hebert,Lehmann,Tan,Travis,& Arenander,2005)。海馬中振蕩活動的相位鎖定性還和工作記表現有關(Kleen et al.,2016)。

3.3 耦合(Coherence)

耦合是時頻分析應用到EEG數據分析領域最廣泛的指標之一。耦合是計算不同電極間同步活動的指標,反映了認知加工過程中的一種整體網絡功能(Bowyer,2016; Cabral,Kringelbach,& Deco,2014; Greenblatt,Pflieger,& Ossadtchi,2012)。有多種不同的耦合指標,如同頻率信號相位之間的耦合(即相位同步性),不同頻率振幅/能量之間的耦合,低頻信號相位和高頻信號能量之間的耦合等。這些耦合指標分別反應不同的神經網絡活動特點(Lachaux,Rodriguez,Martinerie,& Varela,1999; Siegel et al.,2008; Canolty et al.,2006;Canolty & Knight,2010; Jensen,Bonnefond,&VanRullen,2012; Penny et al.,2008)。本部分內容主要介紹同頻率信號不同電極間的相位同步性以及低頻相位和高頻能量之間耦合的計算原理和心理意義。

3.3.1 不同電極同頻率信號的相位同步性(Phase Synchrony)的計算原理

大腦加工信息以一種網絡化的方式進行,一個直接的證據就是相距較遠的腦部區域間的腦電信號存在耦合。遠距離電極間同頻率信號的相位同步變化被稱為相位同步性(Phase Synchrony,Lachaux et al.,1999),是兩個電極同頻率信號對應試次間相位差恒定性程度的衡量。對應試次間的相位差越穩定,相位同步性越好,反之,相位同步性越差。計算時,需要計算出兩電極對應試次對應時刻某頻率的相位值,然后相減。將此相位差異用復平面內的單位向量表示,不同試次之間的相位差對應的單位向量的末端分布在單位圓上。如果相位差異接近恒定,那么這些單位向量的平均向量的長度便會接近于 1; 反之,相位差分布隨機,平均向量的長度便會接近于0。平均向量的長度就是兩電極相位同步性的指標。計算原理如圖8所示。

3.3.2 相位同步性的心理學意義

相位同步性體現了長距離腦區的同步活動,反映了自下而上或者自上而下的信息傳遞和相互控制。有研究指出無論休息狀態還是任務狀態,不同波段的相位同步性普遍存在于腦電活動中(Pockett,Bold,& Freeman,2009)。Siegel將長距離的相位同步性視為神經網絡功能的一個標志(Siegel et al.,2008)。Finger的研究也表明,相位同步性可能是大腦將分散于不同區域的信息整合在一起形成一個整體的主要機制(Finger & K?nig,2014)。在一個需要左右大腦半球共同加工視覺信息形成整體知覺的研究中,由小字母組成的大字母橫跨左右視野,在需要認出大字母的實驗條件中,左右半球電極間表現出了相位同步性的增加,兩個半球的信息得到了整合(Rose,Sommer,&Buchel,2006)。老年人在多任務游戲中額中區和枕區的長距離 θ相位耦合代表了高級腦區對低級腦區的認知控制(Anguera et al.,2013)。在關于注意的研究中,發現不同腦區間的 γ活動相位耦合與注意活動有關(Doesburg,Roggeveen,Kitajo,&Ward,2008)。而一項研究則表明雙任務中α活動相位同步性則是注意負載強弱的指示器(Kwon et al.,2015)。也有研究表明,α相位同步性與認知任務的表現有關(Palva & Palva,2011)。而γ活動同步性則還與對物體的意識相關(Castelhano,Rebola,Leit?o,Rodriguez,& Castelo-Branco,2013)。在視覺短時記憶中,也發現了紋外皮層的 β活動同步性指標與短時記憶保持的相關 (Tallon-Baudry,Bertrand,& Fischer,2001)。此外,相位同步性也是標記一些疾病的重要指標,可能暗示著病人的神經網絡功能的紊亂。一些研究表明癲癇病人發病的時候相位同步性會有一個很大的增長 (Franaszczuk& Bergey,1999),另外的研究也表明精神分裂癥病人的γ同步性指標異常(Spencer et al.,2003)。這些不同的研究都說明相位同步性體現了大腦的各功能區聯合為網絡而顯現出更高級的認知功能,可以幫助人們完成復雜的認知任務。

圖8 不同電極相位同步性計算原理示意圖。

3.3.3 低頻信號相位和高頻信號能量之間的耦合(Phase-Amplitude Coupling,PAC)的計算原理

有研究指出,長距離腦區間的調控多借助于低頻振蕩,而高頻信號往往是局部活動的一種體現(Canolty & Knight,2010),低頻和高頻之間的耦合就具有了特殊的功能意義,局部腦加工體現局部的大腦的模塊化加工,而與長距離的低頻信號的耦合代表一種網絡的信息整合。這種耦合在數據中表現為高頻能量的高低起伏有一定的周期性,與信號中低頻成分的相位變化相關(圖9A)。

這種耦合的計算方法有很多(Penny et al.,2008; Samiee & Baillet,2017),其中一些研究給出了一種相對靈敏的計算方法(Canolty et al.,2006;Song et al.,2014)。首先,計算出原信號中的高頻信號(如 γ)的振幅 ampγ(t)和低頻信號(如 θ)的相位phaseθ(t),每個對應時刻的高頻能量和低頻相位組成的復數 ampγ(t)·ephaseθ(t),在復平面內對應一個點(圖 9B),許多個時刻的點構成了一個分布(圖9C和 9D),如果復數點的分布偏向于一個象限,那么就說明高頻能量多分布在某一個相位角內,兩者有耦合(圖 9C),否則低頻相位和高頻能量則無耦合(圖 9D)。實際計算時,還需要用置換檢驗(permutation test)的方法衡量耦合的相對強度(Canolty et al.,2006)：

3.3.4 低頻相位高頻能量耦合的心理學意義

低頻相位和高頻能量的耦合反映了多種認知機能,在不同的認知任務中都可能有相應表現。該耦合可能反映了這樣的機制,將信息從大的行為反應時間尺度轉移到局部的尺度,進行進一步的運算和突觸修飾,從而整合多個時空尺度功能(Canolty & Knight,2010; Jensen et al.,2012)。Bonnefond等人關于α相位和γ能量的耦合研究說明信息自上而下的門控機制,局部的信息計算被約100 ms的時間周期門控控制,提供了周期性抑制的控制作用(Bonnefond & Jensen,2015); 而在另外一項研究中,研究者使用了不同的行為任務,發現低頻θ相位和高頻γ能量的耦合模式直接和行為任務有關,在不同的行為任務中,表現出不同腦區間的耦合,說明進行不同任務時不同大腦區域之間的信息交流(Canolty et al.,2006)。認知任務中,高級腦區對低級腦區的認知控制可以體現在高級腦區的低頻振蕩活動相位與低級腦區的高頻振蕩能量的耦合上(Helfrich & Knight,2016)。不僅如此,在工作記憶任務中,長距離的低頻相位(θ、α)和高頻能量(β、γ)耦合以及長距離的低頻相位的耦合反映了不同腦區之間的信息交流(Daume,Gruber,Engel,& Friese,2017)。在一篇關于兒童工作記憶的研究中,研究者通過對兒童工作記憶的訓練發現認知控制區域(額頂區)的 α相位和低級腦區(顳區)的γ活動的耦合增強,提示了該類型的耦合在工作記憶中的作用(Barnes,Nobre,Woolrich,Baker,& Astle,2016)。動物研究也表明海馬記錄到的低頻θ和高頻γ的耦合與學習和完成回憶任務有關(Tort,Komorowski,Manns,Kopell,&Eichenbaum,2009)。還有文獻指出低頻相位和高頻能量耦合在記憶中標志著編碼的功能(Friese et al.,2013)。工作記憶中(短時記憶)的信息編碼以及容量也可以用這類耦合解釋(Axmacher et al.,2010)。最近的一項研究中,發現了慢波睡眠階段的慢波振蕩活動的相位與紡錘波之間的耦合在睡眠記憶鞏固中有重要的作用,可以部分解釋老年人記憶鞏固能力的衰退(Helfrich,Mander,Jagust,Knight,& Walker,2018)。

總的來說,低頻相位和高頻能量耦合是當前研究的一個熱點,在不同任務以及不同狀態都可以發現這樣的活動模式,說明這種耦合反映了腦內不同大腦區域之間的信息交流以及信息控制,從而幫助被試完成各種高級認知任務,反映了大腦加工信息時的網絡功能。

4 小結

時頻分析是當前心理學腦電領域的一個熱點算法應用。它可以幫助我們捕捉腦電信號中非相位鎖定于事件發生時刻的活動,可以將事件誘發腦活動的探索拓展到刺激出現前。心理學腦電數據分析領域應用最多的時頻分析算法是復 Morlet小波變換和Hilbert變換。時頻分析在腦電數據分析領域的應用主要體現在一些指標上。不同頻段的能量指標反映了不同的認知過程,如 α能量與選擇性注意密切相關,而 γ能量則與特征捆綁密切相關。相位一致性指標往往被用來探討時域ERP成分產生的機制。耦合往往反映了大腦作為一個網絡體現出來的整體功能,同頻率遠距離腦區之間的相位耦合和低頻相位和高頻能量的耦合是過去研究中的兩個熱點。未來可以關注時頻分析技術在非任務態(靜息態)中的應用以及其他耦合指標(如不同頻段能量之間,不同頻段相位之間)在探索心理過程中的應用。