靜息態(tài)EEG/MEG的非周期性成分：分析流程、應(yīng)用進展和未來前景

分類號 B845

1引言

高時空分辨率的腦成像技術(shù)極大促進了對大腦結(jié)構(gòu)組織和功能活動的探索。與其他腦成像技術(shù)相比，腦電圖（electroencephalography，EEG）與腦磁圖（magnetoencephalography，MEG）具有較高的時間分辨率，是大腦神經(jīng)活動的直接測量。作為非侵入性的全腦測量方式，EEG/MEG受到研究者的廣泛青睞。靜息態(tài)EEG （resting-state EEG，rsEEG）和靜息態(tài)MEG主要關(guān)注個體在非任務(wù)狀態(tài)下產(chǎn)生的自發(fā)神經(jīng)活動，具有實驗任務(wù)簡單、設(shè)備易得、分析流程成熟等優(yōu)勢。過往研究已將皮層內(nèi)的振蕩活動與認(rèn)知、記憶與發(fā)育過程聯(lián)系起來（Benchenaneetal.，201l；Candelaria-Cook etal.，2022；Kahana，2006，振蕩頻率或幅度的變化可能構(gòu)成精神、神經(jīng)及發(fā)育障礙中病理性神經(jīng)活動的標(biāo)志物（Gatevetal.，2006;Newsonamp; Thiagarajan，2019）。

功率譜分析是EEG/MEG數(shù)據(jù)分析中的常用方法，它將原始信號轉(zhuǎn)換為頻率空間的功率，進而量化不同頻率的能量分布情況。除了具有特定中心頻率的自發(fā)神經(jīng)活動（即周期活動，包括a、0節(jié)律等），在頻譜中非周期活動也稱為\"無節(jié)律性”或“非節(jié)律性\"成分，即能量沒有主要的中心頻率由于尺度不變的性質(zhì)而表現(xiàn)出“無標(biāo)度”的特征（Heetal.，2010）。近年來功率譜中提取非周期性成分的工作受到廣泛關(guān)注。非周期活動遵循類似1/f的分布，作為功率譜的一種特性而不受特定頻段的影響。如圖1a所示，Donoghue等人（2020）提出分析神經(jīng)振蕩的頻譜參數(shù)的擬合算法SpecParam（Spectralparameterization，也稱為fittingoscillationsandoneoverf，即FOOOF），可通過對數(shù)轉(zhuǎn)換后對EEG頻譜的線性擬合來獲得兩個參數(shù)：（1）頻譜指數(shù)（exponent）表示跨頻率的功率分布趨勢，反映了功率譜衰減的陡峭程度，相當(dāng)于線性擬合的斜率（Donoghueetal.，2020）；（2）偏移量（offset）反映功率在不同頻率上的整體偏移，相當(dāng)于線性擬合的截距。Gao 等人（2017）利用興奮性神經(jīng)元（Excitatoryneuron，E，以谷氨酸受體為代表）與抑制性神經(jīng)元（Inhibitory neuron，I，以 γ? -氨基丁酸為代表）的電導(dǎo)率進行建模，證實了非周期性指數(shù)的變化取決于興奮性-抑制性神經(jīng)元平衡的整體變化：當(dāng) Egt;I 時，指數(shù)降低，功率譜更平坦；當(dāng)EDependent，BOLD）相關(guān)（Winaweretal.，2013），并且非周期性EEG活動所表現(xiàn)出的自發(fā)性功率波動能夠與全腦靜息態(tài)fMRI活動直接耦合，說明非周期性EEG活動很可能是全腦fMRI信號的神經(jīng)基礎(chǔ)（Wenamp;Liu，2016a）。

圖1頻譜分析中區(qū)分非周期與周期性成分的必要性：非周期分析將某個電極的信號轉(zhuǎn)換為頻譜（藍色實線），在窄帶內(nèi)（藍色陰影）提取（a.i）周期性成分（頻譜在虛線上方的部分）與非周期性成分（虛線），其中非周期性成分主要有（a.ii）指數(shù)和偏移量兩個參數(shù)。傳統(tǒng)頻譜分析判斷窄帶內(nèi)頻譜能量有無差異時，以下情況可能會錯誤認(rèn)為與（b）振蕩功率降低產(chǎn)生類似的總功率變化：（c）周期活動僅改變峰值頻率；僅有非周期活動變化如（d）偏移量或（e）指數(shù)的改變。彩圖見電子版，下同。

1.1 頻譜分析中區(qū)分非周期和周期性成分的優(yōu)點

神經(jīng)電生理學(xué)領(lǐng)域很早就注意到EEG/MEG的頻譜具有1/f分布的特征（Motokawa，1949）。由于1/f噪聲在自然界中無處不在，如儀器噪聲、背景噪聲等，如何有效去除這些噪聲顯得非常重要（Zarahnetal.，1997）。早期工作中人們認(rèn)為非周期活動可能就是這種噪聲，通過歸一化功率譜或信號的白化預(yù)處理來移除1/f成分，從而避免無標(biāo)度活動對周期活動的影響（Heetal.，2010），但這種方法忽略了具有生理意義的非周期活動。越來越多的研究發(fā)現(xiàn)這些活動具有獨特的功能意義，進一步的討論能夠幫助人們更加明確EEG信號不同成分所關(guān)聯(lián)的神經(jīng)活動和行為表現(xiàn)（Donoghueet al.，2020;He，2014）。不過與周期活動的廣泛研究相比目前有關(guān)非周期性成分的性質(zhì)與功能依舊知之甚少。

圖1c-e中列舉了在EEG/MEG 實驗研究中，兩個條件對比時容易出現(xiàn)的謬誤。如果在這些條件中采用傳統(tǒng)方法，都會發(fā)現(xiàn)頻譜在某個頻段的顯著不同，但實際情況卻大不相同。當(dāng)窄帶功率變化時，我們一般假設(shè)為特定頻率的能量發(fā)生了改變（圖1b）。但由于周期活動嵌套在非周期活動中，意味著窄帶能量的變化不一定來自于周期活動真實的變化（Donoghueetal.，2020;Gao et al.，2017;Podvalnyetal.，2015）。如圖1c所示，當(dāng)峰值頻率發(fā)生改變時，可能會錯誤反映為能量和頻率寬度的變化。所檢測到的振蕩變化活動也可能事實上來自非周期活動的影響，例如偏移量（圖 1d）或指數(shù)的改變（圖1e）。另外，即便不存在明顯周期活動，傳統(tǒng)頻譜分析也可能會由于這些非周期性參數(shù)表現(xiàn)出總頻段功率的變化。如果在頻譜分析中忽略以上情況，很有可能使研究者對所關(guān)心的生理心理現(xiàn)象產(chǎn)生誤解。

1.2本文的主要內(nèi)容

近年來國際神經(jīng)電生理領(lǐng)域表現(xiàn)出對非周期分析的持續(xù)關(guān)注。由于頻譜分析在EEG/MEG研究中的廣泛采用，亟待更多的工作去挖掘這座冰山之下“非周期活動”的功能意義。靜息態(tài)EEG/MEG相對于任務(wù)態(tài)提供了更穩(wěn)定的背景活動，使非周期性成分更易于提取，同時還能夠反映個體基礎(chǔ)的神經(jīng)狀態(tài)。相較于任務(wù)態(tài)EEG/MEG，靜息態(tài)數(shù)據(jù)庫體量更大且易于構(gòu)建計算模型，在當(dāng)前非周期分析領(lǐng)域受到研究者們的青睞。此外，基于全腦的高密度EEG/MEG能夠提供更廣泛的全腦活動信息，揭示不同區(qū)域之間的相互作用，可以從宏觀上掌握各成分的空間分布特點和規(guī)律為進一步進行皮層定位奠定基礎(chǔ)。因此本文集中對靜息態(tài)高密度EEG/MEG領(lǐng)域里有關(guān)非周期活動的相關(guān)研究進行了整理：首先，我們匯總了近年來常用于單個電極非周期分析的工具包，對各算法的特點進行了比較；其次，針對全腦覆蓋的高密度EEG/MEG領(lǐng)域，創(chuàng)新性地提出基于全腦電極水平的非周期分析的分析步驟；然后，我們總結(jié)了非周期分析在神經(jīng)科學(xué)、心理學(xué)和精神病學(xué)中的主要進展，特別是在發(fā)展神經(jīng)科學(xué)和臨床應(yīng)用中的成功案例；最后，針對目前的發(fā)展現(xiàn)狀，提出了非周期活動有待探索的新領(lǐng)域一—關(guān)注全腦空間分布、結(jié)合多模態(tài)技術(shù)探索非周期活動的神經(jīng)基礎(chǔ)、結(jié)合實驗設(shè)計創(chuàng)新發(fā)揮非周期分析的優(yōu)勢。

2非周期性成分分析

2.1 常用工具包

定量方法能夠幫助我們更加客觀地進行非周期分析，在表1中對常用的工具包及其特點進行了簡單介紹。根據(jù)算法所基于的信號擬合空間，可以大致分為兩類。第一類是基于功率譜的頻域空間算法。頻譜參數(shù)的擬合算法（SpecParam;Donoghueetal.，2020）利用高斯混合模型與冪律函數(shù)對頻譜進行擬合，進而提取電生理數(shù)據(jù)的周期性參數(shù)和非周期性參數(shù)。在SpecParam的基礎(chǔ)上，衍生出了識別神經(jīng)活動動態(tài)變化的時間序列頻譜參數(shù)化算法（SpectralParameterization ResolvedinTime，SPRiNT；Wilsonetal.，2022）與檢測振蕩活動瞬時事件的瞬態(tài)振蕩參數(shù)化算法（Periodic/AperiodicParameterizationofTransient Oscillations，PAPTO;Bradyamp;Bardouille，2022）。不規(guī)則重采樣頻譜自動化分析（Irregular-Resampling Auto-SpectralAnalysis/Multiple-ResamplingCross-Spectral Analysis，IRASA/MRCSA; Racz et al.， 2022; Wen amp; Liu， 2016b）利用非周期與周期性信號對重采樣的魯棒性不同，從混合時間序列中分離非周期性成分。優(yōu)化的振蕩檢測系列算法（BetterOscillationdetection/extendedBetter Oscillation detection，BOSC;Whitten et al.，2011）與多重振蕩檢測算法（MultipleOscillationDetectionAlgorithm，MODAL;Watrousetal.， 2018）則是在先前算法的基礎(chǔ)上進行擴展，借助非周期活動檢測振蕩活動。第二類是基于原始數(shù)據(jù)的時域空間方法。 ξ-a 模型（Pascual-marqui et al.，1988）采用概率分布函數(shù)擬合周期性與非周期性成分，主要關(guān)注 a 節(jié)律的峰值。 ξ-π 模型（Hu et al.，2024）在不規(guī)則頻譜形狀中具有較好的魯棒性，分別對周期性與非周期性成分進行擬合。

總體來看，目前基于頻域空間的算法居多而時域空間算法較少。與僅將周期性和非周期性成分分離的方法相比（如IRASA），Donoghue等人（2020）推出的SpecParam算法能夠?qū)@兩種成分進行單獨建模，在分離周期性與非周期性成分的同時獲得相關(guān)參數(shù)。與其他參數(shù)化方法相比（如eBOSC），SpecParam算法的自動化與廣泛應(yīng)用便于初學(xué)者快速入門。該算法無需預(yù)先定義感興趣的特定頻帶，功率譜中的峰值以其特定的中心頻率、功率和帶寬作為特征，因此在排除1/f信號干擾后還能夠進一步探討調(diào)整后的周期性參數(shù)。對于每個電極的周期性成分，量化其中心頻率、周期性成分能量和周期性成分寬度有助于闡明它們在認(rèn)知和行為功能跨生命周期中的作用（Ostlundetal.，2022）。使用SpecParam所獲得的參數(shù)總體上表現(xiàn)出了良好的重測穩(wěn)定性（McKeownetal.，2024），因此近年來絕大多數(shù)非周期研究中都使用SpecParam對數(shù)據(jù)進行分析。

2.2高密度EEG/MEG非周期分析的常規(guī)過程

由于目前非周期分析主要應(yīng)用在單電極或少量電極的神經(jīng)科學(xué)研究中，如何在全腦覆蓋的高密度EEG/MEG，特別是靜息態(tài)EEG/MEG中規(guī)范使用，尚缺乏統(tǒng)一的流程指南。下面我們以近年來非周期分析的主流工具SpecParam為例，結(jié)合睡眠剝奪共享數(shù)據(jù)集（Xiangetal.，2024），對非周期性成分在被試內(nèi)實驗設(shè)計中的計算過程進行說明。

睡眠剝奪數(shù)據(jù)集記錄了71名被試在正常睡眠和睡眠剝奪后，頭表61個電極的5分鐘睜眼靜息態(tài)腦電。SpecParam算法可用于單個電極分析，為了在全腦水平更加規(guī)范地討論非周期活動及其參數(shù)的特征，我們提出了一個標(biāo)準(zhǔn)化的高密度EEG/MEG非周期/周期分析流程框架（Baietal.，2024）。該框架一方面融入了SpecParam 算法，另一方面還考慮了高密度EEG/MEG研究中常用的多電極設(shè)置和組間統(tǒng)計推斷問題（如圖2所示）以最大化利用所有電極的信息。

2.2.1 預(yù)處理和功率譜的計算

睜眼靜息態(tài)EEG數(shù)據(jù)的預(yù)處理在MATLABR2021b （The MathWorks）和 EEGLAB（2021，http：//sccn.ucsd.edu/）中完成。首先對原始數(shù)據(jù)進行0.2～47Hz 的帶通濾波。隨后將5分鐘的EEG數(shù)據(jù)分割成了75個長度為4秒的片段。之后進行偽跡段和壞電極的視覺檢查，排除包含明顯偽跡的片段，平均偽跡片段數(shù)為1.46（2.02）。壞電極的平均數(shù)量為2.03 （2.36），使用球形插值進行壞電極的替換。使用獨立成分分析（independentcomponentanalysis，ICA）來去除肌肉和眼動偽跡。最后，數(shù)據(jù)被重新參考為所有電極的平均參考。

圖2標(biāo)準(zhǔn)化的高密度 EEG/MEG非周期/周期分析流程框架。步驟1：（a.i）使用 SpecParam工具包進行單個電極水平的估計，每個電極將得到（a.ii）周期性參數(shù)、（a.ii）非周期性參數(shù)、擬合優(yōu)度 R² 與殘差error，其中周期性參數(shù)從每個電極的所有擬合峰中選擇最大功率的作為每個電極的代表值。步驟2：被試水平的評估，對擬合度達不到要求的電極數(shù)過多的被試進行剔除。（b.i-ii）將所有電極的非周期性參數(shù)及代表周期性參數(shù)取平均值作為該被試的參數(shù)化結(jié)果。步驟3：（b.i）組水平的統(tǒng)計。由于每個被試都得到了非周期性成分和周期性成分，可采用描述性統(tǒng)計或假設(shè)檢驗進行統(tǒng)計。

預(yù)處理后的EEG數(shù)據(jù)，使用Welch方法（4s漢明窗，無重疊）計算每個被試、每個電極的功率譜密度（powerspectraldensity，PSD）。近年來EEG源定位技術(shù)日趨成熟，對于MEG信號，源定位更是常規(guī)處理步驟。推薦對于高密度（64導(dǎo)以上）的EEG/MEG數(shù)據(jù)，先對原始信號進行源定位再計算功率譜。可以使用精確版的低分辨率電磁成像（eLORETA）方法進行EEG/MEG的源定位，構(gòu)建大腦皮層的電神經(jīng)活動。計算皮層上每一個頂點（偶極子）的功率譜密度。在這里為了簡化演示，我們僅呈現(xiàn)頭表電極功率譜分析的步驟。

2.2.2 電極水平的SpecParam擬合

在單電極（或皮層上的單個偶極子）水平對頻譜進行非周期擬合，軟件采用Matlab R2021b 。非周期分析所使用的SpecParam工具包來自Donoghue等人（2020）公開發(fā)布的代碼，工具包版本為1.0.0（本實例分析的代碼見網(wǎng)絡(luò)版補充材料）。將計算得到的每一個電極的功率譜密度輸人SpecParam工具包，即可得到周期與非周期性成分的參數(shù)結(jié)果。

詳細(xì)算法步驟見圖3（Donoghueetal.，2020）。在正式運行前需要設(shè)置一些前置參數(shù)：（1）峰寬限制（peak_width_limits）：默認(rèn)值[0.5，12]，設(shè)置擬合峰寬的可能區(qū)間。本研究中設(shè)置為[1，12]。注意以下步驟中若未單獨提出，代表本研究中使用了該參數(shù)的默認(rèn)值;（2）擬合最大峰數(shù)（max_n_peaks）：默認(rèn)值Inf，設(shè)置擬合的最大峰數(shù)。本研究設(shè)置為8；（3）檢測峰的絕對閥值（min_peak_height）：默認(rèn)值0.0，在檢測峰時，作為任何提取到的峰值的最小高度（高于非周期性）的絕對限制。該閾值以功率譜（對數(shù)功率）的絕對單位定義，在許多研究中設(shè)置為0.1。絕對閾值在迭代過程中保持不變；（4）檢測峰的相對閾值（peak_threshold）：默認(rèn)值2.0，基于以平坦瀕譜標(biāo)準(zhǔn)偏差為單位定義的參數(shù)，檢測峰時任何提取的峰高必須越過該閾值才能包含在模型中。相對閾值在每次迭代過程中都會重新計算；（5）非周期分量擬合方式（aperiodic_mode）：默認(rèn)值固定（‘fixed），選擇用于擬合非周期分量的方式。其中固定條件下假設(shè)非周期性具有單一1/f分量特征，即它在對數(shù)-對數(shù)空間中的所有頻率的能量都在一條直線上。但在寬頻率范圍 （gt;～40 Hz）中，非周期分量通常表現(xiàn)出“彎曲\"，需要使用‘knee'來捕捉這一特征。

圖3單電極水平上SpecParam的算法步驟：（a）初始非周期擬合：對原始功率譜密度擬合估計非周期性成分;（b）扁平化頻譜：從原始PSD中減去非周期估計成分，殘差被假設(shè)為多個周期性成分和噪聲的混合；（c.i）檢測峰：使用迭代過程來查找扁平化頻譜中的峰值。找到殘差最大值并圍繞該峰值擬合高斯曲線，（c.ii）減去擬合的高斯曲線并繼續(xù)擬合，（c.ii）當(dāng)下一個識別點低于絕對/相對閾限或擬合峰數(shù)超過擬合最大峰值數(shù)時迭代停止;（d）創(chuàng)建全峰擬合：根據(jù)高于噪聲閾值的峰值數(shù)確定振蕩的數(shù)量后，對來自（b）的扁平化頻譜執(zhí)行多高斯擬合，得到所有周期性成分的聯(lián)合功率（圖中橘色圓點標(biāo)記），包括每個峰的3個參數(shù)：中心頻率、能量和寬度；（e）創(chuàng)建去全峰頻譜：從原始功率譜密度中減去（d）計算的聯(lián)合功率得到去全峰頻譜；（f）重新擬合非周期分量：在去全峰頻譜中重新擬合非周期性成分，得到指數(shù)和偏移量;將（d）聯(lián)合功率與（f）非周期性成分的重新擬合相結(jié)合獲得最終擬合（g）。

綜上，本步驟中每一個電極可以得到：（1）2個非周期性參數(shù)：指數(shù)和偏移量；（2） 3×m 個周期性參數(shù)，其中m為周期峰的個數(shù)（ ? 設(shè)定的最大峰數(shù)），每個周期峰得到3個參數(shù)：單峰中心頻率、單峰能量和單峰寬度。

2.2.3 被試水平的指標(biāo)整合

如果超過1/3的電極的擬合度不佳，即 R²lt; 0.9，則在后續(xù)分析中排除該被試。對于單個被試的非周期性參數(shù)，通過取該被試所有電極的平均值來計算單被試的代表值（見圖2b）。分別取所有電極最大能量對應(yīng)的中心頻率，作為該被試的中心頻率，即周期性成分中心頻率。之后通過周期性成分中心頻率，在每個電極中根據(jù)中心頻率最近原則找到對應(yīng)的單峰，平均后得到周期性成分能量和周期性成分寬度。注意周期性成分中心頻率，周期性成分能量和周期性成分寬度來自于單個電極的單峰中心頻率、單峰能量和單峰寬度，是這些信息在被試層面的整合信息。

2.2.4 組間水平統(tǒng)計分析

經(jīng)過上述步驟后，每個被試都有兩個非周期性參數(shù)（指數(shù)與偏移量）和三個周期性參數(shù)（周期性成分中心頻率、周期性成分能量、周期性成分寬度）。由于本例為被試內(nèi)設(shè)計，所以對正常睡眠和睡眠剝奪后的非周期及周期性參數(shù)進行了配對樣本 t 檢驗。此外，為了分析非周期性成分的頭表分布，我們對每一個電極的非周期性成分進行了配對樣本 t 檢驗，通過Bonferroni矯正多重比較的問題。在高密度EEG/MEG 中通常會面臨由于電極多帶來的多重比較校正，除了Bonferroni矯正，也可以參考Zhang等人（2023）的方法對電極進行基于團簇水平的置換檢驗（cluster-based permutation test）。

在本例中，睡眠剝奪后非周期性偏移量顯著升高。而非周期性指數(shù)差異不顯著（見圖4c-d）。結(jié)合單個電極的配對樣本 t 檢驗，發(fā)現(xiàn)非周期性偏移量的差異主要表現(xiàn)在枕部的多個電極（見圖4c）。

2.3 小結(jié)

本節(jié)對比了近年來常用非周期分析工具包的特點，并基于SpecParam算法進一步介紹了在高密度EEG/MEG中進行非周期分析時需要注意的多電極信息匯總與組間統(tǒng)計分析問題。采用這種方法不僅能夠充分利用電極信息，還能根據(jù)研究目的自由選擇基于電極水平/被試水平進行進一步討論，提高了數(shù)據(jù)的利用率。

圖4正常睡眠與睡眠剝奪后的頭表地形圖分布。其中（a）分別展示了兩組偏移量的地形圖分布，（b）分別展示了兩組指數(shù)的地形圖分布。（c）（d）對正常睡眠和睡眠剝奪條件下頭表的每個電極進行配對樣本 t 檢驗，其中 plt;0.05 的電極使用紅點標(biāo)記。（資料來源：Baietal.，2024）

3靜息狀態(tài)下非周期分析在不同群體中的應(yīng)用

從本質(zhì)上來看，非周期性指數(shù)能夠作為功率譜隨頻率變化速度的度量，因此可以視作大腦神經(jīng)變異性的指標(biāo)；而偏移量能夠反映功率譜在范圍內(nèi)的整體上升/下移。因此，最近的工作嘗試借助非周期活動及其參數(shù)反映與心理相關(guān)的生理過程。靜息狀態(tài)下非周期性成分的分析目前主要應(yīng)用于神經(jīng)科學(xué)和心理學(xué)領(lǐng)域。按大腦狀態(tài)可以分為清醒靜息態(tài)、睡眠狀態(tài)，按科學(xué)問題還可以包括神經(jīng)發(fā)育。而在臨床應(yīng)用領(lǐng)域，非周期性參數(shù)被證實具有作為某種生物標(biāo)志物的潛在價值，能夠作為組間比較的有力參數(shù)。接下來，我們將根據(jù)群體類型對非周期分析目前的主流結(jié)論分別進行介紹。

3.1健康人群

3.1.1 清醒靜息態(tài)

靜息態(tài)EEG/MEG通常分為睜眼和閉眼兩種狀態(tài)，閉眼條件下的指數(shù)與偏移量均大于睜眼條件（Hill et al.，2022;McSweeney et al.，2021），而且條件間差異非常穩(wěn)定（McKeownetal.，2024;Ossandón etal.，2023）。

人格特質(zhì)是指個體長期表現(xiàn)出來的情緒、認(rèn)知與行為模式的總和（Wiltamp;Kay，2015），具有相對穩(wěn)定性。驅(qū)動人格特質(zhì)的大腦神經(jīng)活動得到廣泛探討，在靜息狀態(tài)下尤為突出。Jach等人（2020）通過多變量模式分析（multivariatepatternanalysis，MVPA），證實了可以用各頻段的活動預(yù)測人格特征，但這一結(jié)果是基于傳統(tǒng)的頻譜分析。Pacheco等人（2024）進一步納入非周期性成分，發(fā)現(xiàn)非周期分析可以提高預(yù)測的效應(yīng)量。此外，非周期性成分和周期性成分可能表征了人格的不同方面：總體上，周期活動對所有人格類型都具有一定的預(yù)測能力，但宜人性需要借助非周期活動的特征來提高預(yù)測水平。

最近的工作還強調(diào)了非周期活動在高級認(rèn)知功能中的重要性，包括任務(wù)表現(xiàn)（Heetal.，2010）、覺醒水平（Lendneretal.，2020）以及高級認(rèn)知加工。高級認(rèn)知功能通過復(fù)雜的振蕩活動模式介導(dǎo)，個體能夠根據(jù)當(dāng)前任務(wù)的要求，調(diào)整認(rèn)知控制風(fēng)格在持久性與靈活性之間找到平衡（Hommel，2015;Zhangetal.，2023）。對于這種認(rèn)知調(diào)節(jié)模式，靜息態(tài)EEG活動可以作為反映其功能與變化的神經(jīng)標(biāo)志物（Wanetal.，2023）。面臨不同持久性/靈活性的任務(wù)要求，大腦神經(jīng)信號的傳遞會發(fā)生相應(yīng)變化，具體表現(xiàn)為神經(jīng)系統(tǒng)興奮性和抑制性神經(jīng)元活動的平衡（即E：I比率）的改變，這一比率可通過非周期活動的指數(shù)變化來反映。在靈活性更高的處理過程中，皮層網(wǎng)絡(luò)狀態(tài)之間將更頻繁地更新狀態(tài)以適應(yīng)任務(wù)，即頻譜指數(shù)變大；當(dāng)任務(wù)趨于持久性時，則需要最大限度地減少不同皮層網(wǎng)絡(luò)狀態(tài)之間的轉(zhuǎn)換，即指數(shù)更?。╖hangetal.，2023）。Pi等人（2024）將這一關(guān)系擴展到個體間差異，使用靜息態(tài)EEG活動中的非周期性成分預(yù)測個體的認(rèn)知控制類型。靜息狀態(tài)下指數(shù)更小的個體，在持久性更高的條件下指數(shù)變大，但靜息狀態(tài)下指數(shù)更大的個體在不同任務(wù)之間不存在差異。這些組間差異還相應(yīng)體現(xiàn)在不同任務(wù)條件的表現(xiàn)上，表明個體能夠通過調(diào)整非周期活動的水平來調(diào)整他們的認(rèn)知控制方式?？梢钥吹?，非周期活動不僅是穩(wěn)定的背景神經(jīng)活動，還能夠反映個體不同的認(rèn)知適應(yīng)能力。

3.1.2 睡眠狀態(tài)

在睡眠狀態(tài)中分離非周期性成分有助于我們更好地理解睡眠的神經(jīng)活動特征。清醒與睡眠之間的轉(zhuǎn)變具有明顯的電生理特征，而這些特征反映了大腦狀態(tài)的全局變化（Maquetamp;Phillips，1998）。另一方面，睡眠過程的腦電活動也和年齡、性別和認(rèn)知能力相關(guān)（Pótari etal.，2017；Ujmaetal.， 2017;Ujma et al.，2019）。

頻譜的指數(shù)對興奮性和抑制性神經(jīng)活動相對比率的變化非常敏感。早期的研究表明清醒狀態(tài)與慢波睡眠狀態(tài)的非周期性指數(shù)具有顯著差異，這種差異在小于 10Hz 的頻率范圍最明顯，但在70Hz 以上幾乎沒有差異（Zempeletal.，2012）。Schneider等人（2022）對人類睡眠的不同階段進行分析，在校正個體差異后，發(fā)現(xiàn)頻譜的指數(shù)可以作為睡眠階段的標(biāo)志物。清醒狀態(tài)下的指數(shù)最大，表明神經(jīng)系統(tǒng)抑制性活動的增強可能是覺醒狀態(tài)降低的特征之一。隨著非快速眼動（Non-rapid EyeMovement，NREM）睡眠的加深，指數(shù)也逐漸降低（Bódizsetal.，2021;Miskovicetal.，2019），并在慢波睡眠期間達到最低值。進一步的空間分析發(fā)現(xiàn)前額葉區(qū)域的指數(shù)表現(xiàn)出最強的睡眠狀態(tài)依賴性（Lendneretal.，2020）。與外側(cè)前額葉皮層相比，內(nèi)側(cè)前額葉皮層與內(nèi)側(cè)顳葉受睡眠階段的影響更大，這些大腦區(qū)域也是和睡眠依賴的記憶鞏固最相關(guān)的區(qū)域（Helfrich etal.，2017;Mander etal.，2013）。

夜間突觸的興奮性調(diào)節(jié)構(gòu)成神經(jīng)網(wǎng)絡(luò)可塑性的生理機制，促進了睡眠期間的記憶鞏固（Girardeauamp;Lopes-dos-Santos，2021;Klinzing et al.，2019），這種調(diào)節(jié)在非周期活動上得到反映。非周期活動在睡眠期間驅(qū)動寬帶功率下降，在睡眠后則表現(xiàn)出頻譜指數(shù)的變大?？焖傺蹌樱≧apidEyeMovement，REM睡眠能夠介導(dǎo)這種頻譜指數(shù)的夜間下調(diào)，在REM后的NREM階段頻譜指數(shù)變小。相應(yīng)地睡眠剝奪會減弱非周期活動的夜間調(diào)節(jié)，與正常睡眠后相比表現(xiàn)出更為平坦的頻譜（Lendneretal.，2023），這為睡眠剝奪引起記憶和學(xué)習(xí)障礙提供了神經(jīng)電生理證據(jù)（Frendaamp;Fenn，2016;Newburyetal.， 2021）。

3.1.3 神經(jīng)發(fā)育

神經(jīng)振蕩對個體的發(fā)育變化非常敏感。隨著大腦成熟，δ和0波段頻譜功率降低，而 α_a 和 β 波段的頻譜功率增加，并且不同功率在部分腦區(qū)還存在顯著的性別差異（Gómezetal.，2017;Ottet al.2021；Sabyamp;Marshall，2012）。與周期活動類似，非周期活動的發(fā)育變化同樣具有高度認(rèn)知相關(guān)性（Ostlund et al.，2022;Voytek amp; Knight，2015），從整個生命周期來看，頻譜指數(shù)的個體差異與隨年齡增長而變差的認(rèn)知能力相關(guān)，更小的指數(shù)意味著更差的認(rèn)知表現(xiàn)（Daveetal.，2018;Kalamalaetal.，2024;Tranetal.，2020）。在大腦快速發(fā)育階段（如兒童早期與青春期），指數(shù)與偏移量均觀察到與年齡相關(guān)的顯著下降趨勢（Hilletal.，2022;McSweeney etal.，2021）。而在生命后期階段，Pathania等人（2022）通過靜息狀態(tài)下頻譜指數(shù)與一系列認(rèn)知和運動任務(wù)的關(guān)聯(lián)，證實了個體間的這種年齡相關(guān)差異，發(fā)現(xiàn)在額葉區(qū)域的指數(shù)介導(dǎo)與年齡相關(guān)的認(rèn)知變化。非周期性成分的指數(shù)變小，說明在個體衰老過程中興奮性和抑制性神經(jīng)元的比率增加，神經(jīng)元網(wǎng)絡(luò)群體水平同步下降（Hongamp;Rebec，2012;Voytekamp;Knight，2015）。在整個發(fā)育過程中，指數(shù)與偏移量的全腦最大值經(jīng)歷了從大腦后部區(qū)域到前部區(qū)域的轉(zhuǎn)變（Favaroetal.，2023），且從清醒到睡眠的非周期性指數(shù)變化最大值位于額葉，這與高階認(rèn)知及執(zhí)行功能的較晚成熟階段相匹配。清醒與睡眠狀態(tài)的非周期活動也在發(fā)育過程中逐漸分化，個體睡眠階段的經(jīng)典慢波活動與非周期性指數(shù)密切相關(guān)（Horvathetal.，2022）。老年人的頻譜較成年人更平坦，這可能導(dǎo)致老年人處理信息的能力下降，并且與老年人睡眠質(zhì)量差、容易醒來的現(xiàn)象一致。人腦的發(fā)育還具有性別二態(tài)性，這種差異在非周期性參數(shù)中同樣具有表現(xiàn)。與年齡匹配的青春期男性相比，女性呈現(xiàn)出更早的大腦成熟模式（Dennisonetal.，2013；Neufangetal.，2009）。參數(shù)化PSD后發(fā)現(xiàn)，女性非周期性偏移量較男性顯著更低。盡管男性在早期具有更高的偏移量，但隨時間推移，男性非周期性偏移量的下降率明顯大于女性（McSweeneyet al.，2021）。

將周期活動與認(rèn)知表現(xiàn)相關(guān)聯(lián)的研究中， a 節(jié)律是最為突出的成分之一（Samuel etal.，2018），但 振蕩與認(rèn)知表現(xiàn)之間的關(guān)系目前尚無定論（Haegensetal.，2010;Mahjooryetal.，2019;Weiszetal.，2014）。這種結(jié)果不一致的原因，可能來自傳統(tǒng)分析方法中 a 振蕩與非周期活動的混合（Wenamp;Liu，2016b）。參考圖1c-e，周期性成分的改變可能是非周期性成分的變化導(dǎo)致的（Daveetal.，2018;Donoghueetal.，2020），在早期許多研究中都沒有考慮到這一問題。非周期性成分分析的引入為解決以上爭論提供了全新視角。Finley 等人（2024）發(fā)現(xiàn)個體 頻率和靜息態(tài)非周期性指數(shù)可以作為個體從中年到老年認(rèn)知能力下降的聯(lián)合預(yù)測因子，并且它們都隨著年齡增長而降低，與生命后期較差的執(zhí)行功能和工作記憶有關(guān)。對調(diào)整后的周期性成分重新進行分析時發(fā)現(xiàn)， a 峰值中心頻率仍具有年齡相關(guān)性， a 峰值的功率能量在不同年齡組之間卻不再具有顯著差異（Merkinetal.，2023）。這種非周期性成分對 總功率變化的干擾在童年和青春期樣本中同樣得到驗證（Hilletal.，2022;Trondleetal.，2022）。值得注意的是，調(diào)整后的 a 振蕩不再具有預(yù)測認(rèn)知速度的能力，非周期性指數(shù)卻能夠穩(wěn)健地預(yù)測個體的認(rèn)知處理速度（Ouyangetal.，2020）。可以看到在神經(jīng)發(fā)育領(lǐng)域，隨著周期與非周期性成分的分解，兩者對神經(jīng)發(fā)育的相對貢獻將更加明確。

3.2神經(jīng)精神疾病

近年來研究者們在神經(jīng)精神疾病領(lǐng)域嘗試探究非周期性成分在疾病相關(guān)神經(jīng)變化中的巨大價值。特定的EEG/MEG特征與神經(jīng)系統(tǒng)疾病有關(guān)，患者功率譜相較于健康人群的變化可以作為生物標(biāo)志物（Hassin-Baer etal.，2022；Meghdadi et al.，2021）。

神經(jīng)系統(tǒng)的健康發(fā)育，離不開環(huán)境的塑造（Knudsen，2004），特別是在關(guān)鍵期需要足夠的感知覺輸人。以視力為例，先天性失明會導(dǎo)致EEG檢測到的 a 振蕩減少（Cohenetal.，1961;Kriegseisetal.，2006），在MEG中則觀察到 γ 節(jié)律活動的增加（Lubinusetal.，2021），這些都反映了個體神經(jīng)興奮性的增加（Samahaetal.，2020;Yizharet al.，2011）。與視力正常組相比，先天性失明對電生理活動的改變一部分來自于非周期活動。具有先天性失明病史的人群在恢復(fù)視力后，他們由疾病導(dǎo)致的振蕩活動有所恢復(fù)，但非周期活動的異常仍然存在。這些證據(jù)表明視覺皮層的興奮性和抑制性神經(jīng)元的比率可能發(fā)生了不可逆的變化（Ossandonet al.，2023）。

類似的，許多神經(jīng)精神疾病對于個體的大腦發(fā)育具有破壞性的影響，甚至發(fā)展為認(rèn)知、運動和自主神經(jīng)功能障礙。將患者與健康對照組的靜息態(tài)EEG/MEG活動進行對比后，發(fā)現(xiàn)患者大多會表現(xiàn)出某一頻段（如β和γ）的異?；顒优c非周期性指數(shù)的顯著改變，這些現(xiàn)象與個體在行為方面的較差表現(xiàn)相關(guān)聯(lián)。周期性功率的變化一般認(rèn)為與神經(jīng)回路異常有關(guān)，非周期性指數(shù)的變化則認(rèn)為可能進一步反映了大腦內(nèi)興奮性和抑制性神經(jīng)元比率的異常變化。

表2列舉了9項探討非周期性成分的臨床研究。盡管在疾病機制方面存在異質(zhì)性，但大多數(shù)都表現(xiàn)為患者非周期性指數(shù)的提高。鑒于神經(jīng)興奮性和遞質(zhì)信號傳導(dǎo)與頻譜指數(shù)相關(guān)的假設(shè)，可以將絕大多數(shù)的神經(jīng)精神疾病表現(xiàn)分為過度興奮性（更陡峭的斜率，如帕金森?。籖osenblumetal.，2023）與過低興奮性（更平坦的斜率，如小兒脆性X染色體綜合征;Wilkinsonamp;Nelson，2021）。將腦區(qū)結(jié)構(gòu)變化與頻譜變化相關(guān)聯(lián)時，兩種斜率的表現(xiàn)可以解釋為某種代償機制的作用：（1）靜息狀態(tài)下興奮性下降，以保證正常放電頻率；（2）神經(jīng)網(wǎng)絡(luò)連接異常個體進行困難任務(wù)時，額外喚起興奮性。需要注意的是目前非周期性指數(shù)與病理機制之間的關(guān)聯(lián)僅限于相關(guān)，尚缺乏足夠的證據(jù)來證明兩者之間存在因果關(guān)系。

表2神經(jīng)精神疾病中的非周期分析

注：“-\"表示研究結(jié)論未提及或不具有顯著組間差異，“↑”表示增高，“↓”表示降低。

非周期分析這一新方法實現(xiàn)了對傳統(tǒng)頻譜分析的革新。過去將周期活動與疾病嚴(yán)重程度之間相關(guān)聯(lián)時，部分研究結(jié)論之間存在矛盾?；诜侵芷诜治觯芯空邆兗僭O(shè)這種差異來自于非周期活動對周期活動的混淆：去除非周期性成分后，底丘腦核中的 β 功率與帕金森運動癥狀具有更強的相關(guān)（Martinetal.，2018），非周期性指數(shù)還能夠獨立于 β 功率預(yù)測帕金森運動癥狀的嚴(yán)重程度（Clarketal.，2023）。在與大腦電生理活動聯(lián)系更為緊密的神經(jīng)發(fā)育障礙（如注意力缺陷多動障礙、自閉癥譜系障礙等）群體中，非周期性指數(shù)甚至表現(xiàn)出比傳統(tǒng)診斷標(biāo)準(zhǔn)更加顯著的組間差異（Levinetal.，2020;Robertsonetal.，2019）。在時間尺度上，Belova等人（2021）發(fā)現(xiàn)指數(shù)不僅對大腦靜息狀態(tài)或長期變化敏感，對短期動態(tài)變化同樣具有其衡量價值，展現(xiàn)了非周期性參數(shù)在反映大腦病理學(xué)方面的優(yōu)勢。當(dāng)然，分離周期性成分與非周期性成分還能幫助我們確認(rèn)疾病相關(guān)神經(jīng)信號變化的來源。例如在阿爾茨海默癥患者的神經(jīng)活動變化中，Kopcanova等人（2024）明確了這種變化完全來自周期活動的貢獻，與非周期活動無關(guān)。非周期性成分的分析能夠幫助研究者對結(jié)果進行更精確的生理解釋，并且定義功率譜不同成分及其變化方式。

目前，關(guān)于神經(jīng)精神疾病過度興奮性和過低興奮性的假設(shè)還需要進一步驗證。囿于初始階段研究數(shù)量的限制，非周期分析結(jié)論的普遍性和可重復(fù)性仍有待觀察。同時，患者腦電采集更容易受到其他噪聲（如眼電與肌電）的影響（Schaworonkowamp;Voytek，2021），亟待開發(fā)出更穩(wěn)健更抗噪聲的分析算法。

3.3小結(jié)

綜上所述，非周期性參數(shù)特別是指數(shù)與高級認(rèn)知功能、覺醒狀態(tài)以及神經(jīng)發(fā)育之間的關(guān)聯(lián)，能夠幫助研究者從電生理的角度進一步解讀行為表現(xiàn)背后的神經(jīng)機制。而在臨床領(lǐng)域中，神經(jīng)精神疾病對個體大腦功能和行為的破壞性需要客觀的電生理標(biāo)志物來評估，非周期分析為研究者們提供了一個全新的視角。同時，周期性與非周期性成分的參數(shù)化也能夠幫助研究者明晰不同成分的貢獻，有效解釋了過去一些相互矛盾的研究結(jié)論?？傊?，無論是在哪一種群體類型，非周期分析都表現(xiàn)出其廣闊的應(yīng)用前景。

4研究展望

盡管目前非周期分析的實證研究還處于起步階段，但總的來說非周期分析為傳統(tǒng)頻譜分析在神經(jīng)電生理領(lǐng)域的應(yīng)用開拓了新的思路。同時需要注意該方法也存在一定局限，例如非周期性參數(shù)目前仍缺乏在空間分布、心理測量性能等領(lǐng)域更為成熟且全面的系統(tǒng)論證，未來研究可圍繞以下幾個方面作進一步探討。

4.1 空間分布規(guī)律

目前已有部分研究者關(guān)注到靜息態(tài)EEG（Donoghueetal.，2020）與MEG（Chaoulamp; Siegel2021；Mahjooryetal.，2020）非周期性成分的空間分布特征。對于健康成人，總體上空間位置靠后的區(qū)域非周期性成分的指數(shù)更大，頻譜更陡峭。偏移量同樣沿著從后（枕部）向前（額部）的方向減小，在前額葉和內(nèi)側(cè)顳葉皮層最低。使用分段線性模型（即在 10Hz 左右存在拐點的情況）對人類大腦活動的非周期活動進行擬合時，發(fā)現(xiàn)低頻斜率在前部區(qū)域最陡，在感覺運動與視覺皮層最小，高頻斜率仍在后部區(qū)域最陡峭（不包括枕葉區(qū)域），并且兩者皮質(zhì)模式之間呈現(xiàn)負(fù)相關(guān)關(guān)系（Chaoulamp;Siegel，2021）。盡管非周期性參數(shù)與周期性峰值頻率在空間上存在相似性，但周期性峰值頻率的梯度變化在很大程度上還是獨立于非周期性參數(shù)（Mahjooryetal.，2020）。當(dāng)我們在分析非周期活動時，由于研究目的與研究對象不同，EEG/MEG研究在選取電極通道的數(shù)量和位置上可能存在差異并且非周期活動的空間起源可能并不局限于某一特定的大腦區(qū)域（Ostlundetal.，2022）。如本文的常規(guī)分析過程所述，未來有關(guān)非周期分析的研究中報告整個頭表的非周期活動有助于研究者選擇性地比較不同電極通道，還能夠評估非周期性參數(shù)在空間上的組間差異。

腦電在空間分辨率上具有局限性，因此未來研究可以考慮采用同步EEG-fMRI技術(shù)（雷旭，堯德中，2014）來提高非周期分析的空間分辨率。有證據(jù)表明，非周期神經(jīng)群體活動中的寬帶功率波動可能是靜息態(tài)fMRI全腦活動的神經(jīng)基礎(chǔ)（Wenamp;Liu，2016a）。另一方面，在靜息狀態(tài)下非周期性參數(shù)與BOLD信號高度相關(guān)（Jacobetal.，2021）。BOLD信號作為神經(jīng)活動的間接測量，同樣代表了興奮性與抑制性的平衡（Xu，2015）。盡管個體在靜息狀態(tài)下處于沒有明確任務(wù)的狀態(tài)，在大腦中依舊會有活躍的區(qū)域，即默認(rèn)模式網(wǎng)絡(luò)（defaultmodenetwork，DMN;Diamp;Biswal，2013;Raichleetal.，2001）。在有關(guān)周期性振蕩的研究中，已經(jīng)證實 a 和β頻段的自發(fā)活動與前后扣帶回有關(guān)（Laufset al.，2003），且分別與注意力和認(rèn)知活動相關(guān)聯(lián)。因此有研究者嘗試將睜眼靜息狀態(tài)的非周期活動參數(shù)與DMN相關(guān)聯(lián)，但相關(guān)系數(shù)較?。↗acob etal..2021）。這可能由于睜眼條件下會產(chǎn)生更強的外部關(guān)注，且此時DMN內(nèi)功能連接相對閉眼條件較弱（Wengetal.，2020）。在靜息狀態(tài)特別是睜眼條件下，個體在記錄過程中對環(huán)境的注意與喚醒是波動的。注意力的波動又涉及自上而下或自下而上注意網(wǎng)絡(luò)的參與，對應(yīng)不同的覺醒狀態(tài)及興奮性（Gómez-Labergeetal.，2016）。在閉眼狀態(tài)下則可能增強了自上而下的感覺活動與心理意象（Mazardetal.，2005），表現(xiàn)出覺醒增加和指數(shù)減小。目前缺少來自閉眼條件下的同步EEG-fMRI證據(jù)以及睜閉眼之間的對比，無法明確兩種狀態(tài)對非周期活動的影響。此外，與實驗任務(wù)無關(guān)的刺激（如儀器噪聲）會增加聽覺皮層等區(qū)域的fMRI信號相關(guān)的非周期活動，反映了個體對無關(guān)刺激的一種主動抑制（Jacobetal.，2021）。未來的同步EEG-fMRI研究可以重點關(guān)注睜閉眼狀態(tài)以及環(huán)境無關(guān)刺激對兩個模態(tài)信號關(guān)聯(lián)的影響。

4.2自由參數(shù)的確定與組分析

從近年來發(fā)表的非周期相關(guān)工作來看，相較于其他算法，SpecParam算法普及率更高且應(yīng)用更為廣泛。值得注意的是，在使用該算法進行非周期分析時需要預(yù)先設(shè)定一系列自由參數(shù)（見圖2）。Donoghue等人（2020）提供了默認(rèn)值，可以適應(yīng)大部分類型的實驗數(shù)據(jù)。但實際應(yīng)用中為了防止過擬合或擬合不佳，需要對部分參數(shù)進行調(diào)整。自由參數(shù)的確定可以參考已發(fā)表研究中類似樣本的參數(shù)設(shè)置，通過數(shù)據(jù)驅(qū)動的方法不斷調(diào)整，最終實現(xiàn)模型的最優(yōu)擬合（Ostlundetal.，2022）。在確定了擬合模型的參數(shù)后，依據(jù)本文提出的常規(guī)分析即可得到相應(yīng)的非周期和周期性參數(shù)。

對于組水平的統(tǒng)計分析，在本文的常規(guī)分析過程提供了被試內(nèi)設(shè)計的分析范例，其他研究可以依據(jù)實驗設(shè)計選擇統(tǒng)計流程，如何根據(jù)每個電極的參數(shù)來得到每個被試的參數(shù)尤為關(guān)鍵。非周期性參數(shù)可以直接通過平均得到，但周期性參數(shù)需要結(jié)合實驗假設(shè)來設(shè)計算法。在常規(guī)分析中我們展示了在沒有假設(shè)的周期性成分個數(shù)和頻段分布的情況下，如何提取最大能量的周期性成分。

4.3非周期分析的心理測量性能

好的測量指標(biāo)需要具有良好的心理測量特性即良好的效度和信度。如前文所述，大量研究指出非周期性指數(shù)與個體知覺和認(rèn)知行為的關(guān)聯(lián)（如工作記憶等;Donoghue etal.，2020;Euler et al.，2024;Waschke etal.，2021;Zhang etal.，2023），反映了在心理測量效度上的潛力，在臨床與神經(jīng)發(fā)展等研究領(lǐng)域同樣表現(xiàn)出良好的應(yīng)用價值（Voytekamp;Knight，2015）。另一方面，良好的個體內(nèi)信號穩(wěn)定性也是需要考慮的重要方面，即重測信度。

傳統(tǒng)頻譜分析的重測信度已得到充分檢驗，在睜閉眼靜息態(tài)中使用類內(nèi)相關(guān)系數(shù)作為穩(wěn)定性的指標(biāo)，發(fā)現(xiàn)靜息態(tài)的重測信度較高（Lietal.，2024;McKeownetal.，2024）。非周期性成分的重測信度介于一般和優(yōu)秀之間（0.50～0.95；Lietal.，2024），其中偏移量比指數(shù)更穩(wěn)定。睜眼條件下的重測信度較差，除了睜眼狀態(tài)下更多的眼動偽跡（Dingetal.，2022），還可能由于個體在睜眼時無意識進行了額外的視覺加工，這種“任務(wù)狀態(tài)\"對非周期性成分會產(chǎn)生一定影響（Podvalnyetal.，2015）。此外，重測性也受到被試狀態(tài)的影響，例如容易受個體情緒或警覺狀態(tài)干預(yù)的任務(wù)，其重測信度可能較低（Alemanetal.，20oo；Buchanan2007）。

盡管研究者們已經(jīng)開始探索非周期性參數(shù)在個體不同狀態(tài)下的重測信度，但相較于前人對于周期性參數(shù)的重測性檢驗，非周期性參數(shù)的心理測量性能仍需在其他領(lǐng)域進一步驗證。例如可以從空間水平上結(jié)合fMRI技術(shù)，圍繞某個腦區(qū)及對應(yīng)的頭表位置電極更集中地考察非周期性參數(shù)的心理測量性能，這能夠為非周期性參數(shù)作為生物標(biāo)志物或指標(biāo)提供更為全面的理論及實踐依據(jù)。

4.4非周期性成分的生理意義

兩類神經(jīng)元E：I的平衡對于神經(jīng)元穩(wěn)態(tài)和神經(jīng)振蕩的形成至關(guān)重要（Atallahamp;Scanziani，2009Turrigianoamp;Nelson，2004），能夠保證神經(jīng)元之間正常的信息傳遞（Salinasamp;Sejnowski，2001；Vogelsamp;Abbott，2009）。在個體發(fā)育關(guān)鍵期的E：I失衡與一系列中樞神經(jīng)系統(tǒng)的病變相關(guān)聯(lián)（Gonzalez-Ramirez etal.， 2015;Kehreretal.，20o8;Mariani etal.，2015）。更高的非周期性指數(shù)認(rèn)為反映了增加的抑制性或減少的興奮性神經(jīng)遞質(zhì)活動（Voytekamp;Knight，2015）。例如注意力多動障礙的神經(jīng)活動穩(wěn)定性較低，可能與神經(jīng)噪聲水平的增加有關(guān)。部分身體節(jié)律（如呼吸、心律等）也可以調(diào)節(jié)人類行為、認(rèn)知及背后的神經(jīng)振蕩活動，協(xié)調(diào)大腦信號傳導(dǎo)的皮層興奮性（Klugeramp;Gross，2021;Klugeretal.，2021;Zelano etal.，2016）。Kluger等人（2023）將呼吸與非周期大腦活動聯(lián)系起來，發(fā)現(xiàn)非周期活動的指數(shù)變化與呼吸周期相鎖，表明E：I平衡的自發(fā)狀態(tài)受到外周身體信號的影響。

神經(jīng)回路興奮性與抑制性通常分別由快速的神經(jīng)遞質(zhì)谷氨酸和較慢的 γ -氨基丁酸輸入組成（Barron etal.，2017;Koolschijn et al.，2019）。磁共振波譜（Magnetic Resonance Spectroscopy，MRS）技術(shù)可用于測量大腦內(nèi)神經(jīng)遞質(zhì)的體內(nèi)濃度，許多研究報告了這兩種神經(jīng)遞質(zhì)水平與依賴于特定大腦區(qū)域神經(jīng)傳遞的心理物理表現(xiàn)之間的關(guān)系（Cassadyetal.，2019;Sarloamp;Holton，2021）?；贓：I失衡理論，神經(jīng)遞質(zhì)可以作為神經(jīng)精神疾病的生物標(biāo)志物（Brownetal.，2013；Drenthenetal.，2016;Smesnyetal.，2015）。這種來自理論的間接證據(jù)可以將非周期性參數(shù)與神經(jīng)遞質(zhì)聯(lián)系起來，但目前仍缺乏兩者之間關(guān)系的直接證據(jù)。激素作為體內(nèi)另一種具有調(diào)節(jié)作用的物質(zhì)，同樣與機體內(nèi)部的信息傳遞有關(guān)。Gaizauskaite等人（2024）基于性腺激素對神經(jīng)遞質(zhì)系統(tǒng)的作用機制，探究了女性荷爾蒙狀態(tài)對靜息態(tài)EEG周期性與非周期性參數(shù)的影響，結(jié)果并未發(fā)現(xiàn)顯著的組間差異。然而，由于個體內(nèi)部分頻譜參數(shù)在生理周期內(nèi)存在顯著波動，我們?nèi)圆荒芘懦侵芷谛猿煞峙c神經(jīng)遞質(zhì)或激素之間存在直接關(guān)聯(lián)性。

5 結(jié)論

隨著數(shù)據(jù)分析技術(shù)的進步，EEG/MEG的非周期分析受到神經(jīng)電生理領(lǐng)域的普遍關(guān)注。在發(fā)展神經(jīng)科學(xué)和神經(jīng)精神病理學(xué)方面，已經(jīng)出現(xiàn)了多個成功的應(yīng)用案例。本文中，我們介紹了非周期性成分分析在睜閉眼靜息態(tài)、睡眠狀態(tài)、神經(jīng)發(fā)育以及臨床疾病領(lǐng)域的進展，并對非周期性成分空間分布、參數(shù)設(shè)置、組水平分析、重測穩(wěn)定性以及生理意義等未來方向進行了介紹。非周期分析的大量應(yīng)用與新算法的不斷涌現(xiàn)，反映了研究者對神經(jīng)電生理信號更為細(xì)致深刻的認(rèn)識，為進一步探究非周期性成分的功能意義奠定了基礎(chǔ)。目前非周期性成分分析還缺少對全腦空間分布的關(guān)注，其神經(jīng)生理生成機制尚處于探索階段，未來需要結(jié)合多模態(tài)技術(shù)、實驗設(shè)計等進一步筑牢其理論基礎(chǔ)，拓展其應(yīng)用范圍。

參考文獻

雷旭，堯德中.（2014）.同步腦電-功能磁共振（EEG-fMRI） 原理與技術(shù).北京：科學(xué)出版社.

Aleman，A.，Nieuwenstein，M.R.，Bocker，K.B.，amp;deHaan， E.H.（2ooo）.Music trainingand mental imagery ability. Neuropsychologia，38（12），1664-1668.

Atallah，B.V.，amp;Scanziani，M.（2oo9）.Instantaneousmodulation ofgamma oscillation frequency by balancing excitation with inhibition.Neuron，62（4），566-577.

Bai，D.，Hu，J.， Julich，S.，amp;Lei，X.（2024）.Impact of sleep deprivation on aperiodic activity：A resting-state EEG study.JournalofNeurophysiology，132（5），1577-1588.

Barron，H.C.，Vogels，T.P.，Behrens，T.E.，amp;Ramaswami， M.（2017）. Inhibitory engrams in perception and memory. ProceedingsoftheNationalAcademyofSciences，1l4（26）， 6666-6674.

Belova，E.M.，Semenova，U.，Gamaleya，A.A.，Tomskiy，A. A.，amp;Sedov，A.（2o21）.Voluntarymovementscausebeta oscillations increase and broadband slope decrease in the subthalamic nucleus of parkinsonian patients.European Journal ofNeuroscience，53（7），2205-2213.

Benchenane，K.，Tiesinga，P.H.，Battaglia，F(xiàn).P.（2011）. Oscillations in the prefrontal cortex：A gateway to memory andattention.Current Opinion in Neurobiology，21（3）， 475-485.

Bódizs，R.，Szalardy，O.，Horvath，C.，Ujma，P.P.，Gombos， F.，Simor，P.，..Dresler，M.（2021）.A set of composite， non-redundant EEG measuresof NREM sleep based on thepower law scaling of the Fourier spectrum. Scientific Reports，11（1），2041.

Brady，B.，amp;Bardouille，T.（2022）.Periodic/Aperiodic parameterizationoftransient oscillations（PAPTO）- Implications for healthy ageing.NeuroImage，251，118974.

Brown，M.S.，Singel，D.，Hepburn，S.，amp;Rojas，D.C.（2013）. Increased glutamateconcentration inthe auditory cortex of persons with autism and first -degree relatives：A （204號 ¹H - MRS study. Autism Research， 6（1），1-10.

Buchanan， T.W. （2oo7）.Retrieval of emotional memories. Psychological Bulletin，133（5），761-779.

Candelaria-Cook，F(xiàn).T.，Solis，I.，Schendel，M.E.，Wang，Y. P.，Wilson，T.W.，Calhoun，V.D.，amp; Stephen，J.M.（2022）. Developmental trajectory of MEG resting-state oscillatory activity in children and adolescents：A longitudinal reliability study.CerebralCortex，32（23），5404-5419.

Cassady，K.，Gagnon，H.，Lalwani，P.，Simmonite，M.， Foerster，B.，Park，D.，..Polk，T.A.（2019）.Sensorimotor network segregation declines with age and is linked to GABA and to sensorimotor performance. Neuroimage， 186， 234-244.

Chaoul，A.I.，amp; Siegel，M. （2021）.Cortical corelation structure of aperiodic neuronal population activity. NeuroImage， 245，118672.

Clark，D.L.，Khalil， T.，Kim，L.H.，Noor，M.S.，Luo，F(xiàn).，amp; Kiss，Z.H. （2023）. Aperiodic subthalamic activity predicts motor severity and stimulation response in Parkinson disease.Parkinsonismamp;Related Disorders，l1o，105397.

Cohen，J.，Boshes，L.D.，Snider，R.S.（1961）. Electroencephalographic changes following retrolental fibroplasia.ElectroencephalographyandClinical Neurophysiology，13（6），914-922.

Colombo，M.A.，Napolitani，M.，Boly，M.，Gosseries，O.， Casarotto，S.，Rosanova，M.，...Sarasso，S.（2o19）.The spectral exponent of the resting EEG indexes the presence of consciousness during unresponsiveness induced by propofol， xenon，and ketamine.NeuroImage，189，631-644.

Dakwar-Kawar，O.，Mentch-Lifshits，T.，Hochman，S.， Mairon，N.，Cohen，R.，Balasubramani，P.，...Nahum，M. （2024）. Aperiodic and periodic components of oscilatory brain activity in relation to cognition and symptoms in pediatric ADHD.Cerebral Cortex，34（6），bhae236. https：//doi.org/10.1093/cercor/bhae236

Dave，S.，Brothers，T.A.，amp; Swaab，T.Y.（2018）.1/f neural noise and electrophysiological indices of contextual prediction inaging.Brain Research，1691，34-43.

Dennison，M.，Whitle，S.，Ycel，.，Vijayakumar，N.，line， A.，Simmons，J.，amp; Allen，N.B.（2013）.Mapping subcortical brain maturation during adolescence： Evidence of hemisphere -and sex - specific longitudinal changes. Developmental Science，16（5），772-791.

Di，X.，amp; Biswal， B.B. （2013）.Modulatory interactions of resting-state brain functional connectivity.PLoS One， 8（8）， e71163.

Ding，L.，Duan，W.，Wang，Y.，amp;Lei，X.（2022）.Test-retest reproducibility comparisonin resting and the mental task states：A sensor and source-level EEG spectral analysis. InternationalJournalofPsychophysiology173，-8.

Donoghue，T.，Haller，M.，Peterson，E.J.，Varma，P.，Sebastian， P.，Gao，R.，..Voytek，B.（202o）.Parameterizing neural power spectra into periodic and aperiodic components. Nature Neuroscience，23（12），1655-1665.

Drenthen，G.S.，Barendse，E.M.，Aldenkamp，A.P.，van Veenendaal，T.M.，Puts，N.A.，Edden，R.A.，..Jansen，J. F.（20l6）.Altered neurotransmitter metabolismin adolescents with high-functioning autism.Psychiatry Research： Neuroimaging， 256，44-49.

Earl，R.J.，F(xiàn)ord，T.C.，Lum，J.A.，Enticott，P.G.，amp;Hill，A. T.（2024）.Exploring aperiodic activity in first episode schizophrenia spectrum psychosis：A resting-state EEG analysis.BrainResearch，1840，149052.

Euler，M.J.，Vehar， J.V.，Guevara，J.E.，Geiger，A.R.， Deboeck，P.R.，amp;Lohse，K.R.（2024）.Associationsbetween the resting EEG aperiodic slope and broad domains of cognitive ability.Psychophysiology， 61（6）， e14543.

Favaro，J.，Colombo，M.A.，Mikulan，E.，Sartori，S.， Nosadini，M.，Pelizza，M.F.，...Toldo，I.（2023）.The maturation of aperiodic EEG activity across development reveals a progressive differentiation of wakefulness from sleep.NeuroImage，277，120264.

Finley，A.J.，Angus，D.J.，Knight，E.L.，van Reekum，C.M.， Lachman，M.E.，Davidson，R.J.，amp; Schaefer，S.M. （2024）.Resting EEG periodic and aperiodic components predict cognitive decline over l0 years.The Journal of Neuroscience， 44（13）. https：//doi.0rg/10.1523/JNEUROSCI.1332-23.2024

Frenda，S.J.，amp;Fenn，K.M.（2016）.Sleep less，think worse： The effect of sleep deprivation on working memory. Journal of Applied Research in Memory and Cognition， 5（4），463-469.

GaiZauskaite，R.，Gladutyte，L.，Zelionkaite，I.，Cesnaite，E.， Busch，N.A.，amp; Griksiene，R.（2024）.The search for the relationship between female hormonal status，alpha oscillations，and aperiodic features of resting state EEG. InternationalJournalofPsychophysiology，198，112312.

Gao，R.D.，Peterson，E.J.，amp;Voytek，B.（2017）.Inferring synaptic excitation/inhibition balance from field potentials. NeuroImage，158，70-78.

Gatev，P.，Darbin，O.，amp; Wichmann，T.（20o6）.Oscillations in the basal ganglia under normal conditions and in movement disorders.Movement Disorders， 21（10）， 1566-1577.

Gerster，M.，Waterstraat，G.，Litvak，V.，Lehnertz，K.， Schnitzler，A.，F(xiàn)lorin，E.，..Nikulin，V.（2022）.Separating neural oscillations from aperiodic l/f activity： Challenges and recommendations.Neuroinformatics，20（4），991-1012.

Girardeau，G.，amp;Lopes-dos-Santos，V.（2021）.Brainneural patterns and the memory function of sleep. Science， 374（6567）， 560-564.

Gómez，C.M.，Rodriguez-Martinez， E.1.， Fernandez，A.， Maestu，F(xiàn).，Poza，J.，amp;Gómez，C.（2017）.Absolute power spectral density changes in the magnetoencephalographic activity during the transition from childhood to adulthood. Brain Topography， 30（1）， 87-97.

Gómez-Laberge，C.，Smolyanskaya，A.，Nassi，J.J.，Kreiman G.，amp; Born，R. T. （2016）. Botom-up and top-down input augment the variability of cortical neurons. Neuron， 91（3）， 540-547.

Gonzalez-Ramirez，L.R.，Ahmed，O.J.，Cash，S.S.，Wayne， C.E.，amp;Kramer，M.A.（2015）.Abiologically constrained， mathematical model of cortical wave propagation preceding seizure termination.PLoS Computational Biology，11（2）， e1004065.

Haegens，S.，Osipova，D.，Oostenveld，R.，amp; Jensen，O. （2010）.Somatosensory working memory performance in humans depends on both engagement and disengagement of regions in a distributed network.Human Brain Mapping， 31（1），26-35.

Hassin-Baer， S.，Cohen，O.S.， Israeli-Korn，S.，Yahalom，G.， Benizri，S.，Sand，D.，...Peremen，Z.（2022）.Identification of an early-stage Parkinson's disease neuromarker using event-related potentials，brain network analytics and machine-learning.Plos One，17（1），e0261947.

He，B.J. （2014）. Scale-free brain activity：Past， present， and future.Trends in Cognitive Sciences，18（9），480-487.

He，B.J.，Zempel，J.M.，Snyder，A.Z.，amp;Raichle，M.E. （2010）. The temporal structures and functional significance of scale-free brainactivity.Neuron，66（3），353-369.

Helfrich，R.F.，Mander，B.A.，Jagust，W.J.，Knight，R.T.，amp; Walker，M.P.（2017）. Old brains come uncoupled in sleep： Slowwave-spindlesynchrony，brainatrophy，and forgetting.Neuron， 97（1），221-230.

Hill，A.T.，Clark，G.M.，Bigelow，F(xiàn).J.，Lum，J.A.G.，amp; Enticott，P. G. （2022）.Periodic and aperiodic neural activity displaysage-dependent changes across early-to-middle childhood.Developmental Cognitive Neuroscience，54， 101076.

Hommel， B. （2015）. Between persistence and flexibility： The Yin and Yang of action control. In A. J. Elliot （Ed.）， Advances in motivation science（Vol.2，pp.33-67）.Elsevier.

Hong，S.L.，amp; Rebec， G. V. （2012）.A new perspective on behavioral inconsistency and neural noise in aging： Compensatoryspeedingofneuralcommunication. Frontiers in Aging Neuroscience，4，27.

Horvath，C.G.，Szalardy，O.，Ujma，P.P.，Simor，P.，Gombos， F.，Kovacs，I.，..Bódizs，R.（2022）.Overnight dynamics in scale-free and oscillatory spectral parameters of NREM sleep EEG. Scientific Reports，12（1），18409.

Hu，S.，Zhang，Z.， Zhang，X.，Wu，X.，amp; Valdes-Sosa，P.A. （2024）. ξ-π： A nonparametric model for neural power spectra decomposition. IEEE Journal of Biomedical and Health Informatics，28（5），2624-2635.

Jach，H.K.，F(xiàn)euerriegel，D.，amp; Smillie，L.D.（2020）. Decoding personality trait measures from resting EEG：An exploratory report. Cortex，130，158-171.

Jacob，M.S.，Roach，B.J.，Sargent，K.S.，Mathalon，D.H.， amp;Ford， J.M. （2021）.Aperiodic measures of neural excitability are associated with anticorrelated hemodynamic networksat rest：A combined EEG-fMRI study. NeuroImage，245，118705.

Kahana，M.J.（2oo6）. The cognitive correlates of human brain oscillations. Journal ofNeuroscience，26（6），1669- 1672.

Kalamala，P.，Gyurkovics，M.，Bowie，D.C.，Clements，G.M.. Low，K.A.，Dolcos，F(xiàn).，... Gratton，G.（2024）.Eventinduced modulation of aperiodic background EEG： Attention-dependent and age-related shifts in E：I balance， and their consequences for behavior.Imaging Neuroscience，2. 1-18.

Kehrer，C.，Maziashvili，N.，Dugladze，T.，amp; Gloveli，T. （2008）.Alteredexcitatory-inhibitory balance in the NMDA-hypofunction model of schizophrenia.Frontiers in Molecular Neuroscience，1，6.

Klinzing，J.G.，Niethard，N.，amp; Born，J.（2019）.Mechanisms of systems memory consolidation during sleep.Nature Neuroscience，22（10），1598-1610.

Kluger，D.S.，Balestrieri，E.，Busch，N.A.，amp;Gross，J.（2021）. Respiration aligns perception with neural excitability. Elife，10， e70907.

Kluger，D.S.，F(xiàn)orster，C.，Abbasi，O.，Chalas，N.，Vilrner， A.，amp;Gross，J.（2023）.Modulatory dynamics of periodic and aperiodic activity in respiration-brain coupling. Nature Communications，14（1），4699.

Kluger，D. S.，amp; Gross，J. （2021）.Respiration modulates oscillatory neural network activity atrest.PLoS Biology， 19（11）， e3001457.

Knudsen，E.I. （2o04）.Sensitive periods in the development ofthe brain and behavior. Journal of Cognitive Neuroscience，16（8），1412-1425.

Koolschijn，R.S.，Emir，U.E.，Pantelides，A.C.，Nili，H.， Behrens，T.E.，amp; Barron，H.C.（2019）.The hippocampus andneocorticalinhibitoryengrams protect against memory interference.Neuron，101（3），528-541.

Kopcanova，M.，Tait，L.，Donoghue，T.，Stothart，G.，Smith， L.，F(xiàn)lores-Sandoval，A.A.，...Benwell，C.S.（2024）. Resting-state EEG signatures of Alzheimer's disease are driven by periodic but not aperiodic changes.Neurobiology of Disease，190，106380.

Kopf，M.，Martini，J.，Stier，C.，Ethofer，S.，Braun，C.，Li Hegner，Y...Helfrich，R.F. （2024）.Aperiodic activity Indexesneural hyperexcitability in generalized epilepsy. ENeuro，11（9）.https：//doi.org/10.1523/ENEURO.0242-24. 2024

Kriegseis，A.，Hennighausen，E.，Rosler，F(xiàn).，amp; Roder，B. （2006）.Reduced EEG alpha activity over parieto-occipital brainareasin congenitally blind adults.Clinical Neurophysiology，117（7），1560-1573.

Laufs，H.，Krakow，K.， Sterzer，P.，Eger，E.，Beyerle，A.， Salek-Haddadi，A.，amp; Kleinschmidt，A.（2003）. Electroencephalographic signatures of attentional and cognitive default modes in spontaneous brain activity fluctuations at rest. Proceedings of the National Academy of Sciences，100（19），11053-11058.

Lendner，J.D.，Helfrich，R.F.，Mander，B.A.，Romundstad， L.，Lin，J.J.，Walker，M.P.，...Knight，R.T.（2020）.An electrophysiological marker of arousal level in humans. Elife，9，e55092.

Lendner，J.D.，Niethard，N.，Mander，B.A.，van Schalkwijk， F.J.，Schuh-Hofer， S.，，Schmidt，H.，..Helfrich，R.F. （2023）.Human REM sleep recalibrates neural activity in support of memory formation. Science Advances，9（34）， eadj1895.

Levin，A.R.，Naples，A.J.，Scheffler， A.W.，Webb，S.J.， Shic，F(xiàn).， Sugar，C.A.，..Sentuirk，D.（2020）.Day-to-day test-retest reliability of EEG profiles in children with autism spectrum disorder and typical development. Frontiers in IntegrativeNeuroscience，14，21.

Li，N.，Yang，J.， Long，C.，amp; Lei，X.（2024）.Test-retest reliability of EEG aperiodic components in resting and mental task states.Brain Topography，37（6），961-971.

Lubinus，C.，Orpella，J.，Keitel，A.，Gudi-Mindermann，H.， Engel，A.K.，Roeder，B.，amp;Rimmele，J.M.（2021）. Data-driven classification of spectral profiles reveals brain region-specific plasticity in blindness. Cerebral Cortex， 31（5），2505-2522.

Mahjoory，K.，Cesnaite，E.，Hohlefeld，F(xiàn).U.，Vilringer，A.， amp; Nikulin，V.V.（2o19）.Power and temporal dynamics of alpha oscillations at rest differentiate cognitive performance involvingsustainedand phasiccognitivecontrol. NeuroImage，188，135-144.

Mahjoory，K.，Schoffelen，J.M.，Keitel，A.，amp;Gross，J. （2020）.The frequency gradient of human resting-state brain oscillations follows cortical hierarchies.Elife，9， e53715.

Mander，B.A.，Rao，V.，Lu，B.，Saletin，J.M.，Lindquist，J. R.，Ancoli-Israel，S.，...Walker，M.P.（2013）.Prefrontal atrophy， disrupted NREM slow waves and impaired hippocampal-dependentmemoryinaging. Nature Neuroscience，16（3），357-364.

Maquet，P.，amp; Phillips，C.（1998）.Functional brain imaging of human sleep.Journal of Sleep Research，7（S1），42-47.

Mariani，J.， Coppola，G.，Zhang，P.，Abyzov，A.，Provini，L.， Tomasini，L.，...Vaccarino，F(xiàn).M.（2015）.FOXG1- dependent dysregulation of GABA/glutamate neuron differentiation inautism spectrum disorders. Cell，162（2）， 375-390.

Martin，S.，Iturrate，I.，Chavarriaga，R.，Leeb，R.，Sobolewski. A.，Li，A.M.，..Millan，J.D.R.（2018）.Differential contributions of subthalamic beta rhythms and1/f broadband activity to motor symptoms in Parkinson's disease.NPJ Parkinson'sDisease，4（1），32.

Mazard，A.，Laou，L.，Joliot，M.，amp; Mellet，E.（20o5）.Neural impact of the semantic content of visual mental images and visual percepts.Cognitive Brain Research，24（3）， 423-435.

McKeown，D.J.，F(xiàn)inley，A.J.，Kelley，N.J.，Cavanagh，J.F.， Keage，H.A.，Baumann，O.，...Angus，D.J.（2024）. Test-retest reliability of spectral parameterization by 1/f characterization using SpecParam. Cerebral Cortex，34（1）， bhad482.https：//doi.org/10.1093/cercor/bhad482

McSweeney，M.，Morales，S.，Valadez，E.A.，Buzzell，G.A.， amp;Fox，N.A.（2o21）.Longitudinal age-and sex-related change in background aperiodic activity during early adolescence.Developmental Cognitive Neuroscience，52， 101035.

Meghdadi，A.H.，StevanovicKaric，M.，McConnell，M.， Rupp，G.，Richard， C.，Hamilton，J.，..Berka， C. （2021）. Resting state EEG biomarkers of cognitive decline associated with Alzheimer's disease and mild cognitive impairment.PloS One，16（2），e0244180.

Merkin，A.，Sghiripa，S.， Graetz，L.，Smith，A.E.，Hordacre， B.，Harris，R.，..Goldsworthy，M.（2023）.Do age-related differences in aperiodic neural activity explain differences inrestingEEG alpha？Neurobiology ofAging，121，78-87.

Miskovic，V.，Macdonald，K.J.，Rhodes，L.J.，amp;Cote，K.A. （2019）.Changes in EEG multiscale entropy and powerlaw frequency scaling during the human sleep cycle. Human Brain Mapping，40（2），538-551.

Motokawa， K. （1949）. Energy of brain waves and energetics ofthe brain.The Tohoku Journal of Experimental Medicine，51（1-2），119-129.

Neufang，S.，Specht，K.，Hausmann，M.，Gunturkun，O.， Herpertz-Dahlmann，B.，F(xiàn)ink，G.R.，amp;Konrad，K.（2009）. Sex differences and the impact of steroid hormones on the developinghuman brain.Cerebral Cortex，19（2），464- 473.

Newbury，C.R.，Crowley，R.，Rastle，K.，amp;Tamminen，J. （2021）.Sleep deprivation and memory：Meta-analytic reviews of studies on sleep deprivation before and after learning.PsychologicalBulletin，147（11），1215-1240.

Newson， J.J.，amp; Thiagarajan，T.C.（2019）.EEG frequency bands in psychiatric disorders：A review of resting state studies.FrontiersinHuman Neuroscience，12，521.

Ossandón，J.P.，Stange，L.，Gudi-Mindermann，H.，Rimmele， J.M.，Sourav，S.，Bottari，D.，..Roder，B.（2023）.The development of oscillatory and aperiodic resting state activityis linked to a sensitive periodin humans. NeuroImage，275，120171.

Ostlund，B.，Donoghue，T.，Anaya，B.，Gunther，K.E.， Karalunas，S.L.，Voytek，B.，amp;Pérez-Edgar，K.E.（2022）. Spectral parameterization for studying neurodevelopment： How and why. Developmental Cognitive Neuroscience， 54， 101073.

Ott，L.R.，Penhale，S.H.， Taylor，B.K.，Lew，B.J.，Wang，Y. P.，Calhoun，V.D.，...Wilson，T.W.（2021）.Spontaneous cortical MEG activity undergoes unique age- and sex-related changes during the transition to adolescence. NeuroImage，244，118552.

Ouyang，G.，Hildebrandt，A.， Schmitz，F(xiàn).，amp; Herrmann，C. （2020）.Decomposing alpha and 1/f brain activities reveals their differential associations with cognitive processing speed.NeuroImage，205，116304.

Pacheco，L.B.，F(xiàn)euerriegel，D.，Jach，H.K.，Robinson，E.， Duong，V.N.，Bode，S.，amp; Smillie，L.D.（2024）. Disentangling periodic and aperiodic resting EEG correlates of personality.NeuroImage，293，120628.

Pascual-marqui，R.D.，Valdes-sosa，P.A.，amp;Alvarez-amador A.（1988）.A parametric model for multichannel EEG spectra.International Journal of Neuroscience，40（1-2）， 89-99.

Pathania，A.，Euler，M.J.，Clark，M.，Cowan，R.L.，Duff，K.， amp;Lohse，K.R.（2022）.Resting EEG spectral slopes are associated with age-related differences in information processing speed. Biological Psychology，168，108261.

Pi，Y.，Yan，J.，Pscherer，C.， Gao，S.，Muckschel，M.，Colato， L.，.. Beste，C.（2024）.Interindividual aperiodic restingstate EEG activity predicts cognitive-control styles. Psychophysiology，61（8）， e14576.

Podvalny，E.，Noy，N.，Harel，M.，Bickel，S.，Chechik，G.， Schroeder，C.E.，...Malach，R.（2015）.Aunifying principle underlying the extracellular field potential spectral responses in the human cortex. Journal of Neurophysiology，114（1），505-519.

Pot?ri，A.，Ujma，P.P.，Konrad，B.N.，Genzel，L.，Simor，P.， Kormendi，J.，...Bódizs，R.（2017）. Age-related changes in sleep EEG are attenuated in highly intelligent individuals. Neuroimage，146，554-560.

Racz，F(xiàn).S.，Czoch，A.， Kaposzta，.，Stylianou，O.，Mukli，P.， amp;Eke，A. （2022）.Multiple-resampling cross-spectral analysis：An unbiased tool for estimating fractal connectivity with an application to neurophysiological signals. Frontiers inPhysiology，13，817239.

Raichle，M.E.，MacLeod，A.M.，Snyder，A.Z.，Powers，W. J.，Gusnard，D.A.，amp; Shulman，G.L.（2001）.A default mode of brain function. Proceedings of the National Academy of Sciences，98（2），676-682.

Robertson， M. M.， Furlong，S.， Voytek， B.， Donoghue， T.， Boettiger， C.A.，amp; Sheridan，M.A.（2019）.EEG power spectral slope differs by ADHD status and stimulant medication exposure in early childhood.Journal of Neurophysiology，122（6），2427-2437.

Roche，K.J.，LeBlanc，J.J.，Levin，A.R.，O'Leary，H.M.， Baczewski，L.M.，amp;Nelson，C.A.（2019）. Electroencephalographic spectral power as a marker of cortical function and disease severity in girls with Rett syndrome. Journal of Neurodevelopmental Disorders， 11（1）， 15.

Rosenblum，Y.，Shiner， T.，Bregman，N.，Giladi，N.，Maidan， I.，F(xiàn)ahoum，F(xiàn).，amp;Mirelman，A.（2023）.Decreased aperiodic neural activity in Parkinson's disease and dementia with Lewy bodies.Journal ofNeurology，270（8），3958-3969.

Saby，J.N.，amp;Marshall，P.J.（2012）.The utilityofEEG band power analysis in the study of infancy and early childhood Developmental Neuropsychology，37（3），253-273.

Salinas，E.，amp; Sejnowski， T.J. （2001）. Correlated neuronal activity and the flow of neural information. Nature Reviews Neuroscience，2（8），539-550.

Samaha，J.，Iemi，L.，Haegens，S.，amp; Busch，N.A.（2020）. Spontaneous brain oscillations and perceptual decisionmaking.Trends in Cognitive Sciences，24（8），639-653.

Samuel，I.B.H.，Wang，C.，Hu，Z.，amp; Ding，M.（2018）.The frequency of alpha oscillations：Task-dependent modulation andits functional significance.Neuroimage，183，897- 906.

Sarlo，G.L.，amp; Holton，K.F.（2021）.Brain concentrations of glutamate and GABA in human epilepsy：A review. Seizure，91，213-227.

Schaworonkow，N.，amp; Voytek，B.（2021）.Longitudinal changes in aperiodic and periodic activity in electrophysiological recordings in the first seven months of life.Developmental Cognitive Neuroscience，47，100895.

Schneider，B.，Szalardy，O.，Ujma，P.P.，Simor，P.，Gombos， F.，Kovacs，I.，..Bódizs，R. （2022）.Scale-free and oscillatory spectral measures of sleep stages in humans. Frontiersin Neuroinformatics，16，989262.

Smesny，S.，Gussew，A.，Biesel，N.J.，Schack，S.，Walther， M.，Rzanny，R.，..Reichenbach，J.R.（2015）. Glutamatergic dysfunction linked to energy and membrane lipid metabolism in frontal and anterior cingulate cortices of never treated first-episode schizophrenia patients. Schizophrenia Research，168（1-2），322-329.

Tran，T.T.，Rolle，C.E.，Gazzaley，A.，amp;Voytek，B.（2020）. Linked sources of neural noise contribute to age-related cognitive decline. Journal of Cognitive Neuroscience， 32（9），1813-1822.

Trondle，M.，Popov，T.，Dziemian，S.，amp;Langer，N.（2022）. Decomposing the role of alpha oscillations during brain maturation.Elife，11，e77571.

Turrigiano，G.G.，amp; Nelson，S.B.（2004）.Homeostatic plasticity in the developing nervous system. Nature Reviews Neuroscience，5（2），97-107.

Ujma，P.P.，Konrad，B.N.，Gombos，F(xiàn).，Simor，P.，Pótari，A.， Genzel，L.，..Dresler，M.（2017）.The sleep EEG spectrum is a sexually dimorphic marker of general intelligence. Scientific Reports，7（1），18070.

Ujma，P.P.，Simor，P.，Steiger，A.，Dresler，M.，amp; Bodizs，R. （2019）.Individual slow-wave morphology is a marker of aging.Neurobiology ofAging，80，71-82.

Vogels，T.P.，amp; Abbott，L.F.（20o9）.Gating multiple signals through detailed balance of excitation and inhibition in spikingnetworks.NatureNeuroscience，12（4），483-491.

Voytek，B.，amp; Knight，R.T.（2015）.Dynamicnetwork communication as a unifying neural basis for cognition， development，aging，and disease.Biological Psychiatry， 77（12），1089-1097.

Wan，W.，Gao，Z.，Zhang，Q.，Gu，Z.，Chang，C.，Peng，C.K.， amp;Cui，X. （2023）.Resting state EEG complexity as a predictorofcognitiveperformance.PhysicaA：Statistical Mechanicsand itsApplications，624，128952.

Wang，Z.，Liu，A.，Yu，J.，Wang，P.，Bi，Y.，Xue，S.，..Zhang， W.（2024）.The effect of aperiodic componentsin distinguishing Alzheimer’sdisease from frontotemporal dementia.Geroscience，46（1），751-768.

Wang，Z.，Mo，Y.，Sun，Y.，Hu，K.，Peng，C.，Zhang，S.，amp; Xue，S.（2o22）.Separating the aperiodic and periodic components of neural activity in Parkinson's disease. European Journal of Neuroscience， 56（6），4889-4900.

Waschke，L.，Kloosterman，N.A.，Obleser，J.，amp;Garrett，D. D.（2021）. Behavior needs neural variability. Neuron， 109（5），751-766.

Watrous，A.J.，Miller，J.，Qasim，S.E.，F(xiàn)ried，I.，amp;Jacobs，J. （2018）.Phase-tuned neuronal firing encodes human contextual representations for navigational goals.Elife，7， e32554.

Weisz，N.，Wuhle，A.，Monittola，G.，Demarchi，G.，F(xiàn)rey，J.， Popov，T.，amp; Braun，C.（2014）. Prestimulus oscillatory power and connectivity patterns predispose conscious somatosensory perception.Proceedings of the National Academy of Sciences of the United States of America， 111（4），E417-E425.

Wen，H.，amp; Liu， Z.（2016a）. Broadband electrophysiological dynamics contribute to global resting-state fMRI signal. Journal ofNeuroscience，36（22），6030-6040.

Wen，H.，amp; Liu，Z.（2016b）.Separating fractal and oscillatory componentsinthepowerspectrumof neurophysiological signal.Brain Topography，29（1），13- 26.

Weng，Y.，Liu，X.，Hu，H.，Huang，H.， Zheng，S.， Chen，Q.，. Huang，R.（2020）. Open eyes and closed eyeselicit different temporal properties of brain functional networks. Neuroimage，222，117230.

Whitten，T.A.，Hughes，A.M.，Dickson，C.T.，amp; Caplan，J. B.（2011）.A better oscillation detection method robustly extracts EEG rhythms across brain state changes： The human alpha rhythm as a test case. Neuroimage， 54（2）， 860-874.

Wilkinson，C.L.，amp; Nelson，C.A.（2021）.Increased aperiodic gamma power in young boys with Fragile X Syndrome isassociated with better language ability. Molecular Autism，12（1），17.

Wilson，L.E.，daSilva Castanheira，J.，amp;Baillet，S.（2022）. Time-resolved parameterization of aperiodic and periodic brainactivity.Elife，11，e77348.

Wilt，J.，amp; Revelle，W.（20l5）.Affect，behavior，cognition and desire in the Big Five：Ananalysis of item content and structure.EuropeanJournalofPersonality，29（4），478- 497.

Winawer，J.，Kay，K.N.，F(xiàn)oster，B.L.，Rauschecker，A.M.， Parvizi，J.，amp;Wandell，B.A.（2013）.Asynchronous broadband signals are the principal source of the bold response in human visual cortex. Current Biology， 23（13）， 1145-1153.

Xiang，C.，F(xiàn)an，X.，Bai，D.，Lv，K.，amp;Lei，X.（2024）.A resting-state EEGdataset for sleep deprivation.Scientific Data，11（1），427.

Xu，J.（2ol5）.Implications of cortical balanced excitation andinhibition，functional heterogeneity，and sparsenessof neuronal activityinfMRI.Neuroscienceamp; Biobehavioral Reviews，57，264-270.

Yizhar，O.，F(xiàn)enno，L.E.，Prigge，M.， Schneider，F(xiàn).，Davidson， T.J.，O'shea，D.J.，...Deisseroth，K.（201l）.Neocortical excitation/inhibition balance in information processing and social dysfunction.Nature，477（7363），171-178.

Zarahn，E.，Aguirre，G.K.，amp; D'Esposito，M.（1997）. Empirical analyses of BOLD fMRI statistics.Neuroimage， 5（3）， 179-197.

Zelano，C.，Jiang，H.，Zhou，G.，Arora，N.，Schuele，S.， Rosenow，J.，amp;Gottfried，J.A.（20l6）.Nasal respiration entrains human limbic oscillations and modulates cognitive function.JournalofNeuroscience，36（49），12448-12467.

Zempel，J.M.，Politte，D.G.，Kelsey，M.，Verner，R.，Nolan， T.S.，Babajani-Feremi，A.，...Larson-Prior，L.J. （2012）. Characterization of scale-freeproperties of human electrocorticography in awake and slow wave sleep states. FrontiersinNeurology，3，76.

Zhang，C.，Stock，A.K.，Muckschel，M.，Hommel，B.，amp; Beste，C.（2o23）.Aperiodic neural activity reflects metacontrol.CerebralCortex，33（12），7941-7951.

Aperiodic components of resting-state EEG/MEG： Analysis procedures， application advances and future prospects

HUJingyi， BAI Duo，LEI Xu （FacultyofPsychology，SouthwestUniversity，Chongqing40o715，China）

Abstract： Power spectral analysis is a common method in EEG/MEG data processing. In recent years， growing numbers of researchers have recognized that the aperiodic components of power spectra hold unique physiological significance and practical value.With the global adoption of toolkits such as SpecParam，the aperiodic analysis of resting-state EEG/MEG has garnered substantial atention. This paper first introduces standardized procedures for aperiodic analysis in high-density EEG/MEG. Subsequently， we summarize two major empirical advancements： In developmental neuroscience，age-related flatening of the power spectrum demonstrates robust associations with cognitive decline and deteriorated sleep quality among older adults. Clinically，aperiodic parameters show promise as electrophysiological biomarkers for neuropsychiatric disorders. Current limitations include insufcient exploration of whole-brain spatial distributions and incomplete understanding of neurophysiological generation mechanisms.Future research directions should integrate multimodal neuroimaging techniques， innovative experimental paradigms， and mechanistic modeling to strengthen theoretical foundations and expand clinical applications.

Keywords： aperiodic components， EEG/MEG， Power Spectrum， scale-free， resting-state

補充材料：

分析代碼示例（Matlab版）

1 % CalculatepowerspectrawithWelch'smethod

2 [psds，freqs] pwelch （data，500，[]，[]，s_rate）;

3 % FOOOF settings

4 settings L= struct（'peak_width_limits'，[1，12]，..

5 'max_n_peaks'，8，'min_peak_height'，0.1，..

6 'peak_threshold'，2.0，'aperiodic_mode'，'fixed'）;

7 f_range Σ=[1，30];

8 % Run FOOOF across a group of power spectra

9 import py.fooof.*

10 fooof_results fooof_group （freqs，psds，f_range，settings）;

說明：

1.運行本程序前需使用Python PIP 安裝工具包，安裝詳細(xì)教程請參見官網(wǎng)（https：//specparam-tools.github.io/index.html）;2.第2行的data為多個組的預(yù)處理后的腦電數(shù)據(jù)，按被試和電極分別計算功率譜;3．第 4-6行\(zhòng)"setings\"變量保存所有預(yù)設(shè)參數(shù)的設(shè)置情況，未輸人的參數(shù)將保持默認(rèn)值。SpecParam的擬合性能易受預(yù)設(shè)參數(shù)的影響，一般將檢測峰的絕對閾值與相對閾值設(shè)置為默認(rèn)值，而其余參數(shù)的設(shè)置需要針對原始數(shù)據(jù)的頻譜特點進行適當(dāng)調(diào)整，例如Ostlund等人（2022）提供了調(diào)整模型擬合的數(shù)據(jù)驅(qū)動方法。而當(dāng)原始數(shù)據(jù)不適用 SpecParam算法時，單純依靠參數(shù)調(diào)整并不能完全解決擬合問題。推薦閱讀Gerster等人（2022）的研究，該文對頻譜存在重疊峰等問題給出了具體的處理建議;4.第7行\(zhòng)"f_range\"為擬合頻率范圍，需要單獨輸入;5.第10行的fooof_results為輸出結(jié)果，包含5個參數(shù)： ① aperiodic_params：非周期性參數(shù)，[偏移量，指數(shù)]; ② peak_params：周期性參數(shù)，[中心頻率，峰值功率，峰值帶寬]； ③ gaussian_params：高斯擬合參數(shù)； ④ error：擬合殘差； ⑤r _squared：擬合優(yōu)度。