基于事件相关电位动态微状态脑网络的时空变异性分析在水下目标识别任务中的应用

针对水下环境干扰导致目标识别困难的问题，研究人员结合事件相关电位（ERP）、微状态和动态脑网络技术，探究了水下目标识别任务中脑功能网络的时空变异性。通过分析45名受试者的脑电图（EEG）数据，构建动态脑网络整体变化矩阵作为特征，模型分类准确率达96.19%。该研究为水下目标识别技术提供了新思路，推动了脑机接口在海洋领域的应用。

　　

水下目标识别是海洋研究、水下导航和渔业管理的关键技术，但复杂环境干扰导致传统声呐信号分析面临巨大挑战。尽管机器学习技术取得进展，但经验丰富的声呐操作员仍能凭借人脑强大的信息处理能力超越算法性能。这一现象引发思考：能否通过解析人脑认知机制提升水下目标识别技术？湖北某研究团队在《Physiology》发表的研究给出了答案。

研究团队创新性地将事件相关电位（ERP）分析、微状态理论和动态脑网络技术相结合，首次揭示了声呐操作员在视听双模态任务中脑网络的时空动态变化规律。通过招募45名专业声呐操作员，采用双选择oddball范式（一种心理学实验范式）模拟真实工作场景，记录其脑电信号。关键技术包括：基于微状态划分ERP功能状态边界、相位斜率指数（PSI）构建动态脑网络、以及整体变化矩阵特征提取方法。

Participants
研究纳入45名26-30岁的右利手声呐操作员，均具有至少1年海洋渔业或救援行业工作经验，确保实验数据的专业代表性。

Positioning results of switching points for various components of ERP based on microstate
通过微状态划分确定P200、N200和P300等ERP组分的转换时间点。结果显示，P200反映刺激感知强度，N200关联冲突抑制功能，P300则与选择性控制和记忆加工相关，其时间分布呈现显著个体一致性。

Discussion
研究发现，ERP功能状态转换与微状态拓扑结构变化高度同步。相比传统滑动窗口法，基于微状态的动态脑网络分析能更精准捕捉脑信息交互模式的阶段性特征。PSI网络差异特征有效区分不同目标刺激下的脑电信号，验证了方法优越性。

Conclusion
该研究开创性地建立了ERP微状态与动态脑网络的关联模型，分类准确率达96.19%。不仅为水下目标识别提供了新范式，更揭示了任务状态下脑功能网络重组规律。未来可应用于海洋生物监测、渔业管理等场景，推动认知科学与海洋技术的交叉创新。

研究团队特别致谢湖北省自然科学基金（2024AFB404）的支持。作者Jiaqi Zhang、Zhangsong Shi等声明无利益冲突。这项突破性工作标志着脑科学在海洋工程领域的应用迈出重要一步，为发展新一代智能水下探测系统奠定了理论基础。