迷失在EEG多元宇宙中？比较不同抽样方法对代表性分析流程选择的优化策略

为解决大型EEG多维度分析中流程抽样不确定性问题，研究人员开发了开源Multiverse Sampling Tool，比较随机、分层和主动学习抽样方法在代表完整分析流程分布方面的性能。结果表明，主动学习和分层抽样能更准确地反映完整多元宇宙的模型拟合分布，为神经影像学大规模分析提供减少偏倚的抽样策略，提升结果的可复制性和稳健性。

　　

在神经科学研究中，尤其是脑电图（EEG）数据分析领域，研究者常常面临一个核心挑战：从众多可辩护的数据处理和分析流程中选择合适的方案。这种“研究者自由度”（researcher degrees of freedom）问题不仅可能导致结果的可复制性降低，还可能引入误报风险、夸大效应量，并造成对单一估计值稳健性的不确定性。特别是在EEG信号处理中，由于存在大量可选的预处理步骤（如基线校正、参考方案、时间窗口选择和电极簇定义），可能的流程组合数量巨大，有时甚至达到数百万乃至更多。例如，先前的研究报告称，针对同一研究问题，从同一原始数据集中可能识别出多达1800万种可辩护的流程。

面对如此庞大的“多元宇宙”（multiverse）分析空间，穷尽所有流程往往在计算上不可行。因此，研究者不得不依赖抽样方法来选择一部分代表性流程，并假设这些样本能够代表整个多元宇宙的分布。然而，不同的抽样方法（如随机抽样、分层抽样和主动学习抽样）在功能上存在显著差异，可能导致不同的稳健性估计，从而引入所谓的“多元宇宙抽样不确定性”（multiverse sampling uncertainty）。这种不确定性进一步增加了结果解释的复杂性，并可能影响最终结论的可靠性。

为了应对这一挑战，研究人员开发了一个开源工具——Multiverse Sampling Tool，旨在系统比较不同抽样方法所获样本在代表完整多元宇宙方面的性能。该工具通过自动化工作流程，评估样本在模型拟合分布和流程空间分布方面的代表性，为大规模EEG多元宇宙分析提供透明且可靠的抽样策略评估框架。

本研究以EEG个体差异分析为用例，聚焦于晚期正电位（LPP）的量化流程多元宇宙。LPP是一种事件相关、持续的正向振幅偏转，通常在刺激后约250毫秒于中央顶叶头皮部位观察到，其振幅对刺激的情绪显著性敏感。研究目标是利用LPP在六种情绪条件下的平均振幅预测自我报告的外向性人格特质得分。通过四个决策节点（基线持续时间、离线参考方案、时间窗口和电极簇）的选项组合，构建了一个包含528种流程的多元宇宙。每种流程均应用于98名观察单元（参与者）的数据，并拟合多元线性回归模型，以R²作为模型拟合的评估指标。

研究人员应用Multiverse Sampling Tool，比较了随机抽样、分层抽样和主动学习抽样三种方法在抽取26种流程（占全流程的5%）时的性能。主动学习抽样还通过高斯过程回归（Gaussian Process Regression）预测未抽样流程的模型拟合值，从而估计整个多元宇宙的分布。所有抽样方法均通过交叉验证（使用测试子集和锁定箱验证子集）评估其可复制性和再现性。

主要技术方法包括：基于t分布随机邻域嵌入（t-SNE）的降维技术，将高维流程数据嵌入二维空间以捕捉个体差异模式；高斯过程回归用于主动学习中的模型拟合预测；以及Kolmorogov-Smirnov（K-S）统计量用于比较样本与完整多元宇宙的分布对齐程度。数据来源于公开的EEG数据集，包含动态面部表情情绪分类任务记录的信号和人格问卷得分。

研究结果通过多个维度展示：首先，在模型拟合分布方面，分层抽样最接近完整多元宇宙的中位数R²值（测试子集中位数为0.087 vs. 完整多元宇宙的0.084），而主动学习抽样在分布形状（K-S统计量最低，0.104）和捕捉高拟合值流程方面表现最佳。随机抽样在这些指标上均落后。其次，在空间分布上，所有抽样方法均能覆盖二维嵌入空间的广泛区域，但主动学习抽样具有最小的最近邻距离（0.422），表明其局部代表性更强。第三，规范曲线（specification curves）可视化显示，主动学习抽样最能揭示预处理决策（如参考方案和时间窗口）与模型性能之间的系统性模式，例如，链接乳突参考和特定时间窗口（如围绕个体平均峰值的400毫秒窗口）倾向于产生更高的R²值。

这些发现表明，抽样策略的选择显著影响多元宇宙分析结论的稳健性。当仅能计算小部分流程时，主动学习和分层抽样比随机抽样更有效地捕捉完整多元宇宙的关键特征。主动学习通过估计未抽样流程，尤其适用于小样本情景，而分层抽样在较大样本比例（如15%）下表现更优。

研究结论强调，多元宇宙抽样不确定性是大型EEG分析中一个未被充分重视的误差源，透明地报告和评估这种不确定性对于提升结果的可复制性和泛化性至关重要。Multiverse Sampling Tool为研究者提供了一个实用框架，以数据驱动的方式优化抽样策略，减少偏倚风险。该工具的可扩展性使其适用于其他神经影像模态（如fMRI、fNIRS）和非生物数据类型，推动跨学科研究的稳健性评估。

总之，这项研究不仅提供了首个系统比较EEG多元宇宙抽样方法的实证基准，还贡献了一个开源工具，助力研究者在大规模分析中做出更透明、更可靠的抽样决策。未来工作可进一步探索不同脑电成分（ERP components）和实验范式下的抽样性能，并整合模拟数据以验证其在已知真实效应下的表现。