线性混合效应模型优化事件相关电位差异波分析：为发展认知神经科学研究提供新策略

本文推荐研究人员针对ERP差异波分析中因低试次数量和系统缺失数据导致的统计偏差问题，开展了线性混合效应模型（LME）与传统ANOVA方法的对比研究。通过模拟数据和真实学前儿童Nc成分数据分析，发现LME交互项和精确匹配方法能提供无偏参数估计并提高统计效力，为发展认知神经科学领域的ERP研究提供了更可靠的统计分析框架。

　　

在发展认知神经科学研究中，事件相关电位（ERP）技术为探索认知发展及其神经基础提供了重要窗口。然而，传统的ERP分析方法，特别是针对差异波（difference waves）的分析，面临着严峻挑战。婴幼儿和儿童研究中普遍存在的脑电伪迹和高噪声水平，导致可分析试次数量稀少，而常用的方差分析（ANOVA）和线性回归方法需要通过对试次平均来创建差异波，这会造成案例删除（casewise deletion），使得那些试次数量较少的被试被排除在外。当数据缺失存在系统性模式时（如年幼儿童或实验后期试次更容易缺失），这种案例删除会导致参数估计出现偏差，严重影响研究结果的可靠性。

近年来，线性混合效应模型（LME）在分析原始ERP平均波幅方面展现出显著优势，能够保留更多被试并提供无偏参数估计。然而，LME是否适用于ERP差异波分析仍存在疑问，特别是在需要配对单试次数据来创建试次水平差异波的情况下。这引发了重要问题：在低试次数量的发展性ERP研究中，LME是否仍然能够提供比ANOVA更准确的差异波估计？为了解决这一问题，Megan J. Heise等研究人员在《Developmental Cognitive Neuroscience》上发表了他们的研究成果。

为开展这项研究，研究人员主要采用了以下几种关键技术方法：首先利用SEREEGA工具箱模拟符合儿童ERP特征的Nc成分数据，包括设置不同的衰减率和缺失数据模式；其次应用多种LME分析策略（交互项、精确匹配、最近邻和随机置换方法）处理模拟和真实数据；同时收集并分析了64名3-5岁典型发展儿童的真实ERP数据，包括使用64导电极帽记录脑电信号并通过EEGLAB和ERPLAB工具包进行预处理；最后采用早期儿童行为问卷（ECBQ）评估儿童的气质特征，特别是知觉敏感性维度。

研究通过系统性的模拟数据分析，比较了不同LME方法在分析ERP差异波方面的性能。在"不同衰减率"条件下，Happy波形比Neutral波形衰减更快，模拟了更现实但可能更有问题的场景。结果显示，交互项（Interaction）模型保留了最多的试次和被试，具有最高的统计效力（0.82），且在不同缺失数据模式下都能提供无偏估计。精确匹配（Exact Match）和随机置换（Random Permutation）模型也能提供无偏估计，但统计效力较低。相比之下，三种最近邻（Nearest Neighbor）方法在所有模拟条件下都表现出明显的估计偏差，而ANOVA仅在数据完全随机缺失或衰减率相同的特定条件下才能提供无偏估计。

在真实学前儿童ERP数据分析中，研究人员考察了全强度愤怒与减强度愤怒面孔的Nc差异波与儿童知觉敏感性的关系。结果发现，交互项、精确匹配和随机置换三种LME方法都检测到了知觉敏感性对Nc差异波平均波幅的显著正效应，而最近邻方法和线性回归方法则未发现显著效应。这一发现表明，对低强度环境刺激更敏感的儿童，其神经活动更能区分不同强度的愤怒表情，这与先前婴儿研究中的发现相呼应。

进一步分析表明，Nc原始波幅存在显著的衰减效应（β = 0.46, SE = 0.07, p < 0.001），但全强度愤怒与减强度愤怒条件之间的衰减率差异未达到统计显著性。尽管如此，这一发现提示在实际研究中需要考虑不同条件可能存在的不同衰减模式，以避免分析偏差。

该研究的结论部分强调，LME框架在分析ERP差异波方面相比标准ANOVA/回归方法具有多重优势。交互项和精确匹配两种LME方法能够在各种发展性ERP条件下提供准确的模型估计，包括高比例缺失数据的情况，并且能够分离未被充分研究的试次水平ERP过程（如差异波平均波幅的习惯化/衰减），同时考虑缺失数据的试次水平预测因子。

讨论部分深入分析了两种推荐方法的适用场景。对于可以从原始波形中识别的ERP成分（如Nc），两种方法都适用：交互项方法通过分析原始平均波幅数据（具有更高的信噪比）和保留更多可用试次和被试来提供更大的统计效力，但需要将平均波幅变化作为刺激条件和第二个预测因子的函数来考察，这与差异波的解释有所不同；而精确匹配方法要求基于所有设计特征进行特征匹配，使研究人员能够"减去"与干扰特征相关的变异，建立更简单的分析模型，直接测量差异波的波幅。

研究人员特别指出，对于只能通过减去两个条件才能视觉识别的ERP成分（如失匹配负波MMN），分析模型的选择取决于成分的提取方式。涉及相同电极部位波形减法的成分可以分析与原始波形中存在的成分类似，而涉及不同电极部位波形减法的成分（如N2pc）则面临更复杂的挑战，需要进一步研究。

该研究的重要意义在于为发展认知神经科学领域的ERP研究提供了经过实证验证的分析方法，特别是在面对试次数量少、数据缺失系统性的挑战时，能够提供更可靠、更准确的统计结果。这些方法不仅适用于早期发展研究，也广泛适用于青少年、成人和老年人群以及临床样本的研究，为理解认知过程的神经基础提供了更强大的分析工具。通过采用这些LME方法，研究人员能够更充分地利用宝贵的ERP数据，减少因方法学限制而导致的信息损失，推动领域内更稳健的科学发现。