下采样对数据质量、单变量测量以及在事件相关电位研究中的多变量模式分析的影响

《Neurocomputing》:The impact of downsampling on data quality, univariate measurement and multivariate pattern analysis in event-related potential research

【字体: 大 中 小 】 时间:2026年05月07日 来源:Neurocomputing 6.5

编辑推荐:

  张广辉|王欣然|辛颖|丛风宇|何伟琦|罗文波 中国辽宁省大连市辽宁师范大学心理与脑科学研究所 **摘要** 采样率的选择是事件相关电位(ERP)研究中的关键预处理步骤,但其对不同分析方法的影响尚未得到充分探讨。在本研究中,我们系统地评估了降采样如何影响数据质量,通过

  张广辉|王欣然|辛颖|丛风宇|何伟琦|罗文波
中国辽宁省大连市辽宁师范大学心理与脑科学研究所

**摘要**
采样率的选择是事件相关电位(ERP)研究中的关键预处理步骤,但其对不同分析方法的影响尚未得到充分探讨。在本研究中,我们系统地评估了降采样如何影响数据质量,通过标准化测量误差(SME)、传统的单变量ERP指标(平均振幅、峰值振幅、峰值潜伏期和50%面积潜伏期)以及多变量模式分析(MVPA;解码)来衡量数据质量。我们分析了七种常见的ERP成分:P3、N400、N170、N2pc、不匹配负波(MMN)、错误相关负波(ERN)和侧化准备电位(LRP),这些数据来自神经正常的年轻人。在所有综合分析中,采样率在测试范围(64-1024 Hz)内对数据质量、传统ERP指标或解码性能没有产生显著的整体影响。然而,探索性的成对比较显示,在较低的采样率下存在选择性的、特定于指标的差异。特别是基于潜伏期的指标(如50%面积潜伏期)在64 Hz时显示出增加的SME,表明在粗粒度采样下时间精度降低。大多数ERP指标的效果大小在128 Hz及以上保持稳定,主要在64 Hz时出现明显衰减。相比之下,多变量解码性能在不同采样率下具有很高的鲁棒性,分类准确性和效果大小即使在64 Hz时也保持稳定。综合这些发现表明,在常用的范围内,采样率不会对ERP或解码指标产生系统性的影响,尽管非常低的采样率可能会选择性地影响对潜伏期敏感的指标。对于专注于传统ERP分析的研究,当需要精确的时间估计时,建议使用中等到较高的采样率。相反,当不需要精细的时间精度时,较低的采样率可能就足够了。对于分析具有相似成分、个体内变异性水平和参与者群体的ERP数据的研究者来说,遵循这些建议应能获得稳健的统计功效。

**1. 引言**
选择适当的采样率是事件相关电位(ERP)研究中的关键预处理步骤(Pedroni等人,2019年)。在ERP研究中,通常需要毫秒级的精度,采样率决定了神经活动随时间的捕捉准确性。传统的建议是为大多数ERP成分选择200至1200 Hz的采样率(Luck,2014年)。然而,这些建议大多基于信号处理启发式原则(例如奈奎斯特定理)、历史实践或实验室惯例,而不是不同分析方法的系统实证比较。因此,研究人员可能低估了采样率选择不仅对记录信号的质量,而且对单变量和多变量模式分析(MVPA;解码)结果的影响。

在实际操作中,降采样常用于计算经典的ERP指标(如平均振幅、峰值振幅、50%面积潜伏期和峰值潜伏期),以减少数据量、降低计算负担并提高统计效率。Clayson及其同事(2013年)研究了从2000 Hz降至1000 Hz、500 Hz和250 Hz的降采样对振幅和潜伏期估计的影响,使用了真实和模拟的ERP数据。他们发现,平均振幅和面积潜伏期在不同采样率下相对稳健且统计效率高,而峰值振幅和峰值潜伏期更容易受到个体内变异性和估计误差的影响。同样,Jing和Takigawa(2000年)报告称,低采样率会扭曲非线性信号特征,如相关维度,强调较低的時間分辨率可能导致微妙的但有意义的信号退化。尽管有这些发现,但已发表的研究中的采样率设置差异很大,即使在同一研究领域内也是如此。例如,Beres(2017年)基于ERP的语言研究使用了250 Hz至512 Hz的采样率。此外,正式的建议也各不相同:Luck(2014年)建议对于大多数认知和情感神经科学实验,200至1200 Hz的采样率通常是足够的,但这些建议可能没有充分考虑到现代分析技术(例如解码)。

除了传统的ERP指标外,解码分析已成为从ERP信号中提取信息的强大工具(Ashton等人,2022年;Grootswagers等人,2017年)。解码分析利用EEG中的时空模式对刺激进行分类、预测行为反应或解码潜在的认知状态。它通常被认为比单变量方法更敏感(King & Dehaene,2014年),但也引入了与时间分辨率和数据维度相关的新挑战。一些研究发现,适度降采样对解码性能的影响很小(例如,Davis等人,2018年;Meribout等人,2023年),而其他研究则表明,即使是非常低的采样率(例如50 Hz)也可以提高分类准确性(Brandmeyer等人,2013年;Grootswagers等人,2017年)。这些混合结果显示,关于采样率如何影响解码目前没有明确的共识,因此在MVPA研究中,采样率从50 Hz到2048 Hz都有很大的差异,这取决于实验设计、数据质量和参与者特征(Brandmeyer等人,2013年;Leong等人,2025年;Liu等人,2025年;Marsicano等人,2024年;Sarrett & Toscano,2024年;Zhang & Luck,2025年)。

本研究选择的ERP成分是因为它们是广泛使用的、表征感知、认知和运动过程的良好指标,并且在ERP和解码研究中仍然很重要。N170是早期面部和物体感知的稳健指标,已被广泛用于研究视觉专业知识和类别选择性处理,包括最近强调其时间精确性和侧化头皮分布的ERP和解码研究(Tautvydait?等人,2022年;Tautvydait? & Burra,2024年)。N2pc反映了视觉搜索过程中的空间注意力分配,并已在单变量和多变量分析中广泛应用于跟踪注意力选择动态(Hosseini等人,2024年;Su等人,2025年)。P3成分是上下文更新、目标检测和决策相关处理的典型指标,仍然是认知神经科学中最常分析的ERP成分之一,包括最近结合传统ERP指标和解码方法的研究(Huang & Xu,2025年;Meng等人,2023年;Zhang, Xin等人,2025年)。N400是语义处理和预期违反的确立指标,最近的解码研究表明它适合用于多变量分析意义相关表示(Y. He等人,2024年;Trammel等人,2023年)。在听觉和表现监控领域,不匹配负波(MMN)和错误相关负波(ERN)分别提供了感觉预测错误和动作监控的可靠指标。这两个成分在典型的和应用人群中都已在最近的ERP和MVPA研究中得到广泛应用,突显了它们对实验操作的稳健性和敏感性(Gao等人,2025年;Q. Li等人,2022年)。最后,侧化准备电位(LRP)提供了直接的电生理学测量,用于评估运动准备和反应选择,并越来越多地与多变量方法结合,以检查动作相关表示的时间动态(Keye等人,2022年;Martell等人,2025年)。

除了成分选择外,本研究还关注了四个常用的ERP测量指标:平均振幅、峰值振幅、峰值潜伏期和50%面积潜伏期。平均振幅被广泛认为是最可靠和抗噪声的ERP幅度测量指标之一(Luck等人,2021年;Zhang & Luck,2023年)。峰值振幅和峰值潜伏期因其直观的可解释性而受欢迎,但已知它们对个体内变异性更敏感(Zhang, Garrett, & Luck,2024b)。50%面积潜伏期被推荐为基于峰值和基于起始时间的指标之间的折中方案,它在保持对时间变化的敏感性的同时,提高了对高频率噪声的抵抗能力(Luck等人,2021年;Zhang & Luck,2023年)。

采样率还影响测量精度。一个敏感的数据质量指标是标准化测量误差(SME;Luck等人,2021年),它量化了相对于感兴趣信号的试验间或个体内变异性。尽管SME已被用来评估滤波器设置和评分方法(Zhang, Garrett, & Luck,2024b;Zhang & Luck,2023),但很少有研究考察它如何随采样率变化。值得注意的是,Jing和Takigawa(2000年)表明,低采样率可能会使非线性估计膨胀,表明较低的时间分辨率会导致微妙的信号失真,从而降低测量精度。虽然一些近期研究已经讨论了降采样对统计灵敏度的影响(例如,Brandmeyer等人,2013年;Clayson等人,2013年),但没有全面研究系统地考察了采样率如何影响数据质量、ERP指标和在一组大型数据集上的解码性能。

**1.1. 本研究的目的**
在本研究中,我们系统地评估了采样率对ERP分析三个关键方面的影响:(1)使用SME评估的信号质量;(2)包括平均振幅、峰值振幅、峰值潜伏期和50%面积潜伏期在内的传统单变量指标;(3)使用时间分辨的多变量解码准确性。为了确保广泛的适用性,我们在40名神经正常的年轻人收集的公共数据集上进行了这些分析,涵盖了七种广泛研究的ERP成分[P3、N400、N170、N2pc、不匹配负波(MMN)、错误相关负波(ERN)和侧化准备电位(LRP)]。这种按任务划分的多维方法允许对时间分辨率与认知过程和分析策略之间的相互作用进行通用评估。通过比较降采样数据集(64、128、256、512和1024 Hz)的结果,我们为旨在平衡数据效率和分析严谨性的研究人员提供了实证指导。我们的发现提供了实用见解,说明在什么情况下较低的采样率可能足够,特别是对于基于振幅或解码的分析,以及在什么情况下需要较高的采样率以保持时间准确性,特别是对于基于潜伏期的指标。

**2. 方法**
在本研究中,我们使用公开可用的EEG数据集进行了所有分析,这些数据集已经预处理为ERP CORE(开放资源和实验汇编;Kappenman等人,2021年)中的epoch数据。在以下部分,我们将简要描述实验过程、数据预处理流程、数据质量测量和解码分析。数据分析程序使用MATLAB 2023a(MathWorks Inc)实现,结合了EEGLAB v2024.0(Delorme & Makeig,2004)和ERPLAB v12.00(Lopez-Calderon & Luck,2014)。

**2.1. 参与者**
所有数据集包括40名自报视力正常且无重大神经系统疾病史的加州大学戴维斯分校的在校生。

**2.2. 实验范式**
ERP CORE数据集来自六个不同的实验范式,这些范式引发了七种不同的ERP成分。参与者在一个会话中完成了所有六个任务,每个任务大约持续十分钟。在本研究中,我们简要描述了这些实验范式(另见补充材料S2节),完整的方法学细节见Kappenman等人,2021年。

如图1a所示,我们使用面部感知范式来引发N170成分。实验包括四种类型的刺激:面孔、汽车、混乱的面孔和混乱的汽车。在每次试验中,会在屏幕中心随机呈现一种类型的刺激。参与者被要求尽可能快地响应刺激,指出刺激是“纹理”(混乱的面孔或混乱的汽车)还是“物体”(面孔或汽车)。

**下载:** 下载高分辨率图像(806KB)
**下载:** 下载全尺寸图像

**图1. 六个实验范式的多个试验示例:**
(a) 用于引发N170成分的面部感知范式。刺激从四个等概率的类别中随机抽取:面孔、混乱的面孔、汽车和混乱的汽车。参与者判断每张图像代表的是完整的物体(面孔或汽车)还是纹理(混乱的版本)。当前分析仅关注面孔和汽车任务。
(b) 用于引发不匹配负波(MMN)的被动听觉异常范式。在每次试验中,参与者会听到标准音调(80 dB;p = .8)或异常音调(70 dB;p = .2)。这些听觉刺激与任务无关,参与者在整个过程中观看无声视频。
(c) 用于引发P3成分的主动视觉异常范式。字母A、B、C、D和E以随机顺序呈现(每个的概率为.2)。在每个块中,一个字母作为目标(20%的试验),其余四个字母作为非目标(80%)。参与者被要求将每个刺激分类为目标或非目标。
(d) 用于引发N400的词对判断范式。一个红色的启动词后跟着一个绿色的目标词。参与者需要指出目标与原始刺激在语义上是否相关(50%的试验)或无关(50%的试验)。(e) 使用侧翼任务来诱发侧化准备电位(LRP)和错误相关负波(ERN)。参与者需要对中央箭头的方向做出反应,同时忽略可能一致或不一致的侧翼箭头。(f) 设计了一个简单的视觉搜索任务来诱发N2pc成分。在每个模块开始时,指定一种颜色(粉色或蓝色)为目标。在每次试验中,参与者需要报告目标颜色方块中的间隙是位于顶部还是底部。使用被动听觉异常范式来诱发MMN(图1b)。参与者被呈现80分贝的标准刺激(概率p=0.8)和20分贝的偏差刺激(概率p=0.2)。他们在观看无声视频的同时被要求忽略听觉刺激。使用主动视觉异常范式来诱发P3成分(图1c)。参与者随机被呈现五个字母中的一个(A、B、C、D和E;每个字母的概率p=0.2)。注意其中一个字母被指定为一个模块的目标,其他的是非目标。如果呈现的刺激是目标,参与者被要求按下一个按钮;如果不是目标,则按下另一个按钮。为了诱发N400(图1d),采用了单词对判断范式。每次试验包括一个红色的原始单词,后面跟着一个绿色的目标单词。参与者需要判断目标单词与原始单词在语义上是否相关,并通过按下相应的按钮来做出反应。使用Eriksen侧翼范式来获得LRP和ERN(图1e)。在每次试验中,参与者需要识别被一致或不一致的箭头包围的中央箭头的方向,并通过用左手或右手按下相应的按钮来做出反应。为了诱发N2pc成分(图1f),使用了一个视觉搜索范式。每个刺激阵列包含一个粉色方块、一个蓝色方块和22个黑色方块。粉色或蓝色方块中的任何一个都作为目标刺激。参与者需要识别目标颜色块间隙的具体位置(顶部或底部),并按下相应的按钮。在所有任务中,参与者被要求在整个试验过程中将视线保持在中心固定点上。

2.3. EEG记录和预处理流程
所有EEG数据都是使用Biosemi ActiveTwo记录系统(Biosemi B.V.)记录的,采样率为1024 Hz,该系统使用了五阶sinc抗混叠滤波器,半功率截止频率为204.8 Hz。记录来自30个头皮电极位点(FP1/2、Fz/3/4/7/8、FCz/3/4、Cz/3/4/5/6、CPz、Pz/3/4/7/8、PO3/4/7/8/9/10、Oz/1/2)以及位于眼睛旁边和右眼下方的electrooculogram (EOG)电极。对于离线分析,数据首先参考位于左右乳突附近的P9和P10电极位的平均值。N170的情况除外,它使用所有电极的平均值作为参考。然后我们对数据应用了一个0.1 Hz的高通滤波器和20 Hz的低通滤波器(两种滤波器都使用了12 dB/oct的滚降),再进行下采样(Luck, 2014; Zhang, Garrett, & Luck, 2024a, 2024b)。我们使用20 Hz的截止频率是为了避免在低采样率(例如64 Hz)时出现频率泄漏。接着我们对数据进行了独立成分分析(ICA),以校正诸如眨眼和眼球运动等人为因素造成的伪迹,使用的是以往研究中采用的优化流程(Dimigen, 2020; Luck, 2022; Zhang, Garrett, Simmons, et al., 2024)。为了检查下采样是否对数据质量有显著影响,我们分别使用EEGLAB函数以六种不同的采样率对数据进行了重新采样:1024 Hz、512 Hz、256 Hz、128 Hz和64 Hz。然后我们使用表格1中所示的特定时间窗口对重新采样的数据进行了分段和基线校正。不良通道随后使用EEGLAB的球形样条插值算法进行了插值(Zhang et al., 2024; Zhang, Garrett, Simmons, et al., 2024)。请注意,对于单变量分析,原始ERP CORE数据集中的拒绝标记也被应用到了当前数据中,这与数据质量和传统单变量分析的采样率设置无关。标记的时期随后被排除在进一步分析之外,每种范式和每种条件下的伪迹排除后的试验数量详见表2。请注意,只有行为响应正确的试验才被纳入分析。然而,对于解码分析,我们没有排除含有伪迹的试验,因为先前的研究表明伪迹排除对解码性能没有显著影响(Zhang & Luck, 2025)。

表1. 每个实验使用的时期窗口、基线期、测量窗口和解码的分类数量
实验 时期(ms) 基线期(ms) 测量窗口(ms) 电极位置 解码分类数量
N170 -200到800 -200到0 10到150 PO82(面孔vs. 汽车)
MMN -200到800 -200到0 25到225 FCz2(异常值vs. 标准值)
P3 -200到800 -200到0 300到600 Pz2(目标vs. 非目标)
N400 -200到800 -200到0 300到500 CPz2(相关vs. 无关)
ERN -600到400 -400到-200 0到100 FCz2(正确vs. 错误)
LRP -800到200 -800到-600 -100到0 C3/C42(左手vs. 右手)
N2pc -200到800 -200到0 200到275 PO7/PO82(左侧目标vs. 右侧目标)

表2. 排除含有伪迹和行为错误的试验后保留的试验数量及比例,每种条件和ERP成分分别报告
空白单元格 条件1 条件2
ERP成分 均值±SD 比例 均值±SD 比例
P3 33.61 8±4.4 0.94 91 47.50±9.19 20.95
N170 35.85 7±3.2 1.00 34.68 6±3.43 1.00
MMN 185.77 0±13.9 10.93 35 2.53±3.67 0.93
N400 53.54 1±4.3 50.94 8±5.05 0.93
ERN 41.16 7±21.1 0.97 13 46.47±26.26 0.97
N2pc 126.24 2±14.0 20.90 12 5.36 4±18.25 0.88

2.4. 单变量分析
在这项研究中,我们分别计算了不同采样率下的平均振幅、峰值振幅、50%面积潜伏期和峰值潜伏期。我们使用了ERP CORE数据集中每个实验范式指定的时间窗口和成分极性(表1)。这使我们能够在合理的范围内计算振幅和潜伏期。对于每个采样率,我们分别通过平均测量窗口(表1中指定)内个体参与者的电压值来计算平均振幅。峰值振幅被定义为P3成分的最大正电压,或其他所有成分的最大负电压。峰值潜伏期被定义为峰值振幅出现的时间点。对于50%面积潜伏期,我们首先计算了测量窗口内ERP差异波与零电压线之间的面积——对于P3使用面积为正的部分,对于N170、MMN、N400和ERN使用面积为负的部分。50%面积潜伏期被定义为将该面积分为两等分的时间点。最后,我们比较了不同采样率下这四个分数的变化。

2.5. 量化个体内变异
采样率的差异会影响个体内的变异。为了量化不同采样率下的个体内变异,我们从每个ERP成分的差异波形中计算了SME(Standardized Manuscript Error),采用了四种评分方法:平均振幅、峰值振幅、50%面积潜伏期和峰值潜伏期(Luck et al., 2021; Zhang, Garrett, & Luck, 2024b; Zhang, Garrett, Simmons, et al., 2024; Zhang & Luck, 2023)。例如,在MMN实验中,我们首先计算了标准值与异常值的差异波,测量了差异波的振幅和潜伏期,并分别获得了这些分数的数据质量。请注意,这些分析是在给定ERP成分的最大通道和表格1中指定的时间窗口内进行的。对于平均振幅分数,它是针对给定条件下每个参与者的每个时期获得的,然后计算了分析SME(aSME),即这些分数的标准差除以时期数量的平方根(Luck et al., 2021)。接着我们计算了波形差异的SME,即SMEA-B = SMEA2+SMEB2,其中SMEA-B是条件A和B之间差异的SME,SMEA和SMEB是两个单独条件的SME(详见我们之前工作的补充材料S8部分Zhang, Garrett, & Luck, 2024a)。然而,这种方法不适用于其他评分方法,如峰值振幅、峰值潜伏期或50%面积潜伏期。为了简化处理,我们采用自助法直接从对应于四个分数的差异波中估计SME(自助法SME,bSME)。自助法的详细过程在Luck et al., 2021中有说明,简单的MATLAB脚本可以在https://doi.org/10.18115/D58G91找到。在这项研究中,我们对每个bSME值使用了10000次迭代。为了获得参与者数据的整体质量度量,我们计算了单个参与者SME值的均方根(RMS),即RMS(SME)。这是通过将每个参与者的SME值平方,对这些平方值进行平均,然后取平方根得到的。我们使用RMS而不是平均值,因为RMS与效应大小和统计功效更直接相关(详见Luck et al., 2021)。RMS(SME)值较低表示数据质量更好或个体内变异较小。为了估计RMS(SME)值的标准误差,我们应用了10,000次迭代的自助法程序。计算四个评分的Cohen’s dz的方法是首先计算不同参与者中每种评分方法的平均值,然后将其除以不同受试者中每种评分方法的标准差。接着我们使用10,000次迭代的自助法(bootstrapping)来估计其均值标准误差。解码准确率随时间变化,为了获得稳定且可解释的估计值,我们根据每个ERP组件的标准单变量分析范围,在特定的时间窗口内对解码准确率进行了平均处理,如表1所列。为了评估统计功效,我们使用Cohen’s dz来计算效应量,该指标同时考虑了平均解码准确率和参与者间的变异性。具体来说,Cohen’s dz是通过从参与者的平均解码准确率中减去偶然准确率,并将结果除以参与者间的标准差来得出的。效应量的标准误差也是通过10,000次迭代的自助法估计的。

2.8 统计分析
为了研究采样率对数据质量、传统单变量ERP分析和解码的影响,我们首先进行了以采样率为自变量的单因素重复测量方差分析(rmANOVA)。然后,我们使用配对t检验将1024 Hz下的这些指标与其他采样率下的指标进行比较。对于每个指标,我们使用错误发现率(FDR)对多重比较进行了校正,涵盖了七个ERP组件和所有采样率。

3. 结果
在本节中,我们描述了采样率如何影响EEG数据质量[通过RMS(SME)量化]、传统的单变量ERP测量结果以及解码准确率。

3.1 采样率对个体内变异性的影响(数据质量)
为了评估采样率对EEG数据质量的影响,我们使用RMS(SME)量化了ERP组件和四个相关测量指标(平均幅度、峰值幅度、50%面积潜伏期和峰值潜伏期)的个体内变异性。如Luck (2021) 所示,较低的RMS(SME)值表示更好的数据质量。
如图2所示,对于大多数ERP组件和评分方法,RMS(SME)值在各个采样率下基本保持稳定,尤其是基于幅度的测量指标。例如P3、MMN、ERN和N2pc组件的RMS(SME)值从128 Hz到1024 Hz变化不大,表明这些幅度的测量结果在采样率 moderately 降低的情况下仍然相对稳健。

然而,基于潜伏期的测量指标,特别是50%面积潜伏期,对采样率更为敏感(见图2)。N170、ERN和LRP组件的RMS(SME)值在较低采样率下呈现上升趋势,表明时间精度有所下降。这种趋势在N170的50%面积潜伏期最为明显,其RMS(SME)值在64Hz时急剧增加,表明当时间分辨率较低时,潜伏期估计的可靠性降低。单因素方差分析显示,除了50%面积潜伏期测量指标外,采样率对任何ERP组件或评分方法的主效应都不显著(见表S1)。
重要的是,由于大多数指标没有显著的全局效应,表明采样率在测试范围内没有系统性地整体影响数据质量。因此,我们进行了将1024 Hz基线与较低采样率进行配对t检验的针对性后续比较,以检查特定采样率下的潜在局部差异,而不是确定采样 rate 的普遍效应。
配对t检验显示,1024 Hz基线与其他采样率之间存在显著差异。详细测试统计结果见表S1。

3.2 采样率对传统ERP测量指标的影响
接下来,我们研究了采样率如何影响传统ERP指标(平均幅度、峰值幅度、50%面积潜伏期和峰值潜伏期)在七个ERP组件上的表现(见图S2中的全平均ERP波形)。我们首先进行了单因素rmANOVA,以检查采样率之间是否存在显著差异。基线采样率设定为1024 Hz,其他采样率范围为64 Hz至512 Hz。配对t检验用于评估统计差异,显著结果的用星号表示,非显著结果的用“NS”表示(见图3)。此外,我们还评估了不同采样率对四个常用评分指标的效应量(Cohen’s dz)的影响(见图4)。

如图3所示,单因素方差分析显示,采样率对任何ERP组件的主效应都不显著(见表S1)。因此,从整体上看,采样率并未显著改变传统ERP指标。与1024 Hz基线的配对t检验旨在探测特定采样率是否偏离了参考条件,而不是推断出一个统一的采样率效应。任何显著的成对差异都应视为局部性的和特定于测量的,而不是系统性的趋势。
关于配对t检验,对于大多数组件,平均幅度和峰值幅度在不同采样率下都表现出一些显著的变化。然而,某些组件的峰值幅度(如N400和N2pc)在不同采样率下保持相对稳定,表明这些测量指标对时间分辨率的敏感性较低。峰值潜伏期和50%面积潜伏期在大多数情况下也基本保持不变,表明时间分辨率对ERP组件的时序影响不大。我们还提供了详细的测试统计结果,见表S3。
图4显示了不同采样率下四个评分指标的效应量。在128 Hz及以上的采样率下,所有组件的效应量相对稳定。然而,在最低采样率(64Hz)下,效应量明显减小,特别是对于基于潜伏期的指标(即50%面积潜伏期)。这表明在128 Hz或更低的采样率下,时间精度可能不足以捕捉可靠的潜伏期差异,从而降低了实验效应的敏感性。

3.3 采样率对解码分析的影响
我们进一步研究了采样率对二元解码准确率和效应量的影响(见图S3中的全平均时间分辨解码准确率波形)。解码是针对每个组件分别进行的,并在组件特定的时间窗口内计算了参与者的平均分类准确率(见表2)。我们首先进行了以采样率为自变量的单因素rmANOVA。然后使用配对t检验比较了1024 Hz与其他采样率下的解码性能。
如图5所示,从64 Hz到1024 Hz的采样率范围内,解码准确率总体上是稳健的。所有组件定义的特征集上的解码性能基本保持一致,这从重叠的误差条和没有与时间分辨率相关的系统趋势中可以看出。重要的是,单因素方差分析表明采样率在ERP组件上没有显著的主效应(见表S1)。
图6显示了不同采样率下解码性能的效应量。结果表明,在64 Hz至1024 Hz的所有采样率范围内,效应量基本保持稳定,只有少数ERP组件的效应量有轻微变化。对于与P3、MMN和LRP相关的时间窗口,效应量在所有采样率下都保持高位且一致,表明任务级的解码性能不受时间分辨率的显著影响。值得注意的是,效应量的稳定性进一步支持了这样的解释:任何与采样率相关的差异在幅度上都微不足道,并且没有系统性的结构。从统计学的角度来看,整体效应的缺失表明任何与采样率相关的差异在程度上都很小,并且在不同层次上没有一致的结构,这一点通过效应大小的稳定性得到了进一步的支持。尽管人们可能预期适度降低采样率会通过减少试验间的变异性来提高数据质量,但在大多数ERP成分中,这并没有普遍观察到。一个例外是N170的峰值幅度,它在较低的采样率下显示出较小的SME(信号质量估计值),表明稳定性有所提高。基于潜伏期的指标,特别是50%面积潜伏期,对采样率的变化更为敏感。在信噪比较低的实验范式中,如果参与者是高度合作的大学生,采样率降低可能会对数据质量产生更大的影响。

ERP成分对采样率敏感性的差异可能反映了普遍的时间和信号特性,而不是特定成分的神经过程。具有鲜明时间特征和快速电压变化的成分,如N170和ERN,对较低采样率下的时间量化更为敏感。相比之下,像P3和N400这样的宽成分,由于在较长时间窗口内通常具有较高的信噪比,对采样率的适度降低具有更强的适应性。综合考虑,非显著的整体效应的收敛以及大体稳定的效应大小表明,在典型实验条件下,只要采样率保持在极低水平以上(例如64 Hz以下),采样率的实际影响是有限的。然而,对于需要精细时间精确性的潜伏期敏感指标,特别是在尖锐成分中,较高的采样率仍然是推荐的。

在解释SME结果时,区分信号质量和测量精度是很重要的。SME反映了给定ERP指标的试验间变异性,并指示估计的稳定性,而不是潜在神经信号的质量。在较低采样率下SME的增加,特别是对于潜伏期指标,可能是由于时间量化或评分限制造成的,而不是真实的信号退化。基于幅度的指标对精确时间的依赖性较低,因此通常更为稳健。因此,应结合每种评分方法的时间要求来解释SME值,较高的SME并不一定意味着神经信息的丢失。

在单变量分析中,尽管整体效应测试没有发现采样率的系统效应,但探索性的成对比较表明,某些指标在1024 Hz基线时存在成分和评分特定的差异。这些差异在不同采样率之间并没有一致的结构,因此不表明采样率具有全局影响。这些结果与先前的研究一致,即适度降低采样率不会显著降低某些成分的基于幅度的指标的统计功效(例如N400的峰值幅度;Clayson等人,2013年),并进一步表明像ERN这样的成分的潜伏期指标也能容忍适度的采样率降低。总体而言,采样率对单变量指标的影响取决于ERP成分和所使用的评分方法。

相比之下,多变量解码在所有测试的采样率(64–1024 Hz)上都表现出高度的稳健性。解码准确性和效应大小都保持稳定,没有在较低采样率下出现系统性下降。这种稳健性可能是因为解码利用了分布式的时空模式,而不是孤立的峰值。特征在时间和电极上进行了整合,这降低了对适度降低时间分辨率的敏感性,解码性能反映了条件相关模式的整体可分离性,而不是单个峰值的精确时间(Grootswagers等人,2017年)。即使在64 Hz下,解码方法的韧性也表明,在典型的实验设计中,解码分析可能不需要高频采样就能达到有意义的分类性能。这可能解释了为什么在ERP解码研究中广泛使用较低的采样率,如50 Hz(Bae & Chen,2024年;Carrasco等人,2024年;Zhang等人,2024年;Zhang & Luck,2025年)。然而,对于需要精细时间精确性的任务,如快速序列或时间泛化分析,可能仍然需要较高的采样率(A.-S. Li等人,2024年;Y. Li等人,2022年;Tautvydait? & Burra,2024年)。

解码性能在不同采样率下的相对稳定性可能反映了MVPA方法的几个理论和方法学特性。首先,解码通常利用电极间的分布式空间模式,这比从单个通道获得的单变量指标对精确的单个样本时间更不敏感(Grootswagers等人,2017年)。其次,特征提取和分类器训练隐式地整合了时间和试验间的信息,引入了一定程度的时间平滑,降低了对时间分辨率适度降低的敏感性。最后,解码准确性反映了条件相关模式的整体可分离性,而不是单个峰值的精确时间,使其本质上对时间量化效应更为稳健。这些特性共同解释了为什么解码性能在采样率适度降低时仍然基本不受影响,这与MVPA文献中的观察结果一致(Grootswagers等人,2017年)。

我们的研究结果具有实际意义。对于关注基于幅度或潜伏期的ERP指标的研究,应当仔细考虑采样率。相比之下,使用多变量解码时,将采样率降低到128 Hz或甚至64 Hz可以减少数据量和计算负担,同时对性能的影响很小。鉴于便携式EEG系统的使用越来越多,且这些系统的采样率有限(C. He等人,2023年),我们的结果支持它们的使用,只要EEG的采样率保持在大约512 Hz以上,解码的采样率保持在64 Hz以上。然而,需要注意的是,最初以高采样率记录的数据再进行降采样可能无法完全捕捉到低采样率记录的挑战。因此,推荐的采样率应视为一般指导原则,而不是绝对阈值,因为信噪比在不同实验室、实验范式和人群中会有所不同。

高频噪声,如肌肉活动或线路伪影,也会与过滤和降采样相互作用。残余噪声会影响ERP指标和解码,因为解码可能会利用结构化的噪声作为信息特征(Kessler等人,2025年)。在这项研究中,所有数据在降采样之前都经过了低通滤波,减少了高频噪声和混叠,从而提高了ERP和解码指标的稳健性。虽然低通滤波会稍微改变波形,但在精确的高频时间分辨率不是关键的情况下,通常建议使用低通滤波以提高信噪比(Zhang, Garrett, & Luck, 2024a)。未来的研究可以探讨噪声特征和过滤策略与采样率在对高频活动敏感的实验范式中的相互作用。

本研究关注的是在典型实验条件下从神经典型成人记录的一组代表性ERP成分。将研究结果推广到噪声更大的数据集、发育人群、临床样本或信噪比较低的实验范式时应谨慎(Ashton等人,2022年;Marsicano等人,2024年;Ng等人,2022年)。在这些情况下,降低的时间分辨率可能会与增加的试验间变异性或较弱的信号相互作用,可能放大降采样对ERP和解码指标的影响。因此,在这些人群中进行进一步的实证评估将是有价值的。未来的工作可以通过系统地评估采样率与其他预处理步骤(如过滤、插值)、刺激时间精度或解码架构的相互作用来扩展这些发现。此外,时间分辨的解码方法(如时间泛化矩阵)可能比这里使用的逐个成分的分析对降采样更敏感(King & Dehaene,2014年)。此外,目前的发现可能不适用于基于深度学习架构的更复杂的解码方法,如卷积神经网络、循环神经网络或深度信念网络(Al-Saegh等人,2021年;Craik等人,2019年)。

**CRediT作者贡献声明**
Guanghui Zhang:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证、监督、软件、资源、方法论、概念化;
Xinran Wang:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证、软件、资源、方法论、研究;
Ying Xin:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证;
Fengyu Cong:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证;
Weiqi He:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证、监督;
Wenbo Luo:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证、监督。

**数据可用性**
数据和分析脚本可在以下链接获取:https://osf.io/v5suh/

**伦理声明**
本研究中分析的所有数据都是公开可用的。这些数据最初由相应的数据提供者在其当地机构审查委员会或伦理委员会的批准下收集,并从原始研究的所有参与者那里获得了知情同意。本研究仅涉及对完全去标识数据的二次分析。根据作者所在机构的规定,这种再分析不需要额外的机构审查委员会批准,因此免于进一步的伦理审查。

**数据代码声明**
数据和分析脚本可在以下链接获取:https://osf.io/v5suh/

**资助信息**
本研究得到了中国国家自然科学基金(编号32471107)、辽宁师范大学科学研究与创新团队(编号25GDL004)和辽宁省自然科学基金(编号2025-BS-0780)的资助。

**未引用的参考文献**
Li等人,2022年;Babushkin等人,2023年

**CRediT作者贡献声明**
Guanghui Zhang:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证、监督、软件、资源、项目管理、方法论、研究、资金获取、概念化;
Xinran Wang:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证、软件、资源、方法论、研究、正式分析;
Ying Xin:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证、软件;
Fengyu Cong:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证;
Weiqi He:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证、监督;
Wenbo Luo:撰写 - 审稿与编辑、撰写 - 原始草稿、可视化、验证、监督。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号