《Neuroinformatics》：Estimating Mutual Information and Pearson Correlation on Neural Evoked Responses
编辑推荐：
在神经诱发响应中，当相同的功能响应在不同试验、不同实验条件或由不同传感器记录时，可以观察到响应时间或持续时间的微小变化。这些变化限制了基于相关性的方法检测信号间相似性的能力。互信息（Mutual Information, MI）提供了一种替代的相似性度量，能够
在神经诱发响应中，当相同的功能响应在不同试验、不同实验条件或由不同传感器记录时，可以观察到响应时间或持续时间的微小变化。这些变化限制了基于相关性的方法检测信号间相似性的能力。互信息（Mutual Information, MI）提供了一种替代的相似性度量，能够捕获线性与非线性依赖关系，然而其实际使用受到连续数据估计器缺乏共识以及对估计器在真实信号上行为理解有限的阻碍。在本工作中，研究人员通过系统比较样本皮尔逊相关（Pearson correlation）与三种最常见的互信息估计器，研究了如何估计神经诱发响应的相似性。研究人员使用模拟信号和真实脑磁图（magnetoencephalography, MEG）数据描述了它们的行为。在模拟中，估计器针对一组描述神经诱发响应中真实变化的变换进行了测试。随后，研究人员提出了为相似性估计定义自适应下界以及分析不同估计器所产生的相似性排序的指南。研究结果揭示了度量敏感性与不同信号属性之间的权衡。研究确认皮尔逊相关在描述低噪声信号的线性关系方面是可靠的，并确定了能够稳定互信息估计器、使其捕获复杂信号依赖性的参数设置。这些结果共同引入了互信息的实用参数选择和阈值化策略，并为在神经诱发时间序列分析中选择和解释相似性度量提供了指导。
论文解读：神经诱发响应中相似性度量的估计与解释
神经诱发响应研究常需评估不同试验、条件或传感器记录到的信号间相似性。然而，同一功能响应在时间或持续时间上存在微小变化，削弱了基于相关性的方法的效果。互信息（Mutual Information, MI）虽可捕获线性和非线性依赖，但缺乏对连续数据估计器的共识，且对其在真实信号上的行为理解有限。为此，研究人员系统比较了样本皮尔逊相关（Pearson correlation）与三种常用MI估计器——自适应分箱（AB）、Kraskov–St?gbauer–Grassberger（KSG）估计器和核密度估计器（KDE）——在模拟及真实脑磁图（MEG）诱发响应中的表现，提出用自适应下界解释相似度估计，并利用排序而非绝对数值进行比较。
研究通过参数化变换模拟了真实响应中的噪声、时间偏移、持续时间变化、幅度变化、离群点和裁剪等情形，发现四种估计器在不同条件下表现出两类行为：PCC与KDE倾向识别严格线性或形状一致的关系；KSG与AB能捕获更广泛的非线性及延迟关系。研究人员确认PCC在低噪声下可靠，同时确定了稳定MI估计器的参数设置，为MI的实际应用提供了参数选择和阈值化策略。该研究提供了在神经诱发时间序列中选择和解释相似性度量的实用指南，尤其强调了自适应下界和排序分析的效用。
关键技术方法：研究采用模拟与真实数据相结合的方式。模拟中，以Morlet小波生成基础信号，施加由参数控制的变换，再按目标信噪比添加高斯噪声，重复1000次。估计器方面，PCC使用样本相关系数；KDE基于高斯核并采用Scott规则选择带宽；KSG使用最近邻方法，输入标准化为单位方差；AB基于等占有自适应分箱，用Doane规则确定箱数，并按Steuer公式校正偏差。自适应下界通过将参考信号与1000个均值、标准差匹配的高斯噪声实现比较，取99%置信阈值。真实数据来自一项图片命名任务的MEG记录（Ala-Salom?ki et al., 2021），选取单被试，以靠近已知激活源的通道为参考，比较其与所有其他通道的相似性。
研究结果：
参数选择：在“半相同信号加噪”和“非线性二次关系”两种情景下测试参数。KDE对带宽不敏感但小带宽使下界升高；Scott规则表现稳定。KSG的估计随k增大而下降，k=5时信号与噪声可分离性最佳。AB的相似度估计在箱数K=13（Doane规则）时达到峰值且下界较低，故选用该值。
样本量：所有估计器在样本量足够时均能区分半相同信号与噪声。PCC和KDE在小样本下高估相似度，AB和KSG则低估；样本量增大（约210个样本以上）后结果收敛。过大的样本量会引入重复样本和自相关偏差。
SNR：当SNR低于0 dB时，所有估计器难以区分信号与噪声；PCC在0 dB时即开始分离，MI估计器需要正SNR。KDE在极高SNR（>150 dB）时因协方差奇异失败。SNR约20 dB时各估计器趋于稳定。
高幅稀疏噪声：向信号中加入离群点后，PCC和KDE的相似度值迅速下降甚至低于下界，KSG和AB相对更稳健。所有MI估计器在离群点比例约80%时出现轻微回升。
信号裁剪：在信号后附加噪声段会降低所有估计器的相似度，MI估计器下降更剧烈且变异性增大。但下界随信号长度增加而降低，表明长信号中较小的相似度值仍可显著。
时间偏移：PCC与KDE对时间偏移敏感，小偏移即低于下界；KSG和AB则保持较高值。估计值随偏移呈非线性波动，有三个局部极大值对应于正负峰对齐。
持续时间：改变持续时间导致不对称结果：缩短信号比延长更降低相似度。PCC受影响最大，MI估计器较缓。
幅度：除KSG因标准化步骤外，各估计器对相对幅度变化不敏感。
MEG案例研究：参考通道与所有其他通道的相似性分析显示，PCC和KDE的下界较窄且估计值变异较大，部分比较低于下界；所有MI估计器均显著高于各自下界，说明同一记录中的MEG信号共享显著信息（共同刺激驱动、噪声和预处理）。排序分析中，四类估计器均将靠近参考通道的传感器排在前面，但KSG和AB将延迟或轻微失真的响应也排为高相似，而PCC和KDE倾向于严格线性相关。案例验证了模拟中观察到的估计器行为差异。
讨论部分指出，所有MI估计器都受到输入信号属性（如自相关、概率分布难估计、重复样本、有限样本量）和归一化偏差的影响。研究人员提出自适应下界和排序分析，建议对KSG和KDE在预处理后仍添加少量高斯噪声（SNR约20 dB）以稳定估计。采样频率超过200 Hz可提供足够样本，500 Hz后提升有限。在信号形状识别上PCC和KDE效率更高，而KSG和AB更适合识别共享广泛特征但不必相同的信号。结论部分总结道：在模拟和真实数据分析中，四种估计器聚为两对——PCC与KDE行为相似，KSG与AB行为相似。KDE实现与PCC结果略有差异，但未显著增加价值，且比其他MI估计器更难调节。KSG和AB与PCC差异更大，但估计方差更高，低值处上偏更明显。二者中KSG对参数选择和样本量较不敏感，更为实用。当比较旨在识别不同信号中的完全相同的形状时，PCC和KDE效率更高，PCC更简单；而KSG和AB更倾向于对广义上共享信息的信号赋予高相似度，适合预期比较信号不必相同但共享许多特征的情况。研究人员认为KSG更易调节。总之，在正确解释的前提下，互信息为分析神经生理时间序列提供了皮尔逊相关的一种多功能且强大的替代方案；本案例研究可作为未来应用的启发。当正确实现时，本研究中的估计器是量化信号相似性的可靠工具，对一系列神经科学应用，尤其是对EEG和MEG事件相关信号研究具有重要价值。
