跳到正文
只看BCI 与神经科学#神经信号方法
10月8日周四
  1. Europe PMC · EEG 方法72

    基于全脑颅内 EEG 的隐式知觉决策信心特征的神经潜在表征

    基于摘要分析。本研究探讨在不要求显式信心报告的情况下，能否从全脑范围的 iEEG 中提取稳健的隐式知觉决策信心表征。作者结合互补的机器学习方法、可解释特征选择与降维分析，研究相关时空成分及低维神经轨迹。 技术路径上，研究先利用可解释特征选择识别与决策正确性、难度及速度相关的 iEEG 成分，再通过降维寻找潜在表征，并分析共享子空间中的神经轨迹。作者报告，尤其位于额叶皮层的关键时空成分能够区分这些与信心相关的特征，且可在不同运动模态间迁移；尽管不同分析方法和条件所识别的具体特征存在不一致，低维潜在表征仍表现出稳健性，共享子空间中的轨迹进一步增强了相关特征的可区分性。摘要未提供定量指标或对应的训练、测试划分，不能据此认定其已实现跨被试或跨会话泛化。 阅读价值在于区分“单个特征的一致性”与“潜在空间表征的稳健性”：表层特征随分析条件变化，并不必然意味着低维群体表征同样不稳定。不过，研究没有采集显式信心报告，因此正确性、难度和速度与隐式信心的对应关系及其操作化定义需要结合全文核对，不能将这些变量直接等同于主观信心。 被试数量、电极覆盖、任务设计、信号预处理、具体特征选择与降维算法、运动模态间迁移协议、统计检验及代码可用性尚未验证；实验协议、消融及统计信息尚未验证。其结论目前应限定于摘要描述的 iEEG 知觉决策分析，不能直接推广为头皮 EEG 或 BCI 解码效果。

    阅读价值：值得关注的是作者报告：不同方法与决策条件下筛选出的 iEEG 特征虽不一致，低维潜在表征及共享子空间中的神经轨迹却更稳健，为检验隐式决策信心的跨条件表征提供了具体线索。

  2. Europe PMC · bioRxiv / medRxiv 预印本73

    界定自闭症亚组以探索研究性治疗开发中的潜在富集标准：将静息态 gamma 频段功率与脆性 X 综合征参照样本比较

    基于摘要分析。本研究考察非综合征性自闭症谱系障碍（ASD）中是否存在具有脆性 X 综合征（FXS）样静息态 gamma 功率升高表型的亚组，并探索其临床特征，为研究性治疗试验的潜在人群富集提供依据。核心方法是用男性 FXS 样本的相对 gamma 功率分布定义阈值，再应用于 ASD 样本；这是一项横断面 EEG 分析，而非治疗效果验证或 BCI 解码研究。 研究纳入 159 名非综合征性 ASD 个体，以及 41 名具有完全甲基化全突变的男性 FXS 个体。相对 gamma 功率定义为 30–100 Hz 功率除以 1–100 Hz 功率，计算涉及 10–20 系统等效电极，并排除 55–65 Hz。ASD 的升高标准设为不低于 FXS 男性参照样本 gamma 功率中位数减去一个标准差，对应相对功率阈值为 0.185。该标准属于参照样本驱动的分层定义，不能直接视为诊断阈值或治疗响应阈值。 作者报告，在上述阈值下，ASD 样本中 35 人（22%）满足升高标准；ASD 组平均静息态 gamma 功率低于男性 FXS 组（p < 0.001）。按摘要所列年龄分组，低于 13 岁为 3/37（8.1%），13–18 岁为 9/50（18.0%），18+ 岁为 23/72（31.9%）。这些是横断面分组比例，不能据此推断个体随年龄增长的变化轨迹。作者报告，所观察的临床特征未能明显区分 gamma 升高与未升高的 ASD 个体。 研究价值在于将单基因综合征中的神经生理表型转化为 ASD 亚组划分标准，但表型重叠不等于病理机制相同，也不证明针对 FXS 的治疗在该 ASD 亚组有效。摘要提及 Codabakalner 的既往试验背景，并非本研究的干预结果。阈值的独立样本稳定性、年龄与性别影响、EEG 预处理和高频伪迹控制、相对功率分母的影响，以及该指标能否预测治疗响应，均需进一步核对或验证；完整实验协议、敏感性分析及统计信息尚未验证。该材料为预印本，不构成临床实践建议。

    阅读价值：该研究以 FXS 参照样本定义静息 EEG gamma 功率阈值，为 ASD 生物标志物分层提供了可核对的操作标准，但其作为治疗试验富集标准的预测价值尚未验证。

  3. arXiv · EEG 与神经表征73

    预测拟合相近但潜在动力学不同：刻画脑疾病个体化模型学到的动力学结构

    基于摘要分析。研究考察个体化模型在预测拟合相近时，其学到的潜在动力学是否仍呈现与临床分组相关的差异。核心贡献是将 EEG 表征转为共享潜在状态，并比较逐被试拟合的转移依赖图，强调预测表现与模型内部动态结构应分别评估。 方法上，作者使用在 Temple University EEG Corpus（TUEG）上预训练的轻量 CNN–Transformer EEG 基础模型提取片段级表征，再将 Temple University Epilepsy Corpus（TUEP）的表征映射至共享潜在状态空间。随后为每位被试独立拟合稀疏 multinomial logistic transition distributions（mLTD），得到个体化转移依赖图 W_n。摘要未说明潜在状态构建过程、k 的确切定义及稀疏化配置。 分析包含 198 名被试，其中癫痫与非癫痫各 99 名。作者报告，k=4 时癫痫组学到的依赖结构更密集（p=1.1×10⁻⁷），k=6 时也观察到同方向差异（p=5.2×10⁻⁵）。基于图特征的组别判别采用按被试划分的五折交叉验证，AUROC 在 k=4 时为 0.68、k=6 时为 0.65，显示中等程度的组别区分能力。 相比之下，作者报告 k=4 时癫痫组与非癫痫组的留出数据 log-likelihood 分别为 −0.992 与 −0.991（p=0.95），下一状态预测 AUROC 分别为 0.855 与 0.861（p=0.54）。这些结果支持在所用模型和评估条件下，预测拟合相近仍可伴随学到的动态结构差异；不能据此将依赖图直接解释为生理连接或疾病因果机制。 复现时需核对共享状态空间与图特征的构建是否纳入交叉验证流程、留出预测的具体划分、记录长度和采集条件的影响，以及图密度对状态数量与稀疏化配置的敏感性。全文未取得，实验协议、消融及统计信息尚未验证；摘要结果也不足以确立临床诊断效用。

    阅读价值：该研究提供了比较个体化模型所学动态结构与预测性能的具体路径；作者报告两组预测表现相近但依赖图密度不同，值得核对共享潜在状态构建及图结构差异的稳健性。