用于时间分辨数据分析的簇置换检验模型化替代方法

基于摘要分析。研究关注认知神经科学中条件或群体间神经响应差异的时间定位，提出基于 Bayesian generalised additive multilevel models（BGAMMs，贝叶斯广义加性多层模型）的分析方法，用平滑的时间分辨效应估计替代簇级推断，旨在更精确地确定效应的起始与结束时间。 核心机制是通过模型处理时间依赖与被试间变异，并在各时间点计算效应大于零或高于机会水平的后验优势比，从而支持时间定位的概率陈述。其针对的限制并非簇置换检验不能控制错误率，而是簇级显著性不能直接支持簇内每个时间点或效应边界的精确推断。逐时点后验判定与频率学多重比较校正并非同一统计量，需结合全文核对判定阈值及其校准方式。 作者在具有已知起止真值的模拟 EEG 数据上，将该方法与未经校正的逐点检验、FDR 与 FWER 校正、簇置换检验、threshold-free cluster enhancement 和 changepoint detection 比较。作者报告，在 10,000 个模拟数据集的评估中，BGAMM 对起始与结束时间的估计均具有最低偏差和误差；这一结论限于文中模拟条件，摘要未提供具体误差数值或模拟参数。 实证部分使用 MEG 解码时间序列，并通过多次被试分半子集分析考察稳定性。作者报告，该方法得到可解释的簇及较稳定的时间估计，而对照方法存在过于宽松或精度较低的表现。摘要未给出被试数、解码任务、划分细节与稳定性指标，因此不能据此推断其在其他 EEG 或 BCI 协议中的效果。 作者提供开源 R 包 neurogam，便于复现。模型的平滑项、先验、时间依赖建模方式、后验计算与阈值选择，以及实验协议、消融及统计信息尚未验证。该工作的直接价值是神经信号效应时间定位，而非提高 BCI 解码 Accuracy 或 ITR。