探究事件相关脑电/脑磁信号中的神经表征模式:基于分类解码和表征相似性分析的方法

探究不同心智活动下的神经表征差异,是认知神经科学关注的核心问题之一。早期的脑电/脑磁分析方法主要关注组平均后的神经响应水平,这要求在关注的时间进程上,各个被试在相同刺激条件下事件相关电位/事件相关磁场的振幅大小和方向、以及地形图分布和极性均要有较高的一致性。近些年来,研究者们将功能性磁共振成像研究中常用到的两种技术——机器学习中的分类算法(即基于分类的解码)和表征相似性分析——引入到了脑电/脑磁数据分析中。这两种新技术可以克服传统脑电/脑磁数据基于具体电压/磁感应强度波形平均分析的缺点,具有在个体水平上探究神经表征编码的特点,为人们探究大脑在不同时间进程上如何对特定的神经表征信息进行动态编码提供了新的思路。两种技术基于不同的方法学原理来抽提个体间一致的脑认知加工机制,还为脑电/脑磁研究开展跨时域、跨任务、跨模态、跨群体比较不同认知过程中的表征差异提供了更多新颖的途径。我们首先通过与传统的脑电/脑磁分析方法进行比较,系统性介绍了基于分类的解码和表征相似性分析的原理和操作流程,之后对两种方法的应用场景进行了梳理,并在最后对未来可供研究的方向提出了我们的见解。