刺激前低的EEG alpha功率增强了视觉知觉，但不是视觉知觉敏感度

刺激前的神经振荡活动与感觉刺激的意识水平有关。更具体地说，刺激开始前的低频振荡(主要在alpha波段，即8-14 Hz)的功率与视觉任务中的主观表现(如信心和视觉知觉[confidence and visual awareness])的测量成反比。有趣的是，相同的脑电图特征似乎并不影响任务表现的客观测量(即准确性)。我们研究了当使用严格的准确性测量时，这种主、客观测量对象的分离是否成立。以往的脑电图研究在单试次水平上采用了两种选择的强迫选择（2-alternative forced choice [2-AFC]）辨别任务，将刺激前振荡活动与正确/错误反应联系起来，而正确/错误反应作为准确性和客观表现的指标。然而，2-AFC（两种选择的强迫选择）任务不能很好地估计单试次的准确性，因为许多被归类为正确的回答会被猜测所污染(正确回答的概率为50%)。在这里，我们采用了一个19-AFC字母识别任务来测量准确率和主观报告的每个试次的知觉得分（自己对自己看到刺激的概率打分）。由于正确的猜测概率是微不足道的(~5%)，这个任务提供了一个更纯粹的准确性的测量。我们的结果重复了刺激前alpha/beta频段功率和知觉得分之间的反向关系，但与准确性无关。刺激前的振荡相位既不能预测主观知觉得分，也不能预测准确性。因此，我们的结果证实了在主观和客观的表现的测量中，刺激前EEG功率-任务表现的联系的分离，并进一步证实了刺激前alpha功率作为视觉知觉的神经预测因子。本文发表在European Journal of neuroscience杂志。

关键词：alpha EEG神经振荡知觉

1引言

探索知觉（perception）背后的神经机制仍然是神经科学的一个基本挑战。越来越多的证据表明，用脑电图(EEG)在头皮上测量的特定频段的神经振荡，可能在各种知觉过程中发挥了功能性作用。例如，刺激开始前的alpha频段(8-12 Hz)功率一直被证明可以预测在探测任务中报告刺激存在的可能性，刺激前alpha功率低的状态下，个体更有可能报告探测到了目标。为了建立一个理论基础，证明alpha功率的波动如何与知觉表现的变化有关，许多研究最近开始实施心理物理建模技术。信号检测论就是这样一个框架，刺激前alpha功率可以通过(1)改变对目标刺激的知觉敏感度（即探测或辨别真实目标的能力）或者（2）改变参与者的决策标准(或目标刺激的内部表征)来影响任务执行，从而导致反应偏倚。Iemi和他的同事(2017)提出，如果alpha功率的下降反映了整体基线兴奋性水平的增加，那么低的alpha值可能会导致一个更自由的决策标准，但不影响知觉敏感度。与这一观点相一致的是，最近的一些研究表明，刺激前alpha功率会影响决策标准，并与任务绩效的主观测量(即信心和知觉意识水平)相一致，但与准确性等客观测量不一致。此外，最近的研究表明，通过使用不同的刺激-反应奖励事件（抑制刺激前alpha功率），可以诱导出更自由的决策标准。与这些发现相一致的是，我们最近发现，刺激前的后部脑区的alpha/beta波的功率与即将到来的阈值刺激的主观知觉意识水平成反比，但却不能预测客观表现，即准确性（当必须根据视觉刺激特征做出决定时）。此外，我们发现这种关系依赖于刺激物的呈现和可见性（如呈现时间长），这与知觉经验层面诱发的偏倚相一致，而不是决策过程本身。在此，我们打算用大样本和不同的任务（以更纯的测量客观性的任务准确率）重复之前的发现。我们之前的实验使用了2-AFC亮度辨别任务。然而，2-AFC任务有50%的猜测正确率，这意味着当使用典型的阈值附近的刺激时，许多正确的反应会被猜测所污染。因此，真实表现的准确性和EEG测量之间的trial-by-trial的关系可能更难以检测。为此，我们采用了一个19个不同字母的掩蔽字母识别任务，并结合了单试次的知觉意识水平的得分。这个19-AFC任务提供了一个更纯粹的准确性测量，因为猜测造成的污染可以忽略不计(约5%的正确答案是偶然猜对[1/19])。通过引入更纯粹的准确性测量，我们试图对视觉任务表现的客观和主观方面的分离进行更严格的测试。基于先前的研究结果，我们假设刺激前的功率对主观知觉水平的得分有负向的预测作用，但对辨别准确率没有预测作用。此外，我们还研究了刺激前振荡相位和知觉之间的关系，因为这种关系的研究结果并不一致，许多研究已经将特定频带的振荡活动(在刺激开始之前或期间)的相位与知觉的可能性（likelihood）联系起来，但其他研究无法重复这些结果。总之，我们的分析旨在帮助理解基线神经活动影响视觉知觉的机制。

2材料和方法

2.1被试

22个被试（17女，年龄22.9岁，范围在18-29岁之间）参与本研究。2.2任务和实验流程

图1任务设计和表现。（a）首先呈现一个白色注视点，时间为2500-3000ms，之后是目标刺激——一个辅音字母，呈现时间为10，20，30，40或者50ms，之后出现掩蔽200ms，然后空屏500ms，之后出现反应提示，问被试看到了哪个字母，并用右手食指在键盘上对应的字母上按键，再之后是要求被试在4点（1-no experience, 2-brief glimpse, 3-almost clear experience, and 4-clear experience）知觉意识量表（PAS）上评估他们的知觉水平，按键对应的数字即可。（b）正确反应的组平均比例作为字母呈现时间的函数。（c）组平均PAS的得分作为字母呈现时间的函数。准确率和PAS得分都随着字母呈现时间的增加而增加。实验流程如图1a所示，19个辅音（BCDFGHJKLNPQRSTVXYZ）字母在每个试次中随机呈现。实验有共475个试次，每个呈现时间共有95个试次（5个呈现时间），5个呈现时间随机呈现，95个试次休息一下。

2.3行为分析

为了评估实验操作的有效性，我们分别对正确反应的比例和PAS得分作为因变量进行了统计分析，呈现时间（10，20，30，40或者50ms）作为自变量，使用单因素重复测量方差分析。

2.4 EEG采集

EEG仪器是Brain Products，采样率1000Hz，61个电极，10-10系统，接地电极为TP9，在线参考为AFz，电阻小于10kΩ，采用EEGlab和fieldtrip预处理。离线处理，采用零相位的二阶巴特沃斯滤波器，陷波50Hz，低通100，高通0.1Hz，分段为-2.5s到1.5s。噪音多的电极删掉，重参考为全脑电极的平均参考。采用半自动伪迹检测程序来删除异常试次，标准是（1）绝对波幅为正负75uV；（2）每个时间点上电极间的联合概率(单通道和全局的概率阈值分别为3.5和3个标准偏差[SD])，pop_jointprob；（3）峰度阈值，局部为5SD，全局为3SD，pop_rejkurt。对于所有被试，平均0.14个电极（最小=0，最大=2）和12.8个试次（2.7%，最小=0，最大=68）被删除。然后采用ICA删除眨眼，眼动和肌电。删除的电极采用球形插值法。

2.5频谱分析

采用fieldtrip中的ft_freqanalysis函数（小波卷积法：mtmconvol）对单试次做时频分析，窗长0.5s，步长0.02s，采用Hanning窗，分析的频率范围为3:1:40Hz，之后重新分段为-1s到0.7s（刚开始分段为-2.5s到1.5s）。我们试图研究辨别准确性和PAS得分的EEG频谱的预测变量，包括功率和相位。

2.6功率分析单试次的所有时频点的功率计算为：

然后对不同试次的绝对功率值进行等级（rank）变换，以减轻离群试次的影响。PAS得分和字母呈现时间也就行了等级变换。为了测试刺激前功率和行为测量之间的关系，进行以下步骤的数据分析：（1）以脑电功率和刺激呈现时间作为预测变量，以行为测量作为结果变量，分别检验被试内的单试次功率与PAS得分的关系。刺激呈现时间（10，20，30，40，50ms）作为预测因子被纳入模型，以量化脑电功率和知觉强度的独立影响，以及两者之间是否存在交互作用。对于PAS得分，对下列线性模型的系数进行了估计：

Ratings表示单试次的PAS得分（1:4），EEG表示单试次功率值，PresTime表示单试次字母呈现时间。bEEG是回归系数，表示脑电功率与PAS得分之间关系的方向和强度，但其与字母呈现时间和PAS得分之间的关系无关（用bPresTime来表示）。a是模型的截距，ε是误差项。为了检验脑电功率与字母呈现时间之间的交互作用，在每个电极-时间-频率点上运行如下模型：

bint是回归系数。两个模型都是用matlab2020b中的fitlm函数，采用最小二乘法。

对于字母识别的准确性，按照下式进行logistic回归：

bEEG表示单试次功率和正确率（P（Corr））之间的方向和强度。为了测验功率和字母呈现时间之间的交互作用，对每个电极-时间-频率点进行如下计算：

（2）对于（1）中的4个模型，通过对PAS得分/字母识别准确率和预测变量之间的对应关系进行洗牌500次，从而将回归系数转换为z分数，在单试次水平进行，每个被试都有一个z分数。（3）在组水平上，如果在某一数据点上（电极/频率/时间），功率和PAS得分存在线性共变，那么z分数会存在跨被试的方向一致性，否则，z分数会显示为跨被试的随机分布（以0为中心）。因此，在所有数据点（即所有电极/频率/时间），对于每个EEG/行为测量之间的关系采用双尾t检验。采用基于团块的置换检验，超过阈值（p=0.05）的数据形成团块，这一操作对于正性和负性的结果分别进行，置换检验次数为2000次，团块水平的显著阈值p=0.05。

2.7功率的贝叶斯因子（CF）分析

为了估计原假设(功率和行为测量之间没有关系)和备择假设(功率和行为测量之间有显著关系)的证据，我们还进行了BF（参见课外读物）分析。BF小于1/3表示支持原假设，大于3支持备择假设，在二者之间表示缺乏统计效力。对于包含在显著的EEG和行为测量团块中的所有数据点（采用回归分析检测到的），BF是用遵循柯西分布(尺度因子为0.707)的先验计算的。对于每个时间点，分别计算显示原假设和备择假设证据的电极-频率点的百分比。该分析分别对PAS得分和准确性数据进行。 课外读物：贝叶斯因子能够量化地反映当前数据对各个假设支持的程度,因此可能更加适用于科研中的假设检验。但因其复杂，目前未广泛应用。在贝叶斯检验中，使用柯西分布(Cauchy distribution)作为备择假设的先验可能是比较合理的选择。与标准正态分布相比,柯西分布在0附近概率密度相对更小一些,因此其比标准的正态允许更多较大的效应。而与均匀分布(即效应量在所有值上的分布完全相同)相比,柯西分布更偏好零假设一些。如下图，

在Jeffreys (1961)的基础上, Wagenmakers, Love等人(2017)对贝叶斯因子的大小所代表的意义进行原则上的划分(见表2)。但是这个划分仅是大致参考,不能严格对应,研究者需要根据具体的研究来判断贝叶斯因子的意义。红框就是本研究设定的标准。

参考文献：胡传鹏, 孔祥祯, 彭凯平. (2018). 贝叶斯因子及其在 JASP 中的实现. 心理科学进展, 26(6), 951-965.

2.8后续EEG功率分析

在我们之前的研究中，我们发现刺激前功率和PAS得分之间的负相关关系随着刺激强度的增加而增加，在更高的刺激强度中存在，但在最低的刺激强度中不存在(也不存于没有刺激的试次中)。为了重复这一发现，我们在当前的实验中进行了额外的分析来测试这一效应，使用来自刺激开始前任何显著团块中的电极-时间-频率点的数据，并与我们之前的分析方法相呼应。对每个参与者提取单试次、团块平均、刺激前功率值，并将试次根据功率的中位数分为上和下。然后分别计算每个刺激前的功率(中位数以上和中位数以下)中的呈现时间(10、20、30、40和50 ms)的正确回答比例和平均PAS得分。随后，分别以刺激前功率(高、低)和呈现时间为因素，对准确性和PAS得分进行重复测量方差分析。

2.9 EEG的时频的相位分析

（1）为了检验被试内单试次相位与辨别准确率和PAS得分之间的关系，我们采用了一种称为加权试次间相位聚类(wITPC)的圆-线（circular-linear）性关联测量方法。wITPC表示单试次相位角的合成向量长度(试次间相位一致性)，每个单独向量的长度被单个试次行为结果加权(即PAS得分或准确性)。在零假设下，即相位-行为没有关系，行为反应应均匀分布在各个相位角上(因此平均向量长度将接近于零)。平均wITPC向量的大小可以看作是通过相位角对行为的调制。

计算电极时频点的wITPC，方法是将单位长度的复数相位角与每个试次的行为反应相乘，将所有试次的复数相位角取平均值，取绝对值得到平均向量长度。为了单独量化相位对行为的影响(不依赖于感觉强度)，对PAS得分和准确性的主效应分别分析，我们首先在回归掉字母呈现时间对每个行为测量的影响后获得残差变异。之后，wITPC的计算是通过相位角乘以行为反应中的残差变异，然后跨试次的平均这些复数，计算绝对值从而得到平均向量长度。PAS得分、准确性(编码为0[不正确]或1[正确])、回归残差和字母呈现时间都在计算wITPC之前进行了等级变换。

（2）因为结果的大小在不同的被试之间是没有可比性的，并且为了控制各个试次中可能存在的相位角的不均匀性，我们应用了被试内的置换检验，通过对相位和行为测量值进行500次的洗牌重组，构建了被试内的零假设分布。将实际wITPC值与零分布之间的标准化距离作为z值。对PAS得分，准确性，呈现时间的主效应分别进行。

2.10相位的BF分析

与功率分析一样，我们再次计算了BFs，以量化零假设(相位和行为测量之间没有关系)和备选假设(相位和行为测量之间有显著关系)的证据。再次，对显著的刺激前功率-PAS得分的数据点进行BF分析。对于每个时间点，分别计算PAS得分和准确性数据中的符合零假设和备择假设的电极-频率点的百分比。

2.11相位逆和Phase opposition sum（POS）分析

为了复制我们之前研究中使用的方法，从而使当前的结果可以直接比较，我们也采用了POS分析。这一方法测试了与PAS得分相关的试次（即正确的字母识别或者高主观的知觉水平）是否与相反知觉得分相关的试次（即错误的字母识别或者低知觉结果）的振荡相位分布有所不同。POS分析涉及到对所有试次的ITPC(作为基线)与在每个条件下分别测量的ITPC(即正确与错误识别和高与低的主观知觉水平)的比较。如果每一条件的ITPC大于总的ITPC，则表明两种知觉结果锁相到不同的相位角。计算所有试次的ITPC，并分别计算正确识别、错误识别、高知觉得分(PAS得分3和4分)和低知觉得分(PAS得分1和2分)的ITPC。随后，POS的计算如下：

当各试次条件A、B的ITPC之和超过总ITPC时，这表明这两种条件之间存在明显的相位对立。当某条件的每个试次的ITPC大于整体ITPC，POS是正值。

统计分析首先在个体水平上使用置换检验。对于每个参与者，将试次分配到A组或B组，随机置换2000次，并在每次迭代中计算并存储POS值。对于每个电极-时间-频率点，p值计算为产生高于观测数据的POS的置换比例。因此，p值反映了在原假设(没有相位对立)为真时，观察到实际POS值的可能性。个体参与者的p值随后使用Fisher组合概率检验进行组合，这就产生了每个电极-时间-频率点的单个组水平的p值。为了控制多重比较，采用非参数FDR校正(Benjamini & Yekutieli, 2001)，阈值为0.05。

此外，从高低组随机选择相同数量的试次来分析。之所以进行这种分析，是因为当条件之间的试次数不相等时，POS会失去统计效力。

wITPC和POS提供了EEG相位-行为之间的关系信息是类似的。但POS指标是在二分行为结果(即，高vs低PAS得分)之间存在一致的平均相位角差异，wITPC方法不需要二分结果测量(因此不需要对行为数据进行任意分类)，因此，统计方法能够更接近功率-行为分析，从而便于功率和相位结果的比较。

2.12刺激前的FFT分析

由于时频分解中固有的时间拖尾效应，会导致刺激前的脑电图效应被刺激后的活动所污染，我们对功率和相位进行了控制分析，只包括刺激前的脑电图时间点(相对于刺激开始的-1到0 s)。使用FieldTrip中的mtmfft方法，在每个参与者的每个电极上对干净的、单试次的刺激前波形进行快速傅里叶变换(FFT)。刺激前数据使用Hanning窗加窗，并对1s的数据长度进行补0，以在3:40 Hz范围内实现1 Hz的频率分辨率。然后，使用与上述脑电图时频分析完全相同的三个步骤测试功率和相位行为关系，但现在只有电极和频率维度。也会对每个电极-频率点计算BF。

3 结果

3.1行为结果

图1b描绘了组平均正确回答比例作为呈现时间的函数，图1c描绘了组平均PAS得分。准确性和PAS得分随着呈现时间的增加而增加。平均正确比例（图1b）从0.1到0.87（0.053是随机水平，1/19）。平PAS得分(图1c)范围从1.3（10ms）到2.7 (50 ms)，因此从几乎没有知觉(PAS 1)到几乎清楚的知觉到(PAS 3)。总之，本实验操作是成功的，呈现时间导致了预期的准确性和PAS得分的增加。

4 EEG结果4.1刺激前的功率预测视觉知觉得分，但不预测辨别准确性

图2振荡功率与知觉的关系，控制了字母呈现时间。

（a）单试次回归分析结果显示，刺激前功率与PAS得分呈负相关(即高功率与低PAS得分相关，低功率与高PAS得分相关，黑色轮廓表示显著的效应。刺激开始用一条垂直的黑色虚线突出显示。下面的插图绘制了显著的电极-频率点百分比的时间进程，贝叶斯因子显示了零假设（H0：没有EEG-知觉关系，红色虚线）和备择假设（H1：显著的EEG-知觉关系，蓝色实线）。正如预期的那样，为H1提供证据的数据点的百分比远远超过为H0提供证据的数据点的百分比。

（b）对显著负性团块的刺激前和刺激后部分，分别绘制组平均效应的头皮地形图。在感兴趣的刺激前时期，效应广泛分布在几乎所有电极，但有一个在后脑才是最大值(左图)。显著团块中的电极用白色突出显示。

（c）在刺激前团块中，分别计算高PAS得分试次(红线)和低PAS得分试次(黑线)的组平均频谱。与低PAS得分相比，高PAS得分与刺激前alpha功率降低有关。正如每个参与者的高和低PAS得分之间的平均10Hz功率差异的散点图(右图:黑点代表平均值差值)所示，这种效应在参与者之间高度一致。

（d）在检测的任何时频范围内，功率和辨别准确性之间都没有关系。下面的插图描绘了显著的刺激前EEG-PAS得分团块中电极-频率点百分比的时间过程，贝叶斯因子显示了零假设（H0:没有EEG-知觉关系，红色虚线）和备择假设（H1：显著的EEG-知觉关系，蓝色实线）的证据。在刺激前，为H0提供证据的数据点的百分比远远超过为H1提供证据的数据点的百分比，尽管这一模式在刺激后有所逆转。

（e）在刺激前团块中分别计算正确(红线)和错误(黑线)的组平均频谱，这在上述EEG-PAS得分分析中被证明是显著的。在脑电图准确性分析中，正确和错误试次之间的功率没有观察到差异。右边的面板绘制了每个参与者正确和错误试次之间的平均10Hz功率差(黑点代表平均值差值)。

图2a显示了所有电极在-1到0.7s，3-40Hz的频率上的EEG功率-PAS得分之间关系的平均t值，同时控制刺激强度的影响（呈现时间）。这些t值代表了组水平检验，即回归系数(EEG功率vs PAS得分)的z分数是否在个体单试次分析中显示了参与者之间的线性关系。我们发现了一个显著的负性团块(即，低功率与高PAS得分相关，高功率与低PAS得分相关)，该团块分布在刺激前和刺激后的时间点(-0.84到 0.7 s, 3-31 Hz：团块统计量= -24019，p = .0035)。对于显著负的团块中包含的电极-频率点的BFs，为H1提供证据的数据点的百分比远远超过为H0提供证据的数据点的百分比(见图2a，底部插图)。在感兴趣的刺激前阶段，这种效应在几乎所有的电极上广泛分布，但有一个右侧后部的最大值(见图2b，左图：-1到0秒，团块中所有电极-时间-频率点的数据平均)。图2b(右图)显示了负的团块刺激后的地形图。图2c(左图)绘制了从刺激前显著团块(电极POz, -0.54 s)中t值峰值对应的数据点分别计算的高PAS得分试次(红线)和低PAS得分试次(黑线)的组平均频谱。与低PAS得分试次相比，高PAS得分试次与刺激前alpha功率降低有关。正如每个参与者的高PAS得分和低PAS得分试次之间的平均10Hz功率差异的散点图(图2c，右面板)所示，这种效应在参与者之间高度一致。

相比之下，在控制刺激强度对识别准确性的影响的情况下，在刺激前或刺激后时间段里，EEG功率与识别准确性之间没有关系(图2d)。对于PAS得分的分析中显著负的团块中包含的电极-频率点的BFs，在刺激前期间，为H0提供证据的数据点的百分比远远超过为H1提供证据的数据点的百分比，尽管这种模式倾向于在刺激后逆转(见图2d，底部插图)。图2e(左图)绘制了从PAS得分分析(电极POz, -0.54 s)中t值峰值对应的数据点分别计算出的正确(红线)和错误试次(黑线)的组平均频谱。在正确和错误试次之间没有观察到功率差异(参见图2e[右面板]中每个参与者正确和错误试次之间的平均10Hz功率差异的散点图)。

当单试次FFT分析中只包括刺激前数据(-1到 0秒)时，PAS得分和准确性结果得到证实。图3a在每个频率(从3-40Hz)所有电极上的t值平均值表示脑电图功率-PAS得分关系的强度和方向，同时控制刺激强度对PAS得分的影响。一个显著的负的团块分布在9-12Hz(团块统计量= -103.4,p = .0095)。相比之下，在任何频率下，EEG功率与识别准确率之间都没有显著关系(见图3b)。

图3 对刺激前数据进行单试次快速傅里叶变换分析，证实了刺激前振荡功率与PAS得分之间的关系。

（a）刺激前功率与alpha (9-12 Hz)波段的PAS得分呈负相关(即，高功率与低PAS得分相关，低功率与高PAS得分相关，灰色背景填充表明显著的效应[p < .05])。下面的插图描绘了所有具有贝叶斯因子的电极的百分比，这些贝叶斯因子分别显示了零假设(H0:无EEG-PAS得分关系[虚红线])和备择假设(H1:显著的EEG-PAS得分关系[实蓝线])的证据。该效应的地形表示显示在线图下面。显著团块中的电极用白色突出显示。

(b)相比之下，在任何频段内，刺激前的功率和辨别准确性之间没有发现关系。

4.2 后续脑电图功率分析：没有证据表明刺激前功率-视觉知觉关系取决于刺激强度

为了检验脑电图功率和行为结果之间的单试次关系是否依赖于刺激的强度(字母呈现时间)，我们进行了额外的交互分析。当考虑所有电极-时间-频率点或在FFT分析中仅考虑刺激前时间点时(图4c,d)，无论是PAS得分(图4a)还是识别准确性(图4b)，EEG功率和呈现时间之间均未发现显著的交互影响(图4c,d)。为了直接重复我们之前研究的分析(Benwell et al., 2017)，我们使用仅来自显著脑电图功率-PAS得分的刺激前(-1到0 s)的单试次数据，进行了额外的以中位数功率分割的重复测量方差分析。正确回答的比例和平均PAS得分分别在每个功率组(高于和低于中位数功率)和每个呈现时间进行分析。对应的组平均数据的PAS得分在图4e中，正确反应比例在图4f。

图4在预测知觉得分或准确性时，振荡功率和字母呈现时间之间没有相互作用。

（a，b）单试次回归分析结果显示刺激前功率与PAS得分（a）或准确性（b）之间的关系不依赖于字母呈现时间（交互项）。刺激开始时间点用一条垂直的黑色虚线突出显示。下面的插图描绘了显著刺激前EEG-PAS得分中电极频率点百分比的时间过程（图2a），贝叶斯因子显示了零假设（H0：没有EEG-呈现时间的交互作用[红色虚线]），备择假设（H1：显著的EEG-呈现时间的交互作用[蓝色实线]）的情况。在刺激前时期，为H0提供证据的数据点的百分比远远超过为H1提供证据的数据点的百分比。

(c, d)对刺激前数据的单试次快速傅里叶变换分析证实，在预测PAS得分(c)或准确率(d)时，刺激前脑电图功率和字母呈现时间之间缺乏交互作用。下面的插图描绘了贝叶斯因子分析的电极点的百分比的频率过程，显示了零假设（H0：没有EEG-呈现时间的交互作用[红色虚线]），备择假设（H1：显著的EEG-呈现时间的交互作用[蓝色实线]）的情况。

（e，f）使用来自显著脑电功率-PAS得分的刺激前的单试次数据进行中位数功率分割后的任务表现，如图2a所示。组平均PAS得分(e)和组平均正确反应比例(f)显示为低(红线)和高(黑线)功率的字母呈现时间的函数。在两种功率（高低）条件下，准确性和PAS得分都随呈现时间的增加而增加，但在PAS得分或比例正确的情况下，脑电图功率和呈现时间之间没有显著的交互作用。

对PAS得分的重复测量方差分析显示刺激前功率有显著的主效应，呈现时间显著，但功率与呈现时间的交互不显著。因此，虽然我们在之前的研究中证实了刺激前功率与知觉得分相关(Benwell et al.，2017)，但我们没有发现显著的证据表明刺激前功率-PAS得分关系依赖于刺激强度。

对正确回答比例的重复测量方差分析显示呈现时间有显著的主效应，但刺激前功率的主效应并不显著，交互也不显著。因此，也没有证据表明刺激前的功率对准确性的影响(或任何与字母呈现时间的交互作用)，与回归分析的结果一致。

4.3没有令人信服的证据表明刺激前相位预测视觉知觉（PAS）得分或准确性

图5a绘制了wITPCz分析中所有电极在每个时间点上的t值平均值，表示相位-PAS得分关系的强度，同时控制刺激强度(字母呈现时间)对PAS得分的影响，频率范围为3-40 Hz。相对于参与者特定的零分布，t值的组水平检验了加权的单试次相位向量与PAS得分的乘积是否会导致整体ITPC的增加(正值)或减少(负值)。我们发现两个显著的正的刺激后的团块，主要是低频3-13Hz，-0.14到0.7s和更高的频率10-30 Hz，-0.18到0.46s。图5b显示了两个团块的地形图。事实上，当单试次FFT分析中只包括刺激前数据（-1到0s）时(因此排除了刺激后活动的污染)，在任何频率下的脑电图相位和PAS得分之间都没有发现显著的关系(见图5c)。

图5振荡相位与PAS得分的关系，控制了字母呈现时间。

（a）根据加权ITPC z分数(wITPCz)分析，通过PAS得分的残差(字母呈现时间对PAS得分的影响回归之后)与单试次相位调制的时频图的乘积。相对于参与者特定的零分布，t值的组水平检验了加权的单试次相位向量与PAS得分的乘积是否会导致整体ITPC的增加(正值)或减少(负值)。黑色轮廓表示显著团块(p < .05)。刺激开始时间点用一条垂直的黑色虚线突出显示。下面的插图描绘了电极-时间-频率点百分比与显著刺激前脑电图功率-知觉得分的时间历程，贝叶斯因子显示了零假设（H0：没有EEG-PAS得分关系，红色虚线）和备择假设（H1：显著的EEG-PAS得分关系，蓝色实线）。

(b)分别绘制两组显著正的团块的组平均效应的头皮地形图。显著团块中的电极用白色突出显示。

(c)在单试次快速傅立叶变换(FFT)分析中只包括刺激前数据(-1到0s)，刺激前相位和PAS得分之间没有关系。下面的插图描绘了电极点的百分比的频率进程，贝叶斯因子显示了零假设（H0：没有EEG相位-PAS得分关系，红色虚线）和备择假设（H1：显著的EEG相位-PAS得分关系，蓝色实线）。

（e）绘制显著团块的分组头皮地形图。

（f）再次，当单试次FFT分析中只包括刺激前数据时，刺激前相位和准确性之间没有关系。

对于相位与识别准确性之间的关系(图5d)，我们发现了一个显著的正团块，主要是刺激后（-0.06到0.7s，3-24Hz）（图5e是地形图）。同样，当单试次FFT分析中只包含刺激前数据时，EEG相位与任何频率的准确性之间没有显著关系(见图5f)。在上述两种分析中，脑电图相位与PAS得分和识别准确性之间也观察到类似的关系，所有关系都局限于刺激后窗口。首先，当字母呈现时间不控制时，在低频刺激后的早期时间点观察到额外的显著负团块。这些负团块可能反映了字母呈现时间与刺激后相位锁定的共变。实际上，对相位-呈现时间主效应的进一步分析表明，主效应在时间、空间和频率上有很大的重叠。此外，当仅纳入刺激前脑电图数据时，任何单试次FFT分析均未观察到显著的相位效应。其次，POS（位逆和）分析也没有提供刺激前相位与PAS得分或识别准确性之间的关系的证据。总体而言，我们观察到的显著的脑电图相位-行为关系完全来源于刺激诱发的神经活动（即刺激后的活动），因此我们在数据集中没有发现自发的刺激前振荡相位对知觉的影响的令人信服的证据。

5结论

在本研究中，我们采用字母识别任务来检验刺激前振荡活动对识别准确性和知觉意识（PAS）得分的影响。单试次回归分析显示，刺激前功率(~9-12 Hz，图3)与PAS得分呈负相关，但刺激前功率与辨别准确度无关。相反，我们没有发现强有力的证据表明刺激前任何频段的振荡相位预测PAS得分或准确性。这些结果在很大程度上复制了Benwell和同事(2017)的报告，但这一次使用的是mAFC范式而不是2-AFC范式。综上所述，这些实验强调了对任务表现的主观和客观测量的刺激前神经预测之间的分离，并阐明了刺激前振荡活动影响视觉知觉的过程。

刺激前低的EEG alpha功率增强了视觉知觉，但不是视觉知觉敏感度相关推荐

SF19 | 基于VWAP(成交量加权平均价格)开发Alpha均线增强策略
致力于分享量化策略,培训视频,Python,程序化交易等相关内容一.成交量加权平均价(VWAP算法) 算法交易其实主要是用在基金公司.券商量化比较多.例如我已经选好股,要大量买入,但是单凭交易员的操 ...
DAGA : 基于生成方法的低资源标记任务数据增强精读笔记
DAGA : 基于生成方法的低资源标记任务数据增强精读笔记文章目录 DAGA : 基于生成方法的低资源标记任务数据增强精读笔记 1 Introduction 2 Background Name ...
dmv io读写高的sql_适用于DBA的前8大新（或增强）SQL Server 2017 DMV和DMF
dmv io读写高的sql Dynamic management views (DMVs) and dynamic management functions (DMFs) are system vie ...
雷卯推荐TVS低漏流100uA，低电压3.3v,功率400W
瞬态电压抑制二极管,简称TVS.当TVS两极受到反向瞬态高能量冲击时,它能以 10-¹² s的速度,将其两极间的高阻抗变为低阻抗,吸收高达数千瓦的浪涌功率,使两极间的电压钳位于一个预定值,有效地保护电 ...
2021-9-20 18点00 程序外生活 - 中国A50指数机器预测学习跟踪记录 - 回调有点大，但是还是再箱体里面，且没有破前低，恒大黑天鹅继续发酵，等待箱体稳定。
日线级别:先看是否形成存在箱体震荡来过渡这段时间,观察,今天这么跌都没有破前低,也是比较神奇的. 周线级别: 在长期趋势线这边上下震荡,等待稳定. 月线级别:正常逻辑下,在长期阻力线附近应该是很难向 ...
前紫光展锐CTO创业造芯：主打边缘AI视觉，融资10亿，9个月流片
博雯发自凹非寺量子位报道 | 公众号 QbitAI 一家国产AI半导体公司才成立两年,却能够保持每一年发布一款芯片的节奏. 不简单,着实不简单. 这家公司叫"爱芯科技",而 ...
Trends in Neurosciences：基于信息的无创经颅脑刺激方法
认知神经科学的进展依赖于方法学的发展,以增加有关脑功能知识的特异性.例如,在功能神经成像领域,当前的趋势是研究大脑区域所携带的信息类型,而不是简单地比较任务操作所引起的激活水平.在这种情况下,非侵入性 ...
空间工作记忆的关键神经机制：前额叶皮层的Theta和High Gamma同步
先前研究表明,Theta-Gamma振荡之间的跨结构和跨频耦合机制在工作记忆背后的神经机制中起着重要作用.然而,跨频耦合与工作记忆任务成绩之间的直接因果关系仍亟待验证.本文通过使用经颅交流电刺激(tr ...
动态功能连接：前景、问题和解释
大脑必须跨多个时间尺度动态整合.协调和响应内部和外部刺激.利用功能磁共振(fMRI)对大脑活动进行无创测量,极大地促进了我们对支持这些基本脑功能特征的大规模功能组织的理解.以往静息态fMRI研究的结论 ...

刺激前低的EEG alpha功率增强了视觉知觉，但不是视觉知觉敏感度

刺激前低的EEG alpha功率增强了视觉知觉，但不是视觉知觉敏感度相关推荐

最新文章

热门文章