学术报告：从ERPs到MVPA：利用Amsterdam Decoding and Modeling Toolbox (ADAM)

研究作者及机构

本文的主要作者是Johannes J. Fahrenfort、Joram van Driel、Simon van Gaal，以及Christian N. L. Olivers，隶属于以下机构：Institute Brain and Behavior Amsterdam (IBBA)、VU University Amsterdam、University of Amsterdam及Amsterdam Brain and Cognition (ABC)。本文发表于2018年7月3日，在《Frontiers in Neuroscience》（Volume 12, Article 368）。DOI为：10.3389/fnins.2018.00368。

背景与研究目标

近年来，时间分辨多变量模式分析（Time-resolved Multivariate Pattern Analysis, MVPA）在脑电图（EEG）和脑磁图（MEG）数据分析中越来越受欢迎。然而，对于习惯使用事件相关电位（Event-Related Potentials, ERPs）或事件相关场（Event-Related Fields, ERFs）进行传统分析的研究者来说，MVPA的复杂性可能令人望而却步。为了解决这一问题，作者开发了一个入门级工具箱——Amsterdam Decoding and Modeling Toolbox (ADAM)，旨在降低研究者从传统分析方法向MVPA转型的门槛，并实现对ERPs/ERFs和MVPA结果的直接比较。

研究的主要目标包括： 1. 介绍ADAM工具箱，此工具箱基于MATLAB环境开发，支持EEGLAB或FieldTrip格式的数据。 2. 提供一个分析流程示例，通过一个公开可用的数据集进行解码分析，该数据集包含对名人脸、非名人脸以及模糊脸的事件相关反应。 3. 展示如何进行单被试（single-subject）和组水平（group-level）的统计分析，并比较EEG与MEG解码结果的差异与相似性。

详细研究流程

1. 数据集与任务设计

这项研究使用了Wakeman和Henson（2015）提供的一个公开数据集。数据包括EEG、MEG和fMRI的事件相关反应，实验设计为完全因子设计，任务包括以下步骤： - 每个试次以400到600ms的随机预刺激期开始，随后呈现目标刺激（800到1000ms），包括名人脸、非名人脸或模糊脸。 - 每张图片呈现两次，第二次展示可能是立即重复（immediate repeats）或延迟重复（delayed repeats）。 - 任务与刺激的身份无关，被试需判断图片的对称性。

2. ADAM工具箱的安装与架构

ADAM的安装较为简单：下载版本1.0.4，并与EEGLAB和FieldTrip进行集成。ADAM的处理管线包括以下步骤：数据导入与预处理、单被试水平分析、组水平统计计算与可视化。

特有功能： - 支持时间序列中分类器性能的可视化。 - 支持时间-时间（Temporal Generalization）矩阵的构建，以表征跨时间的神经动态特征。 - 提供通道调谐函数（Channel Tuning Functions, CTFs）与分类器权重的拓扑图。

3. 单被试分析

作者的第一步分析包括比较以下三组对比： 1. 非名人脸与模糊脸； 2. 名人脸与模糊脸； 3. 名人脸与非名人脸。

分析使用回归解码模型（Backward Decoding Model, BDM）进行分类，同时记录每次对比的分类器性能（以区分名人脸或模糊脸的能力为例）。还通过叠加多个时序点的交叉验证（k-fold cross-validation）训练与测试分类器性能。

数据预处理包括高通滤波、重新采样（至55 Hz）和基线校正（-100到0ms）。

4. 组水平分析

在组水平分析中，作者使用ADAM工具箱的adam_compute_group_erp与adam_compute_group_mvpa函数，对第一步的ERPs和MVPA分析结果进行统计学处理。多重比较校正使用两种方法： 1. 基于簇的随机置换检验（Cluster-based Permutation Testing）。 2. 依赖假发现率（False Discovery Rate, FDR）控制。

关键步骤包括从统计学上确定分类结果（AUC值或其他指标）是否显著偏离于随机水平（例如AUC的0.5值）。

5. 可视化结果

作者使用adam_plot_mvpa函数生成组间分析的可视化，包括： - 分类性能的时间序列图； - 时间-时间（Temporal Generalization）矩阵； - 分类器权重的拓扑图。

通过观察这些图，作者能够进一步解读不同条件如何在时间上表征特定的神经反应模式。

关键研究结果

1. EEG与MEG的主要解码结果显示，与模糊脸相比，名人脸和非名人脸条件显著解码出特定神经模式。
2. 名人脸与非名人脸的解码虽然表现较弱，但支持了该实验任务中非对称性决策过程的神经表征。
3. 时间-时间矩阵进一步揭示了跨时间点的稳定模式，这些模式可能反映大脑持续活跃的动力学过程。
4. 分类器权重的拓扑图显示，颞叶和枕叶的通道对解码性能的贡献最大。

研究重要意义

本研究的科学价值和应用意义包括： 1. 为EEG和MEG分析提供了一个易用的多变量解码工具箱和分析框架。 2. 显示了MVPA分析在观察动态神经模式方面的优势，尤其是在无需事前通道筛选的情况下。 3. 演示了如何在工具箱中结合传统ERPs与现代MVPA方法，从而为传统研究者的过渡提供范例。

亮点与创新性

1. 工具箱的开发简化了复杂的MVPA分析操作，尤其在处理EEG/MEG数据中。
2. 提供了分类器权重的正向转换功能，使得解读神经源成为可能。
3. 第一次系统展示了如何直接将ERPs与MVPA结果进行整合和比较，开辟了研究新的潜力。

总结

Johannes J. Fahrenfort等人的这篇文章不仅提出了好用的分析工具，还系统探讨了传统方法与现代多变量解码方法的结合，为神经科学领域提供了重要的分析手段。相比传统的事件相关电位分析，MVPA方法更能够敏锐地捕捉实验条件引起的神经编码差异，拓展了解EEG/MEG信号的应用前景。