使用广义线性模型在复杂时频系数上进行高效相干性推断

《Journal of Neuroscience Methods》：Efficient coherence inference on complex time–frequency coefficients using a general linear model

　　

背景：神经相干性（neural coherence）的统计显著性检验对于区分真实的信号间耦合与虚假相关性至关重要。基于替代（surrogate-based）的推断方法——通常使用时移（time shifts）或相位随机化（phase randomization）——被广泛使用，但计算成本高昂，且会产生离散且有时不稳定的p值，限制了其在大型脑电图（EEG）/颅内脑电图（iEEG）数据集上的可扩展性。 新方法：研究人员引入了一个基于广义线性模型（GLM， General Linear Model）的参数化框架，该模型应用于复数时频系数（例如来自解调带变换（DBT， Demodulated Band Transform）或短时傅里叶变换（STFT， Short-Time Fourier Transform））。似然比检验（likelihood ratio test）提供了连续的相干性显著性估计，无需进行替代重采样。 结果：使用真实呼吸迹线作为驱动信号，以及带有高斯宽带噪声的模拟神经信号，研究人员进行了真实相干性的密集扫描。广义线性模型实现了与替代检验相当或更好的灵敏度，并产生了稳定的连续p值。在80%的检测功效下，广义线性模型在相干性C ≈ 0.16时即可检测到，而替代检验则需要C ≈ 0.31，相当于信噪比（SNR， Signal-to-Noise Ratio）提升了约8分贝。运行时间基准测试显示，与基于替代的方法相比，速度提升了约190倍。 与现有方法的比较：与时间平移和相位随机化替代方法相比，广义线性模型提供了相同或更高的灵敏度，同时消除了置换检验的数值下限，并显著减少了计算量，特别是在密集频率网格和多通道数据集上。 结论：基于广义线性模型的推断为基于替代的相干性检验提供了一种稳健的、符合统计学原理且计算上可扩展的替代方案，能够在大型脑电图/颅内脑电图研究中跨通道、频率和参与者进行高效分析。

论文解读：使用广义线性模型对复杂时频系数进行高效相干性推断

1. 研究背景、问题与研究动机

在大脑神经科学研究中，神经振荡在不同脑区活动协调中扮演核心角色，谱相干性函数是量化这种频率特异性耦合强度的重要指标，被广泛应用于脑电图、皮层脑电图、颅内脑电图和局部场电位的研究中，以探究功能连接、识别生物标志物以及探索脑-体整合。然而，相干性值可能因共享噪声、容积传导与非真实同步相关的窄带振荡而虚高。因此，统计检验对于区分真实交互与虚假相关至关重要。目前，标准的相干性显著性检验方法依赖于基于替代的零分布生成，其中频谱保持方法（如傅里叶变换相位随机化替代）因能保持振幅谱同时破坏相位关系而被广泛推荐。尽管稳健，这些替代程序计算密集，每个通道-频率需要数百到数千次实现，并且产生离散的p值，其下限为1/(n_perm+1)，限制了在大数据集中的可扩展性。此外，相干性作为渐近正态值（相干度， coherency）的幅度，在零假设下并不具有渐近正态分布，这也促使研究者寻找可扩展的参数化替代方案。为了克服这些局限性，本研究提出并验证了一种新的参数化框架。

2. 关键技术方法概览

本研究采用了基于解调带变换的复数时频系数分析方法。研究人员使用真实呼吸带记录（采样频率F_s=250 Hz）作为驱动信号，并生成具有预设相干性水平（目标C_true）的观测信号。通过应用广义线性模型对复数时频系数进行拟合，并进行自由度为2的似然比检验，以评估特定频带（如呼吸频率f_br）处的相干性显著性。该方法与两种频谱保持替代基线——循环时移和相位随机化——进行了系统比较，评估指标包括检测功效、受试者工作特征曲线分析和运行时间。研究使用了来自临床癫痫手术监测患者的人类颅内局部场电位数据，所有分析均在去标识化数据上进行，符合伦理规范。

3. 研究结果

观测模型与目标相干性

研究人员构建了包含真实呼吸驱动分量和加性高斯白噪声的模拟观测信号。通过解调带变换提取复数系数，并控制噪声水平以获得预设的真实相干性。观测到的相干性与注入的真实相干性在整个范围内呈单调增长关系，并在单位线附近存在由于有限样本变异性和宽带噪声引起的离散。

观测与真实相干性

图示结果表明，在呼吸频率处，通过解调带变换估计的观测相干性随注入（真实）相干性增加而单调增加。研究人员指出，观察到的离散模式与经典理论预测有所不同，这可能与解调带变换的估计特性有关，其方差模式在相干性值较高时更大。

讨论

本研究系统比较了参数化的广义线性模型框架与传统的基于替代方法的相干性显著性检验。结果表明，广义线性模型在复数解调带变换系数上的应用，与最常被推荐的相位随机化替代方法具有相当的灵敏度，同时在所有耦合水平上持续优于循环时移替代法。广义线性模型的主要优势在于其计算效率，与替代方法相比速度提升了约190倍。此外，它还避免了有限替代次数（如1/(n_perm+1)）带来的p值下限问题，并能提供连续的p值。该方法允许跨通道、试验和参与者进行灵活的分组分析，并且与短时傅里叶变换等其他时频表示兼容。研究的局限性包括模型对高斯噪声的假设，在尖峰或重尾噪声存在时可能需要稳健回归，以及在极低信噪比或强非平稳性情况下，替代方法可能仍有优势。

4. 研究结论总结与翻译

结论

研究人员引入并验证了一个用于相干性显著性检验的参数化框架，该框架将广义线性模型直接拟合到复数时频系数，并在使用真实呼吸驱动器的匹配模拟中，与频谱保持替代方法进行了评估。广义线性模型在检测性能上匹配了被推荐的相位随机化替代方法，并优于循环时移替代法，同时消除了置换检验的数值下限，并产生了连续、平滑的p值。在相同的80%检测功效下，广义线性模型在C ≈ 0.16时检测到相干性，而替代检验则需要C ≈ 0.31，相当于信噪比提升了约8分贝。运行时基准测试显示速度提升了约190倍。总体而言，该框架为脑电图/颅内脑电图研究中的大规模相干性映射提供了强大、可扩展的推断工具。