从时频结果中提取事件相关电位（Event-Related Potential，ERP）的分析方法已经广泛应用于认知神经科学的研究。目前这种方法主要存在以下两个问题：（1）ERP时频分析时，往往是通过Morlet小波变换获得，在进行时频分析之前需要考虑中心频率f0和带宽?来定义一个母波，这个两个参数直接影响时频结果的时频分辨率，但其影响在以往的研究中并未得到广泛讨论；（2）采集的单试次ERP数据中往往是锁时锁相电位、准锁时非锁相电位、自发脑电和噪声混合在一起，虽然之前有研究者利用非负CP（Canonical Polyadic）分解算法从锁时锁相（evoked）脑活动中分离出锁时锁相电位，但尚未用其从全脑活动（induced plus evoked）分离准锁时非锁相电位成分，进而用其解释与实验设计相关的大脑加工机制特点。 本论文中，首先采用CWT和fastwavelet这两种基于Morlet小波变换的算法和不同组的中心频率和带宽对同一被试的ERP数据（本论文使用的数据是基于Go-Nogo两因素实验设计：情绪?任务）进行时频分析，其次用非负CP算法对时频结果构建的三阶张量进行分解，进而选择一种适合这个ERP数据进行时频分析的最优算法和参数。最后，利用前一步选择好的算法和参数对所有ERP数据进行时频分析，得到时频结果构建的四阶张量，再利用非负CP算法对其分解，分离准锁时非锁相电位成分和锁时锁相电位成分，着重探讨两者在时域、频域、空间域和统计分析上的差异。 分析结果表明：分别从evoked和induced plus evoked脑活动中分离出来的锁时锁相电位在时域波形图、频域频谱图、空间域的脑地形分布图、不同条件的均值和统计分析结果差别不大；从induced plus evoked脑活动中分离出来的锁时锁相电位成分与准锁时非锁相电位成分相比，后者的时域感兴趣成分的潜伏期比前者的滞后，统计分析上两者在情绪间和任务间主效应均显著，但只有后者情绪与任务间交互作用显著，即后者的统计分析结果比较适合用来解释与实验设计有关的大脑加工机制过程。
展开▼
