脑电数据的采集与分析

本章研究采用Curry 7记录分析系统，根据国际10-20系统扩展的64导电极帽记录EEG。脑电记录时以CZ和CPZ中间的REF电极为参考电极，离线数据分析时采用双侧乳突的均值进行重参考。双眼外侧安置电极记录水平眼电（HEOG），左眼上下安置电极记录垂直眼电（VEOG）。信号经放大器放大，记录连续EEG，在线滤波带宽为0.05～100 Hz，采样频率为500 Hz，头皮阻抗小于5 kΩ。完成连续记录EEG后离线处理数据，采用人工去除伪迹法去除受眨眼、身体活动和肌肉活动污染的时程。校正VEOG和HEOG，数字滤波为低通30 Hz，充分排除其他伪迹。本章研究对靶刺激出现后的脑电数据进行分析，并且根据反应结果，对反应正确的EEG进行叠加。波幅大于±100 μV者被视为伪迹而自动剔除。分析时程（Epoch）为靶刺激出现后1 200 ms，基线为靶刺激出现前200 ms。

本章的研究同时采用偏最小二乘回归（Parital Least Squares，PLS）法对脑电数据进行分析。PLS是一种多元数据处理技术，可以使研究者更好地确定神经活动和实验条件之间在时间及空间上存在的关系。它采用受限制的协方差矩阵，可以对研究者感兴趣的实验条件的协方差矩阵进行分析。在进行分析前，PLS需要建立一个基本的ERP 数据矩阵，数据的行向量包含所有被试在所有条件下的数据，列向量包含了每个电极所有时间点上的ERP波幅状况。建立好的矩阵需要经过总平均（Grand mean）的方式对矩阵列数据进行中心化（Mean-centering）的处理，由此条件之间的均值被转换成0附近的偏差值。接下来采用奇异值分解（Singular Value Decomposition，SVD）法对这些叠加偏差矩阵进行处理获取潜变量（Latent Variables，LVs）的结构。进行SVD的首要目的是提取出矩阵中最重要的特征。SVD会导出三部分结果来解释ERP波幅与实验条件之间的关系。第一个是奇异值向量（Singular Values），反映了每个潜变量未加权的量级，同时也被用来计算实验条件对每个潜变量的解释比例。奇异值越大，表明解释程度越高。第二和第三个输出结果显示了潜变量的结构，是一对正交向量。其中一个表示任务特征（Design Saliences）或任务分数（Design Scores），反映了各潜变量在实验条件之间的比较。另外一个向量表示电极特征（Electrode Saliences），反映了每个潜变量的任务特征效应是如何在时间和空间上分布的。电极的量级和特征表明在每个时间点上差异的强度和方向。每个潜变量的显著性检验由1 000次置换检验（Permutation test）来完成。置换检验用随机排列法重新指定被试的条件次序，对每次重新排列后的样本进行计算，并对抽样总体中大于观测值的次数进行比率计算，当p＜0.05时表明该潜变量是显著的。用200次自助法（Bootstrap）确定电极特征的可信度。自助法提供电极特征的标准误差，观察到的特征比率除以标准误差约等于Z分数。自助法比率大于2.5就说明差异稳定。

本章研究对ERP数据采用任务PLS来分析实验性变异效应（包括组别、任务和反应类型）。任务PLS是为了考察两组被试在前瞻负荷增加时的波幅变化特点。因此，先对两组被试的数据进行综合分析，后进行单独的分析。(https://www.daowen.com)

为进一步深入研究前瞻记忆任务负荷效应以及高海拔暴露对时间性前瞻记忆的影响，本研究同时采用了传统的波幅分析方法对P3成分的平均波幅进行了Anova分析。根据之前研究以及本实验的总平均ERP数据，研究选择了中线位置的5个电极（FPZ、FZ、CZ、CPZ和PZ）进行分析，时间窗口选在500～800 ms。对P3成分的平均波幅进行了2分的平均波幅的混合方差分析，其中组别为组间变量（高海拔组和低海拔组），三个组内因素分别为实验条件（基线条件和前瞻条件）、反应类型（一致和不一致）和电极点（FPZ、FZ、CZ、CPZ和PZ）。方差分析F值自由度采用Greenhouse-Geisser法进行校正。