神经振荡是大脑电活动中最显著的节律现象之一。在静息态脑电、任务诱发LFP和认知负荷相关的MEG中，我们都能观察到一系列具有清晰频率结构的振荡节律。这些振荡的研究为理解注意力、记忆、感知乃至精神疾病提供了强有力的理论工具。研究者主要通过功率谱（spectral power）、相位分析（phase analysis）和耦合度量（coupling metrics）等方法来揭示大脑信息处理中的振荡机制。

然而，Donoghue等人（2021）在其技术性综述中提出警示：这些分析方法往往建立在对信号特性的一系列"默认假设"之上，而这些假设在真实的神经信号中并不总是成立。一旦我们忽视了这些隐含前提，就很容易"过度解读"甚至"误读"数据。

本文将基于该文提出的七大误区，系统梳理每一项潜在的分析陷阱，解释其产生原因，并探讨如何在实际研究中规避这些问题。

一、功率谱中的能量并不等同于振荡的存在

在神经信号分析中，我们习惯将功率谱中特定频率段的能量峰值解释为"振荡的存在"。例如，当观察到8–12Hz频段有显著能量区时，我们会自然地称之为"alpha振荡"。然而，Donoghue等人提醒我们，这种推断过于武断。

神经场电位（如EEG、LFP等）不仅包含我们关注的节律成分（即真正的振荡），还包含广泛的非周期性（aperiodic）成分——尤其是所谓的"1/f噪声"。这种背景活动在功率谱中普遍存在，呈现一种典型的斜率结构：频率越高，功率越低。

问题在于，即使信号完全不包含真实节律，其功率谱在低频段仍可能出现"凸起"的能量。更为棘手的是，当使用窄带滤波器进行band-pass滤波时，它会强制从非周期性背景信号中"滤出"一段看似规则的波形，这种处理可能误导我们认为观察到了节律性活动。

Donoghue等人通过一个经典例子说明了这一点：对一个纯粹的1/f噪声信号使用narrowband filter进行滤波，在滤波后的波形中仍能观察到貌似真实的振荡节律。这种假象仅仅是滤波器"强行赋予"信号以节律结构（参见原文图1c）。

图 1 如果没有验证振荡活动，则应用的测量方法可能反映非周期性活动。
a）非振荡信号（例如狄拉克 delta 函数）在所有频率上都表现出功率。
b）类似地，非振荡 1/f 信号也在所有频率上具有功率，包括典型的窄带区域：Delta（黄色）、theta（绿色）、alpha（蓝色）和 beta（紫色）。该功率谱说明了一个事实，即仅仅因为某个频率有功率，并不意味着该频率存在主导振荡。
c）（b）中显示的窄带滤波信号轨迹看起来是有节奏的。请注意，这反映的是来自非周期性活动的带功率，而不是任何窄带振荡。
d）有节奏的信号（例如纯正弦波）在功率谱中表现为主要峰值。
e）包含非周期性活动和窄带 alpha 振荡的组合信号。在这种情况下，振荡在功率谱中以峰值的形式可见，高于非周期性1/f类信号的频谱贡献。
f）可以检测频谱峰值，以识别数据中的假定振荡，如已识别的峰值所示（绿色）。频谱峰值检测可用于选择需要进一步分析的频带，例如，选择需要滤波的alpha范围进行后续分析（底部）。 — **图 1** 如果没有验证振荡活动，则应用的测量方法可能反映非周期性活动。 a）非振荡信号（例如狄拉克 delta 函数）在所有频率上都表现出功率。 b）类似地，非振荡 1/f 信号也在所有频率上具有功率，包括典型的窄带区域：Delta（黄色）、theta（绿色）、alpha（蓝色）和 beta（紫色）。该功率谱说明了一个事实，即仅仅因为某个频率有功率，并不意味着该频率存在主导振荡。 c）（b）中显示的窄带滤波信号轨迹看起来是有节奏的。请注意，这反映的是来自非周期性活动的带功率，而不是任何窄带振荡。 d）有节奏的信号（例如纯正弦波）在功率谱中表现为主要峰值。 e）包含非周期性活动和窄带 alpha 振荡的组合信号。在这种情况下，振荡在功率谱中以峰值的形式可见，高于非周期性1/f类信号的频谱贡献。 f）可以检测频谱峰值，以识别数据中的假定振荡，如已识别的峰值所示（绿色）。频谱峰值检测可用于选择需要进一步分析的频带，例如，选择需要滤波的alpha范围进行后续分析（底部）。

正确做法

因此，在开展任何振荡分析之前，最关键的第一步是确认信号中确实存在节律活动。Donoghue建议从两个维度进行检验：

频率域：观察功率谱中是否存在超出背景的清晰峰值（spectral peak），而非仅是斜坡式的背景。

时间域：直接观察原始波形，寻找是否存在可见的、近似周期的节律段落。

此外，FOOOF（Fitting Oscillations and One-Over-F）或eBOSC等工具可用于定量分离周期性与非周期性成分，帮助判断功率是否确实源于振荡而非背景漂移。

二、标准频段划分并不适用于所有人

在神经科学研究中，我们习惯将脑电或LFP信号划分为标准频段：delta（1–4 Hz）、theta（4–8 Hz）、alpha（8–12 Hz）、beta（13–30 Hz）、gamma（>30 Hz）。这种划分源于早期神经生理研究的总结，确实为群体水平分析提供了便利。然而，当我们机械地将其应用到每位被试、每个脑区时，却忽视了一个关键事实：神经振荡的真实频率往往具有个体差异，甚至区域差异。

Donoghue等人通过模拟数据清楚地展示了这个问题。他们比较了两个信号：一个具有8 Hz的振荡峰，另一个具有10.5 Hz的振荡峰。若按"alpha=8–12 Hz"的标准定义，这两个信号在平均功率上都属于alpha波段。但若以更细的子区间（如8–10 Hz对比10–12 Hz）分析，这两个振荡就会被分别归类，甚至被误解为"频段差异"，从而导致分析偏差（见原文图2a–c）。

更为棘手的是，当个体的真实振荡频率落在这些边界之外（如theta与alpha的交界处），该振荡可能被忽视、弱化或误判为其他频率的变化。这种现象在睡眠研究和发展性神经科学中尤为明显，因为振荡频率会随年龄增长和神经状态而动态变化。

图 2 典型频带范围可能无法捕捉窄带峰值。
a）模拟信号及其相应的功率谱，其中存在显著的 10 Hz α 振荡。蓝色阴影部分为典型 α 范围（8-12 Hz）。
b）另一个具有显著 α 振荡的信号，峰值频率为 8 Hz。
c）使用典型频带范围，发现 (a) 和 (b) 中信号的 α 功率存在显著差异。检查相邻频带时（右图），由于 α 峰值漂移到典型 θ 范围内，θ 功率也存在测量差异。这些结果表明信号之间存在振荡功率差异；然而，这实际上是由 α 峰值频率差异造成的。
d）来自 (b) 的时间序列，已使用典型范围（蓝色）和个性化范围（绿色）滤波到 α 频率范围内。个体化范围已调整至时间序列的峰值频率（见插图功率谱）。请注意，个体化滤波器捕获了更多窄带活动。
e）使用个体化频段后，测量的 alpha 功率不再存在差异，这与 (c) 中由于峰值频率不匹配而导致的测量差异一致。 — **图 2** 典型频带范围可能无法捕捉窄带峰值。 a）模拟信号及其相应的功率谱，其中存在显著的 10 Hz α 振荡。蓝色阴影部分为典型 α 范围（8-12 Hz）。 b）另一个具有显著 α 振荡的信号，峰值频率为 8 Hz。 c）使用典型频带范围，发现 (a) 和 (b) 中信号的 α 功率存在显著差异。检查相邻频带时（右图），由于 α 峰值漂移到典型 θ 范围内，θ 功率也存在测量差异。这些结果表明信号之间存在振荡功率差异；然而，这实际上是由 α 峰值频率差异造成的。 d）来自 (b) 的时间序列，已使用典型范围（蓝色）和个性化范围（绿色）滤波到 α 频率范围内。个体化范围已调整至时间序列的峰值频率（见插图功率谱）。请注意，个体化滤波器捕获了更多窄带活动。 e）使用个体化频段后，测量的 alpha 功率不再存在差异，这与 (c) 中由于峰值频率不匹配而导致的测量差异一致。

正确做法

要克服这一问题，关键在于：**避免预设频率段，而应根据每位被试、每个脑区的功率谱，动态地定义个体化频段。**这并非过于复杂或理想化的建议，许多研究工具已经提供了相关功能：

FOOOF模型可以精确拟合功率谱中的峰值频率；

MODAL方法（Watrous et al., 2018）可基于群体数据计算最可靠的频段边界；

对于任务相关研究，可根据baseline与任务期间的峰值差异来动态调整频段划分。

总之，个体化分析不是一种"奢侈"，而是确保科学严谨性的必要步骤。在处理不同被试或不同脑区的数据时，提前确认其主导节律的频率位置，是避免后续误判的关键。

三、不是所有功率变化都反映振荡的改变

神经科学中的频域分析主要关注特定频段的功率变化。比如，注意力任务中alpha功率下降常被解读为"皮层去同步"，认知任务中theta功率上升则被视为"执行负荷增强"。然而，Donoghue等人强调，功率谱中的变化不仅来自周期性振荡的增强或削弱，还可能源于非周期性背景活动的变化。

这种背景活动的变化主要体现在1/f谱结构上。当谱的斜率（exponent）改变时，整个功率谱会发生"倾斜"：或陡或平。这种斜率变化会导致高频能量下降、低频能量上升，即使周期性振荡本身并未发生实质性改变。

Donoghue通过示意图清晰地说明了这一点：两个功率谱中的周期性振荡（如alpha峰的位置和带宽）完全相同，仅背景谱斜率不同，就能在各频段产生"功率变化"。如果不区分周期性和非周期性成分，这些变化容易被误解为"神经节律调节"或"频段间功能交互"。

这个问题在"功率比值"指标中尤其明显。例如，ADHD研究中常用的theta/beta比值，按照Donoghue等人的观点，其变化更多反映的是背景谱的整体倾斜，而非真正的频带振荡变化。

图 3 非周期性活动的变化会影响频带功率测量。
a）非周期性白色（黑色）和粉红色（红色）噪声信号的示例，如其功率谱所示，它们在不同频率上显示出不同的功率模式。蓝色阴影表示典型的 α 范围，插图中显示的是 α 范围内的时间序列滤波。请注意，粉红噪声信号的“α”功率似乎有所增加。
b）包含非周期性和振荡功率（黑色）的模拟组合信号，以及在谱域中旋转后，具有相同周期分量但非周期分量发生变化的信号的变换版本（红色）。请注意，在（a）和（b）中，看似特定于频带的变化实际上反映了非周期性活动的差异。
c）使用相同振荡分量但不同非周期性活动模拟的组合信号的功率谱比较。阴影部分反映了不同的频带，包括 δ（黄色）、θ（绿色）、α（蓝色）、β（紫色）和 γ（红色）。
d）针对 (c) 图中光谱，分别计算每个频带的功率绝对差。请注意，尽管数据差异被模拟为非周期性成分的变化，但逐个频带的分析表明不同频带之间存在变化模式。
e）相对 α 功率（底部）的计算方法是将绝对频带功率（左上）除以所有频率的功率（右上）。请注意，尽管 α 功率的量没有差异，但由于信号之间存在系统性不同的非周期性活动，因此测量到的相对功率发生了变化。 — **图 3** 非周期性活动的变化会影响频带功率测量。 a）非周期性白色（黑色）和粉红色（红色）噪声信号的示例，如其功率谱所示，它们在不同频率上显示出不同的功率模式。蓝色阴影表示典型的 α 范围，插图中显示的是 α 范围内的时间序列滤波。请注意，粉红噪声信号的“α”功率似乎有所增加。 b）包含非周期性和振荡功率（黑色）的模拟组合信号，以及在谱域中旋转后，具有相同周期分量但非周期分量发生变化的信号的变换版本（红色）。请注意，在（a）和（b）中，看似特定于频带的变化实际上反映了非周期性活动的差异。 c）使用相同振荡分量但不同非周期性活动模拟的组合信号的功率谱比较。阴影部分反映了不同的频带，包括 δ（黄色）、θ（绿色）、α（蓝色）、β（紫色）和 γ（红色）。 d）针对 (c) 图中光谱，分别计算每个频带的功率绝对差。请注意，尽管数据差异被模拟为非周期性成分的变化，但逐个频带的分析表明不同频带之间存在变化模式。 e）相对 α 功率（底部）的计算方法是将绝对频带功率（左上）除以所有频率的功率（右上）。请注意，尽管 α 功率的量没有差异，但由于信号之间存在系统性不同的非周期性活动，因此测量到的相对功率发生了变化。

正确做法

为避免这类误判，分析时应采取更精确的方法：

使用FOOOF或类似工具将功率谱分解为周期性与非周期性成分，分别分析其变化；

避免仅依赖"频带功率平均"或"功率比值"作为核心指标；

结果报告时，明确说明所观察的功率变化是基于周期性峰值的变化，还是源于频谱结构的整体漂移。

通过准确区分"频段功率增加"与"谱结构变化"，我们才能更准确地理解神经振荡的功能意义，避免受背景因素干扰而得出错误结论。

四、振荡不是持续存在的，而是以"爆发"形式间歇出现

在许多分析中，我们常常假设神经振荡是持续存在的——比如认为alpha节律始终维持在8–12Hz，只是强度会有所变化。但在真实信号中，这种假设很少成立。Donoghue等人指出，大多数神经振荡在时间轴上呈现**断断续续、短暂爆发（burst-like）**的形式，而非稳定持续的"纯振荡"。

当我们将包含burst的多个试次取平均时，容易产生一个错觉：似乎信号中存在持续的振荡。例如，在注意任务中观察到的alpha功率上升，可能仅仅是因为某些trial中alpha burst出现得更频繁或持续更长，经过平均后形成了表观的"持续激活"（见原文Figure 4c）。

Donoghue等人通过模拟信号进一步证明，即使每个burst的幅度完全相同，仅仅是burst的出现频率、持续时间和分布时间的差异，就能导致平均功率的显著变化。这种变化容易被误解为"振荡增强"或"同步化改变"，但实际上只反映了爆发特征的统计差异（Figure 4b）。

图 4 神经振荡的时间动态影响频谱测量。
a）两个模拟信号，其 α 波段的爆发活动水平较低（顶部；蓝色）和较高（底部；绿色），以概率爆发开始和结束进行模拟。标识为爆发的片段以红色阴影表示。请注意，如果存在振荡功率，则两个信号中的振荡功率相同。
b）（a）中信号的功率谱。注意 alpha 峰值大小的差异，这表明信号之间的 alpha 功率存在差异。然而，当量化爆发内的功率时（插图条形图），发现功率大致相同。功率的明显差异是由于时间变异性的差异造成的。
c）时间变异性可能导致平均结果中出现虚假的持续功率。单次试验的声谱图（顶部）显示振荡功率的短暂爆发，平均下来产生看似持续的响应（底部）。
d–f）测量到的功率差异可能由于爆发振荡的多种特征而产生，包括爆发持续时间（d）、发生频率（e）和/或振幅（f）的变化。在这些模拟中，两个时间序列中有一个特征有所不同，而其他所有特征均保持不变。每个特征都会在最终的 α 峰值中产生类似的差异，这表明测量到的功率可以反映所分析时间序列的多个时间变异性。 — **图 4** 神经振荡的时间动态影响频谱测量。 a）两个模拟信号，其 α 波段的爆发活动水平较低（顶部；蓝色）和较高（底部；绿色），以概率爆发开始和结束进行模拟。标识为爆发的片段以红色阴影表示。请注意，如果存在振荡功率，则两个信号中的振荡功率相同。 b）（a）中信号的功率谱。注意 alpha 峰值大小的差异，这表明信号之间的 alpha 功率存在差异。然而，当量化爆发内的功率时（插图条形图），发现功率大致相同。功率的明显差异是由于时间变异性的差异造成的。 c）时间变异性可能导致平均结果中出现虚假的持续功率。单次试验的声谱图（顶部）显示振荡功率的短暂爆发，平均下来产生看似持续的响应（底部）。 d–f）测量到的功率差异可能由于爆发振荡的多种特征而产生，包括爆发持续时间（d）、发生频率（e）和/或振幅（f）的变化。在这些模拟中，两个时间序列中有一个特征有所不同，而其他所有特征均保持不变。每个特征都会在最终的 α 峰值中产生类似的差异，这表明测量到的功率可以反映所分析时间序列的多个时间变异性。

正确做法

如果忽视振荡的burst特性，我们就无法真正理解信号背后的动力学机制。因此，分析时应采用burst分析范式：

不仅关注功率变化，还要统计burst的三个关键特征：出现频率、持续时间和振幅；

采用burst检测算法，如eBOSC、cycle-by-cycle或HMM方法，提取每次burst的动态特征；

保留单次trial的分析结果，避免仅依赖平均时频图来判断"振荡是否存在"。

特别是在研究任务反应、行为预测或治疗效果时，burst的微观结构（如"刺激后250ms内是否出现burst"）往往比平均功率能提供更有价值的信息。

五、振荡波形并非正弦形状，错误波形会产生"耦合假象"

在所有时频分析方法中，有一个几乎不被质疑的基础假设：神经振荡呈现正弦波（sinusoid）形状。这看似理所当然——大多数滤波器设计、Hilbert变换提取相位/幅度、傅里叶分析建模，都建立在正弦假设之上。

然而，大脑并非如此规整的发电机。Donoghue等人指出，许多常见神经振荡（如感觉运动mu节律、海马theta、视觉alpha）在时域中往往呈现非正弦形态：可能带有尖锐峰、不对称的上升/下降时间，甚至呈锯齿状。这种波形变形会带来两个严重后果：

相位估计失真：当对非正弦波进行带通滤波时，滤波器会丢失原波形的高次谐波成分，导致重构波形变形，进而影响每个采样点的相位值（Figure 5a）。

伪造频率耦合现象：一个非正弦的alpha波（如10Hz）会在功率谱中自然产生二次、三次谐波（20Hz、30Hz），这可能被某些算法错误解读为beta/gamma与alpha之间存在PAC（相-幅耦合）（Figure 5b–e）。

这意味着，即便只测到单一频率的振荡，如果它不是正弦形状，传统算法也会显示"存在跨频交互"，从而误导研究者推断大脑中存在功能性节律耦合机制。

图 5 神经振荡的波形形状影响功率和耦合测量。
a）四种具有不同上升-衰减不对称性的时域信号（彩色轨迹）及其窄带滤波版本（黑色轨迹）。不对称振荡的窄带滤波会移动信号的峰值时间，阴影区域标记了原始信号和滤波版本峰值之间的距离。
b）在相应的功率谱中，由于不对称性，在谐波频率（恰好是振荡频率的两倍和三倍）处出现了频谱峰值。
c）这些谐波峰值的尺度与不对称性有关，因此增加波形不对称性可以表现为β频率范围内的功率增加。
d）非正弦节律也会产生杂散相位幅度耦合。10 Hz 非正弦 α 信号在 β 峰值频率（15-25 Hz）附近进行带通滤波。 β信号表现出幅度偏差，这取决于非正弦波形驱动的 α 相位（插图显示每个信号的功率谱）。
e）通过计算β包络作为α相位的函数来量化相位幅度耦合。与纯β正弦波（红色）相比，非正弦信号（蓝色）的β包络在特定α相位处呈现最小值，表明存在相位-幅度耦合，这种耦合由α节律的波形形状驱动。 — **图 5** 神经振荡的波形形状影响功率和耦合测量。 a）四种具有不同上升-衰减不对称性的时域信号（彩色轨迹）及其窄带滤波版本（黑色轨迹）。不对称振荡的窄带滤波会移动信号的峰值时间，阴影区域标记了原始信号和滤波版本峰值之间的距离。 b）在相应的功率谱中，由于不对称性，在谐波频率（恰好是振荡频率的两倍和三倍）处出现了频谱峰值。 c）这些谐波峰值的尺度与不对称性有关，因此增加波形不对称性可以表现为β频率范围内的功率增加。 d）非正弦节律也会产生杂散相位幅度耦合。10 Hz 非正弦 α 信号在 β 峰值频率（15-25 Hz）附近进行带通滤波。 β信号表现出幅度偏差，这取决于非正弦波形驱动的 α 相位（插图显示每个信号的功率谱）。 e）通过计算β包络作为α相位的函数来量化相位幅度耦合。与纯β正弦波（红色）相比，非正弦信号（蓝色）的β包络在特定α相位处呈现最小值，表明存在相位-幅度耦合，这种耦合由α节律的波形形状驱动。

正确做法

在时域中明确量化振荡的形态特征，如上升/衰减的非对称性、峰值锐度、波谷宽度等；

判断频谱中的多个峰值是否为谐波（整倍数关系），可使用双相干性、谐波PAC指标进行筛查；

进行PAC分析时需特别注意：若高频信号总是出现在低频的特定相位上，不能直接推断为"调制"，还需验证是否源于波形结构本身。

Donoghue等人建议：只有在准确量化并控制波形形状后，才能可靠地解释频率间的交互关系，否则容易得出"虚假耦合"的结论。

六、多源信号的混合常常掩盖真实振荡结构

在EEG/MEG等体表记录方式中，每个电极记录到的并非单一脑区的信号，而是多个脑区、多个振荡源通过体积传导（volume conduction）混合的结果。这种混合不仅影响功率测量，更会扭曲我们对节律来源与特征的理解。

举例来说，当两个脑区各自产生alpha波（一个是10.5Hz，另一个是9Hz），它们混合后会在功率谱中表现出"双峰"（split alpha）现象。我们容易误认为这是"一个脑区内部的两种alpha机制"，实际上只是两个来源的重叠（Figure 6b）。更有趣的是，当两个源振荡频率相同但相位相反时，它们甚至可能在sensor level完全抵消（Figure 6c）。这会让研究者误以为"振荡消失了"，而实际上是"被干扰了"。

这个问题在连接性分析中尤为突出：当你观察到两个通道之间存在高相位同步时，很可能仅仅是因为同一个源同时投影到了两个通道，并非存在真实的神经连接。

图 6 多个同时发生的节律会干扰并影响传感器级数据。
a）一个真实的头部模型，其中两个振荡源（红色和蓝色）放置在后皮质中，投射到突出显示的电极（绿色）上。下方是两个对记录电极有贡献的源的拓扑结构。两个源的导联场系数具有大致相等的值，表明对绿色电极上记录的活动的贡献相等。
b）在此模拟中，电极信号（绿色；底部）反映了多个底层源，包括两个不同的节律成分，其峰值频率略有不同。这些源可以看作是功率谱中的两个谱峰。
c）对两个具有相同峰值频率但具有相位差的振荡源进行单独模拟。由于相位差为π，两个源会相消叠加。在这种情况下，即使各个源的振荡功率稳定且一致，源的干扰也会在电极级相互抵消。请注意，在这些模拟中，振荡是非正弦的，这也会产生功率谱中看到的谐波峰值。 — **图 6** 多个同时发生的节律会干扰并影响传感器级数据。 a）一个真实的头部模型，其中两个振荡源（红色和蓝色）放置在后皮质中，投射到突出显示的电极（绿色）上。下方是两个对记录电极有贡献的源的拓扑结构。两个源的导联场系数具有大致相等的值，表明对绿色电极上记录的活动的贡献相等。 b）在此模拟中，电极信号（绿色；底部）反映了多个底层源，包括两个不同的节律成分，其峰值频率略有不同。这些源可以看作是功率谱中的两个谱峰。 c）对两个具有相同峰值频率但具有相位差的振荡源进行单独模拟。由于相位差为π，两个源会相消叠加。在这种情况下，即使各个源的振荡功率稳定且一致，源的干扰也会在电极级相互抵消。请注意，在这些模拟中，振荡是非正弦的，这也会产生功率谱中看到的谐波峰值。

正确做法

避免仅在sensor level进行解读，应尽量使用源分离算法，如ICA、beamforming、GED等；

在无法进行源定位时，选用能排除体积传导影响的连接性指标（如imaginary coherence、PLV的非零延迟版本）；

当观察到"多个频率峰"时，应优先考虑是否为多个来源混合所致，而非同源双节律。

Donoghue强调，虽然这些方法并非万能，但至少比直接依赖sensor level功率谱的解读更为可靠。

七、低信噪比下，一切分析都不可信

Donoghue等人最后指出，即便做足了前六点准备，如果信号本身的信噪比（SNR）过低，所有分析结果都可能是误判。

低SNR最常见的后果是：相位估计不稳定（phase slips）。这表现为相位的突然跳跃，同时功率变化也极不稳定。你原本想测量的"振荡变化"，实际测到的可能只是"噪声抖动"。这对phase-locking value、inter-trial coherence、PAC等分析特别致命——在SNR不足时，这些指标会偏离理论值，无法反映任何认知机制（Figure 7c–f）。

更隐蔽的危害在于：当比较两个条件间的这些指标时，差异可能仅源于SNR的不同，而非振荡本身的变化。这会让研究者错误地认为"大脑发生了功能重组"。

图 7 低振荡信噪比 (SNR) 对测量的影响。
a）具有可变 SNR 的 α 振荡模拟信号的功率谱，如不同的峰高所示。
b）具有高 SNR 的模拟信号之一，带有经 α 滤波的信号（顶部；蓝色），从中计算出瞬时相位（中间；红色）和频率（底部；绿色）。请注意，模拟信号具有一致的相位和频率。
c）与（b）相同，对于具有低 SNR 的信号。请注意，在这种情况下，由于低 SNR 导致的错误估计，相位和频率的估计是可变的。这导致瞬时相位出现箭头所示的相位滑移，这也会导致瞬时频率估计不稳定。
d）高和低 SNR 信号的滤波版本。在模拟信号中，底层信号（灰色）除了功率差异外是相同的，并且具有均匀的相位。滤波后的轨迹（蓝色）与底层信号存在偏差，尤其是在低 SNR 信号中。
e）（d）中信号的相位估计，其中实心红色表示模拟振荡的真实相位，阴影表示在每个 SNR 范围内经过多次相位估计迭代后估计相位的标准偏差。这表明，SNR 越低，相位估计的方差就越大。这些不稳定的相位估计将影响后续测量，例如相位耦合。
f）在高功率振荡和功率降低的模拟信号之间计算出的锁相值，如（a）所示。请注意，所有模拟振荡都具有相同的模拟相位时间过程，因此预期的锁相值为 1，任何低于此值的估计都是由于低功率导致的错误估计。 — **图 7** 低振荡信噪比 (SNR) 对测量的影响。 a）具有可变 SNR 的 α 振荡模拟信号的功率谱，如不同的峰高所示。 b）具有高 SNR 的模拟信号之一，带有经 α 滤波的信号（顶部；蓝色），从中计算出瞬时相位（中间；红色）和频率（底部；绿色）。请注意，模拟信号具有一致的相位和频率。 c）与（b）相同，对于具有低 SNR 的信号。请注意，在这种情况下，由于低 SNR 导致的错误估计，相位和频率的估计是可变的。这导致瞬时相位出现箭头所示的相位滑移，这也会导致瞬时频率估计不稳定。 d）高和低 SNR 信号的滤波版本。在模拟信号中，底层信号（灰色）除了功率差异外是相同的，并且具有均匀的相位。滤波后的轨迹（蓝色）与底层信号存在偏差，尤其是在低 SNR 信号中。 e）（d）中信号的相位估计，其中实心红色表示模拟振荡的真实相位，阴影表示在每个 SNR 范围内经过多次相位估计迭代后估计相位的标准偏差。这表明，SNR 越低，相位估计的方差就越大。这些不稳定的相位估计将影响后续测量，例如相位耦合。 f）在高功率振荡和功率降低的模拟信号之间计算出的锁相值，如（a）所示。请注意，所有模拟振荡都具有相同的模拟相位时间过程，因此预期的锁相值为 1，任何低于此值的估计都是由于低功率导致的错误估计。

正确做法

在分析前评估SNR：可通过目标频段峰值高度与周围背景均值的比值来估计；

确保不同条件、被试间的SNR保持一致，或在结果解释时控制SNR差异的影响；

采用在高SNR下更稳健的分析方法，如Kalman平滑器、Monte Carlo估计，或使用burst-level时间窗进行相位统计。

Donoghue等人一针见血地指出："问题不在于方法不对，而在于根本没有可测量的信号。"

结语：从功率谱到神经机制，我们应该更谨慎地谈论振荡

神经振荡曾被誉为大脑节奏的语言，是大脑信息处理过程的组织者。Donoghue等人在这篇重要的综述中提醒我们，要想科学地谈论"振荡"，我们首先必须弄清楚：我们分析的信号到底是不是振荡。

这七条分析陷阱表面上看是技术性问题——"有没有振荡"、"频段准不准"、"背景有没有变"。但其深层含义远不止如此。它们从不同角度指向一个核心事实：**神经信号极其复杂，我们用来处理它的工具却往往过于简化。**不恰当的假设、不充分的验证、过早的归因，都可能让我们在信号表面看到的"规律"变成误导。

这七点之间并非孤立存在，而是层层相扣，互为因果：

没有节律的信号（陷阱一）会被固定频段划分（陷阱二）误判为有；

背景1/f变化（陷阱三）会掩盖或伪造功率变化，并干扰burst检测（陷阱四）；

非正弦波形（陷阱五）产生假频率耦合，而多源干扰（陷阱六）会让你误以为"发现了一个神经网络"；

低信噪比（陷阱七）则会使所有上述分析结果都趋向随机。

这些陷阱有一个共同特点：它们都不是源于"算法不对"，而是"方法和数据之间的假设不匹配"。正如作者所强调：问题不在于分析公式的数学正确性，而在于我们对分析结果的生理意义解读是否成立。

如何面对这种复杂性？

Donoghue等人并非否定神经振荡的研究意义，他们提出的是建设性反思，而非质疑。以下是对研究者们的几点建议：

在分析前设定检查点，而不是在结果后寻找解释。在进行任何频率分析、滤波、相位计算之前，请先确认信号中确实存在你要找的内容。

不怕复杂，怕的是简化不当。每个功率变化都可能同时来自峰值、burst率、1/f斜率、SNR变化等多种因素。不要用简单的"XX频段增强了"来解释复杂的大脑过程。

让可视化和数据探索回到神经科学分析流程中。绘制功率谱、trial-level波形、burst分布、非正弦波形，让你更贴近数据本身，而不是算法的想象。

引入新的工具，不等于抛弃已有知识。如 FOOOF、eBOSC、cycle-by-cycle、source separation、harmonic control 等方法，都是为了更合理地运用已有分析思路，而非推倒重来。

最后

💡

不是所有功率谱的峰都是振荡，不是所有耦合现象都有生理意义，不是所有频率变化都意味着功能变化。

总结表

主题	数据特性	方法学问题	建议
#1 振荡是否存在	神经振荡的存在具有变异性，可能在记录中并不总是出现	如果没有振荡存在，所用分析方法将无法反映真实的振荡活动，结果可能只是反映了非周期性成分	在开始分析前确认振荡是否存在，例如使用频谱峰值检测，或在时间域中使用 burst 检测方法
#2 频率变化	神经振荡的峰值频率在个体或区域间具有变异性	使用经典固定频段（如8–12 Hz）可能无法准确捕捉真实的振荡活动	在分析前验证频段设置的合理性，并根据实际数据进行个体化调整
#3 非周期性活动	神经振荡与动态变化的非周期性活动共存	所观测到的功率变化可能源自非周期性成分的变化，而非周期性振荡本身的变化	分析中应衡量并控制非周期性成分的影响，明确其是否解释了观察到的变化
#4 时间上的可变性	神经振荡在时间轴上具有可变性，常呈现 burst（突发）特征	若只分析平均功率，可能会将多个 trial 中的 burst 混合，形成虚假的“持续性活动”印象	检查单试次数据以评估时序变化，使用 burst 检测方法来准确量化 burst 特性
#5 波形形态	神经振荡常呈现非正弦形状的波形	分析方法常假设振荡为正弦形，若波形不规则，可能导致错误结果	应分析波形的形态特征（如对称性、尖锐度等），评估其是否影响了分析结果
#6 多源振荡重叠	大脑中存在多个共存的振荡源，这些源在空间上可能重叠	多源干扰可能导致破坏性叠加，使结果无法准确反映真实活动	使用源分离技术（如ICA、beamforming）以减少不同振荡类型之间的混叠
#7 信噪比变异	神经振荡的信噪比存在变化	若信噪比不足，则任何分析结果都可能不可靠甚至失真	评估分析所需的最低信噪比，并优化获取路径，以保障所有测量方法的可靠性

使用模型资产交换和数据资产交换

Adolf Beck 对大脑自发性节律的发现

Last update: 2025-05-08

个人微信：L2250751116

联系邮箱：fusenheizi@qq.com

擅长领域：侵入式脑机接口、闭环神经调控、神经信号解码/脑电分析、在体多通道电生理技术、动物行为及姿态实时识别等

FieldTrip工具包、DeepLabCut等相关问题添加微信询问~

B站主页：浮森黑子

硕士毕业，随时找工作ing…

当前年薪26W，有高薪工作机会或兼职欢迎联系:)