从理论到工具用一份模拟 EEG 数据完成基础 RSA前两篇分别介绍了表征相似性分析representational similarity analysisRSA与表征几何。前者把不同条件的脑活动模式转换为表征不相似性矩阵representational dissimilarity matrixRDM后者进一步说明这些条件之间的距离关系可以作为连接脑活动、认知理论与计算模型的中间层。如果平时主要做 ERP第一次看到 RSA 的实际流程很容易觉得两者有些相似。这种感觉并没有错两者都要从 Marker 找到 trial都要划分实验条件也都要确定分析时间窗。真正不同的并不是数据从哪里进入而是我们准备向这些数据提出什么问题。理论RSA 在比较什么在一项常见的 ERP 分析中我们会把同一条件下的 trial 对齐并平均再考察某个电极或感兴趣区的波幅、潜伏期以及条件差异。RSA 也可以从同一批分段数据出发但它不先把问题收缩为“哪个条件的波幅更大”而是把一个条件在多个通道上的活动看成一个整体模式考察这些模式之间的关系。假设实验中有猫、狗、椅子和杯子四类刺激。在某个时间窗内每个条件都对应一个多通道脑电模式。如果猫与狗的模式较接近椅子与杯子的模式也较接近而动物与物体之间相距较远那么这些条件就在脑电数据中形成了一种类别结构。把所有条件两两之间的距离排成矩阵得到的就是 Neural RDM。研究假设也可以写成同样的矩阵。例如在一个“有生命—无生命”模型中同类刺激之间的距离设为 0跨类别距离设为 1这就是 Model RDM。RSA 所做的是比较脑电数据形成的 Neural RDM 与理论给出的 Model RDM 是否具有相近的关系结构。它检验的是“这些条件之间的相对远近是否符合模型”而不是仅凭一个相关系数证明大脑采用了某种具体算法。所以RSA 与 ERP 可以使用相同的 Marker 和时间窗却保留不同的信息ERP 更常考察波幅与潜伏期RSA 则考察条件之间的模式关系。几何RSA 是怎样算出来的把上述过程放回 EEG 数据中当前基础版工具执行的是下面这条计算链Marker → 条件 trial → 时间窗 → 条件多通道模式 → 两两距离 → Neural RDM → 与 Model RDM 比较 → RSA 系数以本文的模拟数据为例共有 8 个条件和 64 个 EEG 通道。工具在 300–500 ms 内提取每个条件的有效 trial对 trial 和时间点取平均于是每个条件留下一个由 64 个通道组成的空间模式。8 个条件叠在一起形成一个8 × 64的条件模式矩阵。随后工具对 8 个条件两两计算相关距离1-r。8 个条件共有 28 个不重复的条件对这 28 个距离被放回一个对称、对角线为 0 的8 × 8Neural RDM。矩阵中的每个格子只描述一个条件对而整个矩阵共同描述所有条件的相对位置这里所说的“表征几何”正是这组距离构成的整体关系而不只是最后画出的热图。Neural RDM 来自 EEG 数据而Model RDM 来自分析前提出的假设。因为两个矩阵对称比较时只需取不含对角线的上三角将同一条件对的两个距离一一对应再计算 Spearman 相关。得到的 RSA 系数越高说明在当前条件集合、时间窗和距离定义下两种关系结构越一致。需要注意这 28 个条件对共享同一组条件不能当作 28 名彼此独立的被试。当前工具的核心计算主要逻辑可以压缩为下面几行patterns.append(data.mean(axis(0,2)))# trial、时间点取平均保留通道模式patternsnp.vstack(patterns)# condition × channeldmne_rsa.compute_rdm(patterns,metriccorrelation)neural_rdmsquareform(np.asarray(d,dtypefloat))rsa_valuemne_rsa.rsa(neural_rdm,model_rdm,metricspearman,verboseFalse)这里的“固定时间窗内条件平均”只属于当前工具包。逐时间点、单试次、交叉验证和 searchlight RSA 会以不同方式保留信息不能与这个基础流程混为一谈。实操工具从.set到 RDM现有的 MNE-RSA、rsatoolbox 已经提供了更完整的 RSA 功能但对于平时主要使用 EEGLAB 的研究者来说从.set到第一张能够核对的 RDM仍要自己处理数据读取、条件匹配、矩阵检查和结果导出。我们做这个工具并不是想替代这些工具而是想把最基础的一条路径整理出来让已经完成预处理的 EEG 数据能够沿着熟悉的 Marker 和时间窗进入 RSA并把中间矩阵、分析参数和结果完整保存下来。“EEG-RSA 一键分析工具·Python 版”使用同一个入口读取 EEGLAB.set。已经分段的数据可以直接使用如果读入的是带事件 Marker 的连续数据工具会在计算时按所选条件和时间窗临时建立 Epoch。连续数据需要在每个 Marker 前后保留足以覆盖所选时间窗的有效数据例如分析-200–800 ms事件前至少要有 200 ms、事件后至少要有 800 ms处在数据边界或坏段中的事件可能无法形成有效 trial。若.set另带外部.fdt两者应放在同一文件夹。这一步只负责组织进入 RSA 的数据不替代前面的预处理。工具会列出数据类型、采样率、EEG 通道数和 Marker 数量并在计算时记录各条件的有效 trial 数便于检查分段损失。图 1工具界面包括数据读取、条件与时间窗设置、Model RDM、结果计算和导出。本篇使用一份“已知答案”的模拟数据检查完整流程。数据包含 64 个 EEG 通道采样率为 250 Hz共有 8 类 Marker每类 30 个 trial。S11–S14对应猫、狗、鸟和鱼S21–S24对应椅子、杯子、汽车和台灯前四个条件属于“有生命”后四个属于“无生命”。生成数据时只在 300–500 ms 植入稳定的类别相关空间模式因此分析开始前已经知道应该看到怎样的结构。图 2连续模拟数据导入后的基本信息与 Marker 统计。8 类 Marker 各有 30 个事件。本例选择全部 8 个条件将时间窗设为 300–500 msNeural RDM 使用相关距离1-r两个 RDM 之间使用 Spearman 秩相关。图 3选择 8 个条件并设置与模拟信号植入范围一致的时间窗。Model RDM 可以在界面中直接建立也可以从 CSV 导入。本例把同类条件的距离设为 0、跨类别距离设为 1。带条件标签的 CSV 会按标签匹配和重排不带标签的纯数值矩阵则必须与界面中的条件顺序完全一致。无论采用哪种方式矩阵都应为方阵、保持对称并且对角线为 0。图 4本次演示使用的类别 Model RDM。它表达预先设定的关系假设。运行后工具保存条件空间模式、Neural RDM、Model RDM、RSA 结果、分析参数和三张结果图。这样一来最终的相关系数可以回到具体的条件顺序、trial 数、时间窗和矩阵数值中复核而不是只剩一个无法追溯的数字。图 5模拟数据的 Neural RDM。同类条件之间距离较小跨类别条件之间距离较大。图 6类别 Model RDM。同类为 0跨类别为 1。图 7两个 RDM 上三角元素的对应关系Spearman RSA 系数为 0.8577。本次结果为 0.8577。它说明当前流程恢复了模拟数据中预先植入的类别结构不说明真实大脑已经显著表征了“有生命—无生命”。随数据包保存的验证记录还核对了.set读取、250 Hz 采样率、64 个 EEG 通道、8 类 Marker 的数量、8 × 64条件模式形状以及 Neural RDM 的有限值、对称性与零对角线7 项检查均通过。验证记录绑定的rsa_core.py哈希与目前演示所用核心文件一致。这个基础版本的可信度不来自“一键”两个字而来自可核对的计算链核心代码可以查看中间模式与两个 RDM 可以导出参数可以追溯模拟数据还有事先写明的预期结构。当前 v1.0 主要用于教学、流程核对和基础 RSA。它会在指定时间窗内把每个条件的 trial 平均成一个多通道模式再计算 Neural RDM并与 Model RDM 比较。它暂时不能告诉我们 RSA 效应具体在什么时候出现、主要来自哪些电极也不能直接完成多被试统计。因此界面中的 p 值不能作为论文中的最终显著性证据。简单来说工具负责把基础计算做清楚时间窗怎么选、模型怎么设计以及多人数据如何统计仍然取决于研究问题和实验设计。脑之说公众号后台回复 RSA领取 01_标题与公众号完成稿_V5_理论几何实操
从理论到工具用一份模拟 EEG 数据完成基础 RSA前两篇分别介绍了表征相似性分析representational similarity analysisRSA与表征几何。前者把不同条件的脑活动模式转换为表征不相似性矩阵representational dissimilarity matrixRDM后者进一步说明这些条件之间的距离关系可以作为连接脑活动、认知理论与计算模型的中间层。如果平时主要做 ERP第一次看到 RSA 的实际流程很容易觉得两者有些相似。这种感觉并没有错两者都要从 Marker 找到 trial都要划分实验条件也都要确定分析时间窗。真正不同的并不是数据从哪里进入而是我们准备向这些数据提出什么问题。理论RSA 在比较什么在一项常见的 ERP 分析中我们会把同一条件下的 trial 对齐并平均再考察某个电极或感兴趣区的波幅、潜伏期以及条件差异。RSA 也可以从同一批分段数据出发但它不先把问题收缩为“哪个条件的波幅更大”而是把一个条件在多个通道上的活动看成一个整体模式考察这些模式之间的关系。假设实验中有猫、狗、椅子和杯子四类刺激。在某个时间窗内每个条件都对应一个多通道脑电模式。如果猫与狗的模式较接近椅子与杯子的模式也较接近而动物与物体之间相距较远那么这些条件就在脑电数据中形成了一种类别结构。把所有条件两两之间的距离排成矩阵得到的就是 Neural RDM。研究假设也可以写成同样的矩阵。例如在一个“有生命—无生命”模型中同类刺激之间的距离设为 0跨类别距离设为 1这就是 Model RDM。RSA 所做的是比较脑电数据形成的 Neural RDM 与理论给出的 Model RDM 是否具有相近的关系结构。它检验的是“这些条件之间的相对远近是否符合模型”而不是仅凭一个相关系数证明大脑采用了某种具体算法。所以RSA 与 ERP 可以使用相同的 Marker 和时间窗却保留不同的信息ERP 更常考察波幅与潜伏期RSA 则考察条件之间的模式关系。几何RSA 是怎样算出来的把上述过程放回 EEG 数据中当前基础版工具执行的是下面这条计算链Marker → 条件 trial → 时间窗 → 条件多通道模式 → 两两距离 → Neural RDM → 与 Model RDM 比较 → RSA 系数以本文的模拟数据为例共有 8 个条件和 64 个 EEG 通道。工具在 300–500 ms 内提取每个条件的有效 trial对 trial 和时间点取平均于是每个条件留下一个由 64 个通道组成的空间模式。8 个条件叠在一起形成一个8 × 64的条件模式矩阵。随后工具对 8 个条件两两计算相关距离1-r。8 个条件共有 28 个不重复的条件对这 28 个距离被放回一个对称、对角线为 0 的8 × 8Neural RDM。矩阵中的每个格子只描述一个条件对而整个矩阵共同描述所有条件的相对位置这里所说的“表征几何”正是这组距离构成的整体关系而不只是最后画出的热图。Neural RDM 来自 EEG 数据而Model RDM 来自分析前提出的假设。因为两个矩阵对称比较时只需取不含对角线的上三角将同一条件对的两个距离一一对应再计算 Spearman 相关。得到的 RSA 系数越高说明在当前条件集合、时间窗和距离定义下两种关系结构越一致。需要注意这 28 个条件对共享同一组条件不能当作 28 名彼此独立的被试。当前工具的核心计算主要逻辑可以压缩为下面几行patterns.append(data.mean(axis(0,2)))# trial、时间点取平均保留通道模式patternsnp.vstack(patterns)# condition × channeldmne_rsa.compute_rdm(patterns,metriccorrelation)neural_rdmsquareform(np.asarray(d,dtypefloat))rsa_valuemne_rsa.rsa(neural_rdm,model_rdm,metricspearman,verboseFalse)这里的“固定时间窗内条件平均”只属于当前工具包。逐时间点、单试次、交叉验证和 searchlight RSA 会以不同方式保留信息不能与这个基础流程混为一谈。实操工具从.set到 RDM现有的 MNE-RSA、rsatoolbox 已经提供了更完整的 RSA 功能但对于平时主要使用 EEGLAB 的研究者来说从.set到第一张能够核对的 RDM仍要自己处理数据读取、条件匹配、矩阵检查和结果导出。我们做这个工具并不是想替代这些工具而是想把最基础的一条路径整理出来让已经完成预处理的 EEG 数据能够沿着熟悉的 Marker 和时间窗进入 RSA并把中间矩阵、分析参数和结果完整保存下来。“EEG-RSA 一键分析工具·Python 版”使用同一个入口读取 EEGLAB.set。已经分段的数据可以直接使用如果读入的是带事件 Marker 的连续数据工具会在计算时按所选条件和时间窗临时建立 Epoch。连续数据需要在每个 Marker 前后保留足以覆盖所选时间窗的有效数据例如分析-200–800 ms事件前至少要有 200 ms、事件后至少要有 800 ms处在数据边界或坏段中的事件可能无法形成有效 trial。若.set另带外部.fdt两者应放在同一文件夹。这一步只负责组织进入 RSA 的数据不替代前面的预处理。工具会列出数据类型、采样率、EEG 通道数和 Marker 数量并在计算时记录各条件的有效 trial 数便于检查分段损失。图 1工具界面包括数据读取、条件与时间窗设置、Model RDM、结果计算和导出。本篇使用一份“已知答案”的模拟数据检查完整流程。数据包含 64 个 EEG 通道采样率为 250 Hz共有 8 类 Marker每类 30 个 trial。S11–S14对应猫、狗、鸟和鱼S21–S24对应椅子、杯子、汽车和台灯前四个条件属于“有生命”后四个属于“无生命”。生成数据时只在 300–500 ms 植入稳定的类别相关空间模式因此分析开始前已经知道应该看到怎样的结构。图 2连续模拟数据导入后的基本信息与 Marker 统计。8 类 Marker 各有 30 个事件。本例选择全部 8 个条件将时间窗设为 300–500 msNeural RDM 使用相关距离1-r两个 RDM 之间使用 Spearman 秩相关。图 3选择 8 个条件并设置与模拟信号植入范围一致的时间窗。Model RDM 可以在界面中直接建立也可以从 CSV 导入。本例把同类条件的距离设为 0、跨类别距离设为 1。带条件标签的 CSV 会按标签匹配和重排不带标签的纯数值矩阵则必须与界面中的条件顺序完全一致。无论采用哪种方式矩阵都应为方阵、保持对称并且对角线为 0。图 4本次演示使用的类别 Model RDM。它表达预先设定的关系假设。运行后工具保存条件空间模式、Neural RDM、Model RDM、RSA 结果、分析参数和三张结果图。这样一来最终的相关系数可以回到具体的条件顺序、trial 数、时间窗和矩阵数值中复核而不是只剩一个无法追溯的数字。图 5模拟数据的 Neural RDM。同类条件之间距离较小跨类别条件之间距离较大。图 6类别 Model RDM。同类为 0跨类别为 1。图 7两个 RDM 上三角元素的对应关系Spearman RSA 系数为 0.8577。本次结果为 0.8577。它说明当前流程恢复了模拟数据中预先植入的类别结构不说明真实大脑已经显著表征了“有生命—无生命”。随数据包保存的验证记录还核对了.set读取、250 Hz 采样率、64 个 EEG 通道、8 类 Marker 的数量、8 × 64条件模式形状以及 Neural RDM 的有限值、对称性与零对角线7 项检查均通过。验证记录绑定的rsa_core.py哈希与目前演示所用核心文件一致。这个基础版本的可信度不来自“一键”两个字而来自可核对的计算链核心代码可以查看中间模式与两个 RDM 可以导出参数可以追溯模拟数据还有事先写明的预期结构。当前 v1.0 主要用于教学、流程核对和基础 RSA。它会在指定时间窗内把每个条件的 trial 平均成一个多通道模式再计算 Neural RDM并与 Model RDM 比较。它暂时不能告诉我们 RSA 效应具体在什么时候出现、主要来自哪些电极也不能直接完成多被试统计。因此界面中的 p 值不能作为论文中的最终显著性证据。简单来说工具负责把基础计算做清楚时间窗怎么选、模型怎么设计以及多人数据如何统计仍然取决于研究问题和实验设计。脑之说公众号后台回复 RSA领取