函数型数据分析方法在自我信息加工事件相关电位的应用

郑 巍

(哈尔滨师范大学)

1 自我信息加工ERP研究

大量研究证明了自我相关信息存在明显的加工优势［2］，大量的自我研究采用已经熟知的信息(刺激材料的选择可能是自己的名字或面孔［6］)涉及记忆和高级决策，所以研究材料的选取会对实验结果解释产生影响［7］．为了进一步验证自我优势不仅影响人的高级决断，也对初级知觉加工产生影响．Sui等［5］人采用新的社会学习(Social Learning)范式来研究自我相关信息加工的特点．利用Sui的实验过程测得的数据正是要进行后续研究的基石．

由于目前还没有对视觉诱发电位的特有成分C1深入研究．C1发生源位于视觉初级皮质V1，在头皮后部的中线或后部的两侧波幅最大．当刺激落在中视野时通常是波幅更小的正波，由于C1比较小，当它是正波时，就会与P1重合成一个波而被掩盖．因此，除非上视野刺激产生负性C1波，C1通常观察不到．C1通常在刺激后40～60 ms出现，刺激后 80～100 ms达到顶峰［3］．由于传统的叠加平均方法得到的C1并没有考虑到数据的整体性，该文希望能够通过函数型数据方法对自我信息方面的事件相关电位进行分析，进而对视觉诱发电位C1进行探索．

基于函数型数据分析获取ERP的方法从数据的整体出发估计ERP［8］，进而更充分的考虑了数据隐含的信息，并且所得ERP是连续的函数，体现了脑活动本身的时实连续性并为后续研究提供了可行性基础．分析时程为刺激呈现前200 ms至刺激呈现后 1000 ms，刺激呈现前200 ms作为基线，之后对O1这个电极的26个被试的自我-大图形、自我-小图形、妈妈-大图形、妈妈-小图形、陌生人-大图形、陌生人-小图形六种条件所诱发的ERP波形使用函数型数据分析方法研究与C1成分有关的40～100 ms的事件相关电位．下面就通过对函数型数据分析方法的介绍来了解FDA方法对ERP数据的处理优势．

2 函数型数据分析(FDA)

函数型数据分析方法在经济、气象、医学等科学领域都有应用．经过epoch之后的数据按时间排列，为含有多个试次的数据集，就每一个试次而言，可以看成是一个时间序列数据，为其随时间变化的特性;就每一个确定的时刻而言，可以看成是截面数据，体现的是相同时刻，不同试次观测值的变化的信息［8］．叠加平均的方法是对每一个时刻的所有试次的观测值依次进行叠加平均，最后将各时刻的均值连接起来作为ERP．这样做会损失数据包含的信息，比如把各个时刻分割开来进行叠加平均会丢掉各个试次作为一个完整的反应序列随时间变化的信息;若单独从时间序列的角度考虑又不能顾及多个试次的某些共性，若能从整体角度出发来分析这样的数据就能够更深刻的利用数据的信息，进行更深入的分析［1］．这种把数据看成一个整体的思想就是统计上的 FDA 方法［4］．

假定存在光滑的随机函数X(t)，可以看作是某种随机过程，其中 X1(t)，…，Xn(t)表示X(t)的n个独立实现．将观测数据记作 yi=(yi1，…，yini)'，所以函数型数据的基本特征为

yij=Xi(tij)+ εi(tij)，j=1，…，n;i=1，2，…，n

令均值函数μ(t)=EX(t)，协方差函数Γ(s，t)=Cov{X(s)，X(t)}，可由特征函数和非增非负的特征根表示Γ(s，t)Γ．可以使用 Karhumen-Loève展开，这时，第i条随机曲线的展开为 Xi(t)=μ(t)+，其中 φk(t)是特征函数，随机变量ξik是Xi(t)的第k个主成分得分．根据所要研究的ERP数据，n表示参与估计的试次个数，ni表示每个试次的观测个数，体现数据整体趋势的均值函数是要估计的ERP，该文使用非参方法中的局部线性估计方法得到μ(t)就是求解下面最小化的问题

其中K(·)表示核函数，hμ表示估计μ所用的带宽，最优带宽使用交叉核实的方法确定．则

3 实验过程

3．1 被试

被试为25名大学生其中男6人，女19人，年龄在20 ～ 27岁(M=22．07 ±2．74)，所以被试视力或是矫正视力正常，均为右利手，全部被试都是志愿参加，实验后得到相应报酬．

3．2 实验材料

采用21寸纯平电脑显示器，屏幕分辨率为1024×768，刷新率为100 Hz．实验程序采用心理学专业软件E-Prime 1．3编制并收集数据．实验刺激从事先绘制好40种三角形，40种四边形和40种椭圆形中随机抽取．其中每种图形分为大小两种情况各20种．

3．3 实验流程

每名被试单独测验，双眼距离屏幕60cm，实验为2(图形大小:7°×3°)×3(三种社会关系:自我vs妈妈vs生人)实验设计．实验开始前给被试呈现三“图形 -标签”关联:三角形，四边形和椭圆分别代表自己、妈妈和陌生人(关联方式进行被试间匹配)，并要求记忆．实验开始后，首先在屏幕中央呈现中央注视点500 ms，随后出现100 ms图形，之后呈现1000～1300 ms空屏，最后出现100 ms的标签，要求被试判断之前呈现的图形与随后出现的标签是否为实验开始前所要求记忆的关联，如果是则按N键，不是则按M键．上述实验提供数据为清华大学心理实验室提供．

4 实例分析

上面提到的事件相关电位，就可由Matlab得到相应的图像，以一个被试为例，其中蓝色代表陌生人 -小图形、黄色代表陌生人 -大图形、绿色代表自我-小图形、青兰色代表自我 -大图形、红色代表妈妈 -小图形、粉红色代表妈妈 -大图形．关于自我面孔识别研究中，N170、P300等成分为主要研究对象，这里只关心视觉诱发成分．就是40～100 ms的峰值的研究，所以将六个条件下、三个条件的大图形、三个条件的小图形分别进行了处理得到图1～图3．

图2 小图形C1成分

图3 大图形C1成分

由图1～3可以看出大图形、小图形的C1成分的波形趋势相似，峰值的位置也大致相近．但是想要对大图形和小图形的C1成分的峰值是否存在差异，这样就需要使用独立样本检验方法，分别对自己、妈妈、生人的小图形，大图形进行26个被试的加和得到大图形和小图形的值，这样就不会因为自己、妈妈、生人对大小图形检验的独立性产生影响．使用SPSS进行分析得出p=0．1大于显著型水平0．05得到大小图形的均值不存在显著性差异的结论．表1是关于C1成分的峰值表大小图形独立检验的结果表．

表1 大小图形独立性检验

［1］ 胡宇．函数型数据分析方法研究及其应用．2011，东北师范大学博士论文．

［2］ 马建苓，陈旭，王婧．自我面孔识别的特征、影响因素及ERP研究评述［J］．心理科学进展，2012，20(2):240-247．

［3］ 魏景汉，罗跃嘉．事件相关电位原理与技术［M］．北京:科学出版社，2010．

［4］ Ramsay JO，Silverman BW．函数型数据分析［M］．第二版．北京:科学出版社，2006．

［5］ Sui J，ZhuY，Han S．Self-face recognition in attended and unattended conditions:An event-related brain potential study［J］．Neuroreport，2006，17(4):423-427．

［6］ Sui J，Liu C H，Wang L，et al．Attentional orientation induce by temporarily established self- referential cues［J］．The Quarterly Journal of Experimental Psychology，2009，62(5):844-849．

［7］ Sui J，He X，Humphreys G W．Perceptual effects of social salience:Evidence from self-prioritization effects on perceptual matching ［J］．Journal of Experimental Psychology:Human Perception and Performance，2012，38(5):1105-1117．

［8］ Zhao Y B，Tao J，Shi N Z，et al．The extraction of LRP with determining its onset via functional data analysis techniques［J］．Journal of Neuroscience Methods，2012，206:94-101．