外周生理信号在神经反馈中比 EEG 更能解码唤醒吗？

外周信号准确率更高，但结构更重要

这项研究重新分析了一个公开数据集，数据来自一项困难的边界规避飞行任务，参与者在任务中接受基于 EEG 的脑机接口神经反馈、假反馈或无反馈。作者训练了一个多模态深度学习解码器，输入是七个外周通道，归为四类模态：心脏（心率和 HRV-pNN35）、呼吸、皮肤电（相位性和紧张性）以及瞳孔（左、右瞳孔）。每类模态各自经过一个两层一维卷积编码器，得到 64 维嵌入；四个嵌入拼接后，由两层 MLP 完成分类。

该外周解码器的被试内 AUC 为 93.0% ± 1.1%。采用相同架构、仅使用 EEG 的重新训练版本，把 64 通道 EEG 分解为 theta、alpha、beta 和 gamma 频段，AUC 为 85.2%。此前研究中的原始滤波器组共空间模式（FBCSP）解码器为 79.8% ± 7.2%。所有两两差异均显著（p < 0.001，配对 t 检验）；在外周解码器下，16 名被试全部超过 80% AUC，其中 14 人超过 90%。

在外周解码器上再加入 EEG，得到的联合版本 AUC 为 94.2% ± 0.71%，仅比纯外周版本高 1.2 个百分点。Integrated Gradients 归因显示，心脏信号主导预测，紧张性皮肤电活动贡献较大，呼吸和瞳孔直径贡献较小，而 EEG 的归因即使在联合模型中仍接近于零。作者据此认为，一旦自主神经轴被充分表征，头皮 EEG 对分级唤醒状态几乎不提供额外信息。

这里的 AUC 衡量的是解码器按任务中的唤醒替代指标区分试次的能力，而不是解码出的数值是否真的像唤醒那样变化。这一区别贯穿全文其余分析。

只有外周解码器恢复了倒 U 形关系

Yerkes-Dodson 定律预测，表现会在中等唤醒水平达到峰值，向两侧下降。作者用线性混合效应模型检验这一点：以试次表现为因变量，自变量为解码唤醒值、其平方项、环难度和反馈条件，被试作为随机效应。平方项系数显著为负即表示倒 U 形。

对外周解码器而言，一次项和二次项均显著（p < 0.01）。在 0–100 的归一化唤醒指数上，简单和困难航线的估计最优点都落在约 51，两条曲线主要差别在峰值高度。对 FBCSP EEG 解码器，作者自行做了再分析，而非引用原研究结果；其曲线明显更平缓，估计最优点也出现分化：简单航线约 62，困难航线约 76。

AIC 比较支持外周二次模型：相对次优的外周线性模型 ΔAIC > 18，相对两个基于 EEG 的模型 ΔAIC > 44。作为外部校验，外周解码器与原始生理标记相关：与心率 r = 0.71（p < 0.001），与 HRV-pNN35 r = −0.58（p < 0.001）；EEG 解码器与两者的相关都明显更弱。

作者认为，解码器可以靠捕捉任何与任务难度相关的特征拿到高分，但作为唤醒指数在生理上并无信息量。FBCSP 最优点随难度漂移，正符合这种失效模式；而一个最优点依赖难度的控制变量，在闭环中会被错误校准。

反馈没有改变唤醒轨迹

比较 BCI、假反馈和无反馈三种条件下的平均唤醒轨迹，作者在时间分辨轨迹上未发现显著差异（聚类置换检验，所有 p > 0.10），在试次级汇总指标如平均唤醒、峰值唤醒和轨迹下面积上同样如此（所有 p > 0.10）。无论接受哪种反馈，被试的整体唤醒轨迹都无法区分。

作者把这一结果视为实质性发现，而非零结果。此前的闭环研究报告，真实反馈使被试在困难航线上比无反馈时多飞约 7 秒。作者推理：如果这一表现提升没有伴随唤醒的持续偏移，那么收益很可能来自表现关键时点的局部调节，例如在高任务需求下接近小环时，而不是整段试次中唤醒水平的整体降低或升高。

这是作者对离线数据中一种模式的解释，而不是实测到的机制。它也意味着，用平均或峰值唤醒来评估唤醒干预，可能漏掉只在特定事件附近出现的效应。

最优唤醒水平随试次推进而上升

作者使用无反馈和假反馈条件下的困难航线试次（约 240 个），对每个 1 秒时间窗与 5 单位唤醒窗的组合计算平均表现，对曲面做平滑，再取每个时间窗内表现峰值处的唤醒值作为最优水平。得到的最优轨迹并不平坦：它从试次开始时的低值上升，到约 45 秒时达到较高水平，对应环尺寸逐渐变小带来的注意力需求上升。

因此，一个在整段试次中统一使用的固定阈值，会在每个试次的大部分时间里校准失当。这也是作者把控制带设为试次时间的函数、而非常数的依据。

针对该轨迹计算的四个偏离指标，都能预测困难航线对照试次的飞行时间：高于带的时间百分比（r = −0.28，p = 0.002）、处于带内的时间百分比（r = +0.28，p = 0.002）、平均偏离幅度（r = −0.24，p = 0.010）和每分钟越界次数（r = −0.28，p = 0.002），均经 Holm-Bonferroni 校正。表现前四分之一的试次约有 80% 的时间处于最优置信带内，后四分之一的试次只有约 57%（两两对比 p < 0.01）。

基线 HRV 与 gamma 功率将被试分为两组

作者从 10 分钟校准阶段提取静息 HRV-pNN35 和 30–55 Hz 频段的 gamma 功率，对每项在整个阶段取平均，再在被试间做 z 标准化。他们构造敏感度评分 s = −HRV_z + Gamma_z，把低副交感张力与高皮层兴奋性结合起来，并按中位数把被试分为唤醒敏感组和唤醒耐受组。

混合效应模型中的两个交互项都显著。HRV_z × 唤醒² 交互（p = 0.017）表明，静息 HRV 较高的被试曲线更平坦，能在更宽的唤醒范围内保持表现而不下降。Gamma_z × 唤醒² 交互（p = 0.036）表明，静息 gamma 功率高对应更陡、更窄的峰值，在高唤醒时下降更快。

偏离与表现之间的耦合也因组而异。在唤醒敏感被试中，处于最优带内的时间百分比与飞行时间的相关为 r = 0.39（p = 0.003）；耐受组的关系更弱。只看最极端的个案会放大差距：敏感亚组 r = 0.34，耐受亚组 r = 0.19（p = 0.336），基本平坦。

作者据此反对对所有被试使用统一控制带：在最耐受的个体中，带内时间对表现几乎没有预测价值，这与他们拥有较宽的可接受工作范围一致。

个性化控制带小幅改善试次区分

作者对带宽乘数做网格搜索，从 0.50 到 3.00、步长 0.25，为敏感组选出 1.5 倍标准差的窄带，为耐受组选出宽得多的 2.5 倍带。搜索同时最大化好、坏试次在“高于带的时间百分比”指标上的 Cohen's d，以及该指标与表现的 Pearson 相关。

在统一的 1.0 倍乘数下，敏感组 Cohen's d 为 1.21，耐受组为 0.85。改用各组优化后的乘数，分别升至 1.32 和 1.10。在数据集层面，偏离与表现的相关从统一带下的 r = 0.308 提升到个性化带下的 r = 0.359。

作者称这一相关提升幅度不大，并指出未对两个相依相关系数之差做正式检验，因此应视为方向性改善，而非统计上已确立的提升。提升较大的是耐受组，而统一阈值过紧对耐受组的惩罚也最大。

停留时间分析关系到反应式干预能否及时起效。排除仅持续 1 秒的阈值穿越后，敏感被试在离开个性化带前高于带的平均停留时间为 6.1 ± 3.6 秒，耐受被试为 8.6 ± 7.4 秒，没有持续偏离低于 2 秒。

离线规格说明未能证明什么

本文所有分析都是离线的，外周解码器从未被放入反馈回路。因此，此前基于 EEG 的反馈所带来的表现优势，不能归因于本文中反馈质量的改善；要确立这一点需要前瞻性研究。作者勾勒了这样一项研究：预注册交叉设计，包含主动经皮迷走神经刺激、假刺激和无刺激三种条件，N ≈ 24，当解码唤醒轨迹离开个性化带时触发刺激。

个体化结果建立在 N = 16 名被试之上，按中位数分组后每组仅 n = 8。乘数 1.5 和 2.5 是在同样这些小样本组内通过网格搜索选出的，未在留出数据上验证；敏感度分类本身也尚未在独立样本中作为最优乘数的预测因子做交叉验证。作者把这些作为概念验证性发现，并呼吁在至少 30–40 名被试、预先设定分组切点和乘数的条件下重复验证。

解码器还只在单一任务范式中训练，并以环尺寸作为唤醒替代指标。它能否推广到其他唤醒来源，如持续疲劳、情绪应激或药物干预，目前未知。

论文自身的优先事项是一项比较，而非一个阈值：93.0% AUC 的、符合 Yerkes-Dodson 关系的唤醒信号；按个性化偏离、而非固定阈值触发的干预；以及与“关键时刻靶向调节”假设相匹配的刺激方式。由此得出的具体决策规则是 1.5 倍与 2.5 倍的带宽分组，而它仍是一个有待前瞻性检验的假设。

本文引用的文献