EEG 的 Lempel-Ziv 复杂度只是反映时间自相关吗？

两种指标都在追踪时间可预测性

Lempel-Ziv 复杂度统计的是：把一段符号序列从左到右切分时，出现了多少个不同的新模式。重复模式多的信号可以被压缩成很少的块，复杂度值就低；重复模式少的信号复杂度值就高。在脑电分析中，原始信号先被转成二值字符串，通常是把每个采样点与中位数之类的阈值比较，然后用块数除以一个最大复杂度项，使归一化值落在 0 到 1 之间。

自相关函数衡量的是信号与自身平移后的版本有多相似。一阶系数 AC1 刻画每个采样点与下一个采样点之间的相似程度，因此自相关衰减慢意味着短期记忆强，衰减快则意味着活动嘈杂、频带较宽。论文的论点是：这两个量并不是对信号的两种独立描述——任何提高时间可预测性的过程，也会提高模式重复的概率，而这正是让 Lempel-Ziv 解析器压缩得更高效的原因。

模拟信号显示稳健的反向关系

作者先直接生成二值序列，以避免对连续数据做二值化带来的混杂。他们用一个两状态马尔可夫链，通过转移参数把动力学从弱持续性调到强持续性，在所考察的范围内，实测 AC1 与设定参数一致。随着持续性增强，LZC 系统性下降；把 1 − LZC 对 AC1 作图，得到一条单调、弱非线性的曲线。

第二种生成器是一维随机 Cantor 集，它通过保留概率来操控长程相关。这里的关系同样是单调的，只是 LZC 相对 AC1 表现出一定的非线性。第三种做法是对一段相关序列逐步粗粒化，把每个窗口替换为其四舍五入后的均值，使数据逐渐趋向不相关状态；每一步中 AC1 和 LZC 都同步下降。由于这三种生成器基于不同的理论背景，作者把这种共同模式解读为该联系并非某一类模型造成的假象。

有限长度估计高于熵率

对马尔可夫链，论文可以比相关性散点图走得更远。每一步发生状态切换的概率与 AC1 相关联，由此可得到该二值过程的熵率。Ziv 定理指出，当序列长度趋于无穷时，归一化 Lempel-Ziv 复杂度收敛到该熵率，因此对足够长的序列，LZC 与由 AC1 推出的熵率之间应当呈单调关系。

模拟结果在方向上与这一预期一致，但在水平上不一致：估计出的 LZC 系统性高于渐近参考线。作者把这一偏移归因于归一化估计量已知的有限长度收敛缓慢。这对读者是一条有用的边界，因为它意味着模拟得到的 LZC 值并不是熵率的直接读数；二者的一致在于排序和趋势，而不在于数值上的精确相等。

脑电记录重现同样的权衡

随后，这一关系在生理数据上得到检验。在一份来自情绪—注意任务的事件相关电位数据集中，作者滤出 alpha 频段（8–13 Hz），用中位数阈值做二值化，并在 0.5 ms 的一阶滞后上同时计算 LZC 和 AC1。单个被试的散点图显示出稳定、近似线性的 AC1/LZC 关系，在刺激前区间和诱发电位峰值附近都是如此；把所有被试合并后，同样的趋势依然成立。作者明确说明，他们的目的不是解释 ERP 反应，而是表明在典型的 ERP 实验中 LZC 与 AC1 会同步波动。

来自一个公开数据集的静息态记录提供了第二次检验。该数据包含一名被试的 53 个通道，采样率 512 Hz；以五分钟为窗口分别计算睁眼和闭眼条件，形成两个分离良好的簇：睁眼对应相对较低的 AC1 和较高的 LZC，闭眼则落在相反的一角。改用不重叠的 75 秒滑动窗口重新计算这两个指标，随时间追踪到同样的准线性依赖关系。睁眼/闭眼操作在这里之所以有用，是因为它让皮层活动在同步程度较高与较低的状态之间切换，因此这两个簇相当于把模拟中的操控搬到了生理情境中。

相关性越强，复杂度为何越低

论文给出的机制是压缩，而不是信息处理。当信号具有更强的短期记忆时，相邻采样点更经常彼此相似，于是重复的符号模式更可能出现。Lempel-Ziv 算法因此遇到的新的子串更少，能更高效地压缩序列，表现为更低的复杂度。按这一解释，脑电研究中归因于复杂度变化的那部分变异，很大一部分可能实际上反映的是持续活动在时间相关性上的差异。

作者对这一主张的边界很谨慎。他们并不认为 LZC 与自相关在数学上等价：单个自相关系数无法表示高阶相关，信号也可能在其他方面的时间组织上存在差异。他们的主张是：时间依赖性是 LZC 的主要决定因素之一，而归因于复杂度的变异中有相当大一部分可以用简单的时间依赖性来解释。

自相关提供更直接的生理解读

这一解读上的收益，关键在于每种指标能对应到什么。自相关的变化可以对应到电生理学已经描述过的机制：更强的节律活动、更高的振荡稳定性、神经元群体之间更强的同步，或皮层网络在自发波动后更慢的恢复。相比之下，LZC 的变化常被解读为神经复杂度、信息丰富度、动力学库或意识内容的改变，但算法本身只量化了一段符号序列的可压缩性。因此，相似的 LZC 变化可能来自振荡幅度、频谱构成、同步程度、信噪比或时间依赖性的改变。

论文还指出了一种实用上的不对称。估计自相关的计算非常简单，不需要符号化或阈值处理，并且可以直观地理解为时间记忆。计算 LZC 则需要对信号做离散化，并依赖序列长度和符号化策略等选择。作者并未否定复杂度指标，他们仍将其视为信号组织的紧凑描述符，在某些条件下可能捕捉到传统线性统计之外的结构；他们的要点是，这套额外的处理需要相对于一个更简单的参照来证明其价值。

相关性论证与临界性的连接点

论文把结果与“脑功能在相变附近运作”这一观点联系起来。当复杂系统接近同步边缘时，其平均活动在时间上变得更相关，作者称之为临界慢化；同样的 AC1 上升也出现在差异很大的系统中，例如鸟群、磁性自旋集体和脉冲神经网络。在这些情形下，AC1 的升高预期会伴随成对互相关（即功能连接）的升高。

这使 AC1 和 LZC 获得了一种共同解释：只要自发唤醒波动反映的是系统与临界点的距离，二者都可以追踪这种波动。作者引用了指向这一方向的近期证据，但将其作为提示而非本研究报告的已证实结果。因此，临界性讨论是一个提出的解释框架，而不是本文新增的实验。

给 LZC 赋予意义前应先核对什么

论文的实用优先项是一项比较，而不是一道禁令。作者主张，在把功能意义赋予观测到的脑电 Lempel-Ziv 复杂度变化之前，研究应常规评估该变化与自相关及其他基本时间结构描述符的关系。如果复杂度差异与 AC1 紧密同步——正如在各模拟生成器、ERP 试次以及睁眼/闭眼静息态窗口中所见——那么更简单、生理上更透明的指标就是天然的参照，LZC 的任何附加价值都必须相对它来证明。

这一建议的适用范围与证据一致：二值随机过程、alpha 频段事件相关电位，以及健康成人的静息态记录，其中 53 通道静息态分析只涉及一名被试。该关系稳健但并不精确，在不同信号类别间形状有所变化，而且作者自己的表述也为复杂度指标捕捉线性自相关遗漏的时间结构留出了空间。因此，论文提出的判断阈值是比较性的而非绝对的：只有当自相关被排除为解释之后，一项复杂度发现才配得上机制性解读。

值得带走的更窄结论

最强的结论不是 LZC 没有信息，而是它在典型脑电中的信息内容与一阶自相关高度重叠。论文中最具决策意义的比较，是在一个需要符号化、阈值处理和长度选择的指标，与一个可直接计算并对应到振荡持续性和同步的指标之间。当二者同向变动时——正如在睁眼与闭眼两个簇以及逐试次的 ERP 散点图中所见——自相关的解读更透明。当二者出现分歧时，这种分歧正是复杂度主张需要呈现的具体证据。

本文引用的文献