基于 PCA 的神经轨迹分析如何用于人类 EEG 与 MEG？

从逐通道平均到移动的神经状态

论文的出发点是：主流 EEG 与 MEG 分析通常逐通道汇总数据，例如绘制头皮图、计算振荡功率或提取事件相关电位。这些做法基本没有考察跨传感器的联合模式。这篇入门指南提出另一种读法：在一次试次的每个时间点，各传感器同时采样到一种活动模式，这个模式就是高维传感器空间中的一个神经状态。随时间推进，状态发生移动，一连串状态便构成一条轨迹。

这种重新表述之所以重要，是因为它让一类特定问题变得可以提问。研究者不必只问某个通道或某个频段在条件间是否有差异，而可以问条件特异的轨迹是否在同一空间中分离、汇聚、弯曲或走得更远。论文明确说明，这是一份概念与实践指南，而非关于认知的新实证理论：目标是让已经在处理丰富多通道记录、但不熟悉群体动力学方法的认知神经科学家能够使用状态空间思路。

PCA 提供坐标轴，而非轨迹本身

主成分分析（PCA）在原始特征空间中找出数据协变最强的若干正交方向。第一主成分解释最大方差，第二主成分解释次大方差，依此类推。把每个观测投影到选定的若干主成分上，就得到降维空间中的得分。论文强调一个容易被忽略的细节：PCA 本身不关心观测的时间顺序。只有当投影后的得分按时间排序并连成路径时，时间结构才被重新引入。

这一区分把读者常混淆的两个决定分开。PCA 定义坐标系；轨迹分析定义如何可视化、汇总和检验在该坐标系中的移动。论文的十步流程从定义神经表征开始，经过预处理、整理成观测×特征矩阵，到拟合 PCA、选择成分、投影、检查载荷、绘制并量化几何、把指标与行为关联，最后进行验证。当特征是传感器时，成分载荷可以画成头皮地形图来检查，不过成分的整体符号是任意的。

共享、逐被试与对齐空间各不相同

论文把在何处拟合 PCA 视为一项实质性的分析决策，而非技术细节。PCA 可以在单个被试内、单个条件内、群体层面、特定任务时段内，或在某个感兴趣区或网络内拟合。若对每个被试或每个条件分别拟合，得到的轴是独立估计的，因而无法在参与者或条件之间直接比较。这适合刻画被试内或条件内的动力学，但会阻碍跨数据集直接比较轨迹几何。

在群体层面拟合则把所有被试和条件放进同一坐标系，代价是可能掩盖个体特异结构。论文明确给出规则：要在条件、被试或组之间直接比较，就需要共享的 PC 空间。论文还指出，用于解码或交叉验证时，PCA 只应在训练数据上拟合；保留成分的数量应由解释方差、成分稳定性、可解释性以及下游轨迹指标的稳健性来论证。低方差成分不应被自动丢弃，因为与行为相关的信息可能出现在前几个成分之外。

速度与曲率本身没有固定含义

轨迹建立之后，论文列举了描述轨迹的指标。速度，即状态空间中的速率，衡量投影状态在相邻点之间变化得多快。曲率描述路径弯曲得多急。路径长度统计一次试次、条件或时段内在状态空间中走过的总距离。分离度衡量条件特异轨迹彼此相距多远，而汇聚与发散描述轨迹是朝共同区域还是不同区域移动。子空间重叠、对齐和维度估计则检验不同条件或组是否依赖相似的低维结构。

论文在解释上很谨慎。没有任何轨迹指标具有内在的认知含义；弯曲、环、分离或类吸引子模式，只有与任务时序、行为、成分结构、稳健性分析或计算模型联系起来时才可解释。论文给出的是候选用途而非结论：速度可能与反应时或快速状态转换有关，分离度可能与类别区分或决策形成有关，曲率可能有助于刻画任务阶段之间的非线性转换，维度可能与任务复杂度或临床变异有关。这些是指标可以服务的假设，而不是论文确立的发现。

运动想象与面孔解码作为演示

EEG 示例使用运动执行与运动想象条件，并配有教程笔记本，从常规 EEG 汇总一路走到基于轨迹的分析。MEG 示例使用面孔知觉数据集。在 MEG 分析中，作者先构建共享的宽带状态空间，再用希尔伯特变换单独计算 8–12 Hz 的 alpha 功率，并把这些数据投影到各自单独拟合的 PC 空间。所得轨迹与宽带轨迹不同，论文把这视为要点：改变定义神经状态的变量会改变轨迹的几何，而分析框架保持不变。

解码比较是最具体的定量结果。作者使用滑动窗口分类器，在 16 名参与者上做留一参与者交叉验证，比较每次试次的三种表征：36 个白化传感器、共享 PC 状态空间，以及一组显式轨迹描述符（速度、加加速度、累计路径长度、到质心距离、转角、速度曲线下面积等）。在刺激后早期区间，三分类问题中传感器达到平衡准确率 0.417，共享 PCA 为 0.418，随机水平为 0.333；在陌生面孔与打乱刺激的对比中分别为 0.616 和 0.634，随机水平为 0.500。论文的解读是：这种降维基本是免费的，既没有提高也没有损失预测准确率。

对齐空间优于传感器，描述符落后

作者随后检验跨参与者对齐状态空间是否有帮助。在对齐 PCA 中，每名参与者得到各自拟合的 PCA 空间，而不是共同参与构建一个共享空间；在每个交叉验证折内，先对每名训练参与者的试次跨条件平均，得到与条件无关的平均轨迹，再把这些轨迹平均成共同模板，然后把每名参与者的平均轨迹用 Procrustes 旋转对齐到该模板。使用 22 个成分时，对齐 PCA 在三分类中达到 0.435，在陌生面孔与打乱刺激对比中达到 0.648，两种情况都优于传感器空间基线，且都在约 156 ms 附近达到峰值，接近预期的 M170 潜伏期。

把轨迹描述符拼接到对齐后的成分得分上，得到最佳配置：三分类任务中为 0.444，使用 22 个成分加上路径长度、位移和速度曲线下面积；陌生面孔与打乱刺激对比中为 0.652，使用 22 个成分加上加加速度、路径长度和速度曲线下面积。单独使用描述符明显更差，分别为 0.388 和 0.574。作者把这一分析标为探索性，结果模式也很具体：把被试特异空间映射到共同坐标系后，早期解码优于传感器空间或共享 PCA，而显式轨迹描述符单独表现差，与 PCA 结合时也没有带来可靠增益。

线性方差局限与 EEG 特有陷阱

论文坦率说明 PCA 做不到什么。它是线性的、由方差驱动的：成分捕捉的是主导协方差结构，未必是研究者希望找到的生物学变量，这也是作者更愿意使用 PCA 空间或低维状态空间、而非潜空间这一术语的原因。EEG 与 MEG 还带来各自的困难。空间混合意味着传感器层面的模式混合了多个源，预处理选择会重塑几何，验证之所以必要，是因为看似合理的轨迹也可能来自噪声或分析自由度。过度解读被列为一项独立风险。

推荐的防护措施正是从这些局限推出，而非另起一套。流程要求用替代预处理选择、不同 PCA 空间或不同保留成分数、替代轨迹指标、交叉验证和恰当的统计检验来评估稳健性。论文还把 PCA 放在更广泛的状态空间方法家族中，其中一个配套笔记本在同一批观测上比较 PCA 与 UMAP、PHATE 和 Isomap，因此 PCA 被呈现为一条易上手的入口，而非最终答案。

先建共享空间，再检验对齐

对于正在决定如何起步的研究者，论文自身的比较给出了清晰的优先顺序。共享 PCA 空间是比较条件、被试或组的最低要求，而在 MEG 示例中，它与传感器空间解码几乎持平，同时降低了维度。这使它成为低风险的第一步：不损失预测准确率，还能得到可解释的载荷和几何。显式轨迹描述符不应被当作独立表征依赖，因为在同一早期窗口内，它们解码为 0.388 和 0.574，而原始传感器为 0.417 和 0.616。

真正改善早期解码的一步，是把被试层面空间对齐到共同模板，使用 22 个成分时达到 0.435 和 0.648；描述符只有在拼接到对齐得分上时才带来小幅额外增益。论文把这一点框定为探索性，因此站得住脚的读法是条件性的：当目标是跨参与者比较时，对齐值得一试；任何轨迹指标在赋予认知解释之前，都应先与任务时序、行为或成分结构挂钩。这篇入门指南的贡献在于给出这种选择顺序，而不是声称轨迹比既有方法更能解码认知。

本文引用的文献