单试次分析

一、为什么会提出单试次分析
1、传统的跨试次平均法用于增强脑响应信号的信噪比，以便提取ERP。（跨试次平均法主要是假设事件相关脑响应信号在不同的试次中是稳定不变的，即潜伏期、振幅和形态在不同试次中保持不变）

2、但是该方法会造成事件相关同步化或者时间相关去同步化的丢失，也会使事件相关脑响应的跨试次变异性信息的丢失（指的是在实验或研究中，不同试次（trial）之间的变异性所包含的信息），也就是说在平均法中有一些重要的信息被删掉了或者不重要的的信息被加进来了。

3、单试次分析方法，可以提高事件相关脑响应的信噪比，提供了估计其单试次参数（潜伏期、频率和幅值等）

二、单试次分析介绍
1、作用就是有效识别和提取这些脑响应信号，依赖于优化的信号处理技术，以提高信噪比。

2、单试次可以在被试内水平研究单试次脑响应信号与各项行为指标的关联。

三、单试次分析的方法
1、基于原理，分为四类：时域滤波、基于盲源分离算法的空间滤波、基于连续或离散小波变换的时频滤波、准确估算单试次脑响应信号的特征参数。

2、很多单试次分析方法都是在从时域中估计刺激所诱发的锁相脑（PLL）响应信号的特征参数，但是不能用于估计刺激所诱发的非锁相脑响应的特征参数。

3、时频滤波和时域滤波的主要区别：
焦点：时频滤波关注信号在时间和频率上的变化，而时域滤波主要关注信号在时间域上的特性。
适用性：时频滤波适用于非平稳信号，时域滤波适用于稳定信号。
应用：时频滤波常用于时频分析和动态信号处理，时域滤波常用于信号去噪和信号增强。

四、时频单试次分析
1、空间滤波
1）主要是通过整合不同电极的脑电信号，加上不同权重的方式，来分离EEG/ERP信号。
2）最常用的方法就是ICA：将多电极通道的脑电信号分解成与电极数量相等的一系列独立成分。能够可靠的将伪迹、背景EEG活动和时间相关脑响应分离成不同的独立成分。就可以从大量噪声中提取有效信号。
3）为了增强空间滤波性能，有开发了新的算法：概率独立成分分析（PICA）、共空间模式分析（CSP）、二阶盲辨识算法、功能源分离算法、参考ICA算法等。

2、时频滤波
1)时频滤波可以将刺激诱发的锁相ERP脑响应信号从背景EEG活动和噪声相关的伪迹中分离出来。
2）基于时频分解的原理（短时傅里叶变换、小波变换）
3）基于CWT的时频滤波：①使用CWT将单试次EEG/ERP波形分解为时频表征。②计算与ERP响应对应的时频平面上的特征区域。③