企业官网建设流程全解析

fooof github现在正在更名为Spectral Parameterization。
是一种快速、高效且具有生理学信息的工具，用于参数化神经功率谱。
功率谱模型将功率谱视为由两种不同的功能过程组合而成的模型：
一个非周期成分，反映 1/f 类特征。
具有一个可变数量的周期成分（推定的振荡），表现为高于非周期成分的峰值。

参考论文将神经功率谱参数化为周期和非周期成分

问题和研究对象：研究脑区活动拟合1/f^a 相关的论文

有的——大量研究表明脑信号在许多脑区和模态下都包含1/fᵃ（即“幂律 / scale-free / aperiodic”）成分，并且该成分的指数（exponent / slope）和偏移（offset）与年龄、任务状态、病理、兴奋/抑制平衡等有关。下面把几类关键工作和实用建议给你，方便你快速上手去检验脑区活动拟合 (1/f^a)。

Rhythmicity of Time Series
一些噪声的psd形式。

这个背景噪声和波动可以分开来进行讨论。

关键论文（入门必读，按主题）

• 关于“scale-free / 1/f 样式在大脑活动中普遍存在”的综述与概念性讨论：He,Scale-free brain activity: past, present, and future（综述，讨论不同模态与功能学意义）。 (PubMed)
• 与年龄相关的 1/f 指数变化（实证）：Voytek et al.,Age-Related Changes in 1/f Neural Electrophysiological Noise（表明随年龄 1/f “变平坦”，并与认知表现相关）。 (PubMed)
• 将功率谱分解为**周期（oscillatory）与非周期（aperiodic, 即 1/f）**两部分的开源方法与论文（FOOOF）：Donoghue et al.,Parameterizing neural power spectra into periodic and aperiodic components（Nature Neuro, 介绍 FOOOF 并给出用法与示例）。 (Nature)
• 通过幂律指数推断神经兴奋/抑制（E:I）平衡的模型工作：Gao, Peterson & Voytek,Inferring synaptic excitation/inhibition balance from field potentials（提出指数与局部 E:I 关系的理论/模拟证据）。 (PubMed)
• 与“broadband / 非振荡”信号以及行为/刺激相关变化的实证工作（补充）：Miller 等关于 broadband / 1/f 的讨论与 Gyurkovics 等关于刺激诱导 1/f 变化的研究。 (PMC)

常见结论（并给出对应引用）

1. 脑信号常包含 1/f-like 的 aperiodic 成分（跨 EEG/MEG/ECoG/fMRI）。(PubMed)
2. 不同脑区 / 状态 /个体之间，1/f 指数（a）和偏移量存在系统性差异（例如年龄、任务、疾病会改变指数或 offset）。 (PubMed)
3. 把功率谱分成“周期 + 非周期”能避免将 aperiodic 变化误判为振荡幅度变化，这就是为什么现在常用 FOOOF（或类似方法）。 (Nature)
4. 幂律指数可能反映底层生理机制（如 E:I 平衡、突触时序等）（理论与模拟支持）。 (PubMed)

如果你想检验“某个脑区是否服从 (1/f^a)”——建议的最小流程

1. 从源空间或 ROI 提取时序（或直接用 sensor 信号）。
2. 计算功率谱（Welch、multitaper 等），在你关注的频段上（例如 1–100 Hz 或 1–40 Hz）。
3. 在对数坐标下做线性拟合（log(power) vs log(freq)）——获得斜率即 (−a)（注意：拟合前排除明显的振荡峰段，或直接用下面的 FOOOF）。
4. 推荐使用FOOOF（Donoghue et al.）来自动分离 aperiodic（offset, exponent）和 periodic 峰值，这能更稳健地得到 exponent 值。 (Nature)
5. 对不同脑区做统计比较（例如在 ROI 间用配对 t-test / 非参数检验或用混合效应模型），并检查与行为/任务变量的相关性。

下面给你一个最小示例（Python + FOOOF），你可以直接套用（伪代码/示例）：

# pip install fooof scipy numpyimportnumpyasnpfromscipyimportsignalfromfooofimportFOOOF# x: 时域信号（1D），fs: 采样率f,Pxx=signal.welch(x,fs=fs,nperseg=fs*2)# e.g. 2s window# 选择拟合频段（例如 1-40 Hz）f_fit_mask=(f>=1)&(f<=40)f_fit=f[f_fit_mask]p_fit=Pxx[f_fit_mask]# 使用 FOOOF 拟合fm=FOOOF(peak_width_limits=[1,12])fm.fit(f_fit,p_fit)exponent=fm.aperiodic_params_[1]# [offset, exponent]offset=fm.aperiodic_params_[0]print('exponent=',exponent,'offset=',offset)# fm.get_params('aperiodic_params') 也可取# 若要查看并保存 periodic peaks: fm.report()

# Import the model objectfromspecparamimportSpectralModel# Initialize model objectfm=SpectralModel()# Define frequency range across which to model the spectrumfreq_range=[3,40]# Parameterize the power spectrum, and print out a reportfm.report(freqs,psd[10],freq_range)

某个脑区拟合的结果

给你的研究/分析的实用注意事项

• 在做 log-log 拟合前，去除明显振荡峰或用 FOOOF 能避免峰值影响指数估计。 (Nature)
• 频段选择会影响结果（低频拐点、工频噪声、采样限制等要小心）。例如有研究只拟合 1–40 Hz，也有拟合更宽的带宽；要在方法中说明并做敏感性检验。 (PubMed)
• 幂律指数的生理解释不是唯一：它可能反映神经群体活动的统计属性、E:I 比、荧光/血流耦合等，务必谨慎解释并尽可能用多种证据支持结论（模型、发放数据、药理操控等）。 (PubMed)

对比研究病人和健康人差异

有，而且这是 1/fᵃ（aperiodic / scale-free）目前最成熟、用得最多的应用方向之一：比较病人（PD/AD/SCZ/ASD/癫痫等）与健康对照（HC）之间的差异。而且现在主流做法基本都不再只看频段功率，而是显式分离 1/f 成分。

下面我按疾病类型 → 发现 → 方法给你一个“研究版地图”，和你现在做的 MEG/EEG 分析是高度对齐的。

一、最经典、引用最多的方向

1️⃣ 衰老 & 神经退行性疾病（AD / MCI）

核心结论

• 病人 / 老年人：1/f exponent 变小（谱变平）
• 表示神经活动的时间相关性减弱、噪声增加

代表论文

• Voytek et al., 2015, J Neurosci
  Age-Related Changes in 1/f Neural Electrophysiological Noise
  👉 第一次明确提出：1/f 斜率是可作为生物标志物的指标

延伸

• AD / MCI：前额叶、顶叶 exponent 下降
• 与记忆、执行功能评分相关

📌适合你：ROI-level exponent vs 认知量表

2️⃣ 帕金森病（PD）

核心结论

• PD 患者在β 频段附近功率升高
• 但更底层的是：aperiodic offset / exponent 改变
• 药物（L-DOPA）会调制 1/f 参数

代表思路

• 不只问「β 强不强」
• 而是问：
  👉β 的变化是否来自 oscillation，还是 1/f 背景的抬升？

📌与你的 PD–HC、VQ-VAE、MEG 分析直接相关

3️⃣ 精神分裂症（Schizophrenia）

核心结论

• exponent显著变平
• 与兴奋 / 抑制（E/I）失衡强相关

关键论文

• Gao, Peterson, Voytek, 2017, NeuroImage
  Inferring excitation/inhibition balance from field potentials

提出：
1/f exponent ≈ E/I balance 的宏观指标

📌 这是机制层面非常强的一条线

4️⃣ 自闭症（ASD）

发现

• 儿童 / 青少年 ASD：

  • exponent ↓ 或 offset ↑

• 与感觉过敏、局部过度同步有关

意义

• 1/f 成分比传统频带功率更稳定
• 更适合跨被试比较

5️⃣ 癫痫 & 脑损伤

• 致痫区：

  • offset ↑（broadband 抬升）
  • exponent 改变

• 可用于定位病灶 / 手术前评估

二、方法学上的“分水岭”：FOOOF / 参数化功率谱

现在高质量论文几乎都会做这一步：

❌ 直接比较 α / β 功率
✅ 分离：

• aperiodic（1/f exponent + offset）
• periodic（真正的振荡峰）

核心论文

• Donoghue et al., 2020, Nature Neuroscience
  Parameterizing neural power spectra into periodic and aperiodic components

这篇之后，大量病人 vs HC 的文章都引用它。

三、一个“标准病人–健康人”分析范式（你可以直接写进论文）

Step 1：ROI / source level PSD

• MEG / EEG source space
• 每个 ROI 一个 PSD

Step 2：FOOOF 拟合

得到每个 ROI：

• exponent（斜率）
• offset（整体能量）
• peak parameters（α / β / γ）

Step 3：统计比较

• PD vs HC
• ROI × group 的混合效应模型
• 或 cluster-based permutation

Step 4：解释层次（非常重要）

五、一句话总结

大量研究表明，不同神经疾病患者在脑区层面的 1/fᵃ（aperiodic）参数上与健康人存在系统性差异，这些差异往往比传统频段功率更稳定，并可能反映底层的兴奋–抑制平衡和网络动力学状态。