在持續進行的腦電圖（EEG）中，嵌入了與特定時間點相關的微小、短暫的神經反應：光線出現、聲音響起或做出決定的瞬間。事件相關電位（ERP）就是用於分離這些反應的技術。
透過將腦電圖與感興趣的事件進行時間鎖定，並對數十或數百次相同的試驗進行平均，隨機活動就會相互抵消，而一致的、與事件鎖定的波形就會顯現出來。這種平均過程構成了 ERP 研究的基礎，產生了一系列特徵性的波峰和波谷，神經科學家們已經花了數十年的時間對其進行分類和解釋。
在本文中，我們將解釋如何定義、命名這些偏轉，以及如何利用它們來指標化認知操作，從而建立一個作為所有 ERP 研究基礎的分類框架。
定義 ERP 成分的三個維度
每個 ERP 成分都由三個核心屬性所固定，每個屬性都為產生該成分的神經事件提供了不同的線索。它們共同形成了一種座標系統，用於將電活動與大腦功能相對齊。
極性 (Polarity) 指的是相對於事件前基線的偏轉方向。按照慣例，向負向偏轉的標記為 N，向正向偏轉的標記為 P。這個簡單的二元分類告訴我們，此時頭皮下的神經元群體正在產生淨負電場還是淨正電場。
潛伏期 (Latency) 表示事件發生後，成分達到其峰值振幅的時間（以毫秒為單位）。大約在 100 毫秒達到峰值的負波是早期感覺反應；在 300 毫秒達到峰值的正波則反映了較晚的認知過程。潛伏期不是一個固定的數字，而是處理速度的粗略指標，即特定神經計算展開所需的時間。
頭皮分佈 (Scalp distribution) 或地形圖，精確定位了成分在頭部最強烈的位置。在額葉區域達到最大值的成分，其產生的底層腦結構可能與在頂葉區域達到峰值的成分不同。在試圖推斷哪些大腦網絡處於活動狀態時，空間資訊提供了重要的約束。
例如，在 Kok 等人設計的停止訊號任務中，成功停止試驗中的 P3 成分與失敗停止試驗中的 P3 相比，具有截然不同的地形圖，且偶極子分析估計它們源自不同的皮質發生源。同樣，著名的「前部 Go/NoGo N2 效應」部分是由其額中央頭皮分佈所定義的，這將 NoGo 試驗與 Go 試驗區分開來。
綜合這三個維度，研究人員可以將一個成分定義為一個獨立的神經生理事件。在 Cz 電極處、頂葉皮質上於 350 毫秒達到峰值的 P3，與在額葉部位、於 250 毫秒達到峰值的 N2 是不同的實體。這個維度框架是整個 ERP 分類學的關鍵樞紐。
ERP 成分是如何命名的
命名慣例直接源自其定義維度：表示極性的字母加上大約的峰值潛伏期。一個 N100 是在事件發生後約 100 毫秒達到峰值的負向偏轉；而一個 P300 則是在約 300 毫秒達到峰值的正向偏轉。這種「極性 + 潛伏期」的系統乾淨、直觀，且能直接提供資訊。
當確切的潛伏期因條件、參與者或實驗範式而異時，或者當一個成分屬於一個可識別的序列時，研究人員通常會採用序號簡寫：N1、P2、N2、P3 等。序列中的順序比精確的毫秒時間點更重要。
例如，在視覺 Go/Nogo 任務中，N1、N2 和 P3 是相對彼此定義的，即使 N2 有時在一個條件下在接近 240 毫秒處達到峰值，而在另一個條件下在 260 毫秒處達到峰值。Kok 等人的停止訊號研究同樣將停止訊號試驗中的成分稱為 N2 和 P3，並承認反應抑制所固有的可變時間。
早期感覺成分：P50、N100 與 P200
早期感覺成分發生在刺激呈現後相對較短的時間內，通常被作為初始登記和評估輸入資訊的標記來研究。P50（在特定範式中游時被稱為 P1）可以反映早期感覺門控和注意力調節。N100 經常與聽覺或視覺特徵的偵測和早期分析相關聯，而 P200 則可能對刺激分類和注意力分配敏感。
對這些成分的解釋強烈取決於感覺通道和任務。聽覺 N100 和視覺 N100 並不是可以互換的測量指標，儘管它們共享同一個標籤。它們的振幅和潛伏期可能會隨著刺激強度、預期、重複、注意力以及事件的物理屬性而改變。
因此，早期成分提供了關於處理第一階段的資訊，但它們並不能證實感知已完全達到意識層面，或發生了特定的心理過程。它們的價值在於比較精心匹配的條件，並將波形差異與獨立的行為或生理測量聯繫起來。
認知成分：N200 與 P300
N200 是一系列負向反應家族，當人偵測到衝突、評估非預期特徵或區分任務相關和無關刺激時，可能會觀察到它。它的含義因範式而異，且根據刺激和反應要求，該標籤可能指涉部分不同的神經過程。通過出現該成分的實驗對比，可以最有效地理解它。
另一方面，P300（或 P3）是較晚出現的正向反應，通常與注意力、刺激評估、背景更新以及事件對任務的重要性相關聯。它的潛伏期可以提供評估某些階段所需時間的估計，而其振幅可能隨機率、相關性、注意力和可用的認知資源而變化。它不是一般用途的智力測量指標，也不是獨立的診斷標記。
語言與記憶成分：N400
N400 是一個負向成分，通常與語義處理、語言理解以及有意義資訊的整合相關聯進行研究。當在情境中處理單字、圖片、聲音和其他材料的意義時，都可以誘發它。當一個項目較不符合預期或較難與前文情境整合時，通常會觀察到較大的 N400，儘管確切的效應取決於設計。
N400 的研究有助於闡明語言處理是以極快的速度展開，並且對單字與概念之間的關係非常敏感。此外，該成分並不局限於詞彙知識。它還可能反映了將輸入項目與正在發展的意義、論述或事件情境表徵整合時所付出的努力。
解釋仍取決於比較條件。N400 振幅的差異可能反映了可預測性、語義關聯、任務需求或刺激的其他屬性。因此，研究通常會將波形分析與理解力測量以及嚴格控制的語言材料相結合。
將成分與心理操作連結起來
數十年的趨同證據支持這樣一種觀點：每個 ERP 成分都指標化了一個獨特的認知操作，例如感覺登記、注意力選擇、衝突監控或反應抑制。研究人員通過測量成分特徵在不同任務需求下的變化來探索這些操作，這使得上述三種測量方式特別具有啟發性：
潛伏期
振幅
頭皮分佈
ERP 潛伏期告訴我們什麼
成分峰值時間的潛伏期轉移可以證明認知過程是較早還是較晚完成。在停止訊號實驗中，成功停止試驗中由停止訊號誘發的 P3 峰值明顯早於失敗試驗。因此，作者認為，在成功試驗中，大腦對停止命令的內部神經反應（由 P3 反映）更早終止，這種時間差異與抑制控制直接相關。
同時，在視覺 Go/NoGo 任務中，與較高 EEG 空間複雜度相關聯的試驗也顯示出縮短的 N1 和 N2 潛伏期，這種模式可能表示更快的早期知覺和認知處理。
ERP 振幅告訴我們什麼
成分的大小反映了大腦皮質錐體細胞大規模群體中突觸後電位的強度或同步性。較大的振幅通常意味著該操作有更多的神經參與。
相反地，較小的振幅可能表示更高效的處理。這可以轉化為較少的神經元協同工作以達到相同的目標。
在 Go/No 任務中，較高的空間複雜度與 N1、N2 和 P3 成分振幅的降低相關，作者將這種關係解釋為較小、更高效的同時突觸後電位。所產生的振幅降低與更快反應時間並存的模式，支持了振幅可以指標化處理效率而不僅僅是粗放努力的觀點。
ERP 頭皮分佈告訴我們什麼
當兩個成分具有不同的地形圖時，它們很可能起源於不同的神經發生源，即使它們具有相似的極性和潛伏期。在停止訊號研究中，成功停止試驗中的 P3 與失敗停止試驗中的 P3 具有不同的頭皮分佈和偶極子源配置。作者注意到了這種分歧，並提出成功的 P3 機制充當了停止訊號；此外，它指向了一個抑制控制網絡的參與，該網絡在不成功的嘗試中表現出減少或延遲的激活。
這些關係似乎本質上是相關性的。證據表明，成分特徵隨行為和任務需求呈系統性變化，但任何單一成分與特定認知功能之間的連結都是推論出來的，而非直接證實的。
Jia 等人明確指出，高空間複雜度「可能與」更快的認知處理相關聯，而 Kok 等人則提出成功停止試驗中的 P3「反映了抑制控制的效率」。這種謹慎的措辭在 ERP 科學中是標準規範。
ERP 特徵 | 認知解釋 |
|---|---|
潛伏期 | 處理速度 |
振幅 | 資源分配 |
頭皮分佈 | 源區別性 |
超越平均峰值：單一試驗分解
傳統的平均方法雖然強大，但做出了大腦反應在每次試驗中都完全相同的關鍵假設。在現實中，單一試驗的 ERP 在振幅和潛伏期上都有很大的差異——這些變異可能具有行為意義，但在平均波形中卻丟失了。最近的方法學進展為直接分析這種試驗間的可變性打開了大門。
ICA 能否在單一試驗 EEG 中將偽影與神經訊號分離？
獨立成分分析 (ICA) 是一種數據驅動的分解技術，它盲目地將多通道 EEG 分離為時間上獨立且空間上固定的成分。當應用於來自視覺選擇性注意力實驗的單一試驗數據時，ICA 成功地將偽影源（如眨眼和眼動）、刺激鎖定和反應鎖定的 ERP 成分，以及持續的背景 EEG 分離到不同的成分中——這是傳統平均法無法實現的分離。
這種分解能夠從訊號中去除噪聲，並使研究每個成分潛伏期和振幅的單一試驗波動成為可能，例如，通過根據反應時間或準確性對試驗進行排序。ICA 也被類似地應用於聽覺 ERP 數據，以分離潛在的成分過程。
我們能否在不使用傳統平均法的情況下提取成分特徵？
在單一試驗水平上分析 ERP 從根本上改變了分類學。成分不再僅由靜態的平均峰值來定義，而是可以被視為一個動態過程，其逐次試驗的特徵與瞬時的認知狀態相關聯。
Jia 等人暗示了這種可能性，他們表明在單一試驗中估計的 EEG 空間複雜度與 ERP 振幅和潛伏期特徵相關，從而提出了一條在沒有傳統平均的情況下提取類似成分資訊的途徑。
計算模型如何將單一試驗 EEG 與認知連結起來？
除了分解之外，新興的方法提倡將單一試驗的 EEG 特徵直接與認知計算模型（如漂移擴散模型或強化學習算法）連結起來。利用分層貝氏模型，以 Bridwell 等人為首的研究人員能夠聯合對 EEG 和行為進行建模，超越了「峰值與成分」的時代，進入了一個通過正式認知過程的視角來解釋神經訊號的框架。
這種基於模型的推論並沒有拋棄經典的 ERP 分類學；相反，它通過在電活動與行為之間提供更豐富的、試驗水平上的橋樑，建立在該分類學的基礎之上。
為什麼腦訊號的共享語言仍然重要
極性、時間和頭皮位置的三部分系統為大腦研究人員提供了一種實用的方法，即使在方法不斷演變的情況下，也能跨研究比較研究結果。
平均法仍然是觀察這些微弱訊號的基石，但新的單一試驗工具增加了一層平均峰值無法顯示的細節。這並沒有拋棄經典框架；它建立在其基礎之上，將固定的標籤轉化為可以追蹤瞬時心理狀態的動態測量。
同時，任何成分與特定心理操作之間的連結，最好被視為強有力的線索，而非既定的事實。許多發現來自單一研究，文獻中使用的謹慎語言反映了這種不確定性。歷久彌新的是共同的詞彙本身，它讓神經科學家能夠針對大腦在日常生活和臨床環境中對事件的反應提出更尖銳的問題。
參考文獻
Kok, A., Ramautar, J. R., De Ruiter, M. B., Band, G. P., & Ridderinkhof, K. R. (2004). ERP components associated with successful and unsuccessful stopping in a stop‐signal task. Psychophysiology, 41(1), 9-20. https://doi.org/10.1046/j.1469-8986.2003.00127.x
Jia, H., Li, H., & Yu, D. (2017). The relationship between ERP components and EEG spatial complexity in a visual Go/Nogo task. Journal of neurophysiology, 117(1), 275-283. https://doi.org/10.1152/jn.00363.2016
Makeig, S., & Westerfield, M. Analysis and visualization of single-trial event-related potentials. Human Brain Mapping, 14, 166-185. https://doi.org/10.1002/hbm.1050
Bridwell, D. A., Cavanagh, J. F., Collins, A. G., Nunez, M. D., Srinivasan, R., Stober, S., & Calhoun, V. D. (2018). Moving beyond ERP components: a selective review of approaches to integrate EEG and behavior. Frontiers in human neuroscience, 12, 106. https://doi.org/10.3389/fnhum.2018.00106
常見問題
什麼是事件相關電位 (ERP)，它是如何獲得的？
ERP 是一種微弱的大腦反應，它與特定事件（如聲音或閃光）具有時間鎖定關係。為了獲得 ERP，研究人員會對許多相同試驗中的 EEG 進行平均，這消除了隨機的背景活動，並顯現出一致的、與事件相關的波形。
定義任何 ERP 成分的三個核心屬性是什麼？
三個定義屬性是極性（負向或正向偏轉）、潛伏期（事件發生後的毫秒時間）和頭皮分佈（成分在頭部最強烈的位置）。這些維度共同使研究人員能夠將一個成分識別為一個獨立的神經生理事件。
研究人員通常如何命名不同的 ERP 成分？
成分使用表示極性的字母（N 代表負，P 代表正），後跟大約的峰值潛伏期或序號（例如 N100、P300，或 N1、P2、N2、P3）來命名。當確切的潛伏期發生變化時，會使用序號系統，且序列中的順序比精確的時間點更重要。
ERP 成分的潛伏期能告訴研究人員什麼？
潛伏期表示成分在事件發生後何時達到其峰值振幅，可作為處理速度的粗略指標。潛伏期的轉移可以揭示認知過程是較早還是較晚完成，例如在成功抑制試驗中，停止訊號 P3 的峰值較早出現。
如何從認知角度解釋 ERP 成分的振幅？
振幅反映了大腦皮質神經元大規模群體中突觸後電位的強度或同步性，通常代表神經參與的程度。較大的振幅通常意味著更多的神經活動，而較小的振幅可能表示更高效的處理，正如伴隨振幅降低而出現的更短反應時間所展現的那樣。
為什麼頭皮分佈對於理解 ERP 成分很重要？
頭皮分佈顯示了成分在頭部何處達到最大值，為哪些大腦網絡處於活動狀態提供了線索。如果兩個成分具有不同的地形圖，它們很可能源自不同的神經發生源，即使它們的極性和潛伏期相似。
傳統平均方法的一個關鍵局限性是什麼？像 ICA 這樣的現代方法是如何解決這個問題的？
傳統的平均法假設大腦在每次試驗中的反應都是相同的，這隱藏了在振幅和潛伏期上具有意義的試驗間變化。獨立成分分析 (ICA) 將單一試驗的 EEG 分離成不同的成分，使研究人員能夠研究這些波動並更有效地去除噪聲。
ERP 成分可以被視為特定認知操作的直接且決定性的測量指標嗎？
不能，ERP 成分與特定認知功能之間的連結是推論和相關性的，並非直接證實。證據中通常使用「可能與...相關聯」或「表明」等謹慎的措辭，且研究結果通常特定於特定範式，尚未得到廣泛的複製。
Emotiv 是一家神經科技領導者，透過可近用的 EEG 和腦部資料工具，協助推動神經科學研究進展。
醫療免責聲明：本網站提供的資訊僅供教育和參考之用，不構成醫療或健康建議。本內容可能含有錯誤，不應作為做出改變生活的健康、醫療或生活方式選擇的依據。若您對醫療狀況或治療有任何疑問，請務必諮詢您的醫生或其他符合資格的健康提供者的建議。
克里斯蒂安·布爾戈斯
