神经电生理信号的功率谱同时包含周期成分（振荡）和非周期成分（过去常被称为 1/f 噪声的非周期背景）。本文提出一种频谱参数化算法，将二者显式分离，并通过模拟验证、专家对比和实际应用表明：传统固定频段分析可能混淆这两种成分各自独立的变化。

文末有代码实现！！！！！

背景

神经振荡研究广泛使用经典频段（delta 1–4 Hz、theta 4–8 Hz、alpha 8–12 Hz、beta 12–30 Hz、gamma 30–60 Hz 等），默认落在这些频段内的功率即为振荡功率。然而，窄带振荡峰叠加在一个 1/f 样的非周期背景之上，后者由宽带 offset（截距）和指数（exponent）两个参数刻画，与神经群体放电、突触电流和兴奋—抑制状态相关。

关键问题在于：多种生理过程可产生相同的窄带功率变化——振荡功率下降、振荡中心频率偏移、宽带功率变化和非周期指数变化，均可在固定频段内表现为"功率下降"。仅测量窄带功率无法区分这四种来源。

图 1 | 周期与非周期谱特征的重叠性。 a，示例神经功率谱，在经典频段（8–12 Hz，蓝色阴影区）内有强 alpha 峰，另有一个未标注的次级 beta 峰。b，同 a，但去除了 alpha 峰。c、d，窄带范围内（蓝色阴影区）观测到的表面变化可反映多种不同生理过程。总功率（插图中的绿色柱）反映该范围内的总功率，相对于非周期背景的峰功率（插图中的紫色柱）反映峰在非周期分量之上的超额功率。c，含峰时的测量变化，包括：(i) 振荡功率下降；(ii) 振荡中心频率偏移；(iii) 宽带功率偏移；(iv) 非周期指数变化。在每种模拟情形中，窄带总功率变化相似（插图，绿色柱），但只有在真正的功率下降情形（i）中，8–12 Hz 振荡功率相对于非周期分量才真正发生了变化（插图，紫色柱）。d，无峰时的测量变化。这表明，当仅关注感兴趣的窄带时，非周期分量的变化如何被错误地解读为振荡功率的变化。r，相对；T，总。

图 1 展示了这一核心问题。在窄带内测量总功率（绿色 T）和相对于非周期背景的峰功率（紫色 R）：四种不同的生理过程可产生相似的窄带总功率变化，但相对于非周期背景的峰功率仅在真正的振荡功率变化时发生改变。

方法

FOOOF 算法

FOOOF（"Fitting Oscillations and One-Over F"）——该方法最初以 FOOOF 为名发布，目前项目已更名为 SpecParam；本文解析的是 2020 年原始论文，正文继续沿用 FOOOF 这一名称——采用一个简化的频谱参数化模型：功率谱 = 非周期成分 + 若干高斯峰（每个高斯拟合一个候选周期峰）。算法分四步：

1. 1. 用分位数阈值（2.5 百分位）剥离尖锐峰区域，对残差拟合非周期分量（Lorentzian 函数，参数为 offset 和 exponent）。
2. 2. 在非周期校正后的谱上迭代寻找峰值，逐峰拟合高斯（参数为中心频率、功率、带宽）。
3. 3. 以多高斯联合拟合替换单峰迭代，允许峰位微调。
4. 4. 减去多高斯后重新拟合非周期分量，合并得到最终拟合。

单条 PSD 拟合约 10–20 ms（普通笔记本电脑）。

图 2 | 真实数据上的算法示意。 a，首先对 PSD 拟合估计的非周期分量（蓝色）。b，将估计的非周期部分从原始 PSD 中减去，残差被视为周期性振荡峰与噪声的混合。c，找到残差的最大值（峰）（橙色）。若该峰高于噪声阈值（红色虚线，由残差标准差计算），则围绕该峰拟合一个高斯（绿色实线，参数为频率、功率和估计带宽）。随后将该高斯减去，重复此过程直到下一个识别点低于噪声阈值或达到最大峰数。此步骤的峰查找仅用于为 d 中的多高斯拟合提供种子，因此 d 的输出可能与本步骤检测到的峰不同。d，根据高于噪声阈值的峰数确定候选振荡数量后，对 b 中的非周期校正信号进行多高斯联合拟合，以考虑所有候选振荡共同贡献的功率。本例中拟合了两个高斯，峰位（橙色点）相对于 c 中识别的峰有轻微偏移。e，将多高斯模型从 a 中的原始 PSD 中减去。f，重新拟合非周期分量——该分量不再被原始 PSD 中大幅振荡所干扰（蓝色）。g，将重新拟合的非周期分量与多高斯模型合并，得到最终拟合。h，最终拟合（红色）——此处参数化为一个非周期分量和两个高斯（候选振荡）——捕获了原始 PSD 99% 以上的方差。本例中提取的非周期分量参数为：宽带 offset = −21.4 a.u.；指数 = 1.12 a.u. Hz⁻¹。发现两个高斯，参数为：(1) 频率 = 10.0 Hz，功率 = 0.69 a.u.，带宽 = 3.18 Hz；(2) 频率 = 16.3 Hz，功率 = 0.14 a.u.，带宽 = 7.03 Hz。

数据来源与验证策略

九名人类专家独立标注 EEG 和 LFP 数据中的振荡峰频率，以多数同意作为参照评估算法表现。

结果

1. 算法在模拟数据上达到高精度，与专家标注一致性良好

在模拟数据上，即使在较高模拟噪声水平下，各参数的回归误差仍在以下范围：非周期指数 MAE < 0.1 a.u. Hz⁻¹、中心频率 < 1.25 Hz、峰功率 < 0.1 a.u.、带宽 < 1.25 Hz。多峰模拟（0–4 峰）中，模态拟合峰数与真实峰数一致，中位拟合误差随峰数增加而单调上升。

与九名专家的对比中，算法与专家的峰数在 EEG（1.71 vs 1.81, P=0.44）和 LFP（1.10 vs 1.05, P=0.64）上均无显著差异。F1 分数在 EEG 上相当（0.74 vs 0.79, P=0.96），LFP 上略低（0.72 vs 0.83, P=0.087）。需要注意，人类专家之间存在显著的 precision–recall 权衡（Spearman ρ=−0.91, P=2.2×10⁻⁷），多数同意规则作为 surrogate ground truth 对算法存在结构性偏差。

2. 年长组 alpha 中心频率下移且非周期指数显著变平

图 5 | 静息态 EEG 谱参数的年龄相关变化。 a，算法参数化的个体振荡可视化，选取每位参与者在视觉皮层 EEG Oz 通道 alpha（7–14 Hz）范围内功率最高的振荡。两组之间的振荡特性存在明显差异，如 c 中量化所示。b，经典 10±2 Hz 频段捕获的 alpha 与参数化 alpha 中心频率平均偏差的比较，年轻组（左，蓝色）和年长组（右，绿色）。经典频段方法捕获年轻组成人 84% 的参数化 alpha，年长组仅为 71%，如中间面板量化所示，反映显著差异（P = 0.031）。灰色表示经典分析遗漏的 alpha 功率，年长组遗漏比例更高。c，按年龄组比较参数化 alpha 中心频率（P = 0.036）、非周期调整功率（P = 0.018）和带宽（P = 0.632）。d，按组比较 Cz 通道的非周期分量。为可视化，每位参与者的非周期 offset 和指数用于重建"仅非周期"谱（去除候选振荡）。灰色阴影区表示组间各频率存在显著功率差异的区域（P < 0.05，未校正 t 检验）。e，按年龄组比较非周期 offset（P < 0.0001）和指数（P = 0.0001）。这些显著的组间差异驱动了在以传统方式分析时低频（≲10 Hz）和高频（≳40 Hz）均出现的看似频段特异性的组间差异，如 d 所示。b、c、e 中的柱状表示均值，*表示统计学显著差异（双侧独立样本 t 检验，未校正），P < 0.05。NS，不显著。

30 名受试者（年轻 16 人，20–30 岁；年长 14 人，60–70 岁）在静息态 EEG 中表现出以下年龄差异。

视觉皮层 Oz 通道的参数化 alpha 振荡：

中央 Cz 通道的非周期参数：

经典 10±2 Hz 频段对个体 alpha 峰的覆盖率：年轻组 84%，年长组仅 71%（P=0.031, d=0.83）。

两组差异叠加：年长组 alpha 中心频率下移 1.1 Hz，同时非周期指数变平（Cz 通道）。在该数据集中，传统 alpha 测量得到的年轻—老年组间差异约为 0.45 μV²/Hz；在调整非周期背景后，参数化 alpha 的组间差异约为 0.33 μV²/Hz，即传统方法得到的组间差异大约高出 27%。其中一部分并非真正的振荡功率变化。

进一步分析发现，将年龄差异按频率逐点重建到非周期-only 谱上，1.0–10.5 Hz 和 40.2–45.0 Hz 范围存在组间显著差异（未进行多重比较校正的 P < 0.05 逐频率比较）。该结果提示，传统固定频段分析中观察到的组间差异，有相当部分由非周期变化驱动。

3. 非周期参数跨年龄组更一致地预测工作记忆表现

同一数据集的侧化视觉工作记忆任务（1–3 个彩色方块，900 ms 延迟）中，以非周期参数（offset + exponent）回归行为 d'：

非周期参数在两个年龄组中均显著预测行为。在年长组中，非周期调整后的 alpha 功率同样能够显著预测行为（F=7.70, P=0.0004, R²=0.33），且优于经典 alpha 测量（R²=0.23）。年轻组则任何 alpha 测量均未达显著。

模型和部分实验研究提示，非周期指数可能与神经群体的兴奋—抑制状态有关，但不能把头皮 EEG 中的 exponent 直接等同于 E/I 平衡。该结果提示，工作记忆表现差异的传统"alpha 解释"可能部分反映了非周期偏移在窄带上的投影。

4. MEG 皮层映射揭示非周期成分的空间梯度

图 7 | MEG 静息态数据的大规模分析揭示皮层谱特征。 谱参数化应用于大规模 MEG 数据集（n = 80 名参与者，600,080 条谱）。a，反映振荡分数（oscillation score）的振荡地形图：该综合指标同时考虑某频率范围内周期峰的出现情况和周期成分相对于非周期背景的功率，经非周期分量调整后按相对频段功率加权（方法）。左：这些地形图量化了经典振荡频段 theta（3–7 Hz）、alpha（7–14 Hz）和 beta（15–30 Hz）的已知定性空间分布。右：跨皮层的静息态非周期指数拟合值的地形图。组级指数——按每个顶点跨所有参与者取平均指数值——显示非周期指数在更前部的皮层区域更低（更平坦）。b，跨所有参与者（n = 80）提取的所有中心频率分布，大致覆盖经典频段，但存在显著异质性。概率分布中的峰标注了近似经典频段。c，跨所有顶点和所有参与者拟合的非周期指数值分布。d，振荡地形图与指数地形图（如 a 所示）之间的相关性表明，theta 与其他参数在空间上呈负相关。

HCP 静息态 MEG 数据（80 名参与者，600,080 条源空间功率谱）的谱参数化结果显示：

• • Alpha 和 beta 振荡在皮层广泛存在（oscillation score 接近 1.0；该指标同时考虑周期峰的出现情况和周期成分相对于非周期背景的功率），但相对功率集中于后部（alpha）和感觉运动区（beta）。
• • Theta 高度异质（最大 oscillation score < 0.4），在视觉皮层几乎缺失。
• • 非周期 exponent 均值 0.828，沿前后轴呈空间梯度：前部较平，后部较陡。
• • 空间相关性：theta 与 alpha 地形图强负相关（r=−0.60, P<0.0001），alpha 与 exponent 地形图强正相关（r=0.83, P<0.0001）。

该结果提示，alpha 地形图与 exponent 地形图空间共变——"alpha 越强的地方非周期越陡"，解释频段地形图时需考虑非周期成分的贡献。

讨论

本文的核心方法学贡献是将神经功率谱显式分解为非周期成分和周期成分，并提供可重复的参数化算法。作者认为，这一分解的实际意义体现在两个方面：

第一，传统固定频段分析可能混淆周期与非周期变化。 本文表明，这种混淆在实际数据中可能对结果解释产生实质影响——年龄相关的"alpha 功率下降"部分由非周期指数变平所驱动，而非真正的振荡减弱。跨组、跨年龄或跨任务比较中，若不分离非周期成分，频段功率差异的来源无法确定。

第二，非周期参数本身可能具有生理意义。 模型和部分实验研究提示，非周期指数可能与神经群体的兴奋—抑制状态有关；offset 可能与神经元放电同步性相关。本文在年龄差异、工作记忆预测和 MEG 皮层映射三个场景中分别展示了非周期参数的差异化表现和独立预测能力，提示非周期成分不应仅被视为"噪声"或在预处理中被消除。

对方法实践的具体提示：

• • 报告频段功率时，应同时报告非周期参数和非周期调整功率。
• • 跨组比较时应检查组间非周期参数差异。
• • 在较窄频率范围内，如果对数功率谱中的非周期背景近似线性，通常可以从 fixed 模式开始；当分析更宽的频率范围并观察到明显的 knee 或弯折时，则应考虑 knee 模式。具体选择应结合实际频谱形态，而不是按照某个固定频率阈值机械决定。
• • 谱峰 ≠ 振荡：尖波、mu 节律谐波等非振荡过程也可产生谱峰。

结论

FOOOF 通过分别参数化周期峰和非周期背景，为传统频段功率提供了一个更细化的解释框架。固定频段功率发生变化时，并不一定意味着相应振荡本身发生了变化，中心频率偏移、宽带 offset 和非周期 exponent 的改变都可能影响最终的频段功率。因此，在组间、年龄、疾病或任务条件比较中，如果研究结论依赖于"某种振荡增强或减弱"的解释，就有必要进一步检查非周期成分是否也发生了变化。

参考文献：
Donoghue T, Haller M, Peterson EJ, et al. Parameterizing neural power spectra into periodic and aperiodic components. Nature Neuroscience. 2020;23(12):1655–1665. doi:10.1038/s41593-020-00744-x.

脑之说公众号后台回复 FOOOF 领取教学示例代码