NeuroImage 方法学解读 | 心跳数得准，是对身体更敏感吗？多尺度熵把两种内感受任务分开了

● 认知神经科学前沿文献分享

论文信息：Resting-state EEG dissociates heartbeat counting from heart-rate discrimination: Cortical signal entropy tracks counting accuracy, default-mode connectivity tracks exteroceptive discrimination

发表时间：2026-09-25

发表期刊：NeuroImage

01 两个“内感受准确性”任务，测的是一回事吗

内感受（interoception）指人对自身身体内部状态的感知。研究心脏内感受时，最常用的是两个任务。一个是 Schandry 心跳计数（heartbeat counting，HBC）：安静地坐着，在一段时间里默数自己的心跳，再和仪器记录的实际心跳比对。另一个是心率辨别（heart-rate discrimination，HRD）：听一串声音，判断它比自己的心跳快还是慢。两者在文献里常被统称为“内感受准确性”，有时还会被合并成一个分数。

可这两个任务并不完全对等。心跳计数的分数里混着别的东西：对时间长短的估计、对“自己大概每分钟跳多少下”的先验印象，还有数数的策略。已有的元分析也显示，两个任务之间的相关很弱。

韩国高丽大学的 June Christoph Kang 等人在 NeuroImage 上发表的这项研究，想从静息脑电里找答案：如果 HBC 和 HRD 测的是不同的东西，它们在静息状态的大脑里，是否也对应着不同的特征？研究者招募了 60 名社区成人，最终 47 人进入分析。每人记录睁眼、闭眼各 5 分钟的 256 通道静息脑电（EEG），再分别完成两个任务。

02 先拆行为，再算信号的复杂度

Fig. 1 是全文的分析流程：上半部分为静息 EEG 的预处理、源重建和连接计算，下半部分为两个行为任务的指标提取，两条线在网络基统计中汇合。多尺度熵使用的是同一套源重建时间序列，图中没有单独画出。

先说行为。HBC 共 6 个试次，时长从 25 秒到 50 秒不等，用光电容积脉搏波（PPG）记录真实心跳，按报告数与实际数差多少计算准确性。HRD 使用 Cardioception 程序，除了 60 个“声音 vs 心跳”的内感受试次，还有 60 个“声音 vs 声音”的外感受控制试次。控制试次不涉及心脏信号，用来区分“利用了身体信号”和“只是听觉节奏分辨得好”。

关键在于 HRD 的结果怎么概括。作者没有只算一个正确率，而是用信号检测论算出 d′，再用层级贝叶斯心理测量函数估计阈值和斜率。按照 HRD 框架，d′ 和斜率衡量的是“两个速率能分得多细”，也就是精度；阈值衡量的是“心里估计的心率偏离真实心率多少”，也就是偏差。

这一拆分马上派上了用场。HBC 准确性与 HRD 内感受 d′ 不相关（ρ = +0.21，p = .17）；HBC 的两项指标与两种模态的 d′ 和斜率之间，8 组相关全部 |ρ| ≤ 0.21。唯一达到未校正显著的是 HBC 准确性与 HRD 内感受阈值（ρ = +0.41，p = .004），恰好落在 Bonferroni 校正的边界上，作者称之为提示性结果。作者的解读是：两个任务都要“估计自己的心率”，在这一点上有共享；但在“能把快慢分得多细”这一点上分开了。如果 HRD 只报一个总分，这层区别就看不出来，两个任务之间的弱相关，很可能会被读成“共享了一点内感受能力”。

Fig. 2B 是 8 个行为指标之间的 Spearman 相关矩阵。HBC 准确性（第一列）与 HRD 的 d′ 和斜率都在 0 附近，只与 HRD 内感受阈值（intero θ）有 +0.41 的相关；两个 HRD 斜率之间高达 +0.98，说明斜率几乎不区分内感受和外感受。

再说脑电。静息 EEG 先经源定位投射到 Schaefer 图谱的 100 个皮层分区，每个分区得到一条 5 分钟的时间序列。作者在此基础上计算改良多尺度样本熵（modified multi-scale sample entropy，mMSE）。

样本熵衡量的是一段信号有多“难以预测”：在序列里找到一小段模式（这里长度 m = 2），再看紧接着的下一个点是否仍然相似；这种延续越常见，信号越规律，熵越低。 “多尺度”是指把信号逐级平滑，从快到慢分别计算。这篇研究用了 20 个时间尺度（τ = 1–20），最慢的一档大致对应 6 Hz 以下的成分；容差 r 设为 0.5 倍标准差，并在每个尺度重新计算，这些参数沿用了 Kosciessa 等（2020）为静息脑电验证过的设置。最后把 20 个尺度平均，每人每个分区得到一个熵值。仅这一步，47 人、两个条件就算了将近 23 小时。

功率谱描述信号在各个频段有多少能量，熵描述信号在时间上组织得有多复杂。两者相关，但并不等价，作者因此需要单独检验熵是否带来了频谱之外的信息。

03 熵让作者多看到了什么

作者对 8 个行为指标、100 个分区和睁眼/闭眼两个条件做了相关检验，结果只有 HBC 准确性通过了 FDR 校正。闭眼状态下，100 个分区中有 50 个的熵与 HBC 准确性正相关（q < .05），睁眼时只多出 2 个。相关最强的是右侧顶叶的一个背侧注意网络分区（ρ = +0.51，p = 2.2 × 10⁻⁴）。其余 7 个行为指标，包括 HRD 的 d′、阈值和斜率，没有一个分区通过校正。

Fig. 7 中，A 显示样本熵随时间尺度升高，闭眼（深蓝）在每个尺度上都高于睁眼；B 是闭眼时 100 个分区的熵与 HBC 准确性的相关，按 7 个网络着色，带黑框的 50 个分区通过 FDR；C 是相关最强的右侧顶叶分区的散点图。

这 50 个分区分散在视觉、背侧注意、默认模式、躯体运动、控制等全部 7 个大尺度网络里。作者因此没有把结果归到某个“内感受网络”。在他们看来，与心跳计数有关的，是静息时整片皮层动态的一种全局属性。

样本熵本身会受频谱影响，alpha 功率和非周期 1/f 斜率都会改变信号的规律性。作者于是做了一组对照。在相关最强的分区上，单看 alpha 功率，它和 HBC 准确性没有关系（ρ = −0.12，p = .42）；单看 1/f 指数，同样没有关系（ρ = −0.17，p = .25）。把这两个频谱指标作为协变量控制后，熵的关联也没有消失：控制 alpha 后略有增强（ρ = +0.58，69 个分区显著），同时控制两者后基本不变（ρ = +0.56，57 个分区显著）。也就是说，如果只用最常用的这两个频谱指标，这项关联在最强分区上是看不到的；用熵描述信号的时间组织，它才显现出来。留一法分析中，相关系数在 +0.49 到 +0.57 之间；控制 PPG 测得的心率和心率变异性后，结果也没有改变。

连接分析得到的是另一幅图景。作者用网络基统计（network-based statistic，NBS）筛查了 128 个检验家族（2 个睁闭眼条件 × 2 种连接指标 × 4 个频段 × 8 个行为指标），最后保留 4 个显著子网络：3 个以默认模式网络为主，追踪的却是 HRD 外感受控制区块的 d′，也就是比较两段声音快慢的能力；第 4 个是 theta 频段的背侧注意—躯体感觉小网络，与 HBC 的“觉察度”（信心评分与准确性的一致程度）相关。没有任何连接子网络与 HBC 准确性相关。作者自己算了一笔账：128 个组合按机会大约会冒出 6 个假阳性，实际得到的显著结果并没有明显超出这个数，所以把连接结果定位为“假设生成”。熵的结果则来自一个预先设定的检验家族，不存在这种跨家族的多重比较问题。

解读时有几处要小心。47 人的样本只够检测较大的效应（|ρ| ≥ 0.40）；被排除的 12 人恰恰是行为分数无法定义的人，这会截断行为分布。研究没有测量焦虑、述情障碍、时间估计能力等可能影响心跳计数的因素，熵所追踪的个体差异有多少来自内感受、多少来自注意或其他认知因素，目前还分不开。闭眼记录总是排在睁眼之后，条件与时间顺序混在一起。熵只用了一种估计器，频谱对照也只检验了 alpha 和 1/f 两个参数。此外，研究开始前唯一的方向性预测（突显网络连接与内感受表现正相关）没有得到支持，作者如实报告为否证。

04 你的数据也能这样分析吗

这篇研究其实示范了两套可以分别借用的方法。

行为端是精度与偏差的拆分。只要任务能画出心理测量曲线，或者有“信号/非信号”的结构，就可以把表现拆成敏感性（d′、斜率）和偏差（阈值、判断标准）。知觉判断、时间估计、元认知、风险或价值判断任务都适用。遇到两个任务“相关很弱”或者“看似相关”时，不妨先拆开，看重叠到底落在哪一部分。

脑电端是多尺度熵。它适合静息或任务态 EEG/MEG、颅内电生理，乃至 fMRI 时间序列中的个体差异研究，尤其是功率和连接都找不到稳定关联、而你怀疑信号的时间组织本身存在差别的时候。迁移时最需要核对三件事：

参数事先固定。m、r、尺度范围和粗粒化方式都会改变结果，最好沿用已验证的设置，并在看行为数据之前定下来。

报告频谱对照。至少控制 alpha 功率和 1/f 斜率，否则熵的结果可能只是功率换了一种说法。

数据长度要够。这项研究每个条件只有 5 分钟，作者认为偏短，更长的记录会让熵和连接的估计更稳定。

如果你的样本量和这项研究相近，可以学作者的做法：在分析前写清楚哪些是验证性检验、哪些是探索性筛查，并分开报告。

分享人：天天
审核：PsyBrain 脑心前沿编辑部

● 原文信息与获取方式

DOI：10.1016/j.neuroimage.2026.122240

获取原文：

1. 三连后添加小助手：PSY-Brain-Frontier 获取

版权归属作者团队和出版社，本文仅做分享