通常，EEG、fMRI（以及MEG、SPECT和PET数据集——所谓的“功能模态”）是在受试者（例如人类）从事一项或多项“活动”时从其获得的。

这种“活动”甚至可以是“闭上眼睛保持休息”或“尝试解决这个等式”或“只是看看这个屏幕上的图像”。

通常，不止一个受试者会参与一项研究，这些受试者可能会根据一些标准分组以比较和对比他们的反应（例如“对照”（“正常”或没有患有疾病的受试者）和“患病”（已被证实患有某种疾病的对象））。

这两种模式，除了采样时间之外，它们还对空间进行采样，并且每个 fMRI / EEG 数据集本身就是来自上述受试者群体的样本。

描述了这一点后，您几乎可以看到应用平均的维度以及原因：

1. 您可以对每个通道（对于 EEG）或体素时间序列（对于 fMRI）进行（常见的）时间平均（如移动平均或中值滤波器），以减少噪声的影响。

2. 您可以以多种不同的方式和出于不同的目的进行空间平均，但空间平均所需要的只是将来自的响应相加$N$个别频道（$N$单个向量）并将它们潜水$N$得到一个平均的回应。

   例如，也许您想获得与某个大脑区域（枕叶、顶叶、额叶、其他）相对应的平均反应。然后你可以选择$N$与这些区域相对应的向量（通道）并通过对它们进行平均来获得一个向量（例如，如果您的通道在其中，X(channelN, timeSampleM)您可以通过这样做获得一个平均值，mean(X)这将返回一个大小向量1 x timeSampleM与每列的平均值（对应于样本每个通道在某个时间瞬间拍摄$M$）。

   您可能想要做的另一件事是根据他们进行的活动获得一个受试者的平均反应。例如，您想查看受试者大脑在 REST 和 LISTENINGTOMUSIC 条件下的平均反应差异。在这种情况下，您需要知道哪些数据集对应于哪些活动，并且您只需获得这些数据集的平均值$X_{k,l}$（在哪里$k$表示数据集和$l$表示活动）。

3. 您可以对人口（和/或他们正在执行的“活动”）进行空间平均。因此，例如，您可能想查看两个受试者组（A 组、B 组）在 REST 条件下大脑的平均反应是多少。在这种情况下，您从 A 组中的所有受试者中选择所有数据集并获得平均数据集，对于 B 组也是如此。您可以执行相同操作（但更改成员资格）以获得 ONE 组在不同条件下的平均响应。

（当然，您可以应用空间/时间/组/条件平均的任意组合，具体取决于您要观察的内容）

最后，数据处理固有的平均化的另一个领域是诱发电位。

例如，假设您想检查大脑对一阵可闻噪音的反应。在这种情况下，您向受试者提供刺激并多次记录其反应。在那之后，你平均所有的记录（在刺激实例上对齐）并产生一个代表大脑反应的信号。一个著名的此类信号是P300。

如您所见，虽然平均的操作是相同的（从数学的角度来看），但根据目标的不同，应用它的方法有很多。因此，我建议您仔细阅读特定论文以了解

• a) 为什么他们应用平均
• b) 如何应用平均。

此外，我想向您推荐以下资源，这些资源可能对您有用，并且通常包含有关 EEG 和 fMRI 分析（包括平均）的更详细信息：

• Lopes Da Silva的脑电图（显然对于 EEG，重点关注的章节是 2、4、14、53、58、59）
• Friston 等人的 Statistical Parametric Mapping（用于对 fMRI 图像的分析进行非常彻底的处理。该书的早期版本（以及同样出色的“人脑功能”）可从此处免费获得（您需要仔细查看在第 3-5 章，尤其是第 5 章了解实验方面））
• 关于神经影像学的学术文章（总的来说，这是一个非常好的资源）