当前位置：首页 > news >正文

从零构建SST实验范式：基于PsychoPy的抑制控制测量实践

news 2026/6/4 20:27:46

1. 为什么需要自己搭建SST实验范式

Stop Signal Task（SST）作为测量抑制控制能力的黄金标准范式，在认知神经科学研究中应用广泛。我第一次接触这个实验是在研究生阶段，当时导师让我复现一篇顶刊论文的行为实验部分。本以为找个现成的程序改改就行，结果发现网上开源的SST代码要么过于复杂，要么与我们的实验设计不匹配。这种经历让我深刻认识到，掌握从零构建实验范式的能力对科研工作者有多重要。

使用PsychoPy这类开源工具自主开发实验程序有几个明显优势。首先是灵活性，你可以完全控制实验的每个细节，比如动态调整停止信号延迟（SSD）、自定义刺激材料、精确记录反应时等。其次是可重复性，自己写的代码更容易理解和修改，方便后续研究复用。最重要的是成本效益，相比商业软件动辄上万的授权费，PsychoPy完全免费且功能强大。

在实际操作中，我发现很多现成的SST程序存在两个主要问题：一是停止信号比例固定，无法实现基于表现的动态调整；二是缺乏与神经影像设备（如fNIRS、EEG）的接口。自己编写程序可以完美解决这些问题，比如我最近做的一个项目就需要在Stop试次时向EEG设备发送marker，这在商业软件中实现起来反而更麻烦。

2. PsychoPy环境配置与项目初始化

2.1 快速搭建开发环境

PsychoPy的安装比想象中简单得多。以Mac系统为例，我推荐直接从官网下载打包好的应用程序版本。这个版本内置了Python环境和所有必要依赖，解压后拖到Applications文件夹就能用。记得在"系统偏好设置-安全性与隐私"中允许运行来自未知开发者的应用，否则可能会遇到权限问题。

对于Windows用户，安装过程同样简单。不过要注意的是，如果你计划使用Python代码模式而非图形界面，建议额外安装一个代码编辑器，比如VS Code或PyCharm。我在实际使用中发现，PsychoPy自带的Coder视图虽然能用，但功能相对简陋，专业IDE的代码补全和调试功能会大幅提升开发效率。

2.2 项目目录结构规范

良好的项目结构是高效开发的基础。经过多次项目迭代，我总结出一个比较合理的目录结构：

SST_Experiment/ ├── stimuli/ # 存放所有刺激材料 │ ├── words/ # 词汇刺激 │ └── sounds/ # 声音文件（如停止信号） ├── instructions/ # 指导语图片 ├── data/ # 实验数据自动保存目录 ├── conditions/ # 试次条件配置文件 └── main.psyexp # PsychoPy主实验文件

特别提醒一点：刺激材料最好使用相对路径而非绝对路径。这样当你把项目分享给合作者时，他们不需要修改代码就能直接运行。我曾经因为这个问题浪费了半天时间调试，后来发现只需要在代码开头添加几行路径设置就能避免：

import os stim_dir = os.path.join(os.path.dirname(__file__), 'stimuli')

3. SST实验的核心设计原理

3.1 理解抑制控制的测量逻辑

SST的精妙之处在于它通过停止信号延迟（SSD）的动态调整，精确测量个体的抑制控制能力。简单来说，SSD是指Go信号出现到Stop信号出现的时间间隔。这个间隔会根据被试的表现实时调整：如果被试成功抑制了反应，下次就增加SSD（让任务更难）；如果抑制失败，就减少SSD（让任务更容易）。

在我的实现中，SSD的初始值一般设为250ms，每次调整幅度为50ms。这个参数设置需要根据预实验结果微调，目标是让被试的抑制成功率保持在50%左右。太容易或太难都会影响测量的敏感性。实际操作时，我会先运行几次模拟测试，观察SSD的变化趋势，确保算法能有效收敛。

3.2 试次比例与区块设计

一个典型的SST实验包含多个区块（block），每个区块由若干试次（trial）组成。根据我的经验，以下几个参数需要特别注意：

Go/Stop试次比例：通常设置为75%/25%，这个比例既能保证足够的Stop试次进行分析，又不会让被试产生预期
区块数量：4-6个区块比较合适，每个区块持续时间控制在5-8分钟
试次间间隔（ISI）：随机设置在0.5-1.5秒之间，避免被试形成节奏预期

对于需要对比不同条件的实验（比如情绪词vs中性词），建议采用ABBA或ABAB的区块平衡设计。这样可以抵消练习效应和疲劳效应的干扰。在我的fNIRS研究中，就采用了这种设计来比较威胁性词汇和中性词汇对抑制控制的影响差异。

4. PsychoPy实现关键技术与代码解析

4.1 实验流程的Routine设计

在PsychoPy中，一个完整的SST试次通常由三个Routine组成：

注视点（Fixation）：显示十字注视点0.5秒，帮助被试集中注意力。实现这个只需要一个Polygon组件，设置Shape为Cross，Size为0.2，Duration为0.5即可。
主试次（Trial）：这是最复杂的部分，需要处理多种情况：
- Go试次：显示目标刺激并等待按键反应
- Stop试次：在SSD后播放停止信号（通常是声音提示）
- 实时记录反应时和正确率
试次间隔（ISI）：空屏0.5-1.5秒，使用Text组件实现，内容留空即可。

4.2 动态SSD调整的实现

这是SST程序中最关键的技术点。我的实现方案是在每个Stop试次结束后，通过Python代码动态更新SSD值：

# 在Stop试次结束后执行 if trial_type == 'stop': if responded: # 抑制失败 expInfo['ssd'] = max(0.1, expInfo['ssd'] - 0.05) # 减少50ms else: # 抑制成功 expInfo['ssd'] = min(1.0, expInfo['ssd'] + 0.05) # 增加50ms thisExp.addData('ssd', expInfo['ssd']) # 记录当前SSD

这段代码保证了SSD始终在100-1000ms之间变化，避免出现极端值。实际应用中，你可能需要根据具体实验调整边界值和步长。

4.3 与神经影像设备的同步

对于需要与fNIRS/EEG设备同步的研究，关键是在特定事件发生时发送marker。PsychoPy通过parallel端口或TCP/IP协议支持这一功能。以下是一个简单的EEG标记示例：

from psychopy import parallel port = parallel.ParallelPort(address=0x378) # 在关键事件发生时发送标记 def send_marker(code): port.setData(code) core.wait(0.01) port.setData(0) # 在Stop信号出现时发送标记值2 if trial_type == 'stop': send_marker(2)

5. 常见问题排查与优化建议

5.1 时间精度问题

PsychoPy在普通笔记本电脑上可能面临时间精度问题，特别是在呈现短时刺激时。我遇到过最棘手的问题是Stop信号的实际呈现时间与设定值有偏差。解决方案包括：

使用高刷新率显示器（至少60Hz）
关闭不必要的后台程序
在PsychoPy首选项中启用"高精度模式"
定期进行时间校准测试

5.2 刺激材料加载优化

当使用大量图片或声音刺激时，加载延迟可能影响实验流程。我的经验是：

预加载所有刺激材料：

from psychopy import visual, sound stimuli = [visual.ImageStim(win, image=img) for img in image_files] stop_sound = sound.Sound('beep.wav')

使用轻量级文件格式（如.webp图片、.ogg音频）
避免在试次循环中重复创建刺激对象

5.3 数据记录完整性检查

确保记录所有关键数据是实验成功的前提。我通常会检查以下几点：

每个试次是否记录了：试次类型、反应时、反应键、正确与否、SSD值
是否记录了实验开始/结束时间、被试ID等元数据
数据文件是否自动备份（我习惯每完成一个区块就保存一次）

一个实用的技巧是在实验结束时显示简要的数据概览，方便即时检查数据质量：

# 计算并显示关键指标 go_accuracy = np.mean(go_trials['correct']) stop_success = np.mean(stop_trials['inhibited']) print(f"Go试次正确率：{go_accuracy:.1%}") print(f"Stop试次抑制成功率：{stop_success:.1%}")

经过多个项目的实践验证，这套基于PsychoPy的SST实现方案既保证了科研严谨性，又具备足够的灵活性。虽然初期学习曲线稍陡，但一旦掌握就能显著提升实验开发效率。特别是在需要定制化设计的场景下，自主开发的优势更加明显。

查看全文

http://www.jsqmd.com/news/556259/