事件相关电位（event-related potentials，ERPs）技术最初是由萨顿提出的（Luck，2014）。事件相关电位是大脑皮层产生的基于具体内部或外部事件（如刺激、响应、决策等）的电信号。该电信号可以通过无创伤方式被记录下来，并具有较高的时间分辨率，能够为研究人员提供关于认知和情感加工过程的信息（Luck、Kappenman，2011）。通过对电信号的成分分析，我们可以了解被试的认知加工过程；通过对电信号的溯源分析，我们甚至可以了解大脑活动发生的具体脑区。ERPs技术是脑科学研究的重要技术，近年来被广泛应用于管理和经济决策问题中，能够有效挖掘行为背后的认知加工机制，并为自我报告数据提供补充信息（Bagozzi et al.，2013；Becker、Cropanzano、Sanfey，2011；Pozharliev et al.，2015；Sun et al.，2019）。高时间分辨率的ERPs可以和高空间分辨率的fMRI形成优势互补，完美地揭示决策“黑箱”。

1.脑电数据记录过程

实验采用由Neuroscan公司研发的64导脑电记录系统，选取64个头皮位置，并且利用Ag/AgCl电极帽记录相应的脑电图（EEG），电极位置采用国际通用的10-20系统。脑电数据记录时，通过电极帽与Neuroscan Synam p2放大器相连，放大被试头皮上的电信号并将电信号以500赫兹采样率、0.05~70赫兹的采样带宽记录下来。头顶的电极点被选为采集数据时的参考电极点，接地电极点位于中线上的FCz和Cz之间。此外，6个外接电极点被分别用来记录水平眼电、垂直眼电和线下参考。其中，两个外接电极被以左右对称的形式粘贴在被试的双眼外侧1厘米，用来记录因眼球运动而产生的水平眼电。与之类似，另外两个外接电极被以上下对称的形式粘贴在被试左眼的上下眼眶1厘米处，用以记录因眨眼而产生的垂直眼电。眼电作为一种肌肉运动的副产品，会对脑电数据产生影响，因此记录水平和垂直眼电可以在数据处理环节对含有眼电数据的脑电波信号进行纠正，从而还原真实的脑电信号。左右耳后的骨性凸起，即左右乳突的信号数据也通过两个左右对称的外接电极被记录下来。在数据分析时，以双侧乳突的平均值作为线下参考，可以实现对脑电信号的参考转换。接地电极位于FCz点和Fz点之间的中点。在实验开始前，主试确保每个电极点的阻抗都被控制在10千瓦以下，并在实验的全过程中，保证阻抗大小被控制该水平之下，从而确保数据具有较高的信噪比。此外，在数据采集过程中，50赫兹以上的数据会被过滤掉，从而有效避免了市电干扰（Luck，2005）。

2.脑电数据预处理

在对脑电数据进行统计分析之前，首先要对脑电数据进行预处理，其目的在于得到干净的、只包含拟研究事件的脑电信号。脑电信号预处理主要包含以下几个步骤：

第一，预览脑电信号。浏览、观察被试脑电的基本特征，记录下存在明显飘移和扰动的被试编号，并决定是否删除该被试数据。

第二，去除眼电。被试在完成实验任务的过程中，不可避免地会眨眼，从而产生垂直眼电，同时，在阅读屏幕上的文字时，眼球也难免发生移动，从而产生水平眼电。两种类型肌肉运动所产生的眼电都会对脑电信号产生肉眼可见的影响。因此，记录眼电数据，并使用Neuroscan中ocular artifact reduction功能，抵消眼电对脑电信号的影响，从而得到相对干净的脑电数据（Miller、Gration、Yee，1988）。(www.daowen.com)

第三，转换参考。在数据记录过程中，脑电数据以头顶作为参考。在线下分析时，将脑电数据进行转换，以双侧乳突的均值作为参考。rereference步骤能将所有电极点的脑电数据与双侧乳突均值的差值作为转换参考后的幅值。

第四，滤波。滤波操作可以滤除过高或过低频率的噪声，并保留下拟分析的频段。本书的实验采用巴特沃兹滤波的方法，用0.5~30赫兹的带通滤波对脑电数据进行滤波处理。

第五，提取事件。由于在整个被试完成实验任务的过程中，脑电数据是连续记录的，因此需要通过对特定事件的触发打码对拟分析的脑电时间窗进行截取。在事件提取过程中，以刺激呈现时刻作为事件提取的0点，并以反馈呈现前200毫秒至反馈呈现后800毫秒作为事件提取的时间窗。

第六，校正基线。本书的实验以反馈呈现前200毫秒到0时刻作为基线，对提取时间窗内的脑电数据进行校正，从而得到因特定事件发生而导致的脑电数据变化的相对值，并进行比较。

第七，去除伪迹。去伪迹操作可以有效去除噪声过大的试次。本书的实验以±100微伏作为筛选标准，只要拟分析的电极点中有任何一个电极点的数据在±100微伏之外，该试次就会被剔除。此外，为了确保数据质量并保证每种实验条件下足够的试次数量，若超过25%的试次因伪迹过大而被剔除，则该被试的数据也将被删除。

第八，叠加平均。这一操作是将每个被试经过处理后的脑电数据按照不同实验条件进行分类汇总。在本书中，我们根据决策类型（风险决策vs含糊决策）和唤醒度（高数额vs低数额）将脑电数据分类成四种（2×2）。