導讀

獨立成分分析(ICA)是一種有效且普遍使用的EEG信號處理工具。為了減少計算時間，許多分析管道在ICA之前降低了EEG維數(shù)。Artoni及其同事(2018)的研究中就詳細地描述了這種降維ICA(rdICA)對獨立成分的偶極性和可靠性的有害影響。雖然ICA對于那些直接分析獨立成分感興趣的研究人員很有價值，但它更常用于清洗EEG數(shù)據(jù)。因此，需要直接檢查通過rdICA去除偽影對EEG數(shù)據(jù)質(zhì)量的影響。本研究對43名健康被試在執(zhí)行主動聽覺oddball任務的128導電極記錄進行了注冊分析。在以下條件下對每個被試的數(shù)據(jù)進行了預處理：①無降維的ICA；②僅包含64導電極的ICA；③ICA之前的PCA保留了原始數(shù)據(jù)99%的方差；④ICA之前的PCA保留了90%的方差。然后，通過測量平均振幅、單個試次平均振幅的標準測量誤差(SME)以及N1和P3成分的分半信度來量化ERP數(shù)據(jù)質(zhì)量。接下來，在一個獨立的驗證數(shù)據(jù)集中驗證本研究結(jié)果。結(jié)果發(fā)現(xiàn)，在90%條件下，早期感覺成分的平均振幅在統(tǒng)計上和實際上都有顯著的變化。出乎意料的是，SME僅在64導電極條件下更大。而且，rdICA對分半信度的影響在數(shù)據(jù)集之間是不一致的?；诖?，本研究認為謹慎使用基于PCA的rdICA是有必要的。

前言

獨立成分分析(ICA)是一種廣泛應用且高效的電生理記錄清洗工具。在EEG背景下，ICA的一個實際和理論限制是EEG中包含的獨立成分(ICs)的數(shù)量等于用于記錄的通道數(shù)量，而通道數(shù)量可能等于也可能不等于潛在信號源的真實數(shù)量。因此，通常會在ICA之前降低高密度EEG數(shù)據(jù)的維數(shù)。Artoni等人(2018)詳細介紹了這種降維對所得獨立成分(ICs)的偶極性和可靠性的有害影響。盡管該報告對直接分析大腦ICs的研究人員很有價值，但許多EEG研究人員在量化感興趣的神經(jīng)反應之前，主要使用ICA分離和去除少量非神經(jīng)偽影成分。因此，有必要直接檢查降維ICA(rdICA)偽影去除對EEG數(shù)據(jù)質(zhì)量的影響。為了解決這一差距，研究者考察了rdICA對主動聽覺oddball任務中引發(fā)的N1和P3 ERP成分的影響。Oddball任務由一系列混合的罕見目標刺激和頻繁的非目標刺激組成。對于主動oddball任務，參與者被要求做出行為反應以區(qū)分目標和非目標刺激；然而，即使在沒有行為反應的情況下，也可以觀察到與oddball分類相關的神經(jīng)反應。聽覺N1或N100成分在100ms左右有一個負峰，在額中央電極部位最大，被認為反映了早期感覺加工。它對新異的事物敏感度較弱，但對特定刺激的物理特征(包括音高和持續(xù)時間)高度敏感，同時受到選擇性注意和喚醒水平的調(diào)節(jié)。后期的聽覺P300具有廣泛的正時程，峰值在250到500ms之間，并通過新異的聲音增強。與N1成分不同，P300對刺激的物理特性不太敏感，因此被認為反映了更高水平的刺激分類過程。先前的研究估計，標準刺激和目標刺激的N1平均振幅的內(nèi)部一致性(由Cronbach's α測量)分別為0.94和0.86，目標刺激的P3平均振幅為0.83。本研究選擇N1和P300作為感興趣的主要成分。同樣，選擇在一個主動oddball任務情景中檢查這些成分，因為它是一個基礎和流行的ERP范式。此外，目前尚不清楚rdICA對早期感覺成分和晚期認知成分的影響是否存在差異。為了測試本研究的發(fā)現(xiàn)是否適用于其他EEG系統(tǒng)，任務范式和ERP成分，研究者對獨立數(shù)據(jù)集進行了驗證分析，其中描述了rdICA對使用不同EEG記錄系統(tǒng)記錄的DSCPT任務期間引發(fā)的視覺P1和N2成分的影響。本研究側(cè)重于兩種降維技術：主成分分析(PCA)和電極分組，后者近似于收集低密度EEG數(shù)據(jù)(例如，64或32通道蒙太奇)。其他降維技術如因子分析和機器學習方法也存在，但這些在ICA之前并不常用，因此在本研究中沒有進行考察。與ICA類似，PCA在許多領域無處不在；然而，ICA提取的是最大獨立成分，PCA識別的是觀測數(shù)據(jù)方差最大的正交向量序列，這些向量最大限度地解釋觀測數(shù)據(jù)中的方差。與ICA類似，PCA將返回與數(shù)據(jù)維數(shù)一樣多的成分數(shù)量；但是，通常會設置一個閾值，將超過該閾值的主成分排除。確定此閾值的方法很多，但為了簡單起見并與Artoni等人的研究保持一致，本研究專注于百分比方差閾值方法，其中每個PC所占的方差百分比按順序相加(從占方差最大的PC開始)，直到達到閾值(例如，90%)。達到此閾值后，所有未包含在總和中的PC都將被排除。也許EEG降維最簡單的方法是向ICA提交一個較小的電極子集。本文研究這種方法是因為它比PCA計算效率更高：索引數(shù)組的時間復雜度為O(1)，而創(chuàng)建協(xié)方差/相關矩陣然后提取正交特征向量的時間復雜度為O(min(p^3，n^3))，其中p是變量的數(shù)量，n是個案數(shù)或觀察數(shù)。在ICA之前對電極進行分組不僅在計算和概念上比PCA介導的rdICA更簡潔，而且可能是評估更高密度電極蒙太奇是否會導致更好的基于ICA偽影去除的有用技術。鑒于EEG和ERP社區(qū)中關于收集高密度記錄的成本(例如，更長的記錄準備時間，橋接電極的可能性增加)是否大于假定收益(例如，更高的信噪比，更好的插值精度，更好的空間分辨率)存在相當大的爭論，描述ICA偽影去除的質(zhì)量如何受到電極密度的影響可能是有價值的。為了量化rdICA的影響，本研究檢查了被試水平的平均振幅、標準測量誤差和分半信度。平均振幅經(jīng)常用于量化成分的大小，因為它是一種無偏點估計，對非時間鎖定噪聲和不平衡試次設計具有魯棒性。因此，本研究預計被試水平的平均振幅測量不會受到rdICA可能增加的非時間鎖定噪聲的影響。然而，即使rdICA對平均振幅沒有顯著影響，但它也可能導致ERP中單個試次噪聲的不同水平。為了明確評估給定時間窗平均振幅下的單試次水平噪聲，本研究使用了最近提出的標準測量誤差(SME)。時間窗平均振幅的SME是通過取每個試次的平均振幅，計算這些單個試次平均振幅的標準差，然后除以試次數(shù)目的平方根來計算的。因此，如果單個試次平均振幅測量中有較大的噪聲(即較大的標準差)，則SME將較大，表明單個試次平均振幅的精度較低。最后，許多ERP研究試圖考察大腦電位與個體差異的關系，這需要可靠的ERP測量。正如Luck等人(2020)所討論的，經(jīng)典信度對給定樣本的異質(zhì)性程度很敏感，因此即使測量精度(例如SME)保持不變，較大的異質(zhì)性也可能會導致更高的可靠性估計。因此，本研究評估了rdICA是否對ERP成分振幅的分半信度產(chǎn)生有意義的影響。

鑒于平均振幅對單個試次水平噪聲的魯棒性，本研究假定在ICA之前通過通道分組或PCA降低128通道EEG數(shù)據(jù)的維數(shù)，與全維ICA相比，被試水平的平均振幅差異可以忽略不計。此外，假設rdICA(通過PCA，而不是通道子集)與fdICA相比，在ERP振幅的可靠性方面的變化可以忽略不計，這將為在個體差異研究中使用降維方法提供證據(jù)。通過檢驗這些假設，本研究希望為從高維ERP數(shù)據(jù)中去除非神經(jīng)偽影的最佳實踐提供指導，并證明通過正確地使用降維技術可以避免全維ICA過高的計算成本。

方法

參與者

對43名參與者進行初步分析和對29名健康對照參與者進行驗證分析。健康對照組的排除標準包括：智力障礙(智商＜70)、過去6個月有藥物或酒精依賴、當前或既往中樞神經(jīng)系統(tǒng)疾病、癲癇、電休克治療史、顱骨骨折或意識喪失超過30min的頭部損傷史、18歲以下或60歲以上、精神病病史、當前或既往抑郁或躁狂發(fā)作史，或抑郁、躁狂或精神障礙家族史。

主動聽覺oddball任務

感興趣的主要任務是一個主動聽覺定向oddball任務，在運行Windows XP的戴爾電腦上使用Presentation軟件呈現(xiàn)該任務。音調(diào)呈現(xiàn)時間為100ms，上升/下降時間為10ms，試次間隔為1200-1500ms。參與者在四個blocks中總共完成了800個試次。在第一個block中，參與者關注左耳，并在聽到左耳高音時用右鍵單擊鼠標。這種高目標音的音高為2400Hz，出現(xiàn)頻率較低(占所有試次的10%)。注意耳中的低音頻率為1600Hz，并且出現(xiàn)頻率較高(占所有試次的40%)。在非注意耳中，出現(xiàn)不頻繁的音調(diào)(1200Hz；占所有試次的10%)和頻繁的音調(diào)(800Hz；占所有試次的40%)。在第二個block中，刺激呈現(xiàn)是相同的，但參與者被要求關注右耳。對于第三個和第四個block，音調(diào)水平是相反的(例如，前兩個block呈現(xiàn)給右耳的音調(diào)，在第三和第四block中呈現(xiàn)給左耳)。

EEG采集和處理

使用BioSemi ActiveTwo系統(tǒng)收集用于初步分析的EEG數(shù)據(jù)，該系統(tǒng)帶有差分放大器和高密度128電極蒙太奇和10個輔助電極：兩個水平眼電圖電極放置在雙眼外眼角附近，兩個垂直眼電圖電極放置在右眼上方和下方，兩個心電圖電極放置在左右臂上，兩個耳電極放置在左右耳垂上，兩個肌電圖電極放置在拇指下方的左右外展拇短肌上。在采集過程中，使用共模感應(CMS)和右腿驅(qū)動(DRL)接地電極以1024Hz采樣無參考EEG。預處理在EEGLAB v2021.1中進行。數(shù)據(jù)參考采用平均耳垂信號作為參考，使用二階巴特沃斯以0.1Hz進行高通濾波，然后重采樣至250Hz。使用具有默認值(頻率范圍=20-40Hz，epoch長度=0.5s，上限閾=10dB，epoch重疊=0.25s)的eeglab pop_rejcont函數(shù)自動拒絕噪聲時段。使用帶有以下默認參數(shù)的pop_clean_rawdata自動檢測和刪除壞電極：FlatlineCriterion=5，Channel Criterion=0.8，Line Noise Criterion=4。

然后將連續(xù)EEG數(shù)據(jù)進行四種平行ICA分解：①無降維的ICA；②僅包含奇數(shù)編號的ICA(BioSemi電極編號為A1-32，B1-32，C1-32和D1-32，共128個電極；這里只包括奇數(shù)編號的電極，例如A1，A3，A5，A7，...D31，它們提供了頭皮的全覆蓋，并接近64電極蒙太奇)；③ICA之前的PCA保留了原始數(shù)據(jù)99%的方差；④ICA之前的PCA保留了90%的方差。ICA通過pop_runica函數(shù)執(zhí)行，使用默認的infomax算法，并啟用了推薦的“擴展”選項。使用內(nèi)置函數(shù)中基于協(xié)方差矩陣的正交旋轉(zhuǎn)PCA。使用IClabel插件與默認參數(shù)自動識別眼部、肌肉、心臟通道噪聲和線噪聲偽影。分類為眼部、肌肉、心臟、通道噪聲或線噪聲的偽影(置信度為80%或更高)被自動拒絕。在ICA之后，被去除的通道通過球面樣條方法進行插值。使用從-150到0ms的均值對平均ERPs進行基線校正。如果可用的不頻繁試次少于25個(共160個)，則將該被試排除在外。N1成分先驗定義于額中央部位(F1，F(xiàn)Z，F(xiàn)2，F(xiàn)C1，F(xiàn)Cz，F(xiàn)C2和Cz)，P3定義于頂枕部位(P1，Pz，P2，PO3，PO4和POz)。N1平均振幅提取的先驗時間窗為50-150ms，P3成分為250-500ms。目視檢查了總平均波形，以確定這些先驗時間窗是否覆蓋了樣本中的N1和P3成分范圍，同時避免本研究的結(jié)果偏向特定的被試內(nèi)效應。

統(tǒng)計分析

在初步分析中，使用6個因變量來衡量rdICA對ERP數(shù)據(jù)質(zhì)量的影響：感覺N1平均振幅(頻繁和罕見條件下的均值)，頻繁-罕見P3平均振幅，感覺N1和頻繁-罕見P3平均振幅的標準測量誤差(SME)，以及感覺N1和頻繁-罕見P3平均振幅的分半信度。對于平均振幅和SME測量，計算三個單尾相關樣本t檢驗以進行比較：①全維ICA(fdICA) vs.64導電極ICA；②fdICA vs.ICA前PCA 99%的方差；③fdICA vs.ICA前PCA 90%的方差。為了控制1類錯誤率，初始alpha為0.05，邦弗羅尼校正為0.017(0.05/3=0.017)。給定alpha和樣本量，統(tǒng)計檢驗能夠以80%的概率(即power=0.8)檢測到中等Cohen's d效應量為0.48或更大。除了這些頻率檢驗之外，本研究還計算了貝葉斯因子來比較零假設和備擇假設的證據(jù)強度。零假設的先驗分布是一個具有N-1個自由度的t分布，備擇假設是柯西分布(即具有1個自由度的t分布)。這種方法是由Rouder等人(2009)推薦的，并且是本研究用于計算貝葉斯因子的BayesFactor R包的默認值。

成分的分半信度計算為參與者偶數(shù)試次和奇數(shù)試次均值之間的皮爾遜相關性。然后，使用Spearman-Brown公式對該信度系數(shù)進行校正，以解釋試次數(shù)目分半的原因：

其中

是Spearman-Brown校正的信度系數(shù)，ρ12是原始的分半信度系數(shù)。然后通過Fisher's Z變換將

標準化：

并計算出alpha為0.05/3的95%置信區(qū)間：

因此，對于每個預處理條件，估計相應95%置信區(qū)間的單個信度系數(shù)。

最后，為了確定rdICA是否可能導致更多混合ICs，從而導致ERP數(shù)據(jù)質(zhì)量下降，本研究計算了未能自動分類為眼動、大腦、EKG、肌肉、通道噪聲和線噪聲的ICs所解釋的方差百分比，每個參與者在每個預處理條件下的置信度為80%。然后，使用上述相同的被試內(nèi)t檢驗方法來檢驗條件之間的顯著差異。如果在混合ICs的數(shù)量和ERP成分中噪聲的數(shù)量的預處理條件之間存在顯著差異，則運行中介分析(中介R包)來測試混合ICs的增加是否解釋了rdICA與數(shù)據(jù)質(zhì)量下降之間的關系。

驗證數(shù)據(jù)集

為了檢驗研究結(jié)果的普遍性，對29名健康對照的獨立數(shù)據(jù)集進行相同的分析，這些健康對照被試完成了DS-CPT任務，并在BrainVision 128電極ActiCHamp系統(tǒng)上記錄EEG數(shù)據(jù)。DSCPT呈現(xiàn)一系列從0到9的數(shù)字(刺激持續(xù)時間=29ms和SOA=1000ms)，并要求被試在目標數(shù)字“0”出現(xiàn)時按下按鈕。檢查雙側(cè)視覺P1和目標誘發(fā)N2的平均振幅，以及SME和分半信度的變化。所有條件下的PO7/PO8/P7/P8電極位置的P1時間窗為80-130ms。視覺N2是通過在電極Cz、FCz和Fz上取平均值的目標-非目標差異波測量的，時間窗為320-400ms，以獲得有關數(shù)據(jù)集和范式的更多細節(jié)。

結(jié)果

平均振幅?；趯偲骄ㄐ蔚哪恳暀z查，將N1的時間窗從50-150ms調(diào)整為50-180ms，而P1、N2和P3的時間窗沒有調(diào)整(N1和P3成分的波形和地形圖見圖1；P1和N2的相應圖詳見補充材料)。圖2描述了在四種目標條件下，預處理后N1和P3平均振幅的變化程度。對于N1成分，沒有觀察到full vs.?half、full?vs.?99%比較的平均振幅的顯著變化。然而，在90%方差閾值條件下，確實存在平均振幅的顯著增加。假設N1是一個負成分，這種振幅的增加反映了N1的平均振幅接近于零。本研究觀察到full vs. 90%比較的最大貝葉斯因子，這表明數(shù)據(jù)強烈支持備擇假設(即，預處理條件之間的平均振幅存在差異)。對于本研究進行的三種條件比較中，P3差異波都沒有顯著差異。在各成分中，六個貝葉斯因子中有四個低于0.33，這表明數(shù)據(jù)更支持這四個比較的零假設(即，這些預處理條件之間沒有顯著差異)。有趣的是，P3振幅的full?vs. half比較的貝葉斯因子大于3，表明數(shù)據(jù)更符合備擇假設；然而，平均振幅的變化并沒有達到預期的方向。換句話說，P3振幅在降維條件下較大，這可能表明信噪比增加，因為P3差異波是一個正向成分。

灰點代表每個個體，灰線表示將不同條件的每個個體連接起來。紅線表示均值。平均振幅正態(tài)性和異常值的探索性分析。對平均振幅分布的目視檢查表明，盡管每個分布的均值相對穩(wěn)定，但降維條件(尤其是90%條件)導致了平均振幅分布的形狀和異常值數(shù)量存在差異。為了評估rdICA是否導致更劇烈的正態(tài)偏離，對每種條件進行了探索性Anderson-Darling檢驗。該分析結(jié)果與rdICA一致，導致P3成分偏離正態(tài)性，其中90%的條件導致了最大的A統(tǒng)計量。另一方面，在進行多重比較校正后，N1平均振幅分布在任何條件下都沒有顯著偏離正態(tài)性。為了評估異常值，研究者使用PMCMRplus包中的gesdTest()函數(shù)，使用了廣義極端學生化偏差(GESD)過程。該過程的結(jié)果基本上證實了圖2所示的結(jié)果：基于PCA的rdICA導致P3成分產(chǎn)生了更多的異常值，但對N1則不然。SME。圖3描述了與圖2相同的一組比較，只是將單個試次平均振幅的標準測量誤差(SME)作為因變量。只有半維ICA導致了SME的預期增加，而99%和90%的條件導致了SME的明顯下降。在所有條件比較中，貝葉斯因子都強烈支持N1 SME的備擇假設；然而，只有full vs. half的差異符合預期(即，降維ICA導致較高的SME)。對于P3成分，full vs. 99%和full vs. 90%比較的貝葉斯因子表明，數(shù)據(jù)與零假設最一致：相對于全維數(shù)，P3 SME在99%或90%條件下沒有顯著變化。

信度。圖4描述了N1和P3成分的原始和Spearman-Brown校正的分半信度?？偟膩碚f，N1的信度大于P3差異波的信度，這與已知的減法評分對信度的有害影響是一致的。令人驚訝的是，90%條件下的N1和P3成分最可靠。對于P3差異分數(shù)，full、half和99%條件的信度系數(shù)都落在90%條件系數(shù)的95%置信區(qū)間之外，因此90%條件的信度顯著高于其他條件。然而，從散點圖中可以看出，90%的條件在被試之間產(chǎn)生了更多的異質(zhì)性，并產(chǎn)生了可能虛假夸大可靠性的外圍數(shù)據(jù)點。

混合ICs。為了闡明rdICA是否導致混合ICs的比例更高，圖5比較了被IClabel標記為低置信度的ICs的方差占比(PVAF)(忽略其他標簽分類的置信度)。總的來說，與其他條件相比，全維ICA與混合ICs的比例較小相關，盡管在99%和90%條件下的差異更大。

然后進行后續(xù)的中介分析，以檢驗與降維ICA相關的ERP數(shù)據(jù)質(zhì)量下降是否是由于混合ICs的比例較高。結(jié)果發(fā)現(xiàn)，沒有觀察到混合ICs的比例介導了rdICA和數(shù)據(jù)質(zhì)量之間關系的有力證據(jù)(見表1)。這表明，雖然在降維ICA中的混合ICs比例較高，但這種增加并不能有效地解釋下游ERP數(shù)據(jù)質(zhì)量的下降。

驗證數(shù)據(jù)集的信度系數(shù)也受到99%和90%條件下單個較大異常值的影響，導致P1成分的信度較差，而N2成分不受影響。在初步分析中，90%條件下的兩個成分顯示出最高的信度系數(shù)，而在驗證數(shù)據(jù)集中90%條件下的P1成分顯示出最差的信度系數(shù)。N2成分也受到這個異常值的影響。在這種情況下，信度系數(shù)就可能被高估了。與初步分析類似，90%和99%的條件與驗證數(shù)據(jù)集中混合ICs比例的大幅增加有關。在這兩個數(shù)據(jù)集中，半維條件與混合ICs比例的增加無關。最后，在驗證數(shù)據(jù)集中再次觀察到混合ICs比例缺乏中介效應。

結(jié)論

本研究旨在檢驗降維ICA對常見ERP成分的下游數(shù)據(jù)質(zhì)量的影響。在大幅降維條件(90%)下，觀察到早期感覺成分(P1和N1)的平均振幅存在顯著的變化，但在其他條件或更晚的認知成分中(N2和P3)沒有觀察到這種差異。在半維條件下，所有成分的標準測量誤差都較大，但在99%或90%條件下則不然。rdICA對分半信度的影響不太明顯：在初步分析中，N1和P3的分半信度在90%條件下最高，而對于驗證數(shù)據(jù)集，P1的分半信度在90%條件下最低，而N2的分半信度最高。最后，在降維條件下，混合ICs的比例通常更大，但這種增加并不能解釋下游數(shù)據(jù)質(zhì)量的變化。本研究提供了在ICA之前降低維數(shù)的最佳實踐，并給出了以下建議：①rdICA的閾值通常應為99%或更高；②PCA閾值rdICA通常應該優(yōu)先考慮可擴展性的情況(對于優(yōu)先考慮可擴展性和處理速度的分析，只要閾值保持在99%或以上，PCA閾值ICA就可能是有價值的)；③對較少數(shù)量的電極進行分組會導致數(shù)據(jù)質(zhì)量更差，因此不建議通過電極分組來提高計算效率；④如果選擇使用基于PCA的rdICA策略，必須密切監(jiān)測異常值?？偟膩碚f，什么時候rdICA是合理的呢？根據(jù)觀察到的數(shù)據(jù)，研究者認為基于PCA的rdICA需謹慎使用。事實上，當給定的EEG數(shù)據(jù)矩陣中存在線性相關時，通常先進行PCA再進行ICA。這種線性相關意味著數(shù)據(jù)矩陣中至少有一個通道不提供任何獨立的信息(當來自兩個相鄰通道的凝膠橋接在一起時尤其常見)。幸運的是，數(shù)據(jù)矩陣的秩可以通過代數(shù)方法確定，然后使用PCA將矩陣化簡為滿秩狀態(tài)。因此，在這種情況下，在ICA之前降低數(shù)據(jù)矩陣的維數(shù)是沒有爭議的，事實上，這是許ICA管道的常見過程！相反，問題的關鍵似乎是：我們應該將給定數(shù)據(jù)矩陣的維數(shù)降低多少？本研究的發(fā)現(xiàn)與Artoni等人的發(fā)現(xiàn)一致，即PCA閾值低于99%往往會過于激進地降低維數(shù)，從而導致重要信息丟失或ICA沒有足夠的自由度來有效分離源信號。話雖如此，本研究結(jié)果表明，與全維數(shù)據(jù)相比，99%閾值PCA不太容易造成“過度減少”，下游數(shù)據(jù)質(zhì)量也沒有顯著受損。因此，本研究認為，只要研究人員意識到降維可能存在的陷阱(例如，過度減少、異常值生成、可能偏離正態(tài)等)，rdICA可能不僅是合理的，而且對于提高運行速度和擴大心理生理學研究的范圍至關重要。

用于預處理EEG的Matlab代碼和用于后續(xù)統(tǒng)計分析的R代碼可在以下網(wǎng)址獲?。篽ttps://github.com/vpokorny123/Psychophys-rdICA。此外，包含主數(shù)據(jù)集和驗證數(shù)據(jù)集的原始EEG文件可在以下位置找到：https://osf.io/jrb3q/。

參考文獻：Victor J. Pokorny., Scott R. Sponheim., Eric Rawls. (2022). Impact of reduced-dimensionality independent components analysis on event-related potential measurements. Psychophysiology, 2022;00:e14223. DOI: 10.1111/psyp.14223
小伙伴們點關注茗創(chuàng)科技，將第一時間收到精彩內(nèi)容推送哦～