導(dǎo)讀

近年來，人類睡眠腦電圖(EEG)研究激增，采用了越來越復(fù)雜的分析策略將電生理活動與認(rèn)知和疾病聯(lián)系起來。然而，正確計算和解釋當(dāng)代睡眠EEG中使用的指標(biāo)需要注意許多理論和實際的信號處理細(xì)節(jié)。本研究回顧了與頻譜分析、蒙太奇選擇、相位和振幅信息提取、替代結(jié)構(gòu)相關(guān)的幾個方法學(xué)問題，說明了方法選擇對結(jié)果的影響，以及通過可視化和簡化示例檢查處理步驟的重要性。本文以非數(shù)學(xué)的形式，結(jié)合睡眠特定示例，以及代碼實現(xiàn)來展示這些問題，旨在使新手和非技術(shù)性研究人員能夠?qū)Ψ椒▽W(xué)有更深層次的理解，從而幫助提高未來睡眠EEG研究的質(zhì)量。

前言

睡眠參與認(rèn)知和神經(jīng)精神疾病的證據(jù)越來越多，將這種獨特的大腦狀態(tài)推向了基礎(chǔ)和臨床神經(jīng)科學(xué)的前沿。雖然可以使用多種技術(shù)測量睡眠大腦，但EEG仍然是人類睡眠研究的首選方法。隨著EEG硬件(如高密度放大器和腦電帽)和分析程序(如時頻、功能連接、跨頻率耦合分析)的進步及其在神經(jīng)科學(xué)領(lǐng)域中的廣泛使用，這些硬件和分析方法也開始滲透到睡眠領(lǐng)域。事實上，通過同時捕獲電生理活動的時間、頻譜和空間方面，現(xiàn)代EEG技術(shù)(結(jié)合其他神經(jīng)科學(xué)工具)在理解非快速眼動(NREM)和快速眼動(REM)睡眠的復(fù)雜組織和功能方面具有重要作用。例如，NREM活動的某些方面(慢波振蕩(SOs)，睡眠紡錘波及其耦合)與衰老和認(rèn)知衰退、精神分裂癥、創(chuàng)傷后應(yīng)激障礙、自閉癥、以及健康個體的認(rèn)知、記憶和情緒功能方面有關(guān)。盡管人們對睡眠EEG的興趣日益濃厚，但仍需要大量的理論和實用的信號處理專業(yè)知識來正確分析睡眠EEG并評估已發(fā)表結(jié)果的有效性。然而，信號處理培訓(xùn)在最可能進行或評估睡眠腦電圖研究的領(lǐng)域(如心理學(xué)、神經(jīng)科學(xué)、醫(yī)學(xué))中并不常見，有時會對已發(fā)表結(jié)果的質(zhì)量產(chǎn)生負(fù)面影響。雖然犯錯對于提高分析技能的過程中是不可避免的，但對方法問題的認(rèn)識不足可能會完全阻止錯誤的發(fā)現(xiàn)。再加上統(tǒng)計不嚴(yán)謹(jǐn)，分析工具的不當(dāng)使用將產(chǎn)生錯誤和不可復(fù)制的結(jié)果。本文通過相關(guān)示例和代碼實現(xiàn)回顧了一些方法論問題，希望為非技術(shù)受眾提供一個睡眠EEG分析的切入點。本文有兩個目的。首先，強調(diào)不起眼的分析選擇如何對結(jié)果測量產(chǎn)生重大影響，進而對基礎(chǔ)和臨床研究的解釋也產(chǎn)生重大影響的。雖然分析選擇會產(chǎn)生一些下游影響是微不足道的，但我們經(jīng)常對結(jié)果的變異性程度感到驚訝。同時，在檢查大量潛在有趣的結(jié)果變量時，以不同的方式重復(fù)分析將增加假陽性的風(fēng)險。其次，強調(diào)檢查處理步驟是否產(chǎn)生所需輸出的重要性。分析腳本可能運行平穩(wěn)，產(chǎn)生合理的結(jié)果值，并生成引人注目的圖表，但根本沒有執(zhí)行研究人員設(shè)想的計算，這可能會影響研究結(jié)果。這些問題很難追蹤，但通過可視化中間結(jié)果并將分析應(yīng)用于剝離或模擬數(shù)據(jù)，可以極大地促進這些問題的解決。為了實現(xiàn)這兩個目的，本研究討論了睡眠EEG研究中常見的一組數(shù)據(jù)分析程序，提請注意經(jīng)常被忽視的問題，并指出定義中的歧義。附帶的Matlab腳本進一步說明了這些問題，并可作為自定義分析的起點，解決基本和轉(zhuǎn)化睡眠EEG研究中的問題。

就范圍而言，首先，本文不提供所有相關(guān)方法學(xué)問題的詳盡概述，也不假設(shè)涵蓋了最重要的問題。雖然所選的問題當(dāng)然希望其具有實際用途，但它們的主要目的是說明上述目標(biāo)。其次，許多涉及到的問題早已在其他信號處理和EEG領(lǐng)域中廣為人知，甚至也被睡眠專家所熟知，并且沒有聲稱有新的見解。相反，本研究希望以非數(shù)學(xué)形式，從專門的睡眠EEG角度和代碼實現(xiàn)來呈現(xiàn)這些問題，使非技術(shù)受眾更容易理解這些問題。第三，雖然所包含的主題和示例源于我們在人類無創(chuàng)頭皮水平睡眠EEG方面的經(jīng)驗，但其中許多問題同樣適用于源重建和侵入性EEG記錄、腦磁圖(MEG)、其他物種和覺醒狀態(tài)。第四，由于本研究的重點是數(shù)據(jù)分析，因而將忽略電極阻抗問題和通常在生成干凈數(shù)據(jù)之前的許多預(yù)處理步驟。但是，有關(guān)濾波、偽影校正、通道插值等等的選擇已經(jīng)構(gòu)成了分析鏈中的重要決策點。

代碼和數(shù)據(jù)

本文附帶的所有代碼都是在Matlab 2018a(Mathworks，Natick)中編寫的，需要用到Matlab的信號處理、統(tǒng)計和機器學(xué)習(xí)、曲線擬合工具箱，以及EEGlab功能。納入的數(shù)據(jù)(58通道NREM數(shù)據(jù)分為N2和N3階段，采樣率為400Hz，帶通濾波范圍為0.3-35Hz)來自三名健康被試，他們接受了一整晚的多導(dǎo)睡眠腦電圖記錄(EEG、眼電圖和肌電圖)，根據(jù)美國睡眠醫(yī)學(xué)學(xué)會指南對睡眠進行評分。合并的代碼和數(shù)據(jù)(EEGlab格式)可以從http://doi.org/10.5281/zenodo.3712074下載。

頻譜分析

頻譜分析是描述具有節(jié)律成分信號的最著名方法之一，在睡眠EEG中有著悠久的歷史。它提供了信號特性的廣泛而直接的概述，包括頻譜成分、它們的變異性和整體信號質(zhì)量。雖然信息量很大，但分析方法的變化阻礙了研究之間的比較。事實上，“功率譜”這個術(shù)語本身是相當(dāng)模糊的，因為它通常用于指代功率或功率譜密度(PSD)，這是兩個密切相關(guān)但具有不同單位的截然不同的概念(PSD：μV2/Hz；power：μV2)。雖然PSD被認(rèn)為是更合理的表示形式，但離散信號的PSD和功率譜(如EEG)通過一個簡單的換算系數(shù)相關(guān)聯(lián)，并且在大多數(shù)實際用途中(組間比較，將PSD/power與認(rèn)知測量相關(guān)聯(lián))，它們可以互換使用。

原始和相對/標(biāo)準(zhǔn)化PSD

睡眠EEG的PSD/功率估計通常使用Welch方法(或Welch周期圖)。這些估計值總是正的，在最慢和最快頻率之間存在許多數(shù)量級的差異(圖1A：i)。對于EEG信號，頻率f和PSD/功率之間的關(guān)系近似于1/fa分布(其中指數(shù)a表示頻譜下降的速度)，也稱為冪律縮放。節(jié)律信號成分的存在表示為與該背景“1/f”活動的正偏差。請注意，雖然每個頻率(頻段)始終具有非零功率，但這并不意味著存在振蕩活動。當(dāng)不是正弦形狀時，節(jié)律活動也可能由多個頻譜峰值(諧波)反映。此外，頻譜功率受各種偽影(例如，肌肉活動、眼動、汗液偽影)的影響。因此，雖然頻譜形狀提供了振蕩節(jié)律存在與否的粗略指示，但其本身并不是決定性的。

由于1/f縮放，原始PSD/功率通常在對數(shù)y刻度上繪制(圖1A：ii)，或?qū)?shù)變換后在線性刻度上繪制(圖1A：iii)。雖然ii和iii的形狀相同，但對數(shù)變換的PSD/功率在較高頻率下為負(fù)值，而未變換的PSD/功率＜1，這可能導(dǎo)致不直觀的行為(例如，較窄的0.5-20Hz范圍的PSD/功率總和大于較寬的0.5-30Hz范圍的PSD/功率)。因此，理想情況下，應(yīng)該使用未轉(zhuǎn)換的PSD值進行進一步的分析。當(dāng)覆蓋更寬的頻率范圍時，將x軸按對數(shù)間隔也會很有幫助(圖1A：iv和v)。在確定特定頻段內(nèi)的“功率”(例如，0.5-4Hz慢波活動或SWA)時，會產(chǎn)生其他復(fù)雜性。對于連續(xù)信號，功率定義為PSD函數(shù)相關(guān)部分的積分。對于離散采樣信號，如EEG，可以通過對相關(guān)頻率箱的PSD值求和并乘以適當(dāng)?shù)南浯笮?或等效地，對箱之間的功率求和)來近似。但由于PSD和功率只是彼此的縮放版本，因此直接相加PSD值通常沒有什么影響。許多研究人員對各個箱的值進行平均，而不是求和。雖然當(dāng)頻寬不相等時，用求和或平均法得到的PSD或功率的不同模式?jīng)]有什么實際差別。此外，一些研究對對數(shù)變換值(而不是對未變換值)進行求和或平均。由于這些細(xì)節(jié)并不總是被記錄下來，所以不清楚有限頻寬活動是否涉及PSD或功率、原始或?qū)?shù)變換值、平均值、總和或積分值。原始PSD/功率與信號幅值的關(guān)系相對直接，較大信號幅值的通道通常具有較大的功率，如圖1B和C中所示的原始PSD。因此，當(dāng)信號幅值的絕對差異被認(rèn)為是有意義的(例如，地形分析)時，原始頻譜是有用的。另一方面，與參考點的距離影響信號幅值時，個體通常會表現(xiàn)出相當(dāng)大的信號振幅差異，至少部分是由于不感興趣的因素(腦回折疊，腦電帽定位，顱骨形狀和厚度等)造成的。因此，頻譜通常按總功率進行歸一化，從而指示每個頻譜分量對信號的相對貢獻(xiàn)。無論相對功率的確切定義如何，功率歸一化的后果都可能很大。比較圖1C和D(左側(cè))的PSD頻譜形狀，很明顯，與原始PSD相比，相對PSD的使用使頻譜向上或向下移動。這不僅減少了SO頻段中的通道差異，而且還影響了這些示例通道中顯示最大的快速紡錘功率(原始：Pz；相對：Oz)?？紤]到一些頻率的PSD地形圖(圖1C和D，右側(cè))，相對PSD消除了0.8Hz SO活動的正面優(yōu)勢，并將13.3Hz快速紡錘體活性的熱圖向后移動。令人驚訝的是，原始和相對PSD在6Hz θ和25Hz β頻率下產(chǎn)生完全不同的地形，分別在前部或后部頭皮區(qū)域顯示出最大功率。圖1的代碼可在powerDefined.m和powerNormalization.m中找到。

當(dāng)使用原始或相對PSD比較N2和N3之間的頻譜分布時，情況也類似。因此，在哪個睡眠階段，人們認(rèn)為功率最大取決于所選擇的歸一化。因此，應(yīng)根據(jù)分析目標(biāo)定制歸一化。一般而言，歸一化的基準(zhǔn)(分母)不應(yīng)隨感興趣的因素而變化。由于1/f分布，振蕩分量有時可能表現(xiàn)為肩峰而不是清晰的頻譜峰。增強峰值的一種簡單方法是采用時域信號梯度(作為時間導(dǎo)數(shù)的粗略近似值)，并根據(jù)該信號估計PSD。盡管與原始PSD相比，這不會影響通道光譜和地形的相對順序(圖1E)，但它可能有助于頻譜分量的分離。抵消1/f活動的更復(fù)雜的方法包括擬合該成分并從原始PSD中減去它。然而，到目前為止，還沒有關(guān)于如何處理不同頻道、不同個體和不同睡眠階段的指南，但幾乎可以肯定的是，這些選擇也會影響結(jié)果。

蒙太奇選擇

蒙太奇或參考選擇的爭議問題由來已久。盡管參考影響信號特性這一基本概念已廣為人知，但人們并不總是能認(rèn)識到其后果有多深遠(yuǎn)。重要的是，所有蒙太奇都是不考慮時間動態(tài)的瞬時變換(即，在每個樣本上獨立執(zhí)行計算)。盡管如此，蒙太奇的選擇對信號的時間屬性有相當(dāng)大的影響。本研究考慮了三種常用的參考方案如何影響睡眠EEG的各個方面。

蒙太奇影響信號振幅和極性

圖2顯示了N3信號在四個中線通道上的30s記錄，采用乳突(LM；A)、共同平均(CA；B)和表面拉普拉斯(SL；C)蒙太奇。簡而言之，LM可以被認(rèn)為是睡眠EEG的“默認(rèn)”蒙太奇，參考位置位于相對不活躍的部位。對于CA，每個電極都參考所有電極的平均值，假設(shè)所有電位之和為零。最后，SL蒙太奇突出了每個記錄位點的局部活動，同時減少了共同參考和容積傳導(dǎo)的影響。

如圖2A所示，LM參考顯示了大振幅SOs的典型額部表達(dá)，其向后通道的表達(dá)變?nèi)?。同時，跨通道的信號形狀和極性相對相似(第一條垂直線)。相反，雖然CA參考產(chǎn)生的額葉SO看起來與LM參考相似，但Cz和Pz之間會發(fā)生極性反轉(zhuǎn)，導(dǎo)致前后SO(第二和第三垂直線)之間存在反相關(guān)系。此外，與LM參考相比，后部SOs的振幅要大得多，接近額葉信號的幅值，而Cz SO則小得多。這是由CA計算得出的：因為根據(jù)定義，在每個樣本上，所有電極的活動總和必須為零，所以前額區(qū)域的大負(fù)振幅必須與其他地方的大正振幅相匹配。與其對局部活動的關(guān)注一致，SL蒙太奇在通道之間產(chǎn)生了更多的變化，但也產(chǎn)生了相對于LM蒙太奇的輕微極性反轉(zhuǎn)。重現(xiàn)圖2的代碼可以在referencePolarity.m中找到。值得注意的是，這些與蒙太奇相關(guān)的相對信號振幅變化對PSD地形圖有影響，與功率歸一化類似，詳見referencePSDTopography.m。

蒙太奇影響功能連接

參考選擇對功能連接也有很大的影響。這里將鎖相值(PLV)作為相位同步的測量方法。相同頻率腦區(qū)之間振蕩相位的一致關(guān)系被認(rèn)為能夠使底層神經(jīng)元群之間進行有效傳播。圖3A的地形圖顯示了SO(左)、慢紡錘(中)和快速紡錘活動(右)的種子通道和頭皮其余部分之間LM蒙太奇的PLV，種子通道的選擇與圖4A的PSD地形圖相對應(yīng)。在每個頻率上，與附近通道的連通性最大，并隨著到種子的距離增加而降低。種子和頭皮其余部分之間的平均相位差地形圖表明幾乎不存在相位差(0°)，與圖2A中通道之間的相似性相匹配。與此形成鮮明對比的是，CA參考產(chǎn)生了從種子到附近和遠(yuǎn)處通道的強連通性(圖3B)，其模式大致遵循圖4B的PSD地形圖。此外，與遠(yuǎn)距離區(qū)域的連通性在每個頻率上都顯示出明顯的反相位關(guān)系，與前面描述的極性反轉(zhuǎn)一致。最后，SL圖顯示連接的范圍要小得多，相位差圖噪聲更大。重現(xiàn)圖3的代碼可以在referencePhaseSynchrony.m中找到。

蒙太奇影響跨頻率耦合

最后，參考的選擇影響跨頻相位-振幅耦合(PAC)，即較快振蕩的幅值(或功率)取決于較慢振蕩的相位。這被認(rèn)為可以實現(xiàn)跨多個時空尺度的大腦交流。圖5顯示了使用去偏相位-振幅耦合(dPAC)方法計算得到的慢紡錘(左)和快速紡錘(右)最大表達(dá)的SO相位地形圖。LM蒙太奇地形圖具有非常均勻的外觀(圖5A)，慢紡錘在SO波谷約180°時達(dá)到峰值，快速紡錘在SO波峰0°附近達(dá)到峰值。該結(jié)果再次與容積傳導(dǎo)一致，確保SO和紡錘波在不同電極上具有最大振幅和功率(圖3A和圖4A)。相比之下，CA蒙太奇產(chǎn)生大致的雙峰圖，使得前部和后部區(qū)域的紡錘體活動與相反的SO相關(guān)聯(lián)，反映了該參考選擇固有的極性反轉(zhuǎn)(圖5B)。最后，SL相位圖出現(xiàn)了噪聲(圖5C)，因為拉普拉斯會產(chǎn)生SO或紡錘體活動的相對集中的熱點，因此很難從所有通道中提取有意義的相位耦合估計(圖4C)。實際上，SO-紡錘耦合的程度(而不是相位)也取決于蒙太奇。通常，應(yīng)將耦合相位的解釋限制在實際顯示這種耦合的通道上。然而，原始耦合強度通常難以解釋，這將在替代檢驗中進行討論。重現(xiàn)圖5的代碼可以在referencePhaseAmplitudeCoupling.m中找到。

瞬時相位和振幅

準(zhǔn)確提取瞬時相位和振幅信息對于回答與功能連接和跨頻相互作用相關(guān)的基礎(chǔ)和臨床睡眠研究問題至關(guān)重要。例如，先前的睡眠研究發(fā)現(xiàn)精神分裂癥患者的紡錘體相干性減弱，創(chuàng)傷后應(yīng)激障礙患者的α帶相位同步改變，以及與記憶力下降相關(guān)的SO-紡錘體PAC精度較低。根據(jù)所使用的指標(biāo)，需要提取特定頻段或一系列頻段的帶限相位或振幅信息。對于許多指標(biāo)，這些計算可以在時域或頻域中等效地執(zhí)行。頻域計算依賴于信號的全PSD和交叉頻譜密度，而時域方法需要提取逐采樣(或瞬時)相位和振幅信息。獲得這些瞬時估計的兩種流行方法是：①在感興趣的頻段內(nèi)對EEG進行帶通濾波并應(yīng)用希爾伯特變換，②將EEG與一組不同頻率的復(fù)值小波進行卷積。這兩種技術(shù)都提供復(fù)值輸出，從中獲得對相位和振幅的估計。但是，在許多方面，返回的估計可能是不準(zhǔn)確的。例如，在評估SO-紡錘耦合相位時，或者當(dāng)振幅估計值被提供給下游檢測算法時，精確的相位/幅度估計是至關(guān)重要的。接下來將討論與相位/振幅估計相關(guān)的幾個問題。

提取相位

相位表示波在周期中的相對位置，用弧度或角度表示。相位角通常是相對于余弦或正弦波來定義的。當(dāng)從(正確應(yīng)用的)希爾伯特濾波器或小波卷積技術(shù)的復(fù)值結(jié)果中提取相位時，它是根據(jù)余弦隱式定義的，峰值對應(yīng)于0弧度(或?0°)，正零交叉對應(yīng)于?0.5π/1.5π弧度(或?90/270°)(圖6A：i和ii)。如果需要正弦相對相位角，則必須手動添加0.5π弧度(圖6A：iii)。然而，從文獻(xiàn)中并不總是能看出采用了哪種約定。當(dāng)轉(zhuǎn)置運算符(')應(yīng)用于復(fù)值時，Matlab中會出現(xiàn)另一個問題：當(dāng)該運算符正式執(zhí)行復(fù)共軛轉(zhuǎn)置時，虛值被符號翻轉(zhuǎn)，相位沿相反方向前進，導(dǎo)致相位估計錯誤(圖：6A：iv)。相反，應(yīng)該使用非共軛轉(zhuǎn)置(.')。最后，重要的是要使用專用的圓弧工具計算角度變量的統(tǒng)計屬性(例如，均值，標(biāo)準(zhǔn)差，相關(guān)性)。重現(xiàn)圖6A的代碼可以在extractPhase.m中找到。

提取希爾伯特振幅

圖6B顯示了模擬的SO-紡錘相位-振幅耦合，紡錘振幅在SO峰值處最大(紅色跡線)。一旦在SO(圖6B：i)和紡錘(圖6B：ii)范圍內(nèi)對數(shù)據(jù)進行濾波，并應(yīng)用希爾伯特變換，就可以得到濾波后的信號及其振幅包絡(luò)分別作為希爾伯特變換后數(shù)據(jù)的實部(黑色)和振幅(綠色)。然而，濾波必然會引入頻譜和時間的不精確性，這從實際包含這種活動的窗口外的明顯的紡錘體活動(橙色)和相對于其指定振幅1的紡錘體包絡(luò)線有所減少就可以看出。重現(xiàn)圖6B的代碼可以在extractHilbertAmplitude.m中找到。

提取小波振幅和相位

雖然從小波中提取振幅/包絡(luò)信息在概念上與希爾伯特方法相似，但小波需要在頻域中重新調(diào)節(jié)以獲得與原始數(shù)據(jù)一致的值(圖6C：i和ii)。此外，當(dāng)在頻域中執(zhí)行小波卷積時，如果時域小波通常以最大值為中心，則相位估計將不正確(相移)(圖6C：iii)。準(zhǔn)確的偏移量取決于小波特性，包括頻率和小波長度。相反，小波應(yīng)該被包裹起來，使其兩個時域的一半基本上是交換的(圖6C：i；插圖)。詳細(xì)解釋這些問題的代碼可以在extractWaveletPhaseAmplitude.m中找到。這些問題是否會影響分析取決于在下游分析中如何準(zhǔn)確地使用相位/振幅估計。

創(chuàng)建小波

盡管存在多種類型的小波，但這里只考慮(復(fù))Morlet小波，它是由高斯窗口逐漸變細(xì)的(復(fù))正弦波。除了頻率之外，它們還由許多參數(shù)(長度、數(shù)量、頻率間隔、時間分辨率、頻率分辨率、時頻)定義，這些參數(shù)通常需要仔細(xì)考慮，而睡眠EEG則需要考慮不同的因素。特別是，應(yīng)該選擇與感興趣的振蕩成分相匹配的小波頻率，這可能需要非常慢的小波來捕獲SO，并需要適當(dāng)間隔的小波具有相對較高的頻譜精度來識別慢速和快速紡錘。此外，相對較長(例如，20s)的小波可確保即使在最慢的頻率下也能在頻域中保持高斯形狀。因此，各種工具箱中使用的默認(rèn)值通常不是針對睡眠EEG進行優(yōu)化的。靈活構(gòu)建和可視化Morlet小波的代碼可以在createWavelets.m中找到。本研究還包括用于創(chuàng)建小波的代碼，這些代碼具有適合睡眠頭皮EEG的屬性(createWavelets_sleepScalpEEG.m)。

替代檢驗

在計算了功能連接或跨頻率耦合的指標(biāo)后，通常會在通道、頻率、組之間比較原始值。但是，原始值并不總是易于解釋，因為在沒有連接/耦合的情況下不知道預(yù)期值是什么。雖然對于許多指標(biāo)來說，理論值為0表示沒有連接/耦合，但幾乎沒有觀察到確切的0值，而且不清楚值應(yīng)該距離0(0.1，0.01，0.001？)多遠(yuǎn)才能表示有意義的連接/耦合。此外，在沒有真正影響的情況下，期望值通常取決于功率、頻率、通道和個體等因素，如果要進行公平的比較，就應(yīng)該考慮到這些因素。這些問題通常可以通過替代檢驗技術(shù)來解決，這種技術(shù)特別適用于基礎(chǔ)和轉(zhuǎn)化睡眠EEG研究，因為它們通常有大量的數(shù)據(jù)。

替代結(jié)構(gòu)

測試連接/耦合是否存在的常用方法是構(gòu)建大量替代項：原始數(shù)據(jù)的修改版本，保持某些屬性不變。對每個替代項重新計算感興趣的指標(biāo)，并將實際數(shù)據(jù)中的觀測值與替代項值的分布進行比較。當(dāng)觀測值在替代分布(也稱為零分布，因為它反映了無效的零假設(shè))的情況下完全不可能時，可以推斷連接/耦合。然而，替代檢驗需要考慮許多因素，其中一些影響很大。有不同的方法可以將觀測值與替代分布進行對比。首先，可以簡單地評估替代值大于或等于觀測值的比例，提供一個非參數(shù)的單側(cè)p值。在圖7A中，在SO相位和慢速紡錘振幅之間的額通道AFz處觀察到的PAC大于1000個替代值中的每一個(P＜0.001)。其次，如果替代值近似正態(tài)分布，則可以用分布的均值和標(biāo)準(zhǔn)差對觀測值進行z評分(圖7A，右)，此處為23.0。由于每個z分?jǐn)?shù)都有一個關(guān)聯(lián)的p值，因此該方法提供了另一種確定顯著性的方法(參數(shù))。此外，由于z評分表示某個值與均值的距離(就標(biāo)準(zhǔn)差而言)，因此當(dāng)替代分布在這些方面發(fā)生變化時，它提供了更容易比較的標(biāo)準(zhǔn)化分?jǐn)?shù)。當(dāng)考慮后部通道Oz時，這一點很明顯(圖7B)。雖然與AFz相比，原始PAC大幅降低(0.05)，但原始替代分布也發(fā)生了變化，仍然產(chǎn)生了1.9的中等正z分?jǐn)?shù)。

替代影響耦合動力學(xué)

圖8A顯示了SO-紡錘相位-振幅耦合強度(dPAC指標(biāo))的地形圖。雖然原始和歸一化耦合強度在慢速紡錘體上顯示出相似的額葉地形，但快速紡錘體在頂枕(原始)或額葉(歸一化)區(qū)域上似乎受到SO相位的調(diào)制最為強烈。原始耦合強度的通道差異可能部分反映了SO/紡錘密度/振幅之間的差異。相反，替代歸一化dPAC表示在紡錘包絡(luò)分布和SO相位存在情況下的耦合程度。雖然兩者都是相位振幅耦合的有效表征，但它們可能導(dǎo)致耦合最強出現(xiàn)在何處的觀點存在本質(zhì)上的不同。

圖8B顯示了考慮原始或歸一化加權(quán)相位滯后指數(shù)值(wPLI)時的遠(yuǎn)距離AFz-Oz跨頻率相位同步。原始wPLI(藍(lán)線)在SO波段顯示了最高的連接值(~0.55)，而在紡錘范圍內(nèi)的峰值為(~0.4)，這可能導(dǎo)致SO比紡錘更同步的結(jié)論。相比之下，時移替代歸一化wPLIZ(紅線)表示紡錘范圍內(nèi)的連接性最強(~1.75)，而SO則小得多(~0.75)。在許多情況下，比較原始指標(biāo)是合適的(例如，比較具有相似頻譜功率的被試內(nèi)條件之間的連通性)，但也需要仔細(xì)考慮，以確保所采用的指標(biāo)與特定的研究目標(biāo)相匹配。

結(jié)論

本文回顧了人類睡眠EEG分析中的各種方法學(xué)問題，特別是與頻譜分析、蒙太奇選擇、相位/振幅信息的提取、替代結(jié)構(gòu)有關(guān)的問題。首先，通常被認(rèn)為在概念上不感興趣的因素可能會對結(jié)果和結(jié)論產(chǎn)生巨大影響。因此，報告方法需要足夠詳細(xì)，以便其他研究者可以進行再分析。其次，小的計算細(xì)節(jié)可能導(dǎo)致結(jié)果指標(biāo)提供對感興趣因素的無意義的估計。所以可視化中間處理步驟對于確保代碼按預(yù)期運行是至關(guān)重要的。最后，將睡眠EEG與認(rèn)知和疾病聯(lián)系起來很重要，但也很困難。雖然已經(jīng)取得了一定的進展，但如果想要真正了解睡眠的作用，則可以而且應(yīng)該提高方法學(xué)質(zhì)量。總之，本研究希望所提出的問題有助于未來研究人員更好地進行睡眠腦電研究。

原文：Analyzing human sleep EEG: A methodological primer with code Implementation.

https://doi.org/10.1016/j.smrv.2020.101353

小伙伴們關(guān)注茗創(chuàng)科技，將第一時間收到精彩內(nèi)容推送哦～