EEG巨型分析I：跨研究的頻譜和振幅特征

導(dǎo)讀

通過(guò)匯集多項(xiàng)研究的統(tǒng)計(jì)結(jié)果(元分析)，fMRI領(lǐng)域取得了重大成就。最近，fMRI標(biāo)準(zhǔn)化工作的重點(diǎn)是實(shí)現(xiàn)跨研究(巨型分析)的fMRI原始數(shù)據(jù)的聯(lián)合分析，以期獲得更詳細(xì)的見(jiàn)解。然而，目前尚不清楚在EEG領(lǐng)域的此類分析是否可能或同樣富有成效。在這里，研究者使用了來(lái)自六個(gè)地點(diǎn)的18項(xiàng)研究，并提供了一個(gè)大規(guī)模EEG巨型分析結(jié)果，這些研究代表了幾種不同的實(shí)驗(yàn)范式。研究結(jié)果證明，當(dāng)跨研究的元數(shù)據(jù)一致時(shí)，通道級(jí)和源級(jí)EEG巨型分析都是可能的，并且可以提供單一研究中無(wú)法提供的見(jiàn)解。該分析使用全自動(dòng)處理流程來(lái)減少線噪聲，插值噪聲通道，執(zhí)行魯棒參考，去除眼電活動(dòng)，并進(jìn)一步識(shí)別異常信號(hào)。研究者定義了幾個(gè)基于通道振幅和分布的穩(wěn)健測(cè)量，以評(píng)估跨研究數(shù)據(jù)的可比性，并觀察各種處理步驟對(duì)這些測(cè)量的影響。使用基于ICA的偶極源，還觀察到整個(gè)腦區(qū)的總體頻率基線振幅的一致差異。例如，觀察到后腦區(qū)的alpha比前腦區(qū)高，顳區(qū)的beta值更高?？偟膩?lái)說(shuō)，本研究應(yīng)用了巨型分析來(lái)評(píng)估跨研究的事件相關(guān)EEG特征的共性。本分析中使用的連續(xù)原始數(shù)據(jù)和預(yù)處理數(shù)據(jù)可在https://cancta.net上的DataCatalog獲得。

?

?

前言

事實(shí)證明，fMRI研究的數(shù)據(jù)匯集對(duì)于提高統(tǒng)計(jì)功效、評(píng)估主體間差異以及確定預(yù)測(cè)的普遍性和再現(xiàn)性非常有價(jià)值。fMRI元分析通常結(jié)合了基于峰值激活坐標(biāo)（基于坐標(biāo)的元分析，CBMA）或激活的3D統(tǒng)計(jì)圖像（基于圖像的元分析，IBMA）的研究。BrainMap項(xiàng)目是建立空間標(biāo)準(zhǔn)化方法、引用公共坐標(biāo)，并將坐標(biāo)和圖像聯(lián)結(jié)到相關(guān)文獻(xiàn)的先驅(qū)。這些和其他fMRI數(shù)據(jù)共享工作使得fMRI元分析呈爆炸式增長(zhǎng)。這增加了對(duì)大腦基本功能的理解，并促進(jìn)了用于診斷和評(píng)估精神疾病治療的工具和生物標(biāo)志物的開(kāi)發(fā)。Poldrack等人(2017)為透明和可重復(fù)的fMRI成像制定了全面的策略，并為標(biāo)準(zhǔn)化的自動(dòng)化處理、基準(zhǔn)和大規(guī)模共享原始數(shù)據(jù)以及統(tǒng)計(jì)圖的需求提供了強(qiáng)有力的論證。BIDS（腦成像數(shù)據(jù)結(jié)構(gòu)）規(guī)范代表了為原始和處理后的神經(jīng)影像數(shù)據(jù)以及相關(guān)元數(shù)據(jù)制定數(shù)據(jù)標(biāo)準(zhǔn)的重要國(guó)際努力。fMRI數(shù)據(jù)的BIDS標(biāo)準(zhǔn)化和支持工具相對(duì)成熟。與元分析相比，巨型分析涉及跨記錄或研究的原始數(shù)據(jù)的匯集和聯(lián)合分析，而不是結(jié)合元數(shù)據(jù)或派生的統(tǒng)計(jì)數(shù)據(jù)。隨著用于共享原始數(shù)據(jù)的開(kāi)放訪問(wèn)平臺(tái)的創(chuàng)建，例如OpenfMRI及其后繼者OpenNeuro，fMRI巨型分析現(xiàn)在開(kāi)始出現(xiàn)了。雖然OpenNeuro目前主要是fMRI數(shù)據(jù)，但最近對(duì)MEG和EEG成像的BIDS擴(kuò)展大大增加了在OpenNeuro和其他平臺(tái)上公開(kāi)EEG數(shù)據(jù)的興趣。不幸的是，目前成功的fMRI元分析的標(biāo)準(zhǔn)化統(tǒng)計(jì)圖沒(méi)有為EEG/MEG提供等效支持。此外，盡管最近出現(xiàn)了一些關(guān)于EEG/MEG數(shù)據(jù)采集和預(yù)處理最佳實(shí)踐的通用指南，但MEG/EEG預(yù)處理尚未標(biāo)準(zhǔn)化，只是剛開(kāi)始進(jìn)行系統(tǒng)地基準(zhǔn)測(cè)試。巨型分析將記錄和研究中的原始數(shù)據(jù)結(jié)合起來(lái)，其核心問(wèn)題是EEG數(shù)據(jù)應(yīng)該如何標(biāo)準(zhǔn)化，以提高跨研究信號(hào)的可比性。本文通過(guò)在六個(gè)不同實(shí)驗(yàn)地點(diǎn)進(jìn)行的18項(xiàng)研究中，考察了通道級(jí)和源級(jí)的空間、時(shí)間和頻譜信號(hào)特性，旨在為這些問(wèn)題提供初步指導(dǎo)。一篇相關(guān)論文應(yīng)用了更詳細(xì)的巨型分析和層次統(tǒng)計(jì)建模，以評(píng)估跨同一語(yǔ)料庫(kù)中與事件相關(guān)的時(shí)間和頻譜特征的共性。該語(yǔ)料庫(kù)包括幾組研究，它們使用相同的一般范式，但在協(xié)議細(xì)節(jié)上有所不同。例如，其中五項(xiàng)研究是基于RSVP（快速串行視覺(jué)呈現(xiàn)）范式，但具有不同類型的圖像、呈現(xiàn)速率以及對(duì)標(biāo)記目標(biāo)檢測(cè)的手動(dòng)響應(yīng)要求。其他研究則在駕駛模擬中使用諸如車輛擾動(dòng)下的車道保持等任務(wù)。該語(yǔ)料庫(kù)反映了參與研究小組的興趣，表明了在公共存儲(chǔ)庫(kù)中可能出現(xiàn)的研究類型和異質(zhì)性，其中研究間的控制變量可能無(wú)法比較，即使在內(nèi)部使用多因素設(shè)計(jì)時(shí)也是如此。在綜合分析中很難系統(tǒng)地計(jì)算跨被試的變異性。然而，即使在公共存儲(chǔ)庫(kù)可能遇到的非結(jié)構(gòu)化環(huán)境中，也有可以探索和利用的通用元素。在過(guò)去的十年中，人們?cè)絹?lái)越強(qiáng)調(diào)在EEG數(shù)據(jù)分析中使用多層次統(tǒng)計(jì)模型（如分層線性模型或混合效應(yīng)模型）來(lái)聯(lián)合分析被試、組水平和研究的內(nèi)部和之間的變異性。在部分匯集分析中明確建模記錄和研究特定的可變性，可以幫助解決與經(jīng)典全匯集分析相關(guān)的I型錯(cuò)誤率膨脹問(wèn)題。在EEG分析中，這種多層次模型通常應(yīng)用于事件相關(guān)數(shù)據(jù)的結(jié)構(gòu)化語(yǔ)料庫(kù)。在本文中，研究者使用全匯集分析研究了數(shù)據(jù)的一般特征。參照相關(guān)論文進(jìn)行了更詳細(xì)的多層次統(tǒng)計(jì)分析，其中描述了各種實(shí)驗(yàn)因素對(duì)事件相關(guān)時(shí)間和頻譜特征的影響，同時(shí)使用兩級(jí)層次線性模型顯式地建模記錄特定的可變性。本文分為兩個(gè)主要主題，即考察跨研究的通道級(jí)和源級(jí)的空間、時(shí)間和頻譜特征共性。方法部分簡(jiǎn)要描述了實(shí)驗(yàn)數(shù)據(jù)，概述了用于執(zhí)行分析的自動(dòng)化處理流程，并介紹了一類穩(wěn)健的測(cè)量，以探索跨異構(gòu)研究的EEG的標(biāo)準(zhǔn)化和統(tǒng)計(jì)特性。結(jié)果部分展示了在通道和源空間中EEG信號(hào)的統(tǒng)計(jì)差異和相似的結(jié)果?？傊狙芯刻峁┝藢?duì)包含在大型、多樣化EEG記錄語(yǔ)料庫(kù)中的變異性來(lái)源的廣泛見(jiàn)解，以及如何解決這些因素以揭示跨頻段和腦區(qū)的功率譜振幅的一致差異。

方法

實(shí)驗(yàn)數(shù)據(jù)

如表1所示，本文使用了在六個(gè)地點(diǎn)進(jìn)行的18項(xiàng)研究的數(shù)據(jù)，這些地點(diǎn)與四個(gè)機(jī)構(gòu)有關(guān)：陸軍研究實(shí)驗(yàn)室(ARL)、國(guó)立交通大學(xué)(NCTU)、荷蘭應(yīng)用科學(xué)研究所(TNO)和加州大學(xué)圣地亞哥分校(UCSD)。所有研究均在被試自愿、充分知情的情況下進(jìn)行，并獲得各自院校機(jī)構(gòu)的評(píng)審委員會(huì)批準(zhǔn)。

?

?

這些研究包括兩大類任務(wù)的變化：視覺(jué)目標(biāo)檢測(cè)和有/無(wú)運(yùn)動(dòng)平臺(tái)的駕駛、交通、速度控制、分心、聽(tīng)覺(jué)反饋或自適應(yīng)巡航控制(ACC)。視覺(jué)目標(biāo)檢測(cè)任務(wù)包括模擬警衛(wèi)任務(wù)的ID檢查(GUARDA和GUARDB)、快速串行視覺(jué)呈現(xiàn)(RSVPB、RSVPC、RSVPE、RSVPI、RSVPU)和視覺(jué)奇異(VEP)。除ACC外，其他任務(wù)都是基于駕駛模擬器中的車道保持變化，ACC是在測(cè)試軌道上駕駛實(shí)際車輛。該庫(kù)共包含1173條EEG記錄，持續(xù)時(shí)間為633小時(shí)。NCTU、TNO和UCSD實(shí)驗(yàn)均在各自機(jī)構(gòu)的同一地點(diǎn)進(jìn)行，而ARL實(shí)驗(yàn)則在三個(gè)不同地點(diǎn)進(jìn)行。ARLH指定在陸軍研究實(shí)驗(yàn)室的人類研究與工程理事會(huì)進(jìn)行實(shí)驗(yàn)，ARLS指定在SAIC實(shí)驗(yàn)室進(jìn)行實(shí)驗(yàn)，ARLT指定在Teledyne公司進(jìn)行實(shí)驗(yàn)。ARLA指定在所有三個(gè)地點(diǎn)使用相同的實(shí)驗(yàn)設(shè)置執(zhí)行任務(wù)(LKBase和LKCal)。為了便于下游處理的一致性，整個(gè)語(yǔ)料庫(kù)采用ESS(EEG研究模式)組裝。將單個(gè)EEG記錄轉(zhuǎn)換為EEGLAB格式，并將特定于研究的事件代碼映射到分層事件描述符(HED)字符串。

?

數(shù)據(jù)組織和預(yù)處理

數(shù)據(jù)處理是完全自動(dòng)化的，并且分幾個(gè)階段進(jìn)行(見(jiàn)圖1)。使用PREP，這是本研究作者開(kāi)發(fā)的一種自動(dòng)化開(kāi)源工具，用于執(zhí)行穩(wěn)健的平均參考和插值壞導(dǎo)。從每個(gè)數(shù)據(jù)記錄中去除線噪聲后，PREP使用迭代過(guò)程來(lái)識(shí)別和插值噪聲通道，以計(jì)算穩(wěn)健的平均參考。在最終迭代中識(shí)別為壞的通道被插值。從每個(gè)記錄中刪除非EEG通道，并根據(jù)到標(biāo)準(zhǔn)10-20位置的通道距離為沒(méi)有標(biāo)準(zhǔn)標(biāo)簽的通道分配10-20通道標(biāo)簽。在基于64導(dǎo)10-20配置選擇最多64個(gè)通道進(jìn)行此分析后，使用EEGLAB pop_resample()以128 Hz重采樣數(shù)據(jù)。由于本文中使用的所有18項(xiàng)研究都是以高于128 Hz的采樣率獲得的，因此重采樣實(shí)際上是進(jìn)行降采樣。使用EEGLAB的pop_eegfiltnew()函數(shù)在1Hz下應(yīng)用1690點(diǎn)高通濾波來(lái)去除低頻漂移。

?

使用獨(dú)立成分分析(ICA)和眼動(dòng)殘差回歸來(lái)從語(yǔ)料庫(kù)中去除眼動(dòng)。在使用Mullen等人(2015)所述的無(wú)異常值振幅的數(shù)據(jù)部分執(zhí)行Infomax ICA后，應(yīng)用了修改版的EyeCatch來(lái)識(shí)別與眼動(dòng)相關(guān)的獨(dú)立成分(IC)。EyeCatch包含3453個(gè)手動(dòng)識(shí)別的眼動(dòng)ICA頭皮地形圖數(shù)據(jù)庫(kù)，將眼睛IC標(biāo)記為與數(shù)據(jù)庫(kù)中至少一個(gè)頭皮地形圖具有相似的地形(相關(guān)性＞0.94)，或者是適度相似(相關(guān)性＞0.85)且至少1%的數(shù)據(jù)幀具有至少100的功率比的IC。為了計(jì)算功率比，EyeCatch使用MATLAB cwt()函數(shù)執(zhí)行連續(xù)小波變換，并在每個(gè)時(shí)間點(diǎn)上計(jì)算[1，3] Hz范圍內(nèi)的功率除以(3，15] Hz范圍內(nèi)的功率。然后，從通道數(shù)據(jù)中刪除由EyeCatch識(shí)別為包含眼動(dòng)的ICs所跨越的子空間。此外，應(yīng)用BLINKER以識(shí)別在去除眼動(dòng)偽跡之前與眨眼不同階段相關(guān)的潛伏期。BLINKER在EEG.event structure中插入了五個(gè)事件(Left base，Left zero，Blink peak，Right zero，Right base)。BLINKER還提取了連續(xù)的“眨眼”信號(hào)，該信號(hào)遵循每對(duì)標(biāo)記之間眨眼引起的EEG活動(dòng)。

?

通道分析

通道分析的目標(biāo)是評(píng)估跨研究通道數(shù)據(jù)的統(tǒng)計(jì)和可變性。一些分析步驟通過(guò)去除中值并除以每個(gè)通道的穩(wěn)健標(biāo)準(zhǔn)差來(lái)對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化。將這種標(biāo)準(zhǔn)化稱為“穩(wěn)健的z分?jǐn)?shù)”數(shù)據(jù)轉(zhuǎn)換。穩(wěn)健標(biāo)準(zhǔn)差定義為1.4826倍的絕對(duì)中位差(MAD)。本文將EEG通道的穩(wěn)健標(biāo)準(zhǔn)差稱為“穩(wěn)健通道振幅”。頭皮位置和記錄通道振幅的變化：為了研究EEG信號(hào)在通道位置和記錄中是否始終具有不同的振幅，通過(guò)26×1正向量開(kāi)發(fā)了每個(gè)記錄振幅的簡(jiǎn)化表示，稱為“記錄振幅矢量”。首先選擇所有記錄中共有的26個(gè)通道來(lái)計(jì)算記錄振幅矢量：Fp1、Fp2、F3、Fz、F4、F7、F8、FC3、FCz、FC4、FT7、FT8、C3、Cz、C4、TP7、TP8、CP3、CPz、CP4、P3、Pz、P4、O1、Oz和O2。然后，計(jì)算每個(gè)通道在20Hz低通濾波通道信號(hào)后的穩(wěn)健標(biāo)準(zhǔn)差。為了在多個(gè)R記錄中進(jìn)行分析，這里形成了“振幅矩陣”，即這些列向量的26×R矩陣。（注意，這種低通濾波和通道下選僅用于通道分析目的，不適用于源計(jì)算。）通過(guò)記錄特定的常數(shù)來(lái)表征變化：EEG記錄聯(lián)合分析的一個(gè)已知困難是，耳機(jī)技術(shù)和傳感器放置以及被試頭發(fā)、頭皮和顱骨特征引入的可變性會(huì)導(dǎo)致數(shù)據(jù)的統(tǒng)計(jì)特性不同。解決此問(wèn)題的一種簡(jiǎn)單方法是用特定于記錄的比例因子對(duì)可變性進(jìn)行建模，并通過(guò)將其通道數(shù)據(jù)除以特定于記錄的常數(shù)來(lái)“標(biāo)準(zhǔn)化”每個(gè)記錄。本研究考察了幾種計(jì)算特定記錄的標(biāo)準(zhǔn)化因子，包括均值、Huber均值和記錄振幅矢量的歐氏(L2)范數(shù)。還研究了直接基于通道信號(hào)而不是記錄振幅矢量的測(cè)量值，但這些方法的可比性較差，因此這里沒(méi)有報(bào)告。雖然所有這些方法都捕獲了記錄振幅的集中趨勢(shì)，但均值和歐氏范數(shù)對(duì)異常值很敏感。Huber均值是一種迭代技術(shù)，用于在異常值存在的情況下穩(wěn)健地逼近均值。

標(biāo)準(zhǔn)化因子是在振幅矩陣(跨通道)上按列計(jì)算的，如圖2中概括的Huber均值。無(wú)論采用何種標(biāo)準(zhǔn)化方法，得到的振幅矩陣都按列除以記錄標(biāo)準(zhǔn)化因子的1×R向量，以生成每種標(biāo)準(zhǔn)化方法的歸一化振幅矩陣。

?

圖2.計(jì)算Huber均值的步驟。其他歸一化方法也采用了類似的步驟。

?

跨頭皮位置和頻率的通道基線幅值變化：為了研究不同頻率的EEG信號(hào)是否在通道位置上始終具有不同的振幅，研究者分析了去除眼動(dòng)，并通過(guò)Huber記錄特定常數(shù)進(jìn)行歸一化的連續(xù)EEG。選擇用于研究通道信號(hào)振幅的26個(gè)相同通道子集，并計(jì)算每個(gè)通道的連續(xù)小波變換（使用MATLAB cwt()函數(shù)），以獲得時(shí)變振幅譜圖。為了關(guān)注每個(gè)通道中不同頻率的相對(duì)幅值，將這些基線頻譜幅值矢量歸一化，使歐式范數(shù)為1(1)。這里將結(jié)果稱為“歸一化通道頻譜圖”。

為了研究在每個(gè)頻率上觀察到的通道幅值差異的統(tǒng)計(jì)顯著性，對(duì)每個(gè)(頻率、記錄)對(duì)的通道頻譜幅值的穩(wěn)健z分?jǐn)?shù)應(yīng)用Wilcoxon符號(hào)秩檢驗(yàn)（MATLAB signrank()函數(shù)）。這些統(tǒng)計(jì)檢驗(yàn)的零假設(shè)是，對(duì)于每個(gè)(頻率、記錄)對(duì)，每個(gè)通道頻譜振幅可以由一個(gè)常數(shù)加上一個(gè)從零均值化分布中抽取的隨機(jī)值來(lái)建模。

?

源分析

使用來(lái)自ICA的源對(duì)腦源信號(hào)變化進(jìn)行評(píng)估，這是一種廣泛使用的EEG源分析技術(shù)。使用在預(yù)處理過(guò)程中計(jì)算的ICA成分(非眼動(dòng))作為分析的起點(diǎn)。腦源在空間和頻率上的變化：通過(guò)將EEGLAB dipfit插件應(yīng)用于在預(yù)處理中未被識(shí)別為眼動(dòng)偽跡的ICs頭皮圖，推斷出最大獨(dú)立EEG活動(dòng)源的等效偶極子位置。為了進(jìn)一步選擇最可能與腦源相關(guān)的ICs，本研究只考慮了符合以下所有標(biāo)準(zhǔn)的偶極子：(a)由偶極子解釋的頭皮圖至少占85%的方差，(b)EEGLAB MARA插件沒(méi)有將成分頭皮圖識(shí)別為偽跡，并且(c)偶極子位于腦體積內(nèi)，由EEGLAB?fieldtrip_lite插件的ft_sourcedepth()函數(shù)識(shí)別。注意，每個(gè)偶極子只與一個(gè)記錄相關(guān)聯(lián)。與通道空間分析一樣，研究者計(jì)算了與每個(gè)偶極子相關(guān)的IC激活的連續(xù)小波變換(使用 MATLAB cwt()函數(shù))，以獲得時(shí)變振幅譜圖。為了關(guān)注不同頻率的相對(duì)幅值，并方便交叉記錄比較，對(duì)每個(gè)頻譜圖進(jìn)行縮放，使其總體基線頻譜振幅矢量的歐氏范數(shù)為1。這里將結(jié)果稱為IC的“歸一化頻譜圖”。不同腦區(qū)的背景頻譜功率特征：通道級(jí)或源級(jí)電生理信號(hào)的功率譜可以建模為周期性和非周期性成分的組合，分別反映窄帶振蕩(頻峰)和約1/f背景波動(dòng)。雖然已經(jīng)廣泛研究了各種頻段中周期性/振蕩活動(dòng)的特性，并將其與一系列認(rèn)知和行為狀態(tài)以及神經(jīng)系統(tǒng)疾病聯(lián)系起來(lái)，但功率譜的非周期性成分卻很少受到關(guān)注。為了表征非周期譜的空間分布，研究者計(jì)算了每個(gè)IC的所有時(shí)間點(diǎn)的Huber平均功率譜。使用Huber均值而不是中值，以便更準(zhǔn)確地估計(jì)平均功率，同時(shí)忽略由偽跡引起的異常值。然后，使用fooof python工具箱進(jìn)行建模。

結(jié)果

通道分析

為了研究將每個(gè)EEG記錄除以單個(gè)記錄特定的數(shù)字是否提高了記錄之間的可比性，研究者考察了不同歸一化方法和不同處理階段的通道振幅離散。圖3顯示了不同類型的處理對(duì)通道振幅離散的影響。

?

圖3.預(yù)處理和通道歸一化對(duì)通道振幅離散的影響。每個(gè)頭皮圖顯示了每個(gè)通道的通道離散度中值。括號(hào)內(nèi)的數(shù)字對(duì)應(yīng)于頭皮圖的總體中值離散度。所有歸一化方法的結(jié)果是在去除眼動(dòng)偽跡后得到的。

?

有趣的是，雖然去除眼動(dòng)偽跡改變了離散的空間分布，但它并沒(méi)有顯著減少離差量。此外，在去除眼動(dòng)偽跡之前的最大離差并不會(huì)出現(xiàn)在額通道中。注意，離散是一個(gè)無(wú)量綱量，按常數(shù)縮放記錄不會(huì)改變離散度。與非歸一化記錄相比，使用三種方法(均值、L2或Huber)中的任何一種進(jìn)行歸一化都能顯著降低通道離散度。對(duì)于沒(méi)有異常值的數(shù)據(jù)集，Huber均值和均值本質(zhì)上是相同的，但是當(dāng)存在異常值時(shí)，Huber均值法產(chǎn)生的離散度略低。對(duì)于所有三種歸一化方法的離散空間分布是相似的。

圖4顯示了去除動(dòng)偽跡前(黑)、去除眼動(dòng)偽跡后(藍(lán))以及去除眼動(dòng)偽跡后進(jìn)行Huber歸一化(綠)的通道離散分布情況。Huber歸一化顯著降低了所有實(shí)驗(yàn)任務(wù)的中值離散度。對(duì)于大多數(shù)實(shí)驗(yàn)，歸一化還減少了通道離散異常值的數(shù)量。注意，LKBase和LKCal是基本的車道保持研究，包括在三個(gè)不同的實(shí)驗(yàn)地點(diǎn)使用兩種不同的耳機(jī)類型獲得的記錄。

?

圖4.在去除動(dòng)偽跡前(黑)、去除眼動(dòng)偽跡后(藍(lán))以及去除眼動(dòng)偽跡后進(jìn)行Huber歸一化(綠)的通道離散分布。

?

眼動(dòng)偽跡的去除和記錄特定常數(shù)的縮放都會(huì)影響通道幅值的相對(duì)分布，如圖5所示。圖5的第一行顯示了在復(fù)合通道振幅矩陣上的計(jì)算結(jié)果，對(duì)應(yīng)于128Hz降采樣的連續(xù)EEG數(shù)據(jù)(在去除眼動(dòng)偽跡前)。中間行顯示了去除眼動(dòng)偽跡后在復(fù)合通道振幅矩陣上的計(jì)算結(jié)果。底行顯示了在去除眼動(dòng)偽跡，并按記錄特定值(Huber均值)縮放每個(gè)記錄后，基于復(fù)合通道振幅矩陣的計(jì)算結(jié)果。

?

圖5

?

圖5的第一列顯示了各個(gè)通道振幅矩陣的頭皮地形圖：分別在去除眼動(dòng)偽跡之前、去除眼動(dòng)偽跡之后和Huber歸一化之后。使用EEGLAB topoplot()函數(shù)和方法部分中列出的26個(gè)常用通道。去除眼動(dòng)偽跡后，穩(wěn)健通道振幅中值降低(3.76?vs 4.97)，穩(wěn)健通道振幅中值的空間分布由集中在額葉區(qū)域變?yōu)殡p葉形式，幅值分布更均勻，主要分布在額葉和枕葉區(qū)域。注意，歸一化不會(huì)顯著改變地形圖的空間分布，因?yàn)闅w一化只對(duì)應(yīng)于對(duì)中值有貢獻(xiàn)的點(diǎn)的重新加權(quán)。然而，歸一化確實(shí)大大降低了總體中值穩(wěn)健通道振幅。26個(gè)常用通道的穩(wěn)健通道振幅的統(tǒng)計(jì)檢驗(yàn)(Wilcoxon符號(hào)秩)表明，在去除眼動(dòng)偽跡之前，所有通道的穩(wěn)健振幅都與每個(gè)記錄中值存在顯著差異。在去除眼動(dòng)偽跡和歸一化后，F(xiàn)p2是唯一與記錄中值沒(méi)有顯著差異的通道。圖5的中間列繪制了通道i與通道j(其中i≠j)的穩(wěn)健幅值，分別在去除眼動(dòng)偽跡前（頂行）、去除眼動(dòng)偽跡后(中間行)和Huber歸一化后(底行)。頂行的圖相對(duì)于45°角線有些不對(duì)稱，反映了額葉通道的振幅優(yōu)勢(shì)。去除眼動(dòng)偽跡后，這種關(guān)系變得更加對(duì)稱，具有可見(jiàn)的線性趨勢(shì)，表明通道振幅存在整體記錄水平的均勻縮放。在將通道數(shù)據(jù)除以記錄的Huber平均歸一化因子后，通道對(duì)幅值之間的線性趨勢(shì)似乎基本上消除了(底圖)。通過(guò)對(duì)每組通道幅值對(duì)擬合線性回歸模型得到的調(diào)整后的R平方中值，在去除眼動(dòng)偽跡前為0.465，去除眼動(dòng)偽跡后為0.481，歸一化后為0.015。使用去除眼動(dòng)偽跡后的數(shù)據(jù)并分別對(duì)不同通道對(duì)執(zhí)行線性擬合發(fā)現(xiàn)，在100%的線性擬合中，斜率因子是非零的。這種線性關(guān)系解釋了通道對(duì)幅值的大約一半的可變性，在Huber均值歸一化后大部分消失。圖5最右邊一列顯示了記錄振幅矢量在二維平面中的t-SNE投影。雖然歸一化后投影所占的面積更趨于圓形，但Huber歸一化前后的點(diǎn)高度重疊。這強(qiáng)調(diào)了交叉研究分析中一致的眼動(dòng)偽跡去除的重要性。

有些通道在某些頻率上始終具有較高的振幅。圖6顯示了不同頻率下的歸一化通道幅值。4和8Hz之間的幅值模式類似于圖5中去除眼動(dòng)后的中值通道振幅圖，這表明整體通道振幅模式受到4-8Hz范圍內(nèi)幅值差異的高度影響。

?

圖6

?

源分析

為了研究與特定頻段和腦區(qū)相關(guān)的振幅是否存在系統(tǒng)變化，研究者將測(cè)量投影分析(MPA)應(yīng)用于從腦內(nèi)IC偶極子計(jì)算的頻譜圖偏差，并使用AAL圖譜將結(jié)果映射到大腦區(qū)域，如圖7所示。最初有56574個(gè)偶極子，其中26175個(gè)在大腦中。

?

圖7

?

圖7的左列顯示了不同頻率范圍內(nèi)具有高(紅色)或低(綠色)局部頻譜幅值偏差均值的腦區(qū)3D視圖：delta([2，4] Hz)，theta([4，8] Hz)、alpha([8，14] Hz)和beta([14，31] Hz)。通過(guò)12mm標(biāo)準(zhǔn)差3D高斯平滑得到的平均局部振幅偏差在指定頻段內(nèi)至少為5%的腦區(qū)顯示為紅色。振幅偏差最大為-5%的區(qū)域用綠色表示。這些3D視圖在alpha振幅上顯示出明顯的前/后二分情況：大腦后部區(qū)域(紅色)通常比前部區(qū)域(綠色)具有更多的alpha振幅。感覺(jué)運(yùn)動(dòng)、額中部和顳葉區(qū)域的beta活動(dòng)似乎有所增加。此外，枕下區(qū)和小腦區(qū)域的活動(dòng)增加，這可能反映了頸部肌肉的活動(dòng)。Beta活動(dòng)沿中央中線結(jié)構(gòu)減弱，包括前扣帶回、額上區(qū)、上頂葉、后扣帶回和內(nèi)側(cè)枕葉。還可以觀察到前扣帶回和額上回的theta活動(dòng)。通過(guò)隨機(jī)置換檢驗(yàn)計(jì)算基線水平。

研究者調(diào)查了這些差異對(duì)于整個(gè)數(shù)據(jù)語(yǔ)料庫(kù)是否具有統(tǒng)計(jì)學(xué)意義，如圖8所示。該圖的頂行顯示了覆蓋有偶極子密度圖像的橫向腦部視圖。采用高斯空間平滑計(jì)算偶極子密度，標(biāo)準(zhǔn)差為12 mm。雖然背側(cè)和中線大腦區(qū)域具有更高的偶極子密度，但偶極子是分布在整個(gè)大腦體積中的。

?

圖8

結(jié)論

EEG巨型分析是一個(gè)新興的領(lǐng)域，本研究是對(duì)這種分析方法的性能和潛力的初步展示。這些分析的自動(dòng)化性質(zhì)和大量數(shù)據(jù)的匯集將允許對(duì)與認(rèn)知現(xiàn)象相關(guān)的大腦動(dòng)力學(xué)進(jìn)行更系統(tǒng)的研究，同時(shí)評(píng)估從單一研究或范式中獲得的結(jié)果的普遍適用性。本文介紹的指標(biāo)可用于確定預(yù)處理中的特定選擇是否會(huì)改變EEG數(shù)據(jù)集的一般信號(hào)特征，或者某個(gè)特定記錄是否是該研究的異常值。本研究應(yīng)用多層次統(tǒng)計(jì)建模的巨型分析來(lái)評(píng)估跨研究的事件相關(guān)EEG特征的共性?，F(xiàn)階段和未來(lái)的研究可以擴(kuò)展這些分析，以便對(duì)EEG變化的源、分布式皮層源活動(dòng)以及大規(guī)模的腦連接進(jìn)行更細(xì)致的探索。本文使用的原始數(shù)據(jù)可在https://cancta.net上的DataCatalog上獲得。
參考文獻(xiàn)：Bigdely-Shamlo, N. , Touryan, J. , Ojeda, A. , Kothe, C. , & Robbins, K.. Automated EEG mega-analysis I: Spectral and amplitude characteristics across studies. NeuroImage, 207.

?

小伙伴們點(diǎn)個(gè)“在看”，加(星標(biāo))關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～

?

?