导读
事件相关电位(ERP)设计是用脑电图(EEG)检测神经认知功能的常用方法。然而,传统的ERP数据预处理方法是手动编辑,这是一个主观且耗时的过程。最近创建了许多自动化通道,以满足EEG数据预处理的标准化、自动化和量化的需求;然而,很少有人针对ERP分析进行优化。本研究提出并验证了HAPPE+事件相关软件(HAPPE+ER)【谐音“happier”,意为“更快乐”】,这是一个标准化和自动化的预处理流程,并针对整个生命周期内的ERP分析进行了优化。HAPPE+ER通过预处理和生成事件相关电位对原始文件中的事件相关电位数据进行处理和统计分析。HAPPE+ER还包括数据质量和管道质量指标的后处理报告,促进以标准化的方式评估和报告数据处理。最后,HAPPE+ER包括后处理脚本,以方便验证HAPPE+ER性能或与其他预处理管道的性能进行比较。本研究使用模拟和真实ERP数据描述了多种方法来优化管道性能,并与其他方法和管道进行了比较。HAPPE+ER软件可在https://www.gnu.org/licenses/#GPL上免费获取。
前言
脑电图(EEG)和事件相关电位(ERP)预处理标准化和自动化的趋势日益增长,以满足当代电生理研究的需求。最近,用于分析EEG/ERP数据的传统方法还包括通过主观手动编辑删除带有伪影的片段。但是,此过程可能会导致大量数据丢失,尤其是具有高伪影特征的发育和临床人群的数据。在过去十年中,用于记录的样本大小和电极密度都大幅增加,这一过程也变得难以衡量。此外,手动编辑的主观性质阻碍了EEG采集系统、数据集和实验室之间的比较。然而,软件通常局限于脑电图预处理的单个阶段,如线路噪声去除或自动ICA成分拒绝、校正;或仅基于低伪影水平的数据上进行开发;并且缺乏量化评估性能或数据质量的内在指标。HAPPE软件通过提供一种自动化、可量化和标准化的EEG数据处理方法来解决这些数据处理过程中的局限性,该方法对发育和临床人群中高伪影水平的处理尤其有效。现今,越来越多的管道、脚本和软件满足了对EEG数据标准化预处理方法的需求。但很少有人对管道进行实证比较,研究人员可能很难评估哪个管道对他们的EEG数据最有效。此外,管道对可执行后处理的分析类型的限制也有所不同。一些管道仅限于为时频分析或静息态EEG数据准备数据。管道在被验证人群中的使用也有所不同。也就是说,大多数管道都使用来自健康成年人的数据进行测试和验证。很少有研究明确指出与发育或临床人群的兼容性和有效性,这些群体的数据通常与健康成人数据存在生理和采集的差异。但MADE(已在发育群体的数据中得到验证)、EEG-IP-L和HAPPE(在临床和发育群体数据中得到验证)例外。最佳的管道应该提供适用于发育、临床和成人EEG/ERP预处理需求的有效解决方案,以促进跨研究和年龄的比较。在这里,研究者提出并验证了HAPPE+ER软件,以解决ERP预处理过程中存在的限制,改进了原始的HAPPE预处理策略,并提高了不同采集设置的可访问性和用户编码的流畅性。ERP分析是一种表征EEG数据的常用方法,是神经活动的精确时间表征。此外,锁时ERP波形的不同成分反映了大脑中不同的感觉、知觉、情感和认知现象。为了促进在整个生命周期中用于ERP分析的脑电图数据处理得以自动化、标准化,HAPPE+ER既包括预处理ERP数据的代码,也包括能够高效、自动化地创建已处理的ERP图像和测量的代码,包括(但不限于)峰值和平均振幅、潜伏期和曲线下面积(不过本研究的重点主要是预处理,因为有许多优秀的工具可用于复杂ERP可视化和量化,如ERPLAB、EEGLAB和ERA工具箱)。HAPPE+ER(谐音为“更快乐”)合并了已在成人、发育和临床数据中进行验证的ERP预处理步骤。HAPPE+ER还引入了一种新颖的管道质量报告,反映了ERP数据上每个预处理步骤的性能,以帮助研究人员评估管道是否对其数据进行了有效地预处理。也就是说,HAPPE+ER现在包括了对数据输入(数据质量报告)和处理方法(管道质量报告)质量的补充和量化测量。结合这些变化,数据格式和采集布局可以是多元化的,包括使用EGI、BioSemi和Brain Products脑电帽采集的数据。这些变化极大地扩展了HAPPE+ER适用的数据范围,同时保持了各种输入参数和输出分析的标准化,使HAPPE+ER成为一种灵活的软件,能够适用于不同年龄段和不同人群的电生理数据处理。HAPPE+ER管道用于ERP分析的预处理步骤,以及HAPPE+ER的质量控制指标如图1所示。
![](http://tiebapic.baidu.com/forum/w%3D580/sign=6b1359f94c24ab18e016e13f05fbe69a/7ecd55fbaf51f3de8dfa05bbd1eef01f38297986.jpg?tbpicau=2024-09-18-05_f8795db0cfc38079c9057ba87f46795d)
图1.HAPPE+ER管道的处理步骤。
HAPPE+ER管道步骤
HAPPE+ER数据输入
HAPPE+ER可容纳多种类型的EEG文件,以不同的采集布局作为输入,在HAPPE 1.0软件先前支持的基础上还添加了其他选项。关于HAPPE+ER管道包含的完整布局和格式选项,请参见表1。对于.set格式的文件,在运行HAPPE+ER之前,应预先设置并嵌入文件的正确通道位置(例如,通过将其加载到EEGLAB并确认正确的位置)。HAPPE+ER的批处理必须包含使用相同通道布局(公司、采集布局/脑电帽和电极编号)和范式(静息态或事件相关)收集数据文件。
表1.HAPPE+ER支持的采集布局和相关文件类型列表。
![](http://tiebapic.baidu.com/forum/w%3D580/sign=d57b1baa9388d43ff0a991fa4d1fd2aa/5bd5d3ed54e736d1065630d7de504fc2d7626981.jpg?tbpicau=2024-09-18-05_91af252a034349545756bc506c0dcafb)
读取到HAPPE+ER中的数据应包含刺激标记、范式事件或感兴趣的条件。事件标记如何嵌入数据文件将取决于刺激呈现软件和采集系统。HAPPE+ER依赖EEGLAB来读取用户数据,因此如果EEGLAB注册了用户的事件标记,那么HAPPE+ER也将能够读取那些相同的事件标记。如果用户不确定数据中的事件标记名称,他们还可以在运行HAPPE+ER之前使用EEGLAB GUI来验证事件标记名称。用户可以输入不同数据集文件中的事件标记类型的完整列表,即使单个文件不包含所有这些事件类型(例如,参与者没有完成范式,没有对特定的兴趣条件进行反应等)。用户也不需要预先知道哪些试次类型存在于哪些文件中。HAPPE+ER输出包括所有用户输入的刺激条件。类似地,如果有需要,用户也可以在他们的文件中输入可用事件标记类型的子集,只有这些用户输入的事件标记类型可用于进一步的HAPPE+ER处理(例如分段、基线校正)和HAPPE+ER输出。虽然HAPPE+ER目前不支持带有单独事件列表的.mat格式,但该功能将会在HAPPE+ER的更新版中进行开发。
通道选择(全部、感兴趣的通道(COI)、不感兴趣的通道(COD))
HAPPE+ER提供了多种通道选择选项,用户可以选择最适合其数据集需求的通道。HAPPE+ER不会限制用户使用特定数量的通道,因为后续处理步骤不依赖于通道数来进行稳健处理。具体而言,HAPPE+ER支持以下选项:(1)选择所有通道,那么数据集中包含的每个通道都包含在后续处理步骤中。(2)用户也可以选择感兴趣的通道子集,可以通过包含(COI)或排除(COD)方法进行选择。选择包含用户指定通道的选项将从后续处理中删除未指定的通道,被删除的通道在后续处理步骤中无法恢复。例如,用户选择了128导脑电帽中的20个通道的数据,后续HAPPE+ER处理的数据将仅包含这20个选定通道的数据。
选择排除通道的选项正好相反,排除所有用户选定的通道并保留那些未选定的通道。例如,用户选定了128导脑电帽中的8个通道的数据,后续HAPPE+ER处理的数据将包含剩余的120个通道。这些选项提升了用户进行通道数量选择的便利性。
线噪声去除
HAPPE+ER通过CleanLine程序实施的多锥回归方法从EEG中去除电噪声(例如60或50Hz的伪迹信号)。多锥回归可以去除电噪声,而不会丢失附近频率中的基础EEG信号,这是陷波滤波方法去除线噪声的缺点。具体来说,HAPPE+ER应用了CleanLine的多锥回归的更新版本,它在去除线噪声方面比HAPPE 1.0的原始版本更有效。用户可以选择HAPPE 1.0的旧CleanLine版本,但更新后的版本为默认版本。CleanLine的多锥回归扫描用户指定频率±2Hz附近的线噪声信号,在快速傅里叶变换期间,4秒窗口的步长为1秒,平滑tau为100,在去除电噪声期间,正弦回归系数的显著性阈值为p=0.01。此过程与电噪声的频率高度相关,用户可以将其指定为60Hz或50Hz。如果在其他频率(例如30Hz、25Hz)中存在过多的线噪声,用户也可以指定要降低的谐波。在HAPPE+ER中自动生成了线噪声去除有效性的管道质量控制指标,并在本文后续的质量控制指标部分进行了详细讨论。
重采样(250、500或1000 Hz)(可选)
用户可以选择将其数据重采样到250、500或1000Hz。此选项可以减小文件大小或将数据与其他项目(以较低采样率收集的文件)相匹配(注意,用户不能对数据进行升采样,例如从500升至1000Hz)。由于HAPPE+ER功能针对这些常见的采样率进行了优化(例如,下面描述的小波阈值步骤针对这些采样率附近的数据进行了优化),如果采样率不是这些选项中的任一一种,用户可以通过重采样来实现HAPPE+ER的最佳性能(例如从2000Hz到1000Hz)。
滤波(100Hz低通)
HAPPE+ER在伪迹拒绝和坏通道检测之前应用100Hz的自动低通滤波,因此这些步骤可以评估神经活动频率范围内的数据。对用户确定的感兴趣的特定ERP的附加滤波发生在伪迹拒绝之后。请注意,此滤波策略与HAPPE 1.0中的不同,后者对所有文件应用1Hz高通滤波以促进最佳ICA分解。HAPPE 1.0排除了ERP分析,因为1Hz的滤波排除了ERP分析中感兴趣的频率。
不良通道拒绝(可选)
在整个记录过程中,由于存在高阻抗、电极损坏、头皮接触不良以及过度运动或肌电图(EMG)伪迹,HAPPE+ER可以检测和删除那些不良通道。HAPPE+ER在提交处理的整个数据文件长度上执行以下步骤:
1.检测平线通道(通过CleanRawData函数;如果平线>5s则拒绝)。
2.根据其功率谱检测异常通道(通过EEGLAB rej_chan函数运行两次;如果标准差>3.5或平均标准差<-5则拒绝)。
3.检测剩余的巨大线噪声污染(通过Clean RawData的线噪声标准;如果平均线噪声/神经信号比的标准差>6则拒绝)。
4.根据与所有其他通道的相关性检测异常通道(通过CleanRawData的通道标准;如果与其他通道的相关性<0.8则拒绝)。HAPPE+ER执行适用于ERP数据的不良通道检测,并通过将EEGLAB的Clean Rawdata函数与如下功率谱评估步骤相结合,扩展了相对于HAPPE 1.0可以检测到的不良通道类别。首先HAPPE+ER运行CleanRawdata“Flatline Criterion”来检测平线记录长度超过5s的通道,表明在该位置没有收集到数据。如果通道包含持续时间超过5s的平线,则该通道被标记为不良通道。去除平线通道后,HAPPE+ER包括一个基于频谱的不良通道检测步骤,类似于HAPPE 1.0中使用的检测步骤。与平均值相差超过3个标准差的通道将作为不良通道移除。
最后,HAPPE+ER使用Clean Rawdata的“线噪声标准”和“通道标准”来检测额外的不良通道情况。线噪声标准根据总通道数确定一个通道相对于神经信号的线噪声是否超过标准差的预设值,在HAPPE+ER中设置为6个标准差。通道标准设置相关通道与所有其他通道之间的最小可接受相关值。如果一个通道的平均相关性小于预设值,则认为它异常并标记为不良通道。通过这种方法,HAPPE+ER使用相关阈值0.8来识别不良通道。
小波阈值
为了减少从任何给定文件中拒绝的带有伪迹的试次数量,伪迹校正可以在分段之前应用于连续的EEG和ERP数据。两种主要的伪迹校正方法包括独立成分分析(ICA)和小波阈值法(在HAPPE+ER中使用)。简言之,ICA将跨电极的数据聚类为独立成分,可以将伪迹与神经时间序列分离,而小波阈值分解则使用可以检测电极数据或独立成分中的时间局部伪迹波动的系数来解析频率范围内的数据。ICA要求拒绝整个时间序列,这取决于神经信号与伪迹数据的充分分离,并适当选择需要拒绝的成分。小波阈值提供了时间和频率局部的伪迹检测和去除,而不会使无伪影的基础信号失真。也就是说,干扰特定频率的伪迹可以在它们发生的时间帧内被去除,而不干扰小波阈值处理的时间或频率维度上的其他数据。HAPPE+ER在分段和拒绝之前实施小波阈值处理以执行该伪迹校正。研究者评估了许多伪迹校正策略,以优化HAPPE+ER,并确定小波阈值在去除伪迹和保留神经(或模拟神经)信号方面表现最佳。
用户在HAPPE+ER中有两个用于ERP分析的小波阈值选项,特别是用于从信号中去除伪迹的“软”或“硬”阈值。软阈值选项对于具有最少伪迹的数据(例如,健康成人样本)可能是最佳的,因为该选项可以在一般干净信号的条件下就能最好地保存ERP振幅。硬阈值可能是伪迹污染水平较高数据(例如,大多数发育样本)的首选,因为该选项在高伪迹条件下以最小的振幅成本提供更严格的伪迹去除,并在伪迹污染的数据中保留更多的试次。
使用截止值的ERP滤波器
HAPPE+ER允许用户选择滤波器类型和滤波频率,以将数据限制在ERP中感兴趣的频率(例如0.1-30Hz)。具体来说,HAPPE+ER提供了两种滤波器类型,(1)汉明窗sinc FIR滤波器(EEGLAB的pop_eegfiltnew函数,根据用户输入频率截止值估计滤波器阶数),以及(2)IIR巴特沃斯滤波器(ERPLab的pop_basicfilter,阶数估计为(采样率/高通频率的)3*整数部分)。无论滤波器类型如何,用户都可以输入任何所需的高通和低通截止频率。
分段
HAPPE+ER包括用于ERP分析的可选数据分段步骤,其中使用用户指定的刺激起始标签围绕事件对数据进行分段。作为分段过程的一部分,HAPPE+ER会使用用户在HAPPE+ER运行开始时输入的偏移量对任何时序偏移进行固有的校正,(如果不存在时序偏移,用户可以在该过程中指定零毫秒偏移)。如果选择了分段,则ERP还可以使用两个附加选项:基线校正(推荐)和段内数据插值(可选的伪迹校正步骤),详细描述如下。
基线校正
用户可以对分段ERP数据执行基线校正,以校正数据段之间与漂移相关的差异。HAPPE+ER使用标准的均值减法来实现此校正,其中从刺激后窗口的数据中减去用户指定的基线窗口(定义相对于刺激开始)的均值。该步骤是通过EEGLAB中的rmbase函数实现的。基线校正选项可能对使用盐碱采集系统或具有较长记录周期的用户特别有用。
不良数据插值(可选)
对于数据集(特别是高密度数据集),剔除坏段将导致ERP分析的剩余段数低得无法接受,因而用户可以选择对该通道的各段进行插值,由FASTER软件实现。如果用户选择此选项,应咨询Nolan及其同事(2010)以获得这种方法的理由和进一步解释。根据四个FASTER标准(方差、梯度中值、振幅范围和与平均振幅偏差)对每个段中的每个通道进行评估,并对每个通道的该段生成四个指标的Z分数。任何一个或多个Z分数大于3个标准差的通道,标记其中的坏段。这些标准可以识别特定通道中具有残余伪迹的段。随后,对于每个段,在该段中标记为“不良”的通道使用球面样条插值其数据,如在“FASTER”中一样。
剔除坏段(推荐)
对于预分段数据或通过HAPPE+ER分段步骤运行的数据,用户可以选择剔除段。例如,如果选择了段,可以根据振幅、联合概率或同时用这两个标准拒绝伪迹段。基于振幅的拒绝有助于去除残留的高振幅伪影(例如,眨眼、干燥电极漂移、非连续性)。如果用户指定了伪迹振幅阈值,这样至少有一个通道且其振幅超过指定阈值的任何段将被标记为拒绝。HAPPE+ER建议婴儿数据的伪迹阈值为-200至200,儿童、青少年和成人数据的伪迹阈值为-150至150。建议用户在其数据集中的几个文件上运行半自动化的HAPPE+ER设置,以直观地检查所选振幅在其数据集中是否进行了适当的伪迹段的拒绝。基于联合概率的拒绝捕获其他类别的伪迹,特别是像肌电这样的高频伪迹。使用EEGLAB的pop_jointprob函数计算两个联合概率。然后,在一个步骤中同时拒绝标记过的所有段。值得注意的是,该段拒绝步骤可以在所有用户指定的通道上运行,或者在特定感兴趣区域(ROI)的通道子集上运行。ROI通道子集选项允许用户为特定的ROI分析定制分段拒绝,如果该ROI相对于HAPPE+ER处理选择的通道中的其他ROI较少受到伪迹污染,则可能为每个个体保留更多的数据。
不良通道插值
对于所有的HAPPE+ER运行,无论分段选项如何,在不良通道拒绝处理步骤中移除的任何通道现在都要对其信号进行球面插值(Legendre多项式高达7阶)。通道插值为用户指定的完整通道集重新填充数据,并在选择平均重参考选项时减少重参考的偏差。对于那些希望在进一步分析之前监控其数据集中插值通道百分比或标识的用户,所有插值通道的标识将记录在HAPPE的处理报告中。
重参考(平均或COI)(可选)
HAPPE+ER为用户提供了重参考EEG数据的选项。如果进行重参考,用户可以使用所有通道的平均值(即平均重参考)或使用一个或多个通道的通道子集来进行重参考。对于这两个重参考选项,只有HAPPE+ER处理选择的用户指定通道子集中的通道可用于重参考。重参考还减少了持续存在于电极上的伪迹信号,包括残余线噪声。在重参考期间,如果存在先前的参考通道(例如,在线参考通道),则恢复该通道的数据并将其包括在重参考的数据集中。例如,EGI数据通常在线参考通道CZ。在此示例中,用户现在可以通过在此步骤中重参考任何其他通道来恢复CZ处的数据。
按事件标记拆分数据
如果用户输入多于一种类型的事件标记(例如,任务中的多个条件,或多个任务),则HAPPE+ER将数据拆分为仅包含相同事件标记的文件,以便于按事件标记类型进行进一步处理,或者在生成ERP波形之前让用户在任务条件之间尝试匹配。HAPPE还允许将多个标记分类为单个条件,这将数据拆分为仅包含该条件下的事件标记的文件。例如,“happy_face”和“sad_Face”事件标记可以分组为“face”条件,该条件将包含两个事件标记的所有试次。注意,HAPPE+ER还保留了包含所有事件标记的文件。因此,对于读取到HAPPE+ER中的具有多个事件标记的文件,分析此阶段的数据以提供:1.包含所有事件标记的文件,2.每个文件仅包含具有相同事件标记的试次,以及3.仅包含具有相同条件试次的文件。
HAPPE+ER输出:预处理ERP数据
HAPPE+ER生成几个包含EEG文件的文件夹,这些EEG文件在用户指定的文件夹中进行处理。经过处理的步骤会保存相应的EEG文件,以便用户可以深入探索并可视化这些步骤如何影响其数据集中的EEG信号。这些文件夹包括:(1)滤波至100Hz并降低线噪声后的数据,(2)不良通道拒绝后的数据,(3)小波阈值后的数据,以及(4)在用户指定的ERP截止点处滤波的数据。如果用户执行了分段步骤,HAPPE+ER将输出一到三个额外的中间文件:(5)分段后的EEG数据,(6)基线校正数据(如果执行了基线校正步骤),以及(7)插值数据(如果执行了不良数据插值)。如果选择了删除坏段,HAPPE+ER也会保存删除坏段后的数据。
HAPPE+ER输出完全预处理的文件,这些文件可以以几种格式中的一种进行进一步分析,由用户在HAPPE+ER运行开始时选择,以增加与其他数据可视化或统计分析软件的兼容性。包括.mat,.set和.txt格式。建议使用.txt文件格式,因为它总共输出三个文件:(1)一个.txt文件,包含每个电极在每个采样时间点的试次平均值;(2)一个.txt文件,包含所有试次在每个电极点上的数据;(3)一个EEGLAB .set文件。最后,如果用户在半自动设置中运行HAPPE+ER,软件将为每个文件生成一个图像,其中包含经过完全处理的数据的功率谱。
HAPPE+ER输出:质量评估
除了完全处理的数据外,HAPPE+ER还为文件批次输出HAPPE数据质量评估报告和HAPPE通道质量评估报告。读者可以查阅软件下载随附的HAPPE用户指南,以获取每个HAPPE软件版本的完整和更新的指标列表和说明。
HAPPE数据质量评估报告
HAPPE在单个电子表格中生成每个EEG文件的描述性统计和数据指标的报告,以帮助快速有效地评估研究内或研究间参与者的数据质量。在HAPPE+ER期间生成的“quality_assessment_outputs”文件夹中,包含所有这些指标的报告表,并以.csv文件格式提供。下面对这些指标进行了描述,以便于使用它们来确定和报告数据质量。
文件长度(秒)
HAPPE+ER在处理之前输出每个文件的长度(以秒为单位)。
剔除坏段前的段数和剔除坏段后的段数
HAPPE+ER报告剔除坏段前和剔除坏段后的段数。如果没有进行剔除坏段的步骤,则段数是相同的。如果用户在HAPPE+ER中执行了坏段剔除,他们可能会评估每个文件剔除坏段后剩余的数据段数量,以确定任何不能提供足够干净数据并纳入进一步分析的文件(用户根据研究设计和感兴趣的ERP自行决定)。用户还可以很容易地将剩余段的描述性统计数据制成表格,以便在其研究方法部分中进行报告。
良好通道的百分比和插值通道的IDs
提供了未插值通道(“良好通道”)的百分比和插值通道的ID(标识)。希望在进一步分析中限制插值数量的用户可以使用这两个指标轻松识别要删除的文件。
可保留的方差百分比
为每个文件提供小波阈值处理后保留的数据相对于小波阈值处理前保留的数据的百分比。如果参与者在伪迹校正后没有保留足够的数据,用户可能希望将其排除在进一步分析之外。关于发育数据的注意事项是,数据中较大的头动或信号不连续性可能导致该指标的值非常低,但并不表示数据质量较差。在婴儿研究中,这种情况最为常见(例如,头部控制不良,通常会有更多的运动),此时应依赖于小波阈值前/后特定频率的相关系数,这些相关系数将在管道质量报告中生成。
ICA相关指标
由于HAPPE+ER在发布时未对ERP数据执行ICA,因此在HAPPE 2.2中用于ERP分析的ICA性能测量指标被指定为“NA”。
使用generateERPs脚本创建ERPs并计算ERP值
HAPPE+ER在addons/generate子文件夹中提供了一个可选的后处理脚本,称为“generateERPs”,能够生成ERP波形并对生成的ERP执行一系列计算。该脚本与HAPPE+ER管道的脚本不同,它建议用户在生成ERP图像和测量之前检查其数据质量和HAPPE+ER的性能。在运行generateERPs脚本之前,应从输出文件夹中删除任何未通过数据质量阈值的文件,否则它们将包含在后续的图像和指标中。与HAPPE+ER非常相似,generateERPs直接从命令行获取的输入上运行,并允许保存和重新加载运行参数,这延续了HAPPE+ER的目标,即让各种编程级别的研究人员都可以访问处理。用户必须提供初始HAPPE+ER运行期间创建的已处理文件夹的完整路径,并回答以下提示。为了创建ERP波形,用户可以以与HAPPE+ER管道中通道选择相同的方式选择他们感兴趣的通道。作为通道选择的一部分,用户还可以选择在HAPPE+ER处理运行期间包括或排除标记为“不良”的通道。如果用户决定排除在HAPPE+ER期间检测到的不良通道,则应首先创建一个新的.csv文件,仅包括HAPPE+ER生成的数据质量评估报告文件中的文件名和坏通道列。这在运行generateERPs脚本之前,.csv文件应与已处理数据放在同一文件夹中。请注意,如果由于数据质量不足而在后期处理中删除了任何文件,则应将其从该.csv的行中删除。用户还会被询问是否希望为批处理中的每个文件计算一组与ERP相关的标准度量,以进行后续的统计分析。如果是这样,用户还必须指定:(1)感兴趣的潜伏期窗口(例如,刺激后50-90ms),(2)是否预期该窗口中存在最大值或最小值(即,分别为正或负ERP成分),以及(3)是否以时间窗为界计算曲线下面积和平均振幅,使用ERP数据中存在的零交叉作为边界,或使用这两种方法报告测量(见图2)。
![](http://tiebapic.baidu.com/forum/w%3D580/sign=71a8dec354dfa9ecfd2e561f52d1f754/b20129ca39dbb6fdd11d59f94c24ab18952b378c.jpg?tbpicau=2024-09-18-05_17fcd8bb033a4d73dd5f6d311f4c6cf1)
图2
generateERPs脚本将为每个被试创建一个ERP时间序列,以及跨被试的平均ERP时间序列(其中包括平均ERP的标准误差和95%置信区间值),并将其保存在新文件夹“generated_ERPs”中的.csv输出文件中。该文件的名称为“generatedERPs”加上与所选数据和日期相关的任何后缀。当generateERPs运行时会生成三种ERP图形:(1)包含每个被试ERP的图形,(2)各被试的平均ERP和标准误差,以及(3)前两种图形的组合。如果启用,generateERPs将计算每个文件的以下值,并计算文件间的平均ERP,然后将它们输出到“generated_ERPs”文件夹的一个附加的.csv文件中。
峰值振幅和潜伏期
对于每个用户指定的时间窗,generateERPs计算指定的峰值(最大值或最小值,取决于用户输入的时间窗范围)及其潜伏期(图2)。用户可以两次指定相同的时间窗,以获得该窗口内的最大值和最小值。此外,还会报告时间序列的全局最大值和最小值(图2B)、所有最大值的列表、所有最小值的列表以及与每个值相关的潜伏期。
平均振幅
如果用户选择了基于窗口的平均振幅,则generateERPs将使用该窗口的开始和结束时间作为上限和下限来计算每个用户指定的潜伏期窗口的平均振幅。如果用户选择基于过零点计算平均振幅,generateERPs将在ERP中定位过零点,并使用这些交叉点、潜伏期起始和潜伏期结束作为边界创建新的潜伏期窗口(图2)。
曲线下面积
如果用户选择了基于窗口的曲线下面积,generateERPs将使用用户指定的潜伏期窗口的开始和结束时间作为上限和下限来计算曲线下面积。该方法还报告了刺激开始后整个ERP波形的曲线下总面积,使用绝对值计算。如果用户选择基于过零点计算曲线下面积,generateERPs将在ERP中定位过零点,并使用这些交叉点、潜伏期起始和潜伏期结束作为边界创建新的潜伏期窗口(图2)。
曲线下50%的面积和潜伏期
如果用户基于窗口选择了曲线下50%的区域,generateERPs将为每个用户指定的潜伏期窗口计算曲线下50%的面积。该选择还报告了刺激后ERP波形及其相关潜伏期的50%曲线下面积。如果用户选择基于过零点计算曲线下50%的面积,generateERPs将使用ERP中的过零点作为边界创建潜伏期窗口(图2)。
HAPPE+ER与其他预处理方法的比较
在这一部分中,研究者将HAPPE+ER的伪迹校正方法与多种其他伪迹校正方法进行了比较。这些比较有助于优化HAPPE+ER的性能(考虑将所有方法纳入HAPPE+ER),也提供了与文献中已发表的管道和常见预处理策略相关的实证比较。研究者使用模拟ERP数据和真实的发育人群和成人ERP数据对这些方法进行了测试。
已有的伪迹校正方法
小波阈值和独立成分分析(ICA)提供了两种不同的伪迹校正策略。研究者评估了使用小波阈值或不同的自动算法来拒绝ICA中的伪迹成分,即:iMARA、ICLabel、MARA、调整后的ADJUST、手动IC拒绝,以及在分段之前没有进行连续数据的伪迹拒绝的方法。自动算法的阈值选择了在真实的发育和成人数据中表现最好的阈值,由于婴儿数据中自动IC拒绝的最佳算法尚不清楚,特别是最近发布了多个选项(例如调整后的ADJUST、iMARA)。因此,首先对IC拒绝步骤进行了优化,以用于后续方法比较。简而言之,研究者注意到,无论采用何种算法,自动成分拒绝性能都高度依赖于所选的拒绝阈值。在没有最优算法阈值选项的情况下,这里继续使用iMARA 0.2阈值和ICLabel 0.8组合进行测试,用于自动成分拒绝,以保持ERP振幅。
ERP分析的伪迹校正方法比较:模拟ERP数据
使用嵌入在真实发育基线(静息态)EEG数据中的已知时间和振幅特性的模拟ERP,测试了ICA和基于小波的伪迹校正方法的性能。这种模拟ERP方法结合了模拟数据和真实数据的优点:通过模拟复杂的信号和真实的脑电记录的伪迹特征来获得感兴趣的已知信号特性。请注意,研究者使用棕色和粉红噪声对一个完全模拟的EEG数据集进行了测试,其中嵌入了模拟的VEP时间序列,并向数据中添加了真实的伪迹信号,但事实证明该数据集不适用于测试。相反,本研究的模拟ERP方法如下所示。使用SEREEGA EEGLAB插件创建模拟VEP波形,并参考Krol等人(2018)研究中设置的VEP参数。本研究从三个ERP成分(N1、P1和N2)构建了VEP,指定了峰值中心、宽度、振幅和振幅斜率,如表3所示。这些参数与Krol等人(2018)中描述的相同,只是本研究将每个成分的中心在时间上向前移动了100ms,以创建100ms的ERP前基线周期并进行基线校正。一旦成分被定义,使用New York Head field和BioSemi 64通道蒙太奇生成导联场。所有三个VEP成分均分配给双侧枕叶的两个源(图3)。对于其他源,研究者分配了一个噪声参数,由振幅为零的粉红噪声创建,以创建一个横跨整个场的平线信号。通过这些设置,生成了具有60个epoch(每个epoch时长为500ms)的模拟数据集,共30s的模拟数据(60个模拟VEP试次)。
![](http://tiebapic.baidu.com/forum/w%3D580/sign=31611c2594c8a786be2a4a065708c9c7/ef0c392297dda144b94ad06df7b7d0a20ef4868f.jpg?tbpicau=2024-09-18-05_4b2c28d43648c386b854d37706fd63b1)
在生成模拟VEP信号后,从发育样本(年龄2-36个月)中准备了基线(静息态)EEG文件,以便将ERP添加到该数据中,并提交伪迹校正方法进行比较。研究者为这些比较生成了两组模拟ERP数据,一组干净的vs.添加伪迹的数据集,另一组是全长文件的数据集。创建的干净的vs.添加伪迹的数据集,以便于对不同伪迹水平的数据进行性能比较。使用全长基线文件的无伪迹(干净)基线数据的连续片段创建了16个30s的文件。接下来,从相同个体的30s脑电中,运行独立成分分析(ICA)并提取伪迹成分(由专家识别,并通过ICLabel和MARA自动算法标记的伪迹)。将伪迹IC嵌入到该个体干净的30s数据段中,以创建另外16个伪迹添加文件。为了在较短的文件长度上更好地将独立分成分分析与小波阈值分析的性能等同,研究者在基线EEG文件中选择了39个空间分布通道的子集。然后,从具有显著模拟VEP波形的模拟数据集中选择一个通道(在本例中为Oz),并将其时间序列添加到干净和添加伪迹文件的每个通道中,以创建两个具有已知ERP形态的VEP文件集。这使我们能够比较不同空间位置的模拟ERP中的伪迹校正效果,这些位置可能具有不同的伪迹污染情况。为了将VEP嵌入全长数据集,再次使用了来自上述数据集的模拟VEP通道Oz以及来自发育数据集的一组20个基线EEG文件。对于每个文件,脚本将VEP时间序列添加到数据的每个通道,尽可能多次完整地重复时间序列。然后从数据集的末尾修剪基线数据中的多余时间点。例如,长度为125s的文件添加了120s的重复VEP时间序列,并删除了剩余的5s。与干净vs.添加伪迹文件一样,这使我们能够在实际长度的数据集中检查预处理对已知ERP信号的影响。总的来说,小波阈值是在试次保留方面最成功的算法之一,也是最成功的自动算法,不会导致信号整体幅值的大幅降低。在干净的和添加伪迹的数据集分析的评估标准中,小波阈值始终优于所有其他自动伪迹校正方法,也优于不进行伪迹校正和手动IC拒绝的情况(图4)。
![](http://tiebapic.baidu.com/forum/w%3D580/sign=c81c7fcb2e600c33f079dec02a4d5134/4c18d1300a55b31948bb3eaa06a98226cdfc1788.jpg?tbpicau=2024-09-18-05_9510af8ab35a6735a25a5763f7c5a858)
图4
图5-7中显示了三种不同头皮ROI的平均模拟ERP和平均ERP的95%置信区间。值得注意的是,用于自动IC剔除的MARA0.5算法显著降低了全长数据中的ERP振幅,因此不建议在这些条件下使用。无论空间ROI如何,两种小波阈值选项在保持振幅的同时相对于所有IC选项(包括手动拒绝IC和无伪迹校正选项)降低95%置信区间的宽度方面表现最佳。在这些条件下,与软阈值相比,具有硬阈值的小波确实导致了轻微的振幅损失,但也具有分段保留率方面的好处。
![](http://tiebapic.baidu.com/forum/w%3D580/sign=a64ff266db510fb37819779fe932c893/13c492282df5e0fed9a735de196034a85cdf728b.jpg?tbpicau=2024-09-18-05_cf6ddf3a0e1d72257506799cca6daed7)
![](http://tiebapic.baidu.com/forum/w%3D580/sign=0a796f223e899e51788e3a1c72a6d990/7735581e3a292df5df7d10caf9315c6036a87394.jpg?tbpicau=2024-09-18-05_cdae0d5fa9408fdb8a14f0217e62acf7)
图7
执行HAPPE+ER
HAPPE+ER完全通过MATLAB命令行运行,无需用户处理或更改管道代码即可收集处理参数,使不同背景和熟悉程度的用户能够轻松运行HAPPE+ER。要运行HAPPE+ER,只需打开MATLAB,导航到HAPPE 2.0文件夹,然后打开HAPPE 2.0脚本。在屏幕顶部的“编辑器”选项卡中,单击“运行”并按照MATLAB命令行中出现的提示进行操作。在命令行输入所有相关输入参数后,HAPPE+ER将自动运行完成。HAPPE+ER代码和用户指南可在以下网址免费获取:https://github.com/PINE-Lab/HAPPE。本研究中使用的数据可通过Zenodo免费获取,网址为:https://zenodo.org/record/5172962。
原文:The HAPPE plus Event-Related (HAPPE+ER) software: A standardized preprocessing pipeline for event-related potential analyses.
https://doi.org/10.1016/j.dcn.2022.101140
小伙伴们点个“在看”,加(星标)关注茗创科技,将第一时间收到精彩内容推送哦~
![](http://tiebapic.baidu.com/forum/w%3D580/sign=3fbb0b64e31ea8d38a22740ca70b30cf/f3e3fb42fbf2b2119f5239918f8065380ed78eca.jpg?tbpicau=2024-09-18-05_ca8371e8ecd1ce1fac690ba7356c8cf5)
事件相关电位(ERP)设计是用脑电图(EEG)检测神经认知功能的常用方法。然而,传统的ERP数据预处理方法是手动编辑,这是一个主观且耗时的过程。最近创建了许多自动化通道,以满足EEG数据预处理的标准化、自动化和量化的需求;然而,很少有人针对ERP分析进行优化。本研究提出并验证了HAPPE+事件相关软件(HAPPE+ER)【谐音“happier”,意为“更快乐”】,这是一个标准化和自动化的预处理流程,并针对整个生命周期内的ERP分析进行了优化。HAPPE+ER通过预处理和生成事件相关电位对原始文件中的事件相关电位数据进行处理和统计分析。HAPPE+ER还包括数据质量和管道质量指标的后处理报告,促进以标准化的方式评估和报告数据处理。最后,HAPPE+ER包括后处理脚本,以方便验证HAPPE+ER性能或与其他预处理管道的性能进行比较。本研究使用模拟和真实ERP数据描述了多种方法来优化管道性能,并与其他方法和管道进行了比较。HAPPE+ER软件可在https://www.gnu.org/licenses/#GPL上免费获取。
前言
脑电图(EEG)和事件相关电位(ERP)预处理标准化和自动化的趋势日益增长,以满足当代电生理研究的需求。最近,用于分析EEG/ERP数据的传统方法还包括通过主观手动编辑删除带有伪影的片段。但是,此过程可能会导致大量数据丢失,尤其是具有高伪影特征的发育和临床人群的数据。在过去十年中,用于记录的样本大小和电极密度都大幅增加,这一过程也变得难以衡量。此外,手动编辑的主观性质阻碍了EEG采集系统、数据集和实验室之间的比较。然而,软件通常局限于脑电图预处理的单个阶段,如线路噪声去除或自动ICA成分拒绝、校正;或仅基于低伪影水平的数据上进行开发;并且缺乏量化评估性能或数据质量的内在指标。HAPPE软件通过提供一种自动化、可量化和标准化的EEG数据处理方法来解决这些数据处理过程中的局限性,该方法对发育和临床人群中高伪影水平的处理尤其有效。现今,越来越多的管道、脚本和软件满足了对EEG数据标准化预处理方法的需求。但很少有人对管道进行实证比较,研究人员可能很难评估哪个管道对他们的EEG数据最有效。此外,管道对可执行后处理的分析类型的限制也有所不同。一些管道仅限于为时频分析或静息态EEG数据准备数据。管道在被验证人群中的使用也有所不同。也就是说,大多数管道都使用来自健康成年人的数据进行测试和验证。很少有研究明确指出与发育或临床人群的兼容性和有效性,这些群体的数据通常与健康成人数据存在生理和采集的差异。但MADE(已在发育群体的数据中得到验证)、EEG-IP-L和HAPPE(在临床和发育群体数据中得到验证)例外。最佳的管道应该提供适用于发育、临床和成人EEG/ERP预处理需求的有效解决方案,以促进跨研究和年龄的比较。在这里,研究者提出并验证了HAPPE+ER软件,以解决ERP预处理过程中存在的限制,改进了原始的HAPPE预处理策略,并提高了不同采集设置的可访问性和用户编码的流畅性。ERP分析是一种表征EEG数据的常用方法,是神经活动的精确时间表征。此外,锁时ERP波形的不同成分反映了大脑中不同的感觉、知觉、情感和认知现象。为了促进在整个生命周期中用于ERP分析的脑电图数据处理得以自动化、标准化,HAPPE+ER既包括预处理ERP数据的代码,也包括能够高效、自动化地创建已处理的ERP图像和测量的代码,包括(但不限于)峰值和平均振幅、潜伏期和曲线下面积(不过本研究的重点主要是预处理,因为有许多优秀的工具可用于复杂ERP可视化和量化,如ERPLAB、EEGLAB和ERA工具箱)。HAPPE+ER(谐音为“更快乐”)合并了已在成人、发育和临床数据中进行验证的ERP预处理步骤。HAPPE+ER还引入了一种新颖的管道质量报告,反映了ERP数据上每个预处理步骤的性能,以帮助研究人员评估管道是否对其数据进行了有效地预处理。也就是说,HAPPE+ER现在包括了对数据输入(数据质量报告)和处理方法(管道质量报告)质量的补充和量化测量。结合这些变化,数据格式和采集布局可以是多元化的,包括使用EGI、BioSemi和Brain Products脑电帽采集的数据。这些变化极大地扩展了HAPPE+ER适用的数据范围,同时保持了各种输入参数和输出分析的标准化,使HAPPE+ER成为一种灵活的软件,能够适用于不同年龄段和不同人群的电生理数据处理。HAPPE+ER管道用于ERP分析的预处理步骤,以及HAPPE+ER的质量控制指标如图1所示。
![](http://tiebapic.baidu.com/forum/w%3D580/sign=6b1359f94c24ab18e016e13f05fbe69a/7ecd55fbaf51f3de8dfa05bbd1eef01f38297986.jpg?tbpicau=2024-09-18-05_f8795db0cfc38079c9057ba87f46795d)
图1.HAPPE+ER管道的处理步骤。
HAPPE+ER管道步骤
HAPPE+ER数据输入
HAPPE+ER可容纳多种类型的EEG文件,以不同的采集布局作为输入,在HAPPE 1.0软件先前支持的基础上还添加了其他选项。关于HAPPE+ER管道包含的完整布局和格式选项,请参见表1。对于.set格式的文件,在运行HAPPE+ER之前,应预先设置并嵌入文件的正确通道位置(例如,通过将其加载到EEGLAB并确认正确的位置)。HAPPE+ER的批处理必须包含使用相同通道布局(公司、采集布局/脑电帽和电极编号)和范式(静息态或事件相关)收集数据文件。
表1.HAPPE+ER支持的采集布局和相关文件类型列表。
![](http://tiebapic.baidu.com/forum/w%3D580/sign=d57b1baa9388d43ff0a991fa4d1fd2aa/5bd5d3ed54e736d1065630d7de504fc2d7626981.jpg?tbpicau=2024-09-18-05_91af252a034349545756bc506c0dcafb)
读取到HAPPE+ER中的数据应包含刺激标记、范式事件或感兴趣的条件。事件标记如何嵌入数据文件将取决于刺激呈现软件和采集系统。HAPPE+ER依赖EEGLAB来读取用户数据,因此如果EEGLAB注册了用户的事件标记,那么HAPPE+ER也将能够读取那些相同的事件标记。如果用户不确定数据中的事件标记名称,他们还可以在运行HAPPE+ER之前使用EEGLAB GUI来验证事件标记名称。用户可以输入不同数据集文件中的事件标记类型的完整列表,即使单个文件不包含所有这些事件类型(例如,参与者没有完成范式,没有对特定的兴趣条件进行反应等)。用户也不需要预先知道哪些试次类型存在于哪些文件中。HAPPE+ER输出包括所有用户输入的刺激条件。类似地,如果有需要,用户也可以在他们的文件中输入可用事件标记类型的子集,只有这些用户输入的事件标记类型可用于进一步的HAPPE+ER处理(例如分段、基线校正)和HAPPE+ER输出。虽然HAPPE+ER目前不支持带有单独事件列表的.mat格式,但该功能将会在HAPPE+ER的更新版中进行开发。
通道选择(全部、感兴趣的通道(COI)、不感兴趣的通道(COD))
HAPPE+ER提供了多种通道选择选项,用户可以选择最适合其数据集需求的通道。HAPPE+ER不会限制用户使用特定数量的通道,因为后续处理步骤不依赖于通道数来进行稳健处理。具体而言,HAPPE+ER支持以下选项:(1)选择所有通道,那么数据集中包含的每个通道都包含在后续处理步骤中。(2)用户也可以选择感兴趣的通道子集,可以通过包含(COI)或排除(COD)方法进行选择。选择包含用户指定通道的选项将从后续处理中删除未指定的通道,被删除的通道在后续处理步骤中无法恢复。例如,用户选择了128导脑电帽中的20个通道的数据,后续HAPPE+ER处理的数据将仅包含这20个选定通道的数据。
选择排除通道的选项正好相反,排除所有用户选定的通道并保留那些未选定的通道。例如,用户选定了128导脑电帽中的8个通道的数据,后续HAPPE+ER处理的数据将包含剩余的120个通道。这些选项提升了用户进行通道数量选择的便利性。
线噪声去除
HAPPE+ER通过CleanLine程序实施的多锥回归方法从EEG中去除电噪声(例如60或50Hz的伪迹信号)。多锥回归可以去除电噪声,而不会丢失附近频率中的基础EEG信号,这是陷波滤波方法去除线噪声的缺点。具体来说,HAPPE+ER应用了CleanLine的多锥回归的更新版本,它在去除线噪声方面比HAPPE 1.0的原始版本更有效。用户可以选择HAPPE 1.0的旧CleanLine版本,但更新后的版本为默认版本。CleanLine的多锥回归扫描用户指定频率±2Hz附近的线噪声信号,在快速傅里叶变换期间,4秒窗口的步长为1秒,平滑tau为100,在去除电噪声期间,正弦回归系数的显著性阈值为p=0.01。此过程与电噪声的频率高度相关,用户可以将其指定为60Hz或50Hz。如果在其他频率(例如30Hz、25Hz)中存在过多的线噪声,用户也可以指定要降低的谐波。在HAPPE+ER中自动生成了线噪声去除有效性的管道质量控制指标,并在本文后续的质量控制指标部分进行了详细讨论。
重采样(250、500或1000 Hz)(可选)
用户可以选择将其数据重采样到250、500或1000Hz。此选项可以减小文件大小或将数据与其他项目(以较低采样率收集的文件)相匹配(注意,用户不能对数据进行升采样,例如从500升至1000Hz)。由于HAPPE+ER功能针对这些常见的采样率进行了优化(例如,下面描述的小波阈值步骤针对这些采样率附近的数据进行了优化),如果采样率不是这些选项中的任一一种,用户可以通过重采样来实现HAPPE+ER的最佳性能(例如从2000Hz到1000Hz)。
滤波(100Hz低通)
HAPPE+ER在伪迹拒绝和坏通道检测之前应用100Hz的自动低通滤波,因此这些步骤可以评估神经活动频率范围内的数据。对用户确定的感兴趣的特定ERP的附加滤波发生在伪迹拒绝之后。请注意,此滤波策略与HAPPE 1.0中的不同,后者对所有文件应用1Hz高通滤波以促进最佳ICA分解。HAPPE 1.0排除了ERP分析,因为1Hz的滤波排除了ERP分析中感兴趣的频率。
不良通道拒绝(可选)
在整个记录过程中,由于存在高阻抗、电极损坏、头皮接触不良以及过度运动或肌电图(EMG)伪迹,HAPPE+ER可以检测和删除那些不良通道。HAPPE+ER在提交处理的整个数据文件长度上执行以下步骤:
1.检测平线通道(通过CleanRawData函数;如果平线>5s则拒绝)。
2.根据其功率谱检测异常通道(通过EEGLAB rej_chan函数运行两次;如果标准差>3.5或平均标准差<-5则拒绝)。
3.检测剩余的巨大线噪声污染(通过Clean RawData的线噪声标准;如果平均线噪声/神经信号比的标准差>6则拒绝)。
4.根据与所有其他通道的相关性检测异常通道(通过CleanRawData的通道标准;如果与其他通道的相关性<0.8则拒绝)。HAPPE+ER执行适用于ERP数据的不良通道检测,并通过将EEGLAB的Clean Rawdata函数与如下功率谱评估步骤相结合,扩展了相对于HAPPE 1.0可以检测到的不良通道类别。首先HAPPE+ER运行CleanRawdata“Flatline Criterion”来检测平线记录长度超过5s的通道,表明在该位置没有收集到数据。如果通道包含持续时间超过5s的平线,则该通道被标记为不良通道。去除平线通道后,HAPPE+ER包括一个基于频谱的不良通道检测步骤,类似于HAPPE 1.0中使用的检测步骤。与平均值相差超过3个标准差的通道将作为不良通道移除。
最后,HAPPE+ER使用Clean Rawdata的“线噪声标准”和“通道标准”来检测额外的不良通道情况。线噪声标准根据总通道数确定一个通道相对于神经信号的线噪声是否超过标准差的预设值,在HAPPE+ER中设置为6个标准差。通道标准设置相关通道与所有其他通道之间的最小可接受相关值。如果一个通道的平均相关性小于预设值,则认为它异常并标记为不良通道。通过这种方法,HAPPE+ER使用相关阈值0.8来识别不良通道。
小波阈值
为了减少从任何给定文件中拒绝的带有伪迹的试次数量,伪迹校正可以在分段之前应用于连续的EEG和ERP数据。两种主要的伪迹校正方法包括独立成分分析(ICA)和小波阈值法(在HAPPE+ER中使用)。简言之,ICA将跨电极的数据聚类为独立成分,可以将伪迹与神经时间序列分离,而小波阈值分解则使用可以检测电极数据或独立成分中的时间局部伪迹波动的系数来解析频率范围内的数据。ICA要求拒绝整个时间序列,这取决于神经信号与伪迹数据的充分分离,并适当选择需要拒绝的成分。小波阈值提供了时间和频率局部的伪迹检测和去除,而不会使无伪影的基础信号失真。也就是说,干扰特定频率的伪迹可以在它们发生的时间帧内被去除,而不干扰小波阈值处理的时间或频率维度上的其他数据。HAPPE+ER在分段和拒绝之前实施小波阈值处理以执行该伪迹校正。研究者评估了许多伪迹校正策略,以优化HAPPE+ER,并确定小波阈值在去除伪迹和保留神经(或模拟神经)信号方面表现最佳。
用户在HAPPE+ER中有两个用于ERP分析的小波阈值选项,特别是用于从信号中去除伪迹的“软”或“硬”阈值。软阈值选项对于具有最少伪迹的数据(例如,健康成人样本)可能是最佳的,因为该选项可以在一般干净信号的条件下就能最好地保存ERP振幅。硬阈值可能是伪迹污染水平较高数据(例如,大多数发育样本)的首选,因为该选项在高伪迹条件下以最小的振幅成本提供更严格的伪迹去除,并在伪迹污染的数据中保留更多的试次。
使用截止值的ERP滤波器
HAPPE+ER允许用户选择滤波器类型和滤波频率,以将数据限制在ERP中感兴趣的频率(例如0.1-30Hz)。具体来说,HAPPE+ER提供了两种滤波器类型,(1)汉明窗sinc FIR滤波器(EEGLAB的pop_eegfiltnew函数,根据用户输入频率截止值估计滤波器阶数),以及(2)IIR巴特沃斯滤波器(ERPLab的pop_basicfilter,阶数估计为(采样率/高通频率的)3*整数部分)。无论滤波器类型如何,用户都可以输入任何所需的高通和低通截止频率。
分段
HAPPE+ER包括用于ERP分析的可选数据分段步骤,其中使用用户指定的刺激起始标签围绕事件对数据进行分段。作为分段过程的一部分,HAPPE+ER会使用用户在HAPPE+ER运行开始时输入的偏移量对任何时序偏移进行固有的校正,(如果不存在时序偏移,用户可以在该过程中指定零毫秒偏移)。如果选择了分段,则ERP还可以使用两个附加选项:基线校正(推荐)和段内数据插值(可选的伪迹校正步骤),详细描述如下。
基线校正
用户可以对分段ERP数据执行基线校正,以校正数据段之间与漂移相关的差异。HAPPE+ER使用标准的均值减法来实现此校正,其中从刺激后窗口的数据中减去用户指定的基线窗口(定义相对于刺激开始)的均值。该步骤是通过EEGLAB中的rmbase函数实现的。基线校正选项可能对使用盐碱采集系统或具有较长记录周期的用户特别有用。
不良数据插值(可选)
对于数据集(特别是高密度数据集),剔除坏段将导致ERP分析的剩余段数低得无法接受,因而用户可以选择对该通道的各段进行插值,由FASTER软件实现。如果用户选择此选项,应咨询Nolan及其同事(2010)以获得这种方法的理由和进一步解释。根据四个FASTER标准(方差、梯度中值、振幅范围和与平均振幅偏差)对每个段中的每个通道进行评估,并对每个通道的该段生成四个指标的Z分数。任何一个或多个Z分数大于3个标准差的通道,标记其中的坏段。这些标准可以识别特定通道中具有残余伪迹的段。随后,对于每个段,在该段中标记为“不良”的通道使用球面样条插值其数据,如在“FASTER”中一样。
剔除坏段(推荐)
对于预分段数据或通过HAPPE+ER分段步骤运行的数据,用户可以选择剔除段。例如,如果选择了段,可以根据振幅、联合概率或同时用这两个标准拒绝伪迹段。基于振幅的拒绝有助于去除残留的高振幅伪影(例如,眨眼、干燥电极漂移、非连续性)。如果用户指定了伪迹振幅阈值,这样至少有一个通道且其振幅超过指定阈值的任何段将被标记为拒绝。HAPPE+ER建议婴儿数据的伪迹阈值为-200至200,儿童、青少年和成人数据的伪迹阈值为-150至150。建议用户在其数据集中的几个文件上运行半自动化的HAPPE+ER设置,以直观地检查所选振幅在其数据集中是否进行了适当的伪迹段的拒绝。基于联合概率的拒绝捕获其他类别的伪迹,特别是像肌电这样的高频伪迹。使用EEGLAB的pop_jointprob函数计算两个联合概率。然后,在一个步骤中同时拒绝标记过的所有段。值得注意的是,该段拒绝步骤可以在所有用户指定的通道上运行,或者在特定感兴趣区域(ROI)的通道子集上运行。ROI通道子集选项允许用户为特定的ROI分析定制分段拒绝,如果该ROI相对于HAPPE+ER处理选择的通道中的其他ROI较少受到伪迹污染,则可能为每个个体保留更多的数据。
不良通道插值
对于所有的HAPPE+ER运行,无论分段选项如何,在不良通道拒绝处理步骤中移除的任何通道现在都要对其信号进行球面插值(Legendre多项式高达7阶)。通道插值为用户指定的完整通道集重新填充数据,并在选择平均重参考选项时减少重参考的偏差。对于那些希望在进一步分析之前监控其数据集中插值通道百分比或标识的用户,所有插值通道的标识将记录在HAPPE的处理报告中。
重参考(平均或COI)(可选)
HAPPE+ER为用户提供了重参考EEG数据的选项。如果进行重参考,用户可以使用所有通道的平均值(即平均重参考)或使用一个或多个通道的通道子集来进行重参考。对于这两个重参考选项,只有HAPPE+ER处理选择的用户指定通道子集中的通道可用于重参考。重参考还减少了持续存在于电极上的伪迹信号,包括残余线噪声。在重参考期间,如果存在先前的参考通道(例如,在线参考通道),则恢复该通道的数据并将其包括在重参考的数据集中。例如,EGI数据通常在线参考通道CZ。在此示例中,用户现在可以通过在此步骤中重参考任何其他通道来恢复CZ处的数据。
按事件标记拆分数据
如果用户输入多于一种类型的事件标记(例如,任务中的多个条件,或多个任务),则HAPPE+ER将数据拆分为仅包含相同事件标记的文件,以便于按事件标记类型进行进一步处理,或者在生成ERP波形之前让用户在任务条件之间尝试匹配。HAPPE还允许将多个标记分类为单个条件,这将数据拆分为仅包含该条件下的事件标记的文件。例如,“happy_face”和“sad_Face”事件标记可以分组为“face”条件,该条件将包含两个事件标记的所有试次。注意,HAPPE+ER还保留了包含所有事件标记的文件。因此,对于读取到HAPPE+ER中的具有多个事件标记的文件,分析此阶段的数据以提供:1.包含所有事件标记的文件,2.每个文件仅包含具有相同事件标记的试次,以及3.仅包含具有相同条件试次的文件。
HAPPE+ER输出:预处理ERP数据
HAPPE+ER生成几个包含EEG文件的文件夹,这些EEG文件在用户指定的文件夹中进行处理。经过处理的步骤会保存相应的EEG文件,以便用户可以深入探索并可视化这些步骤如何影响其数据集中的EEG信号。这些文件夹包括:(1)滤波至100Hz并降低线噪声后的数据,(2)不良通道拒绝后的数据,(3)小波阈值后的数据,以及(4)在用户指定的ERP截止点处滤波的数据。如果用户执行了分段步骤,HAPPE+ER将输出一到三个额外的中间文件:(5)分段后的EEG数据,(6)基线校正数据(如果执行了基线校正步骤),以及(7)插值数据(如果执行了不良数据插值)。如果选择了删除坏段,HAPPE+ER也会保存删除坏段后的数据。
HAPPE+ER输出完全预处理的文件,这些文件可以以几种格式中的一种进行进一步分析,由用户在HAPPE+ER运行开始时选择,以增加与其他数据可视化或统计分析软件的兼容性。包括.mat,.set和.txt格式。建议使用.txt文件格式,因为它总共输出三个文件:(1)一个.txt文件,包含每个电极在每个采样时间点的试次平均值;(2)一个.txt文件,包含所有试次在每个电极点上的数据;(3)一个EEGLAB .set文件。最后,如果用户在半自动设置中运行HAPPE+ER,软件将为每个文件生成一个图像,其中包含经过完全处理的数据的功率谱。
HAPPE+ER输出:质量评估
除了完全处理的数据外,HAPPE+ER还为文件批次输出HAPPE数据质量评估报告和HAPPE通道质量评估报告。读者可以查阅软件下载随附的HAPPE用户指南,以获取每个HAPPE软件版本的完整和更新的指标列表和说明。
HAPPE数据质量评估报告
HAPPE在单个电子表格中生成每个EEG文件的描述性统计和数据指标的报告,以帮助快速有效地评估研究内或研究间参与者的数据质量。在HAPPE+ER期间生成的“quality_assessment_outputs”文件夹中,包含所有这些指标的报告表,并以.csv文件格式提供。下面对这些指标进行了描述,以便于使用它们来确定和报告数据质量。
文件长度(秒)
HAPPE+ER在处理之前输出每个文件的长度(以秒为单位)。
剔除坏段前的段数和剔除坏段后的段数
HAPPE+ER报告剔除坏段前和剔除坏段后的段数。如果没有进行剔除坏段的步骤,则段数是相同的。如果用户在HAPPE+ER中执行了坏段剔除,他们可能会评估每个文件剔除坏段后剩余的数据段数量,以确定任何不能提供足够干净数据并纳入进一步分析的文件(用户根据研究设计和感兴趣的ERP自行决定)。用户还可以很容易地将剩余段的描述性统计数据制成表格,以便在其研究方法部分中进行报告。
良好通道的百分比和插值通道的IDs
提供了未插值通道(“良好通道”)的百分比和插值通道的ID(标识)。希望在进一步分析中限制插值数量的用户可以使用这两个指标轻松识别要删除的文件。
可保留的方差百分比
为每个文件提供小波阈值处理后保留的数据相对于小波阈值处理前保留的数据的百分比。如果参与者在伪迹校正后没有保留足够的数据,用户可能希望将其排除在进一步分析之外。关于发育数据的注意事项是,数据中较大的头动或信号不连续性可能导致该指标的值非常低,但并不表示数据质量较差。在婴儿研究中,这种情况最为常见(例如,头部控制不良,通常会有更多的运动),此时应依赖于小波阈值前/后特定频率的相关系数,这些相关系数将在管道质量报告中生成。
ICA相关指标
由于HAPPE+ER在发布时未对ERP数据执行ICA,因此在HAPPE 2.2中用于ERP分析的ICA性能测量指标被指定为“NA”。
使用generateERPs脚本创建ERPs并计算ERP值
HAPPE+ER在addons/generate子文件夹中提供了一个可选的后处理脚本,称为“generateERPs”,能够生成ERP波形并对生成的ERP执行一系列计算。该脚本与HAPPE+ER管道的脚本不同,它建议用户在生成ERP图像和测量之前检查其数据质量和HAPPE+ER的性能。在运行generateERPs脚本之前,应从输出文件夹中删除任何未通过数据质量阈值的文件,否则它们将包含在后续的图像和指标中。与HAPPE+ER非常相似,generateERPs直接从命令行获取的输入上运行,并允许保存和重新加载运行参数,这延续了HAPPE+ER的目标,即让各种编程级别的研究人员都可以访问处理。用户必须提供初始HAPPE+ER运行期间创建的已处理文件夹的完整路径,并回答以下提示。为了创建ERP波形,用户可以以与HAPPE+ER管道中通道选择相同的方式选择他们感兴趣的通道。作为通道选择的一部分,用户还可以选择在HAPPE+ER处理运行期间包括或排除标记为“不良”的通道。如果用户决定排除在HAPPE+ER期间检测到的不良通道,则应首先创建一个新的.csv文件,仅包括HAPPE+ER生成的数据质量评估报告文件中的文件名和坏通道列。这在运行generateERPs脚本之前,.csv文件应与已处理数据放在同一文件夹中。请注意,如果由于数据质量不足而在后期处理中删除了任何文件,则应将其从该.csv的行中删除。用户还会被询问是否希望为批处理中的每个文件计算一组与ERP相关的标准度量,以进行后续的统计分析。如果是这样,用户还必须指定:(1)感兴趣的潜伏期窗口(例如,刺激后50-90ms),(2)是否预期该窗口中存在最大值或最小值(即,分别为正或负ERP成分),以及(3)是否以时间窗为界计算曲线下面积和平均振幅,使用ERP数据中存在的零交叉作为边界,或使用这两种方法报告测量(见图2)。
![](http://tiebapic.baidu.com/forum/w%3D580/sign=71a8dec354dfa9ecfd2e561f52d1f754/b20129ca39dbb6fdd11d59f94c24ab18952b378c.jpg?tbpicau=2024-09-18-05_17fcd8bb033a4d73dd5f6d311f4c6cf1)
图2
generateERPs脚本将为每个被试创建一个ERP时间序列,以及跨被试的平均ERP时间序列(其中包括平均ERP的标准误差和95%置信区间值),并将其保存在新文件夹“generated_ERPs”中的.csv输出文件中。该文件的名称为“generatedERPs”加上与所选数据和日期相关的任何后缀。当generateERPs运行时会生成三种ERP图形:(1)包含每个被试ERP的图形,(2)各被试的平均ERP和标准误差,以及(3)前两种图形的组合。如果启用,generateERPs将计算每个文件的以下值,并计算文件间的平均ERP,然后将它们输出到“generated_ERPs”文件夹的一个附加的.csv文件中。
峰值振幅和潜伏期
对于每个用户指定的时间窗,generateERPs计算指定的峰值(最大值或最小值,取决于用户输入的时间窗范围)及其潜伏期(图2)。用户可以两次指定相同的时间窗,以获得该窗口内的最大值和最小值。此外,还会报告时间序列的全局最大值和最小值(图2B)、所有最大值的列表、所有最小值的列表以及与每个值相关的潜伏期。
平均振幅
如果用户选择了基于窗口的平均振幅,则generateERPs将使用该窗口的开始和结束时间作为上限和下限来计算每个用户指定的潜伏期窗口的平均振幅。如果用户选择基于过零点计算平均振幅,generateERPs将在ERP中定位过零点,并使用这些交叉点、潜伏期起始和潜伏期结束作为边界创建新的潜伏期窗口(图2)。
曲线下面积
如果用户选择了基于窗口的曲线下面积,generateERPs将使用用户指定的潜伏期窗口的开始和结束时间作为上限和下限来计算曲线下面积。该方法还报告了刺激开始后整个ERP波形的曲线下总面积,使用绝对值计算。如果用户选择基于过零点计算曲线下面积,generateERPs将在ERP中定位过零点,并使用这些交叉点、潜伏期起始和潜伏期结束作为边界创建新的潜伏期窗口(图2)。
曲线下50%的面积和潜伏期
如果用户基于窗口选择了曲线下50%的区域,generateERPs将为每个用户指定的潜伏期窗口计算曲线下50%的面积。该选择还报告了刺激后ERP波形及其相关潜伏期的50%曲线下面积。如果用户选择基于过零点计算曲线下50%的面积,generateERPs将使用ERP中的过零点作为边界创建潜伏期窗口(图2)。
HAPPE+ER与其他预处理方法的比较
在这一部分中,研究者将HAPPE+ER的伪迹校正方法与多种其他伪迹校正方法进行了比较。这些比较有助于优化HAPPE+ER的性能(考虑将所有方法纳入HAPPE+ER),也提供了与文献中已发表的管道和常见预处理策略相关的实证比较。研究者使用模拟ERP数据和真实的发育人群和成人ERP数据对这些方法进行了测试。
已有的伪迹校正方法
小波阈值和独立成分分析(ICA)提供了两种不同的伪迹校正策略。研究者评估了使用小波阈值或不同的自动算法来拒绝ICA中的伪迹成分,即:iMARA、ICLabel、MARA、调整后的ADJUST、手动IC拒绝,以及在分段之前没有进行连续数据的伪迹拒绝的方法。自动算法的阈值选择了在真实的发育和成人数据中表现最好的阈值,由于婴儿数据中自动IC拒绝的最佳算法尚不清楚,特别是最近发布了多个选项(例如调整后的ADJUST、iMARA)。因此,首先对IC拒绝步骤进行了优化,以用于后续方法比较。简而言之,研究者注意到,无论采用何种算法,自动成分拒绝性能都高度依赖于所选的拒绝阈值。在没有最优算法阈值选项的情况下,这里继续使用iMARA 0.2阈值和ICLabel 0.8组合进行测试,用于自动成分拒绝,以保持ERP振幅。
ERP分析的伪迹校正方法比较:模拟ERP数据
使用嵌入在真实发育基线(静息态)EEG数据中的已知时间和振幅特性的模拟ERP,测试了ICA和基于小波的伪迹校正方法的性能。这种模拟ERP方法结合了模拟数据和真实数据的优点:通过模拟复杂的信号和真实的脑电记录的伪迹特征来获得感兴趣的已知信号特性。请注意,研究者使用棕色和粉红噪声对一个完全模拟的EEG数据集进行了测试,其中嵌入了模拟的VEP时间序列,并向数据中添加了真实的伪迹信号,但事实证明该数据集不适用于测试。相反,本研究的模拟ERP方法如下所示。使用SEREEGA EEGLAB插件创建模拟VEP波形,并参考Krol等人(2018)研究中设置的VEP参数。本研究从三个ERP成分(N1、P1和N2)构建了VEP,指定了峰值中心、宽度、振幅和振幅斜率,如表3所示。这些参数与Krol等人(2018)中描述的相同,只是本研究将每个成分的中心在时间上向前移动了100ms,以创建100ms的ERP前基线周期并进行基线校正。一旦成分被定义,使用New York Head field和BioSemi 64通道蒙太奇生成导联场。所有三个VEP成分均分配给双侧枕叶的两个源(图3)。对于其他源,研究者分配了一个噪声参数,由振幅为零的粉红噪声创建,以创建一个横跨整个场的平线信号。通过这些设置,生成了具有60个epoch(每个epoch时长为500ms)的模拟数据集,共30s的模拟数据(60个模拟VEP试次)。
![](http://tiebapic.baidu.com/forum/w%3D580/sign=31611c2594c8a786be2a4a065708c9c7/ef0c392297dda144b94ad06df7b7d0a20ef4868f.jpg?tbpicau=2024-09-18-05_4b2c28d43648c386b854d37706fd63b1)
在生成模拟VEP信号后,从发育样本(年龄2-36个月)中准备了基线(静息态)EEG文件,以便将ERP添加到该数据中,并提交伪迹校正方法进行比较。研究者为这些比较生成了两组模拟ERP数据,一组干净的vs.添加伪迹的数据集,另一组是全长文件的数据集。创建的干净的vs.添加伪迹的数据集,以便于对不同伪迹水平的数据进行性能比较。使用全长基线文件的无伪迹(干净)基线数据的连续片段创建了16个30s的文件。接下来,从相同个体的30s脑电中,运行独立成分分析(ICA)并提取伪迹成分(由专家识别,并通过ICLabel和MARA自动算法标记的伪迹)。将伪迹IC嵌入到该个体干净的30s数据段中,以创建另外16个伪迹添加文件。为了在较短的文件长度上更好地将独立分成分分析与小波阈值分析的性能等同,研究者在基线EEG文件中选择了39个空间分布通道的子集。然后,从具有显著模拟VEP波形的模拟数据集中选择一个通道(在本例中为Oz),并将其时间序列添加到干净和添加伪迹文件的每个通道中,以创建两个具有已知ERP形态的VEP文件集。这使我们能够比较不同空间位置的模拟ERP中的伪迹校正效果,这些位置可能具有不同的伪迹污染情况。为了将VEP嵌入全长数据集,再次使用了来自上述数据集的模拟VEP通道Oz以及来自发育数据集的一组20个基线EEG文件。对于每个文件,脚本将VEP时间序列添加到数据的每个通道,尽可能多次完整地重复时间序列。然后从数据集的末尾修剪基线数据中的多余时间点。例如,长度为125s的文件添加了120s的重复VEP时间序列,并删除了剩余的5s。与干净vs.添加伪迹文件一样,这使我们能够在实际长度的数据集中检查预处理对已知ERP信号的影响。总的来说,小波阈值是在试次保留方面最成功的算法之一,也是最成功的自动算法,不会导致信号整体幅值的大幅降低。在干净的和添加伪迹的数据集分析的评估标准中,小波阈值始终优于所有其他自动伪迹校正方法,也优于不进行伪迹校正和手动IC拒绝的情况(图4)。
![](http://tiebapic.baidu.com/forum/w%3D580/sign=c81c7fcb2e600c33f079dec02a4d5134/4c18d1300a55b31948bb3eaa06a98226cdfc1788.jpg?tbpicau=2024-09-18-05_9510af8ab35a6735a25a5763f7c5a858)
图4
图5-7中显示了三种不同头皮ROI的平均模拟ERP和平均ERP的95%置信区间。值得注意的是,用于自动IC剔除的MARA0.5算法显著降低了全长数据中的ERP振幅,因此不建议在这些条件下使用。无论空间ROI如何,两种小波阈值选项在保持振幅的同时相对于所有IC选项(包括手动拒绝IC和无伪迹校正选项)降低95%置信区间的宽度方面表现最佳。在这些条件下,与软阈值相比,具有硬阈值的小波确实导致了轻微的振幅损失,但也具有分段保留率方面的好处。
![](http://tiebapic.baidu.com/forum/w%3D580/sign=a64ff266db510fb37819779fe932c893/13c492282df5e0fed9a735de196034a85cdf728b.jpg?tbpicau=2024-09-18-05_cf6ddf3a0e1d72257506799cca6daed7)
![](http://tiebapic.baidu.com/forum/w%3D580/sign=0a796f223e899e51788e3a1c72a6d990/7735581e3a292df5df7d10caf9315c6036a87394.jpg?tbpicau=2024-09-18-05_cdae0d5fa9408fdb8a14f0217e62acf7)
图7
执行HAPPE+ER
HAPPE+ER完全通过MATLAB命令行运行,无需用户处理或更改管道代码即可收集处理参数,使不同背景和熟悉程度的用户能够轻松运行HAPPE+ER。要运行HAPPE+ER,只需打开MATLAB,导航到HAPPE 2.0文件夹,然后打开HAPPE 2.0脚本。在屏幕顶部的“编辑器”选项卡中,单击“运行”并按照MATLAB命令行中出现的提示进行操作。在命令行输入所有相关输入参数后,HAPPE+ER将自动运行完成。HAPPE+ER代码和用户指南可在以下网址免费获取:https://github.com/PINE-Lab/HAPPE。本研究中使用的数据可通过Zenodo免费获取,网址为:https://zenodo.org/record/5172962。
原文:The HAPPE plus Event-Related (HAPPE+ER) software: A standardized preprocessing pipeline for event-related potential analyses.
https://doi.org/10.1016/j.dcn.2022.101140
小伙伴们点个“在看”,加(星标)关注茗创科技,将第一时间收到精彩内容推送哦~
![](http://tiebapic.baidu.com/forum/w%3D580/sign=3fbb0b64e31ea8d38a22740ca70b30cf/f3e3fb42fbf2b2119f5239918f8065380ed78eca.jpg?tbpicau=2024-09-18-05_ca8371e8ecd1ce1fac690ba7356c8cf5)