文章來源于微信公眾號（茗創(chuàng)科技）符喝，歡迎有興趣的朋友搜索關(guān)注。

導(dǎo)讀

前沿的超掃描方法使社會神經(jīng)科學(xué)的范式發(fā)生了轉(zhuǎn)變甜孤。超掃描允許研究人員在自然環(huán)境中測量兩個或多個個體之間動態(tài)交互的神經(jīng)過程协饲。隨著對超掃描研究的關(guān)注不斷增長，需要開發(fā)透明和有效的數(shù)據(jù)分析方法來進(jìn)一步推進(jìn)該領(lǐng)域的發(fā)展缴川。研究者開發(fā)并測試了雙腦EEG分析流程茉稠，即DEEP。在對數(shù)據(jù)進(jìn)行預(yù)處理后把夸，DEEP允許用戶計算鎖相值(PLVs)和跨頻鎖相值(cross-frequency PLVs)而线，以及每個參與者的時頻響應(yīng)和EEG功率，作為腦間相位同步的指標(biāo)恋日。該流程中還包括控制偽相關(guān)性的腳本膀篮。本研究的目標(biāo)是通過將DEEP與母嬰EEG超掃描數(shù)據(jù)集的示例公開，為開放和可復(fù)制的科學(xué)實踐做出貢獻(xiàn)岂膳。

前言

標(biāo)準(zhǔn)的神經(jīng)科學(xué)方法從脫離社交環(huán)境的觀察者視角來研究社會信息加工誓竿。對社會信息加工的實驗設(shè)計范式通常是參與者與電腦屏幕上呈現(xiàn)的刺激進(jìn)行互動。雖然這些實驗對我們理解社會知覺和認(rèn)知做出了巨大貢獻(xiàn)谈截，但卻未能抓住社會互動的幾個關(guān)鍵方面筷屡，如互動過程中的雙向性和動態(tài)性◆の梗客觀的神經(jīng)科學(xué)觀點認(rèn)為毙死，互動環(huán)境下的社會認(rèn)知可能與僅僅被動觀察社會刺激的情況存在根本上的不同。與個體行為相比喻鳄，互動雙方將社會交換表現(xiàn)為一種交互過程规哲，并以“我們”模式行事》瘫恚基于這些理論解釋唉锌，社會神經(jīng)科學(xué)研究面臨著在更自然隅肥、生態(tài)有效的環(huán)境中檢驗相互作用現(xiàn)象的需要。這種范式的轉(zhuǎn)變?yōu)槌瑨呙杓夹g(shù)的出現(xiàn)鋪平了道路：超掃描技術(shù)允許同時記錄兩個或多個個體的神經(jīng)活動袄简。利用這項新技術(shù)腥放，研究人員可以在自然環(huán)境中測量互動個體之間的動態(tài)神經(jīng)交互過程。

超掃描技術(shù)近年來得到了發(fā)展性研究人員的廣泛關(guān)注。涉及發(fā)展人群的超掃描研究包括使用EEG和fNIRS研究嬰兒和成人之間的互動；使用EEG雹有，MEG和fNIRS研究兒童與成人之間的互動稽煤；使用EEG和fNIRS研究兒童和青少年同齡人之間的交互作用。

個體間EEG連通性的量化方法(即腦間連通性)在很大程度上與個體腦內(nèi)EEG連通性(即腦內(nèi)連通性)的檢測方法相似疼进。最常用的方法包括(1)振幅或功率的協(xié)方差(即振幅包絡(luò)相關(guān)、功率相關(guān)、投影功率相關(guān)[PPC])聚请；(2)相位同步，由鎖相值(PLV)或循環(huán)相關(guān)(CCorr)獲得稳其；(3)基于相干指標(biāo)測量功率和相位的相似性驶赏，如部分定向相干(PDC)、小波相干和虛相干既鞠。在本文中煤傍，研究者重點討論了相位同步。Marriott Haresign及其同事在本期特刊文章中對其他方法進(jìn)行了充分的討論嘱蛋，感興趣的小伙伴可以去閱讀哦蚯姆。

超掃描研究正處于一個轉(zhuǎn)折點：迫切需要開發(fā)透明和有效的數(shù)據(jù)分析工具，以確保研究結(jié)果的可重復(fù)性洒敏。盡管人們對超掃描方法的興趣與日俱增龄恋，但很少有人嘗試在研究中驗證分析技術(shù)。最近桐玻，Ayrolles及其同事(2021)在這一方向上做出了努力篙挽，他們發(fā)布了一個數(shù)據(jù)分析流程，即HyPyP镊靴，用于對MEG/EEG超掃描數(shù)據(jù)進(jìn)行腦間連接分析铣卡。HyPyP包括用于自動數(shù)據(jù)預(yù)處理和各種腦間連接性測量的文件工具。這種全面偏竟、開源的超掃描分析流程對該領(lǐng)域的發(fā)展具有重要意義煮落。盡管這是重要的第一步，但HyPyP并沒有直接解決發(fā)展性超掃描研究中的挑戰(zhàn)踊谋，而這正是本研究的目標(biāo)蝉仇。此外，雖然HyPyP工具箱與MNE-Python集成，但DEEP提供了一種基于MATLAB中的FieldTrip工具箱的可替代性解決方法轿衔，該工具箱廣泛用于神經(jīng)數(shù)據(jù)分析沉迹。

超掃描方法也越來越多地與自然情景范式一起使用，在自然范式中害驹，要求成人（例如孩子的看護(hù)人）與他們的孩子玩耍鞭呕，就像實驗室外的互動那樣。分析使用自然主義范式獲得的數(shù)據(jù)存在幾個方法論上的挑戰(zhàn)宛官，如由于長時間的研究準(zhǔn)備時間而縮短了記錄時長葫松，以及自然主義情境中的互動必然會有許多運(yùn)動偽跡。因為這些因素造成的數(shù)據(jù)損失率（刪除或剔除）較高（通常為25-75%）底洗，這也意味著腋么，嬰兒和兒童中記錄的可用數(shù)據(jù)片段通常會更少、更短亥揖。這對于雙腦(或組)EEG研究尤其是個問題珊擂，因為計算兩個(或多個)個體之間的腦間相位校準(zhǔn)測量需要同時記錄所有參與者的干凈數(shù)據(jù)片段。

研究人員在分析來自發(fā)展性人群的雙腦EEG數(shù)據(jù)時面臨的另一個重要挑戰(zhàn)是徐块，成人和嬰兒的腦電圖信號分解具有本質(zhì)上的不同未玻。例如灾而，阿爾法頻帶的等效值胡控，在成人中檢測到是在8-12Hz范圍內(nèi)，而在嬰兒中觀察到的頻率則較慢旁趟，如6-9Hz昼激。這里，研究者通過引入DEEP的跨頻率PLV模塊锡搜，提供了計算成人和兒童EEG信號相位同步的獨特方法橙困，從而解決了這一挑戰(zhàn)「停跨頻率PLV方法允許跨具有不同峰值頻率的數(shù)據(jù)集（如成人和嬰兒EEG數(shù)據(jù)）來計算相位同步凡傅。這是在發(fā)展人群超掃描研究中建立透明和穩(wěn)健的數(shù)據(jù)處理方法和標(biāo)準(zhǔn)化數(shù)據(jù)分析實踐方面邁出的重要一步。

近年來肠缔，針對嬰兒EEG數(shù)據(jù)的分析夏跷，開發(fā)了標(biāo)準(zhǔn)化、自動化的EEG處理流程明未。然而槽华，目前還沒有建立標(biāo)準(zhǔn)化和自動化的預(yù)處理流程來分析成人和兒童/嬰兒的雙腦EEG數(shù)據(jù)。在這里趟妥，研究者提出并測試了一個雙腦EEG數(shù)據(jù)處理流程猫态，簡稱DEEP，旨在填補(bǔ)這一空白。該流程為用戶提供了一個帶有圖形元素的逐步命令行界面亲雪，本文將其稱為圖形用戶界面(GUI)勇凭，用于分析成人-嬰兒/兒童以及成人-成人EEG超掃描數(shù)據(jù)集。如圖1所示义辕，當(dāng)前版本的流程具有9個數(shù)據(jù)處理步驟套像，包括濾波、偽跡識別终息、偽跡校正和拒絕夺巩、噪聲通道插值、希爾伯特變換和計算腦間相位同步測量周崭，如PLV柳譬、跨頻率PLV等。

圖1.DEEP的九個數(shù)據(jù)處理步驟

研究者著重于應(yīng)用相位同步方法续镇，因為這些方法比較靈活（即美澳，可以隨時間或試次進(jìn)行計算），比較容易實現(xiàn)摸航，并且這些方法是建立在大量使用它們來研究腦內(nèi)和腦間相位同步的文獻(xiàn)基礎(chǔ)上制跟。本研究目標(biāo)是在新的和現(xiàn)有的計算EEG連接方法上的持續(xù)發(fā)展，這些方法可以應(yīng)用于雙腦EEG數(shù)據(jù)酱虎，并將其集成到當(dāng)前的工具箱中雨膨。

除了雙腦EEG數(shù)據(jù)外，DEEP還允許用戶使用時頻響應(yīng)和/或Welch方法分析個體EEG數(shù)據(jù)读串。與其他超掃描流程不同聊记，DEEP允許用戶使用替代數(shù)據(jù)運(yùn)行控制分析，以解釋偶然在數(shù)據(jù)中觀察到的相位同步水平的差異恢暖。在概述流程之后排监，本研究將使用雙腦EEG記錄母親及其8個月大的嬰兒的數(shù)據(jù)集來測試該流程，包括休息狀態(tài)和自由玩耍狀態(tài)杰捂。通過提供一個隨時可用的舆床、開放獲取的工具箱和完整的母嬰雙腦EEG數(shù)據(jù)集來促進(jìn)發(fā)展研究中的開放科學(xué)實踐。

該流程當(dāng)前版本中使用的腳本可以在https://github.com/dmatthes1982/MPI_CBS-DEEP上找到嫁佳，其中包括對代碼的描述挨队。本研究中使用的匿名數(shù)據(jù)是可公開獲取的。在補(bǔ)充材料中脱拼，提供了關(guān)于如何使用GUI實現(xiàn)該流程的教程瞒瘸，這樣用戶就可以輕松地進(jìn)行分析（參見補(bǔ)充材料S1）。

截圖來源于補(bǔ)充材料1

流程概述

研究者接下來描述了流程中的每個處理步驟熄浓。并且在補(bǔ)充材料S3中提供了一個文檔情臭，該文檔列出了本文中用于數(shù)據(jù)集預(yù)處理的參數(shù)和設(shè)置省撑。注意，列出的通帶值用于計算跨頻率PLV俯在。對于PLV的估計竟秫，研究者使用嬰兒的通帶值來處理嬰兒和母親的數(shù)據(jù)。

步驟1：數(shù)據(jù)導(dǎo)入

該流程的當(dāng)前版本中跷乐，只有使用Brain Vision Recorder軟件(Brain Products GmbH肥败，Germany)記錄的數(shù)據(jù)才能被分析。對于每個新session愕提，首先需要導(dǎo)入數(shù)據(jù)馒稍。原始數(shù)據(jù)由. eeg文件、.vhdr文件浅侨、*.vmrk文件信息組成纽谒。文件應(yīng)該按照流程中指定的名稱命名(例如，Studyname_Dyadnumber)如输。補(bǔ)充材料S1提供了相關(guān)代碼鼓黔，用于將其他EEG系統(tǒng)(如BioSemi)記錄的數(shù)據(jù)轉(zhuǎn)換為該流程中使用的數(shù)據(jù)格式。

用戶可以導(dǎo)入所有的通道不见，或者通過手動輸入通道名從處理中排除某些通道澳化。這一操作背后的原因是，一些外圍通道特別容易受肌肉和運(yùn)動偽跡的影響稳吮，這些通道可能不適合在許多成人-嬰兒超掃描研究中進(jìn)行分析缎谷。由于是獨立成分分析，可以先將眼電(EOG)電極排除在外（ICA盖高；有關(guān)更多信息慎陵，請參見步驟3和4）眼虱。

步驟2：插值通道檢測和濾波

在第二步中喻奥，用戶可以選擇稍后需要進(jìn)行插值的通道。為了幫助用戶決定哪些通道需要進(jìn)行插值捏悬，首先要確定噪聲最大的通道撞蚕。連接每個參與者的所有可用數(shù)據(jù)，每個通道的總功率從3Hz開始使用DEEP_estNoisyChan函數(shù)計算过牙。根據(jù)極端值的一般定義甥厦，如果特定通道的值高于1.5 * IQR + Q3或低于Q1 - 1.5 * IQR，則認(rèn)為該通道是有噪聲的寇钉。用戶應(yīng)該記住刀疙，這些圖只突出顯示那些與其他通道相比噪音更大的通道。研究者建議用戶在不對通道進(jìn)行任何干預(yù)的情況下運(yùn)行預(yù)處理步驟1-5扫倡，再次檢查并確定在步驟5中對哪些偽跡通道進(jìn)行插值谦秧。當(dāng)前版本中，該流程需要一定程度的EEG處理經(jīng)驗來決定哪個通道需要插值。

首先疚鲤，對成人數(shù)據(jù)進(jìn)行檢查锥累。在GUI中，會出現(xiàn)兩個圖形和一個窗口集歇。第一張圖描述了所有通道的總功率桶略，包括用紅色標(biāo)記的壞通道。使用FieldTrip數(shù)據(jù)瀏覽器函數(shù)(即ft_databrowser)诲宇，第二張圖繪制了每個通道在不同時間的原始數(shù)據(jù)际歼。用戶可以滾動查看未濾波的數(shù)據(jù)，并放大或縮小以檢查數(shù)據(jù)姑蓝。這些圖形可以幫助用戶決定在后面的步驟中插值哪些通道蹬挺。

在選擇壞導(dǎo)的窗口中，用戶可以在步驟4中選擇要插值的通道它掂。如果用戶選擇了相鄰的通道進(jìn)行插值巴帮，流程將繼續(xù)運(yùn)行。然而虐秋，在插值壞導(dǎo)的相鄰?fù)ǖ酪彩菈膶?dǎo)時榕茧，那么相鄰壞導(dǎo)將被排除在該插值壞導(dǎo)計算之外。如果要插值通道的相鄰?fù)ǖ蓝际菈膶?dǎo)客给，則該通道的值將被設(shè)為零用押。如果要插值的壞通道只有一個好的相鄰?fù)ǖ溃ㄆ渌噜復(fù)ǖ蓝际菈膶?dǎo)）時，則插值的通道將是相鄰的好通道的‘副本’（更多信息請參見步驟4）靶剑。如果選擇了參考電極點作為插值通道蜻拨，則GUI將會彈出警告。

一旦選擇了成人數(shù)據(jù)的壞通道桩引，同樣的過程就會用于嬰兒數(shù)據(jù)缎讼。然后，使用1-48 Hz帶通濾波器對數(shù)據(jù)進(jìn)行濾波坑匠。為了處理當(dāng)前數(shù)據(jù)集血崭，研究者使用了DEEP的默認(rèn)參數(shù)和設(shè)置，這可以在DEEP_main_2腳本中找到(詳見https://github.com/dmatthes1982/MPI_CBS-DEEP/blob/master/DEEP_main_2.m)厘灼。用戶可以在這些代碼中更改相關(guān)設(shè)置夹纫。在補(bǔ)充材料S1中，研究者給出了當(dāng)前研究中使用的定制通道配置的示意圖设凹。

步驟3：在ICA前清理數(shù)據(jù)

為了計劃處理時間舰讹，用戶可以繼續(xù)對所有雙分體進(jìn)行ICA分解步驟，或者選擇某些雙分體闪朱。在此步驟中月匣，將預(yù)處理后的EEG數(shù)據(jù)段再次拼接成連續(xù)的腦電圖數(shù)據(jù)匈睁。接下來，檢測并剔除所有通道中的瞬態(tài)偽跡桶错，應(yīng)用的標(biāo)準(zhǔn)是在一個200ms有50%重疊的段內(nèi)：電壓最大值和最小值的差值不超過200μV航唆。這確保了較大的偽跡不會影響ICA流程。然后使用默認(rèn)方法“runica”進(jìn)行ICA分解(更多信息請參閱https://www.fieldtriptoolbox.org/reference/ft_componentanalysis/)院刁。這一步只涉及ICA分解糯钙，ICA成分的選擇將在下一步進(jìn)行。

步驟4：ICA成分的選擇退腥，插值壞導(dǎo)任岸，重參考

①ICA成分的選擇：在這一步中，如果EOG數(shù)據(jù)可用狡刘，首先檢測眼動偽跡享潜，然后根據(jù)檢測到的眼動成分與水平和垂直眼電的相關(guān)性至少為80%的標(biāo)準(zhǔn)進(jìn)行校正。用戶可以手動降低該默認(rèn)閾值嗅蔬。使用ft_icbrowser函數(shù)(https://www.fieldtriptoolbox.org/reference/ft_icabrowser/)剑按， GUI會呈現(xiàn)一個窗口，其中顯示了整個頭皮上檢測到的成分的地形澜术，并用“Reject”標(biāo)簽突出顯示艺蝴。此外，作為頻率函數(shù)的功率譜密度圖與顯示功率隨時間變化的圖一起幫助用戶更好地評估檢測到的成分鸟废。

如果眼電電極缺失猜敢，就無法獲得相關(guān)性，因此盒延，該流程中不會自動生成建議缩擂。在這種情況下，用戶可以檢查ICA成分添寺，并手動將某些成分標(biāo)記為眼動偽跡胯盯。盡管ICA算法可以很好地處理成人數(shù)據(jù)，但要檢驗嬰兒數(shù)據(jù)中的眼動成分畦贸，可能需要更為仔細(xì)的目視檢查陨闹。所以在這種情況下，用戶應(yīng)該具備一些識別眼動偽跡的經(jīng)驗薄坏。在對嬰兒和成人數(shù)據(jù)分別進(jìn)行眼動成分驗證后，對眼動偽跡進(jìn)行校正寨闹。

②插值壞導(dǎo)：接下來胶坠，使用默認(rèn)的FieldTrip通道校正方法，即加權(quán)鄰域法繁堡，對步驟2中選擇的噪聲通道進(jìn)行插值沈善。加權(quán)鄰域法用所有相鄰?fù)ǖ赖钠骄盘柼鎿Q壞通道的信號乡数。這種方法本質(zhì)上需要來自周圍通道的良好信號，因此闻牡，如果需要插值的幾個噪聲通道相鄰(更多信息净赴，請參閱https://www.fieldtriptoolbox.org/reference/ft_channelrep air/)，那么此方法就不是一種最佳方法罩润。DEEP默認(rèn)使用插值配額玖翅，只允許插值通道總數(shù)的10%。在發(fā)展性EEG研究中割以，插值(最多)10%的通道數(shù)量以獲得有意義的結(jié)果是比較常見的金度。

③重參考：在發(fā)展性EEG研究中，研究者通常使用頂點/Cz或左右乳突通道作為記錄參考严沥。在當(dāng)前數(shù)據(jù)集的記錄中猜极，以左側(cè)乳突(即TP9)為在線參考。然而消玄，原則上跟伏，對任何其他電極或一組電極的平均值數(shù)據(jù)可以進(jìn)行離線重參考。根據(jù)記錄的通道數(shù)量和數(shù)據(jù)質(zhì)量翩瓜，允許用戶選擇以下重參考方法：共同平均重參考酬姆；雙側(cè)乳突重參考；穩(wěn)健平均重參考奥溺。雙側(cè)乳突離線重參考法使用左右乳突兩個電極的平均值(即分別為TP9和TP10)辞色，而共同平均離線重參考法則涵蓋所有電極點。

在這里浮定，研究者增添了第三種離線重參考方法相满，即穩(wěn)健平均重參考，該方法用于示例數(shù)據(jù)集的預(yù)處理過程中桦卒。穩(wěn)健平均重參考法與共同平均重參考法相似立美，但有一個主要區(qū)別。穩(wěn)健平均重參考法不是取所有電極的平均值方灾，而是使用一組干凈通道建蹄，并計算這些通道的平均值作為重參考。研究者認(rèn)為裕偿，當(dāng)使用自然主義范式記錄來自發(fā)展人群的EEG數(shù)據(jù)時洞慎，這種重參考方法特別有用，因為與來自成人的EEG記錄相比嘿棘，運(yùn)動偽跡會導(dǎo)致可用的通道較少劲腿，但能確保數(shù)據(jù)的質(zhì)量。DEEP使用了所有在穩(wěn)健平均重參考步驟2中未被標(biāo)記為壞導(dǎo)的電極鸟妙。換句話說焦人，所有未被選擇進(jìn)行插值的電極都包含在穩(wěn)健平均重參考中挥吵。

步驟5：自動和手動偽跡檢測

DEEP允許用戶從四種不同的算法中選擇一種來執(zhí)行自動偽跡檢測，以進(jìn)一步清理數(shù)據(jù)花椭。四種算法如下：(1)最小-最大閾值：該算法檢查該段內(nèi)的最小值或最大值是否超過了±75μV的默認(rèn)值忽匈，該值用于處理本文中的數(shù)據(jù)。用戶也可以通過在50-200μV范圍內(nèi)選擇一個值來調(diào)整該默認(rèn)閾值矿辽。如果電壓值超過了上下限閾值丹允，該段將被標(biāo)記為偽跡段。該方法已成功應(yīng)用于嬰兒EEG研究中嗦锐。(2)閾值范圍在200ms的滑動窗口內(nèi)：在200ms滑動窗口內(nèi)嫌松，算法檢查該段內(nèi)的最大值和最小值的差值是否超過某個閾值。如果超過某閾值奕污，該段將被標(biāo)記為偽跡萎羔。這一標(biāo)準(zhǔn)也被應(yīng)用于嬰兒EEG研究。(3)200ms滑動窗口內(nèi)的標(biāo)準(zhǔn)差閾值：在一個200ms滑動窗口內(nèi)碳默，算法檢查標(biāo)準(zhǔn)差是否大于某一閾值贾陷。如果大于某閾值，該段將被標(biāo)記為偽跡段嘱根。(4)滑動窗口的多個絕對中位差髓废。成人和嬰兒可分別選擇閾值和通道。

在此步驟中该抒，該流程生成了兩個圖慌洪，用于說明每種條件的偽跡圖。每個圖呈現(xiàn)了隨著時間的推移凑保，每個通道中的偽跡冈爹。在圖的左側(cè)，用戶還可以以數(shù)字形式查看每個通道的偽跡數(shù)量欧引。無偽跡部分用綠色表示频伤，而超過偽跡閾值的部分用紅色表示。除了自動偽跡檢測之外芝此，還可以在數(shù)據(jù)瀏覽器窗口中手動選擇偽跡憋肖。在步驟5完成后，用戶可以選擇進(jìn)一步的處理選項婚苹，如處理單個EEG數(shù)據(jù)（即步驟6后接步驟8）或運(yùn)行腦間相位同步分析（即步驟6后接步驟7）岸更。應(yīng)該注意的是，偽跡是在這一步確定的租副；但偽跡刪除是在步驟7或步驟8中坐慰，這取決于用戶的感興趣分析。

來源于補(bǔ)充材料1

步驟6：窄帶濾波和希爾伯特變換

GUI要求用戶選擇在后續(xù)處理步驟中使用相同的默認(rèn)通帶設(shè)置用僧，或者為成人和嬰兒數(shù)據(jù)選擇單獨的通帶结胀。成人數(shù)據(jù)的默認(rèn)設(shè)置包括以下通帶：theta [4-7Hz]；alpha [8-12Hz]责循；beta [13-30Hz]糟港；gamma [31-48Hz]。由于成人和嬰兒數(shù)據(jù)的頻帶不同院仿，以下設(shè)置用于嬰兒數(shù)據(jù)：theta [3-5Hz]秸抚；alpha [6-9Hz]；beta [13-30Hz]歹垫；gamma [31-48Hz]剥汤。本文檢查了theta和alpha頻率，因為它們是發(fā)展研究中最常用的排惨。需要注意的是吭敢，該流程還允許用戶手動指定通頻帶范圍，并分析頻率范圍暮芭，如beta和gamma鹿驼。此步還估計每個通帶上的希爾伯特相位。

步驟7：鎖相值(PLVs)和跨頻率PLVs的計算

其中N是觀測次數(shù)，其中Φ(t瑞筐，k)是通道Φ在時間t和觀測k的相位凄鼻，ψ(t，k)是通道ψ在時間t和觀測k的相位聚假。如果兩個信號的相位角隨時間波動且相差一致块蚌，將導(dǎo)致PLVs接近1。如果相位角隨時間波動魔策，兩個信號之間幾乎沒有一致性匈子，則PLVs接近0。鎖相測量信號之間的連通性與零滯闯袒。值得注意的是虎敦，由于相位同步(或鎖相)是兩個信號之間相角一致性的測量，所以這兩個周期之間的關(guān)系相對于他們?nèi)绾喂沧兌圆恢匾?/p>

跨頻率相位振蕩或跨頻率PLV與PLV具有相同的基本假設(shè)政敢∑溽悖跨頻率相位振蕩或PLV m∶n的計算方法與PLV類似，如下：

N為試次數(shù)量喷户，Δ?_k(f_n唾那，f_m，t褪尝，k)計算如下：

其中n和m是兩個信號的中心頻率闹获，應(yīng)該滿足公式m?f_n = n?f_m的整數(shù)值期犬，其中Φ(f_m，t避诽，k)是通道Φ在時間t和試次k上的相角龟虎，ψ(f_m，t沙庐，k)是通道ψ在時間t和試次k上的相角鲤妥。與PLV類似，跨頻率PLV可以應(yīng)用于試次或試次的一個時間窗拱雏。

DEEP應(yīng)用以下步驟來計算PLVs或跨頻率PLVs棉安。首先將所有數(shù)據(jù)分成持續(xù)時間為1s或5s的epoch。epoch持續(xù)時間可以由用戶調(diào)整铸抑。然后贡耽，拒絕所有包含在步驟5中的偽跡段(即，自動和手動偽跡檢測)羡滑。對于每個epoch菇爪，估計一個PLV或跨頻率PLV。在此之后柒昏，所有估計的PLVs或跨頻率PLVs對所有通帶的每種條件求平均凳宙。在當(dāng)前數(shù)據(jù)集中，在theta和alpha頻段檢查PLVs和跨頻率PLVs职祷。在這里氏涩，研究者將theta和alpha頻率的數(shù)據(jù)分割為1s的epoch，因為在較短的epoch持續(xù)時間里得到了更干凈的數(shù)據(jù)有梆。

步驟8：時頻響應(yīng)與使用Welch方法的功率譜密度

DEEP允許用戶分析單個EEG數(shù)據(jù)是尖。在這個步驟中，用戶可以分別計算每個參與者(例如嬰兒和成人)的時頻響應(yīng)(TFRs)或功率譜密度(PSDs)泥耀。使用FieldTrip函數(shù)ft_freqanalysis計算TFRs(請參閱https://www.fi eldtriptoolbox.org/reference/ft_freqanalysis/)饺汹。默認(rèn)情況下，響應(yīng)通過使用Morlet小波的小波時頻變換進(jìn)行計算痰催，以1Hz的步長在2-50Hz的頻率范圍內(nèi)應(yīng)用Hanning窗兜辞，以500ms的時間標(biāo)記為中心。這些設(shè)置可以在DEEP_main_8.m函數(shù)和子函數(shù)DEEP_timeFreqanalysis.m中手動更改夸溶。

接下來逸吵，功率譜可以通過FieldTrip 函數(shù)ft_freqanalysis使用多窗頻率轉(zhuǎn)換(mtmfft)方法進(jìn)行分析，漢寧窗的窗長默認(rèn)設(shè)置為1000ms缝裁，1-50Hz的頻率范圍扫皱，步長為1Hz，重疊75%。整個條件的功率譜計算是一種中位數(shù)運(yùn)算韩脑，允許用戶消除自然主義范式中異常值帶來的影響。這些設(shè)置可以在DEEP_main_8.m函數(shù)和子函數(shù)DEEP_pWelch.m中手動更改扰才。

步驟9：對雙分體或參與者的PLVs或跨頻率PLVs允懂、TFRs和PSD值進(jìn)行平均

在最后一步中，用戶可以選擇雙分體或參與者的數(shù)據(jù)來估計不同條件下的PLVs或跨頻率PLVs柄延、TFRs和PSDs的平均值缀程。

結(jié)果

本研究采用雙腦EEG數(shù)據(jù)集對70名8個月大的嬰兒(36名女嬰搜吧，M=8.29個月，SD=8.03天)及其母親(M=33.40歲杨凑，SD=4.62歲)進(jìn)行了記錄滤奈。最終納入分析的樣本包括35名嬰兒(22名女嬰，M=8.27個月撩满，SD=8.17天)及其母親(M=34.28歲蜒程，SD=4.03歲)。研究者最初的研究包括幾個實驗條件伺帘。本文分析了兩個條件：休息狀態(tài)(45s昭躺，marker S13)和自由玩耍(150s，marker S11)伪嫁。在靜息條件下领炫，嬰兒和他們的母親一起看著一個實驗者吹泡泡，同時記錄他們的EEG活動张咳。在自由玩耍的條件下帝洪，要求母親像在家里一樣和她們的孩子玩耍，不使用玩具晶伦。

前人研究表明碟狞，增加功率可以降低相位估計的誤差，并增強(qiáng)鎖相婚陪。雖然這主要被當(dāng)作一種事件鎖定現(xiàn)象來研究族沃，但這是否也可能是發(fā)展社會神經(jīng)科學(xué)中很常見的連續(xù)EEG記錄的特征。因此，研究者首先檢查了在整個測試過程中是否可以觀察到平均theta和alpha功率以及嬰兒-成人平均theta和alpha的跨頻率PLVs的系統(tǒng)關(guān)系脆淹。為了進(jìn)行比較常空，對PLVs進(jìn)行相同的分析。

結(jié)果發(fā)現(xiàn)在自由玩耍條件下盖溺，嬰幼兒-成人的theta跨頻率PLVs與嬰兒theta功率之間存在顯著關(guān)系漓糙，而在靜息條件下則沒有，這表明在自由玩耍條件下烘嘱，嬰幼兒theta功率與嬰幼兒-成人theta跨頻率PLVs之間存在正相關(guān)昆禽。嬰兒-成人alpha跨頻率PLVs與嬰兒alpha功率之間的關(guān)系在任何條件下都不顯著。無論是在theta波段還是alpha波段蝇庭，嬰兒-成人跨頻率PLVs和成人功率之間都沒有觀察到一致的關(guān)系醉鳖。與跨頻率PLV研究結(jié)果相似，研究者發(fā)現(xiàn)在自由玩耍條件下哮内，嬰兒theta波功率和嬰兒-成人PLVs之間存在邊緣顯著盗棵，而在靜息條件下則不存在。這表明當(dāng)考慮整個測試session的平均值時北发，獲得的相位同步值在很大程度上與功率無關(guān)纹因。然而，與靜息條件相比琳拨，自由玩耍條件下的功率和鎖相關(guān)聯(lián)更強(qiáng)的一個可能解釋是自由玩耍條件下的功率顯示出更快速的瞬態(tài)波動瞭恰。

接下來，研究者分別在alpha和theta頻率下研究了靜息條件和自由玩耍條件下的跨頻率PLVs和PLVs之間的關(guān)系从绘。雖然觀察到在alpha頻率下寄疏，跨頻率PLVs和靜息條件下的PLVs之間存在邊緣顯著性關(guān)系，但其他相關(guān)關(guān)系沒有達(dá)到顯著性僵井。這些發(fā)現(xiàn)如圖2a和b所示陕截。

圖2

作為一項探索性分析，研究者檢驗了靜息條件和自由玩耍條件之間的alpha和theta跨頻率PLVs的一致性批什。如圖3a和b所示农曲，在alpha波段觀察到自由玩耍和靜息條件下的跨頻率PLVs之間具有很強(qiáng)的相關(guān)性，而在theta波段的相關(guān)性不顯著驻债。同樣乳规，在alpha波段觀察到兩種條件之間的跨頻率PLVs存在顯著相關(guān)，而在theta波段則不顯著合呐。

圖3

研究者還檢驗了alpha跨頻率PLVs和theta跨頻率PLVs在不同條件下的關(guān)系(見圖4a和b)暮的。結(jié)果發(fā)現(xiàn)，它們在自由玩耍條件和靜息條件下都呈負(fù)相關(guān)關(guān)系淌实，盡管只有后者的負(fù)相關(guān)關(guān)系顯著冻辩，即更強(qiáng)的alpha跨頻率PLVs與更低的theta跨頻率PLVs相關(guān)猖腕。關(guān)于PLVs，可以觀察到反向的關(guān)系(更強(qiáng)的alpha PLVs與增加的theta PLVs相關(guān))恨闪，但這僅僅在靜息條件下才顯著倘感。

圖4

討論

最近宫补，人們開始使用自然主義范式來研究社會感知和認(rèn)知玫荣，這為超掃描等前沿數(shù)據(jù)記錄技術(shù)鋪平了道路。這些方法使社會神經(jīng)科學(xué)家能夠研究現(xiàn)實生活中兩個或多個個體之間的動態(tài)互動過程瘟栖。然而钧敞，EEG超掃描的結(jié)果并不總是能夠很好地復(fù)制(研究結(jié)果的再現(xiàn)性不是很好)蜡豹。導(dǎo)致這一現(xiàn)象的根本原因尚不清楚，但明確的是犁享，該領(lǐng)域需要透明和標(biāo)準(zhǔn)化的數(shù)據(jù)分析方法余素，以促進(jìn)研究結(jié)果的再現(xiàn)性。據(jù)我們所知炊昆，目前在雙腦EEG研究領(lǐng)域中，只有HyPyP旨在滿足該領(lǐng)域的迫切需求威根。然而凤巨，目前還沒有嘗試開發(fā)和測試數(shù)據(jù)分析的流程，特別是針對發(fā)展性EEG超掃描研究洛搀。在這里敢茁，研究者提出了DEEP，它允許分析從發(fā)展性人群獲得的雙腦EEG數(shù)據(jù)留美。通過讓用戶靈活選擇成人和嬰兒數(shù)據(jù)的不同參數(shù)和設(shè)置彰檬，DEEP優(yōu)化了對不同年齡組參與者的超掃描數(shù)據(jù)的分析。用戶可以對兩個個體的數(shù)據(jù)進(jìn)行預(yù)處理谎砾，然后計算腦間相位同步指數(shù)逢倍，如PLVs或跨頻率PLVs。DEEP還對隨機(jī)生成的數(shù)據(jù)進(jìn)行控制分析景图，以驗證結(jié)果较雕。這是第一個包含替代分析步驟的雙腦EEG流程。除了同時分析從嬰兒/兒童和成人獲得的數(shù)據(jù)挚币，DEEP還可以用來分析從兩個成人或年齡相似的參與者同時記錄的EEG數(shù)據(jù)亮蒋。

研究者使用包含靜息條件和自由玩耍條件下的嬰兒-成人EEG超掃描數(shù)據(jù)集對該流程進(jìn)行了測試。有趣的是妆毕，在靜息條件下慎玖，腦間相位同步值，由theta和alpha頻率的跨頻率PLVs量化笛粘，且呈負(fù)相關(guān)趁怔。雖然還需要更多的研究來理解在腦間同步方面的theta同步和alpha去同步分別代表什么远舅，在注意力和學(xué)習(xí)的個體內(nèi)部測量中，通澈鄹郑可以觀察到theta和alpha頻率之間的分離图柏，在這種情況下，alpha功率抑制（即任连，去同步化）往往伴隨著theta功率的增加（即蚤吹，同步化）。

由于這是DEEP的第一個版本随抠，所以在未來的版本中仍會有一些待解決的問題裁着。首先，DEEP目前只允許用戶分析Brain Products EEG記錄系統(tǒng)采集的EEG數(shù)據(jù)集拱她。研究者將會對該流程進(jìn)行調(diào)整二驰，使多個EEG數(shù)據(jù)結(jié)構(gòu)可以被讀取到流程中。同時秉沼，研究者為用戶提供了BioSemi數(shù)據(jù)的數(shù)據(jù)轉(zhuǎn)換方法桶雀，可以在補(bǔ)充材料S1中找到。此外唬复，目前的版本只處理雙腦EEG數(shù)據(jù)集矗积，如嬰兒/兒童和成人二人組或者兩個成人之間的EEG數(shù)據(jù)。研究者也在努力拓展該流程敞咧，以便能夠檢查三個或更多個體的EEG數(shù)據(jù)棘捣，這對群體背景下的研究將是非常有用的。

雖然嬰兒和成人的數(shù)據(jù)是用用戶定義的不同參數(shù)和設(shè)置進(jìn)行逐步處理的休建，但對這兩個數(shù)據(jù)集應(yīng)用的基本預(yù)處理步驟大致相同乍恐。在未來的版本中，研究者的目標(biāo)是改進(jìn)該流程测砂，使嬰兒和成人數(shù)據(jù)能夠分別進(jìn)行預(yù)處理步驟茵烈。例如，考慮到嬰兒數(shù)據(jù)中邑彪，外圍通道電極特別嘈雜瞧毙，可以選擇刪除嬰兒而不是成人在該外圍電極上的數(shù)據(jù)，這對于腦內(nèi)分析是非常有用的（如寄症，參見步驟8）宙彪。同樣，考慮到ICA方法在校正成人和嬰兒數(shù)據(jù)的眼動偽跡的有效性方面存在差異有巧，應(yīng)用單獨的ICA處理將是有用的释漆。此外，通過處理兩個信號(即一個信號預(yù)測另一個信號)之間的方向性的人際同步測量來擴(kuò)展流程將是非常有趣的篮迎，例如此前被用于發(fā)展研究的部分定向相干性男图。最后示姿，在未來的版本中，研究者希望進(jìn)一步實現(xiàn)可替代性的分析方法逊笆，例如相位隨機(jī)化方法栈戳，以檢查使用不同的替代方法是否會影響結(jié)果。

在嬰兒EEG數(shù)據(jù)分析中难裆，為了減少偽跡子檀，一種常見的做法是手動或自動拒絕EEG偽跡段。因為對成人EEG數(shù)據(jù)的偽跡自動檢測方法進(jìn)行了優(yōu)化乃戈，但在嬰兒EEG數(shù)據(jù)中往往無法檢測出超過拒絕閾值的偽跡褂痰。因此，基于目視檢查的偽跡剔除等手動程序被發(fā)展研究者廣泛使用症虑。然而缩歪，這種方式降低了研究方法和結(jié)果的可重復(fù)性。推進(jìn)這一進(jìn)程的另一個重要步驟是整合自動獨立成分分析(ICA)分類和檢測算法谍憔，這些算法是專門為發(fā)展性群體建立和測試的匪蝙。例如，最近Marriott Haresign等人(2021)對廣泛使用的MARA系統(tǒng)(用于成人數(shù)據(jù)的ICA分類)進(jìn)行了改進(jìn)韵卤，以處理使用自然范式記錄的發(fā)展性EEG數(shù)據(jù)的特征骗污。在嬰兒EEG數(shù)據(jù)中，經(jīng)過訓(xùn)練的iMARA分類器可以區(qū)分ICA偽跡成分和ICA神經(jīng)成分沈条，準(zhǔn)確率達(dá)到75%。集成這些算法將進(jìn)一步擴(kuò)大該流程诅炉，使其能夠自動識別和刪除嬰兒數(shù)據(jù)中的ICA偽跡成分蜡歹。

結(jié)論

發(fā)展性研究實驗室處理EEG數(shù)據(jù)的方法各不相同。盡管由于個體間的差異較高涕烧，使用自動化的EEG數(shù)據(jù)處理工具仍然是一個挑戰(zhàn)月而，但在建立標(biāo)準(zhǔn)化的EEG數(shù)據(jù)分析工具方面取得了一些進(jìn)展。本文介紹的DEEP议纯，允許研究人員分析嬰兒/兒童-成人雙分體或者兩個成人的雙腦EEG數(shù)據(jù)父款。DEEP促進(jìn)了標(biāo)準(zhǔn)化和透明的數(shù)據(jù)分析方法，同時適應(yīng)各種數(shù)據(jù)處理方法瞻凤，以解決研究結(jié)果的再現(xiàn)性問題憨攒。該流程包括幾個預(yù)處理步驟，然后計算作為腦間相位同步指標(biāo)的PLVs和跨頻率PLVs阀参。DEEP還允許研究人員通過對偽高相關(guān)性進(jìn)行控制分析來驗證其研究結(jié)果肝集。研究者計劃在未來進(jìn)一步擴(kuò)展DEEP。該流程的最新版本以及代碼和相關(guān)描述可以在https://github.com/dmatthes1982/MPI_CBS-DEEP上訪問蛛壳。研究者還發(fā)布了一個嬰兒和成人超掃描示例數(shù)據(jù)集杏瞻。DEEP的目標(biāo)是為發(fā)展社會神經(jīng)科學(xué)家提供一個易于使用的工具來分析EEG超掃描數(shù)據(jù)集所刀。通過將代碼和示例數(shù)據(jù)集公開，研究者致力于促進(jìn)科學(xué)開放和可復(fù)制的過程中捞挥，將推進(jìn)該領(lǐng)域的進(jìn)一步發(fā)展浮创。

原文：DEEP: A dual EEG pipeline for developmental hyperscanning studies.https://doi.org/10.1016/j.dcn.2022.101104