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

導(dǎo)讀

EEG對于研究新生兒神經(jīng)認知功能很有價值低矮。但目前很難記錄到高質(zhì)量的新生兒EEG數(shù)據(jù)跃洛。相較于成人和大一點的嬰兒，新生兒注意力持續(xù)時間有限偿枕，數(shù)據(jù)更短膘茎；而且由不可控的運動導(dǎo)致的偽跡更多帚屉，數(shù)據(jù)噪聲也更大槽袄。因此，研究者提出了一種專為新生兒設(shè)計的EEG偽跡去除方法（NEAR）惯退，NEAR基于兩個關(guān)鍵步驟：①基于局部異常因子（LOF）的壞導(dǎo)檢測工具，一種穩(wěn)定的異常值檢測算法铸豁；②采用偽跡子空間重建算法（ASR）相艇，適用于新生兒EEG的參數(shù)校準方法臭墨。此方法開發(fā)用于去除成人移動EEG的偽跡红竭。對模擬數(shù)據(jù)的測試結(jié)果表明：NEAR在去除新生兒EEG中有代表性的非典型偽跡方面篇裁，優(yōu)于現(xiàn)有方法分冈。NEAR在兩個不同實驗設(shè)計（頻率標記和ERP）記錄的兩個發(fā)展性群體（新生兒和9個月大的嬰兒）上進行了驗證。結(jié)果表明：NEAR偽跡去除方法能成功地提取噪聲數(shù)據(jù)中的EEG信號，且此方法的統(tǒng)計顯著性高于現(xiàn)有的偽跡去除方法辛辨≡持浚基于EEGLAB的NEAR偽跡去除方法可在https://github.com/vpKumaravel/NEAR免費獲得孕蝉。

引言

在人類新生兒出生后的頭幾天進行研究面睛，有助于我們了解人類在與外界互動之前所具有的神經(jīng)認知傾向。雖然該領(lǐng)域大部分是行為學(xué)研究前方，但最近適用于新生兒高質(zhì)量EEG系統(tǒng)的可用性，為越來越多關(guān)于這種傾向的神經(jīng)基礎(chǔ)的EEG研究開辟了道路逮矛。

然而姓赤，要分析新生兒EEG數(shù)據(jù)是一項具有挑戰(zhàn)性的任務(wù)品腹，特別是有視覺刺激的情況下茄袖。有兩個主要的影響因素：1）新生兒注意持續(xù)時間有限耀找，導(dǎo)致他們的有效注意刺激數(shù)據(jù)的時長非常短；2）新生兒不受約束扑馁，他們的各種運動（頭部涯呻、手臂、皺眉腻要、吮吸）會產(chǎn)生不規(guī)律的偽跡复罐。這些因素導(dǎo)致新生兒EEG數(shù)據(jù)的偽跡去除帶有很大的主觀性且耗時較長⌒奂遥基于ICA的方法在成人或較大嬰兒中較為有效效诅，因為ICA能捕獲較典型有明顯特征的偽跡；但由于（新生兒）大多數(shù)的偽跡都不是典型的趟济，所以基于ICA的去除方法可能不會同樣有效乱投。

偽跡子空間重建算法（ASR）是一個矯正非典型偽跡的很有潛力的工具，該算法專門用于去除任何性質(zhì)的瞬時或大幅度的偽跡顷编。然而戚炫，ASR的性能取決于一些用戶定義的參數(shù)，這些參數(shù)還沒有在發(fā)展性數(shù)據(jù)中建立和使用媳纬。此外双肤，ASR和ICA都需要初步檢測壞通道，就像研究者在本文中展示的钮惠，幾種最先進的方法對分析新生兒EEG數(shù)據(jù)來說過于嚴格茅糜，尤其是相較于ERP設(shè)計，頻率標記范式受偽跡影響較小素挽。

本文研究者提出了NEAR（新生兒EEG偽影去除）蔑赘，一種從原始新生兒EEG數(shù)據(jù)中有效去除偽跡的方法。和現(xiàn)有的去除偽跡方法相比预明，NEAR引入了兩個新功能：1）基于局部異常值（LOF）的新型壞導(dǎo)檢測工具——一種穩(wěn)定缩赛、基于密度的局部異常值檢測算法。2）將ASR中兩個由使用者定義的關(guān)鍵參數(shù)校準到新生兒EEG數(shù)據(jù)的標準程序中：ASR參數(shù)k和ASR處理模式撰糠，可以校正或刪除檢測到的壞段峦筒。

在本文中，研究者詳細地解釋了NEAR預(yù)處理步驟窗慎，將原始數(shù)據(jù)轉(zhuǎn)換為可供分析的無偽跡數(shù)據(jù)物喷。該流程的校準程序包括壞導(dǎo)檢測、壞段校正/刪除遮斥。

用于測試NEAR性能的三個步驟如下：

1）使用模擬工具箱SEREEGA作為概念驗證峦失，研究者在模擬的、合乎神經(jīng)生理學(xué)的EEG數(shù)據(jù)上測試了NEAR术吗，包括主要在新生兒和嬰兒EEG數(shù)據(jù)中發(fā)現(xiàn)的瞬時尉辑、大幅度的偽跡。

2）在基于頻率標記范式的新生兒EEG數(shù)據(jù)上測試了NEAR较屿，一種周期性的時間刺激隧魄，并在刺激頻率下測量與EEG振幅有關(guān)的刺激相關(guān)反應(yīng)的實驗設(shè)計卓练。這種設(shè)計越來越多地用于嬰兒和新生兒，因為它比事件相關(guān)電位（ERP）設(shè)計有更高的信噪比购啄。

3）為了驗證NEAR在較大的嬰兒數(shù)據(jù)中的性能襟企，研究者使用ERP范式和在另一個實驗室記錄的數(shù)據(jù)，即研究者評估了用ERP范式記錄的9個月大嬰兒的EEG數(shù)據(jù)中使用NEAR的效果狮含。

研究者在測試集上校準NEAR參數(shù)顽悼，以便在真實數(shù)據(jù)上進行測試，并在獨立數(shù)據(jù)集上驗證NEAR性能几迄。

驗證方法也包括與最先進的方法做比較：EEGLAB的clean_rawdata函數(shù)（僅用于壞通道檢測）和兩個為發(fā)展性研究設(shè)計的自動去除偽跡流程——HAPPE和MADE蔚龙。

NEAR腳本和示例數(shù)據(jù)集可供大家免費使用。附錄中提供了逐步使用NEAR的教程映胁。

材料和方法

2.1訓(xùn)練和測試數(shù)據(jù)****2.1.1.新生兒數(shù)據(jù)

新生兒訓(xùn)練和測試數(shù)據(jù)集都用125導(dǎo)的EGI EEG系統(tǒng)采集記錄木羹，頭皮電壓以頂點為參考，采樣率為250Hz解孙。實驗中的視覺刺激通過正弦周期動態(tài)呈現(xiàn)（每個刺激的可見性相對于灰色背景從周期開始時的 0%逐漸上升到周期中期的100%汇跨，然后逐漸降到0%），頻率為0.8Hz（頻率標記范式）妆距。

訓(xùn)練數(shù)據(jù)集實驗中的視覺刺激由一組4 或 12 種顏色的簡單幾何形狀組成穷遂，以 50s為單位呈現(xiàn)或直到被試不再注意；形狀娱据、數(shù)量和空間排列在每個block內(nèi)是恒定的蚪黑，在block是隨機變化的。

測試數(shù)據(jù)集中的視覺刺激由包含三個黑色正方形的白色頭部形狀組成中剩，其不同之處在于三個方塊的空間形態(tài)忌穿，以形成三種刺激形態(tài)（正立面孔、倒立面孔和雜亂面孔）结啼。刺激以 50s為單位呈現(xiàn)掠剑，或直到被試不再注意。

2.1.2.嬰兒數(shù)據(jù)集

嬰兒訓(xùn)練和測試數(shù)據(jù)集使用125導(dǎo)的EGI放大器郊愧，以500 Hz的采樣率和200Hz的低通濾波器獲得朴译。

這兩個數(shù)據(jù)集，每個試次都以一個由實驗者(訓(xùn)練數(shù)據(jù)集)或嬰兒的母親(測試數(shù)據(jù)集)提供的真實聽覺刺激開始属铁，同時在遮擋器上呈現(xiàn)一個動態(tài)的固定刺激(一個彩色矩形343×363像素)眠寿。在實時聽覺刺激結(jié)束后，固定刺激停止移動焦蘑，顯示屏靜止600–800ms盯拱。然后固定刺激消失，遮擋器開始向前傾斜露出其后面的物體。該物體位于黑色背景上狡逢，在遮擋器開始上升之前1000ms內(nèi)完全可見宁舰，再次隱藏該物體。隨后是一個持續(xù)1100–300ms的試次間隔奢浑。

2.2.NEAR

NEAR預(yù)處理流程由一組自定義MATLAB腳本組成蛮艰，可以在EEGLAB框架內(nèi)作為全自動EEG預(yù)處理執(zhí)行。其核心的創(chuàng)新部分包括偽跡去除：壞通道閾值檢測（LOF）和ASR截止參數(shù)的初步校準殷费，用LOF算法檢測壞導(dǎo)和用ASR校正/刪除壞段印荔，兩者都可以對原始結(jié)果進行可視化低葫。此外详羡，研究者提供了一個從原始數(shù)據(jù)到干凈數(shù)據(jù)的全自動EEG預(yù)處理的（基于EEGLAB的）腳本：原始數(shù)據(jù)的載入和濾波，插值壞導(dǎo)和重參考嘿悬∈的可根據(jù)實際應(yīng)用的需求，對這些步驟進行修改善涨。

圖1展示了NEAR預(yù)處理的流程窒盐。之后幾節(jié)將詳細解釋每個步驟，附錄中提供了逐步的教程钢拧，包括講解NEAR去除偽跡的主要步驟蟹漓。

圖1.NEAR流程示意圖。綠色框表示偽跡去除部分源内。

2.2.1.導(dǎo)入原始數(shù)據(jù)

NEAR支持四種主要格式的導(dǎo)入功能：.mff葡粒、.raw、.set 和.edf膜钓。研究者考慮這些格式是因為大多發(fā)展性EEG原始數(shù)據(jù)都有這些類別嗽交。至于其他格式，可以使用EEGLAB工具導(dǎo)入颂斜，并在生成的EEGLAB格式.set上使用NEAR夫壁。

2.2.2.帶通濾波

帶通濾波的基本原則是：便于后續(xù)分析,且保留要分析的信號的頻率范圍，并濾掉較高和較低的頻率沃疮，尤其是那些可能包含偽跡的頻段盒让。在高頻段，最好使用截止頻率低于交流電工頻頻率（50Hz或60Hz）的低通濾波器司蔬，避免工頻干擾糯彬。在低頻段，即低于1Hz的頻段葱她，這些EEG信號通常包含眼動撩扒、呼吸和心跳等偽跡。因此研究者建設(shè)使用保留感興趣信號最高頻段的高通濾波器，注意濾波器衰減的寬度搓谆。在ERP設(shè)計的情況下炒辉，要考慮虛假效應(yīng)的情況。對于新生兒數(shù)據(jù)泉手，研究者使用截止頻率為40 Hz的低通FIR濾波器（使用 EEGLAB 的默認濾波器）黔寇。考慮到分析內(nèi)容斩萌，需要將頻率成分保持在0.5Hz以下（詳見神經(jīng)測量：FTR部分）缝裤，使用了0.15和0.3Hz之間的非因果高通濾波器和80dB的阻帶衰減。嬰兒數(shù)據(jù)使用默認的 EEGLAB 濾波器在0.3-30Hz之間進行帶通濾波颊郎。

2.2.3.數(shù)據(jù)分段

對于涉及刺激范式的研究憋飞，識別新生兒/嬰兒EEG中記錄的相關(guān)數(shù)據(jù)的關(guān)鍵預(yù)處理步驟是，將數(shù)據(jù)分析限制在新生兒/嬰兒有效關(guān)注刺激的時間間隔內(nèi)姆吭。因此榛做，研究者建議根據(jù)刺激對數(shù)據(jù)進行分段（即對連續(xù)刺激的刺激周期進行分段，或者在事件相關(guān)設(shè)計的情況下對事件相關(guān)進行分段）内狸。除此之外检眯，對于視覺刺激，研究者建議使用相機或眼動儀來記錄新生兒/嬰兒昆淡，并且需要良好的光線條件以確保清晰地監(jiān)測眼球運動锰瘸，特別注意確定有效的觀看時間。這個預(yù)處理步驟至關(guān)重要昂灵，因為不僅可以最大程度減少數(shù)據(jù)中的噪聲避凝，而且還刪除了（被試）沒有注意的數(shù)據(jù)段。這些數(shù)據(jù)段的刪除帶有很大的主觀性倔既，可能會導(dǎo)致后續(xù)偽跡分析出現(xiàn)偏差恕曲。出于這個原因，此步驟是在檢測壞導(dǎo)和分段之前完成渤涌。

對于靜息態(tài)EEG研究佩谣，可以對腳本自行調(diào)整，以保留已知先驗數(shù)據(jù)的好段（或刪除壞段）实蓬。詳見附錄第4步茸俭。

2.2.4.壞導(dǎo)檢測

在新生兒/嬰兒的EEG數(shù)據(jù)里檢測壞導(dǎo)很有挑戰(zhàn)性，由于降低電極阻抗時間短和頻繁的運動偽跡安皱，（新生兒/嬰兒的）電極接觸的穩(wěn)定性遠低于成人數(shù)據(jù)调鬓。特別是對數(shù)據(jù)進行初步檢測后，研究者意識到現(xiàn)有的壞導(dǎo)檢測方法對新生兒EEG數(shù)據(jù)過于嚴格酌伊。為了克服此問題腾窝，研究者實現(xiàn)了一種算法，其核心步驟為基于LOF的新型壞導(dǎo)檢測方法，LOF是一種穩(wěn)固健全的數(shù)據(jù)驅(qū)動的異常值檢測器虹脯。算法三步驟如下：

2.2.4.1.平直信號

由于與頭皮接觸不良或者與記錄設(shè)備斷開驴娃，有時電極會記錄平直信號，為了刪去這些通道循集，研究者采用EEGLAB clean_rawdata插件中的函數(shù)clean_flatlines(https://github.com/sccn/clean_rawdata)唇敞。如果通道連續(xù)記錄平直信號超過5s，則該情況下默認將通道標記為平直咒彤。

2.2.4.2.局部異常值
傳統(tǒng)的居于均值疆柔、中位數(shù)、IQR或平均絕對偏差等統(tǒng)計指標的異常值檢測方法镶柱，對于新生兒EEG的異常值過于敏感旷档。為了應(yīng)對此挑戰(zhàn)，研究者（首次在EEG數(shù)據(jù)分析背景下）引入了一種名為局部異常值（LOF）的穩(wěn)固無監(jiān)督方法奸例，這是一種基于密度的數(shù)據(jù)驅(qū)動法彬犯，來檢測和刪除壞導(dǎo)向楼。該技術(shù)在多維通道空間中運行查吊，其中通道之間的“距離”被計算為與每個通道相關(guān)的活動向量（即每個EEG信號的時間序列）之間的穩(wěn)固距離估計（平方歐式距離（MATLAB中的“seuclidean”）） （不要與通道之間的物理距離相混淆）。準確來說湖蜕，它分配了每個通道一定程度上取決于相對于其K個相鄰?fù)ǖ赖莫毩⒊潭鹊摹熬植慨惓Ｖ怠甭呗簟榱俗C實 LOF 算法的效率，研究者展示了包含樣本數(shù)據(jù)簇的圖2昭抒。假設(shè) C1和 C2是兩個主要簇评也，O1和 O2是兩個附加對象 。如圖2所示灭返，對象 O1和 O2都是各自簇 C1和 C2的異常值盗迟。雖然大多數(shù)基于統(tǒng)計和基于距離的算法都能正確地將 O1捕獲為異常值，但 LOF 作為一種基于局部密度的方法也能夠識別像 O2這樣的異常值熙含。1）對于每個通道p罚缕，LOF算法根據(jù)距離度量（默認情況下， NEAR 流程中的平方歐式距離）識別k近鄰怎静。2）計算通道p和每個相鄰點之間的可達距離邮弹。比如考慮通道o，它位于通道p的k個相鄰點內(nèi)蚓聘。然后腌乡，p和o之間的可達距離計算如下：

其中d(p,o)是兩個通道向量之間的實際距離。直觀地說夜牡，如果通道 p 離 o 很遠与纽，那么可達距離為它們的實際距離。相反，如果它們“足夠”接近急迂，則實際距離將替換為通道o的k距離硝岗。

3）計算出每個通道相對于其相鄰點的可達距離后，局部可達密度（LRD）確定如下：

換句話說袋毙，通道p的LRD是基于p的k近鄰的平均可達距離的倒數(shù)型檀。直觀地說，如果通道p是異常（即壞）通道听盖，則其LRD將較低胀溺，因為它不容易被它的相鄰?fù)ǖ肋_到。4）局部異常值 (LOF) 計算如下：

通道p的LOF是p的LRD與p的k近鄰LRD之比的平均值皆看。p的LRD越低仓坞，p的k近鄰的LRD越高，p的LOF值就越高（因此可能是一個異常值）腰吟。換句話說无埃，與相鄰?fù)ǖ溃ㄆ骄┫啾龋x群通道的LRD較低（因此距離較大）毛雇。

圖2.包含兩組數(shù)據(jù)（C1和C2）和兩個異常對象（O1和O2）的樣本數(shù)據(jù)集嫉称。

可以注意到k是LOF計算中的超參數(shù)。在此項工作中灵疮，研究者使用自然領(lǐng)域算法來計算數(shù)據(jù)驅(qū)動的k值织阅。研究者調(diào)整了基于MATLAB的LOF算法實現(xiàn)（基于密度的異常值檢測算法，https://github.com/BlueBirdHouse/DDoutlier）以使其與EEGLAB數(shù)據(jù)結(jié)構(gòu)兼容震捣。此外荔棉，在對應(yīng)用LOF的EEG數(shù)據(jù)進行系統(tǒng)研究后，發(fā)現(xiàn)標準化歐式距離度量（在 MATLAB 中定義為“seuclidean”）在計算 k距離（knnsearch 函數(shù)蒿赢，MATLAB）方面優(yōu)于默認歐氏距離润樱。

一旦為給定數(shù)據(jù)集中的所有通道計算了LOF，就必須設(shè)置一個閾值羡棵，將內(nèi)部通道與異常通道分開壹若。在最初的理論中，如果一個通道的 LOF大于 1.5將被視為異常通道晾腔。考慮到這項工作中 EEG 數(shù)據(jù)的應(yīng)用舌稀，研究者提出了一種自適應(yīng)方法，通過基于壞通道的標準評分從訓(xùn)練數(shù)據(jù)集中估計 LOF的最佳閾值（參見第 3.2.1 節(jié))灼擂。

2.2.4.3.周期圖分析

為了檢測主要記錄運動相關(guān)偽跡的通道壁查，這些偽跡表現(xiàn)為Beta范圍內(nèi)功率的增加，以及Delta和Alpha范圍內(nèi)功率的降低剔应，研究者實施了一種基于光譜測量（周期圖函數(shù)睡腿，MATLAB）的壞導(dǎo)道檢測方法语御。對于本文分析的數(shù)據(jù)集，研究者注意到雖然這種方法捕獲了最重要的壞導(dǎo)席怪，但它們至少已經(jīng)被前兩個步驟中的一個檢測到应闯。因此，研究者在NEAR的壞導(dǎo)檢測插件中將此方法作為可選方法（參見附錄中的圖A1）挂捻。

2.2.5.使用偽跡子空間重建（ASR）去除偽跡

ASR是一種自動偽跡去除技術(shù)碉纺，用于檢測/去除連續(xù)EEG數(shù)據(jù)中的瞬時高振幅偽跡。它是一個開源的EEGLAB插件函數(shù)clean_rawdata刻撒。ASR 已經(jīng)在模擬數(shù)據(jù)和使用移動設(shè)置的成人被試獲取的真實EEG上進行了廣泛測試骨田。由于它高效的偽跡消除，ASR現(xiàn)在被認為是EEGLAB框架內(nèi)默認的預(yù)處理算法之一声怔。然而态贤，迄今為止，ASR僅根據(jù)成人EEG數(shù)據(jù)進行評估醋火。在這項工作中悠汽，研究者第一次在噪聲較大的發(fā)展性EEG數(shù)據(jù)上評估ASR，并將其作為流程中的核心模塊之一芥驳。此外柿冲，研究者還提出了一個校準程序，使ASR算法適應(yīng)發(fā)展性數(shù)據(jù)晚树。ASR按照以下三步驟處理偽跡：

2.2.5.1. ASR算法1）首先姻采，ASR根據(jù)預(yù)定義的EEG類數(shù)據(jù)的穩(wěn)定統(tǒng)計分布識別更干凈的數(shù)據(jù)部分雅采。

2）然后爵憎，ASR對獲得的干凈數(shù)據(jù)段進行主成分分析（PCA），以提取拒絕閾值婚瓜，定義如下：

其中i是主成分 (PC) 指數(shù)宝鼓，μ和σ是相應(yīng)的均值和方差，k是使用者定義的乘法SD因子（也稱為ASR截止參數(shù)）巴刻。3）使用提取的閾值T愚铡，ASR識別原始數(shù)據(jù)上的偽跡子空間，并使用根據(jù)數(shù)據(jù)更清晰的部分獲得的統(tǒng)計數(shù)據(jù)重建胡陪。

為了將 ASR 校準到新生兒/嬰兒EEG數(shù)據(jù)沥寥，研究者分析了ASR兩個關(guān)鍵的用戶定義參數(shù)：

2.2.5.2. ASR截止參數(shù)(k)

ASR 根據(jù)數(shù)據(jù)的較干凈部分中提取的PC 的均值和方差，定義了上限閾值來代表類EEG 成分的PC柠座。所以超過此閾值的成分很可能是偽跡邑雅。閾值按照上一小節(jié)的步驟 2)中的定義進行計算÷杈可觀察到淮野，較低的k值意味著較低的閾值捧书，也意味著嚴格的偽跡檢測（即檢測到更多偽跡）；更高的k值意味著對數(shù)據(jù)的檢測更寬松（即檢測到的偽跡更少）骤星。對于成人EEG经瓷，最佳k值在20到30之間。但ASR 參數(shù)k從未在發(fā)展性數(shù)據(jù)上進行過評估洞难。

2.2.5.3. 處理模式

使用 clean_rawdata 插件舆吮，ASR可以在兩種不同的模式下運行：ASR校正（以下簡寫為 ASR_C），其中數(shù)據(jù)的不良部分被校正為“類EEG”的數(shù)據(jù)队贱，以及 ASR 去除（簡寫為ASR_R）歪泳，其中檢測到的不良部分從數(shù)據(jù)中刪除。為了將這兩個參數(shù)校準到新生兒 EEG 數(shù)據(jù)中使用露筒，在訓(xùn)練數(shù)據(jù)集上執(zhí)行了網(wǎng)格搜索（見結(jié)果）呐伞。

2.2.6. 插值壞導(dǎo)

使用 EEGLAB 的函數(shù) pop_interp 從相鄰?fù)ǖ乐袑σ瞥耐ǖ肋M行插值。正如 EEGLAB 開發(fā)人員建議的那樣慎式，研究者使用球面插值伶氢。如果使用NEAR流程，可以使用其他所支持的技術(shù)瘪吏，例如v4癣防。

2.2.7. 重參考

對于重參考，NEAR提供了平均重參考（推薦且最常用于發(fā)展性EEG研究）和特定于通道（例如Cz）的重參考掌眠。此步驟中蕾盯，NEAR使用 EEGLAB的 pop_reref 函數(shù)艾君。

2.2.8. 偽跡去除標準

NEAR 的一個關(guān)鍵特征是對其偽跡去除參數(shù)（LOF壞導(dǎo)閾值蓝角、 ASR參數(shù)k和ASR處理模式）的初步校準。研究者為此校準提供腳本凿渊，并且強烈建議使用NEAR的人在以前分析的數(shù)據(jù)集上執(zhí)行它渺尘，這些數(shù)據(jù)集來自相同的設(shè)置和實驗設(shè)計挫鸽，因為這些參數(shù)會影響預(yù)處理的質(zhì)量（參見第3.2.1節(jié)NEAR參數(shù)校準）。

2.2.9. NEAR的其他功能

NEAR支持單被試處理和批處理（在多個被試的情況下）鸥跟。這些功能的相關(guān)腳本可以在存儲庫中找到丢郊。最后，NEAR支持保存功能并提供綜合報告医咨，能夠概括對每個輸入 EEG文件進行的預(yù)處理枫匾。該報告有助于查看預(yù)處理對原始EEG的影響。

2.3. 驗證工具

2.3.1. 模擬數(shù)據(jù)

使用基于Matlab 的工具箱——SEREEGA生成模擬數(shù)據(jù)拟淮。它模擬出的EEG 數(shù)據(jù)集干茉，包括神經(jīng)生理學(xué)上真實的連續(xù)/事件相關(guān)的大腦活動。研究者生成了兩個數(shù)據(jù)集惩歉，分別模擬了帶有頻率標記刺激和事件相關(guān)刺激的新生兒EEG數(shù)據(jù)等脂。更具體地說俏蛮，研究者生成了一個包含以下成分的64導(dǎo)EEG數(shù)據(jù)集：

2.3.1.1. 成分1

刺激響應(yīng)，頻率標記刺激為正弦穩(wěn)態(tài)視覺誘發(fā)電位(SSVEP)（刺激頻率=0.8 Hz）上遥，事件相關(guān)刺激為事件相關(guān)電位（潛伏期=300 ms）搏屑。這兩種響應(yīng)均位于早期視覺皮層的雙側(cè)源（MNI坐標：[-8-76 10]和[8-76 10]）。

2.3.1.2. 成分2

與事件無關(guān)的持續(xù)EEG活動粉楚，源自62個隨機選擇的皮層源加上位于早期視覺皮層第一個成分的雙側(cè)源辣恋。這樣的活動為了模仿在新生兒中觀察到的布朗噪聲（功率譜增加為 1/f²，f→0）的形式生成的模软。重要的是伟骨，成分1和成分2之間的信噪比和真實、無偽跡的新生兒EEG數(shù)據(jù)上測量的信噪比具有相同量級燃异。

2.3.1.3. 成分3

（5個隨機選擇的）單個通道中的偽跡携狭，包括間歇性電位偏移、模擬電不連續(xù)性的平直信號回俐、模擬局部不良接觸和運動偽跡的低頻波動（0-10Hz）逛腿；

2.3.1.4. 成分4

涉及所有通道的瞬態(tài)高幅偽跡，以間歇性突發(fā)電位偏移或更平滑的類似高斯波動的形式出現(xiàn)仅颇，其中每個通道的每個瞬態(tài)偽跡的幅度和持續(xù)時間隨機變化（平均持續(xù)時間1.6s）单默。持續(xù)時間和幅度與在真實新生兒數(shù)據(jù)中觀察到的數(shù)量級相同。該成分模擬了新生兒常見運動偽跡忘瓦。

圖3展示了該模擬很好地代表了新生兒EEG持續(xù)活動和偽跡的主要特征搁廓。生成模擬數(shù)據(jù)集的腳本可在https://github.com/vpKumar avel/中獲得；結(jié)果中描述的模擬數(shù)據(jù)集可在此處獲得：https://osf.io/79mzg/

圖3.上圖：新生兒EEG數(shù)據(jù)耕皮；下圖：模擬EEG數(shù)據(jù)境蜕。數(shù)據(jù)以蝶形模式顯示（所有電極信號重疊）。

2.3.2. 標準的半自動專業(yè)偽跡去除程序

用專家執(zhí)行的標準半自動偽跡處理（以下簡稱為標準）作為參考明场，研究者報告了一些原始論文中執(zhí)行的偽跡去除的原始程序汽摹，這些論文采集了新生兒和嬰兒數(shù)據(jù)集。他們的壞導(dǎo)評分將作為校準和驗證NEAR壞導(dǎo)檢測算法的參考標準評分苦锨。

2.3.2.1. 新生兒

在帶通濾波和分段后，在兩個數(shù)據(jù)集上都檢測到了壞導(dǎo)趴泌。如果通道有以下情況舟舒，則被標記為壞導(dǎo)：

1)標準偏差（用TrimOutlier工具箱計算整個數(shù)據(jù)長度:https://sccn.ucsd.edu/wiki/TrimOutlier） 高于150μV（檢測具有高振幅偽跡的通道）或低于1μV（檢測平坦或響應(yīng)較弱的通道）；

2)在對可疑通道的時間進程和功率譜圖進行準確的目視檢查并與其相鄰?fù)ǖ肋M行比較后嗜憔，顯示出偽跡形式秃励。

刪除壞導(dǎo)后，壞段的檢測基于 1) 振幅突變超過200μV吉捶；2）目視檢查EEG數(shù)據(jù)的時間過程和地形中的突發(fā)性偽跡夺鲜。

2.3.2.2. 嬰兒

這兩個嬰兒數(shù)據(jù)集都是自動和手動處理的皆尔。在任何通道內(nèi)80 ms滑動窗口的平均振幅超過±200μV時，對運動偽跡和眼動自動拒絕币励。將至少40%的時段被標記為拒絕的通道視為壞導(dǎo)慷蠕。壞導(dǎo)會在小于10%有偽跡的情況下自動插值；包含超過10%偽跡的被自動拒絕食呻。然后通過對每個時刻點的目視檢查手動處理數(shù)據(jù)流炕。

2.3.3. 其他壞導(dǎo)檢測方法

為了驗證NEAR拒絕壞導(dǎo)相對現(xiàn)有方法的效果，研究者考慮了以下三種最先進的拒絕壞導(dǎo)方法：

1）EEGLAB默認函數(shù)clean_rawdata (CRD仅胞，https://github.com/sccn/clean_rawdata) 檢測平直信號通道每辟、被高頻噪聲污染的通道以及與相鄰?fù)ǖ罒o關(guān)的通道。

2. HAPPE使用 EEGLAB的pop_rejchan 函數(shù)干旧，根據(jù)振幅和頻譜閾值（z分數(shù)閾值=3而不是EEGLAB默認值5）檢測壞導(dǎo)渠欺，運行兩次以避免有殘留的壞導(dǎo)。

3）FASTER通過計算通道之間的時間相關(guān)性椎眯、方差和基于赫斯特指數(shù)的分數(shù)來檢測壞導(dǎo)峻堰。

2.3.4. 用于去除發(fā)展性EEG數(shù)據(jù)中偽跡的其他自動流程

2.3.4.1. MADE

Maryland的發(fā)展EEG分析 (MADE) 是專為發(fā)展性人群開發(fā)的自動化、標準化的預(yù)處理流程盅视。MADE使用FASTER刪除壞導(dǎo)和ICA 以修正數(shù)據(jù)中的偽跡捐名。不良ICs可以使用Adjusted-ADJUST來自動分類，這是專為嬰兒數(shù)據(jù)開發(fā)的改進的ADJUST版本闹击。通過使用預(yù)定義的振幅閾值镶蹋，去除殘留的眼動偽跡。MADE已在1歲至兒童期（3-6歲）和青春期晚期（16歲）的數(shù)據(jù)上得到驗證赏半。

2.3.4.2. HAPPE

哈佛EEG自動處理流程（HAPPE）是用于含高度的偽跡且記錄時間短的發(fā)展性EEG的標準化自動化流程贺归。HAPPE流程由9個步驟組成，包括使用pop_rejchan.m和小波集成ICA分解來恢復(fù)偽跡片段断箫。壞ICs使用MARA 拂酣。HAPPE已在靜息態(tài)發(fā)展性（年齡在3至36個月之間）EEG數(shù)據(jù)上得到驗證。由于HAPPE不適合于事件相關(guān)的設(shè)計仲义，研究者僅在連續(xù)數(shù)據(jù)集上將其與NEAR進行比較婶熬。

2.3.5. 用于校準和驗證的神經(jīng)測量

2.3.5.1. 頻率標記設(shè)計：FTR

為了通過校準ASR參數(shù)和整個NEAR驗證，計算刺激相關(guān)EEG響應(yīng)的信噪比埃撵，研究者使用定義中相同的測量赵颅。EEG數(shù)據(jù)分段成部分重疊的10s時間段（重疊在時間段長度的一半到四分之三之間變化，以適應(yīng)干凈數(shù)據(jù)片段的可變長度）暂刘。對于每個電極饺谬，使用快速傅里葉變換算法（MATLAB函數(shù)FFT）計算每個時間段的傅里葉變換F（f）。為了避免拒絕短于10s但可能包含相關(guān)神經(jīng)信號的數(shù)據(jù)段谣拣，在FFT之前募寨，對5~10s之間的數(shù)據(jù)段應(yīng)用10s的零填充族展。短于5s的數(shù)據(jù)段將被丟棄。功率譜是根據(jù)這些傅里葉系數(shù)計算的拔鹰，所有段中的單段功率譜均值：

將標記頻率（0.8 Hz）下的頻率標記響應(yīng)（FTR）計算為標記頻率處的功率譜與背景功率之間的比率仪缸，即從六個相鄰頻率單元（0.3 Hz）估計的功率譜的在0.8 Hz 處的冪律擬合值，其中冪律擬合是通將六個相鄰頻率條柱處擬合一條線來計算的（MATLAB的Polyfit函數(shù)）格郁。

2.3.5.2. 事件相關(guān)電位設(shè)計：SNR（ERP）

作為用于ASR參數(shù)校準的ERP的信噪比（SNR）腹殿，研究者根據(jù)最近提出的標準化測量誤差（SME）計算了該信噪比。SME是基于其逐個試次變異性對ERP評分（在一個時間窗口和一組電極上計算）測量值中噪聲的估計：

其中例书，SD（ERPtr）表示單個試次ERP在一個時間窗口和一組電極上的平均標準差（跨試次）锣尉，N是分段數(shù)。對于每個受試者决采，SNR（ERP）是ERP（試次平均）與SME之間的比率自沧。

結(jié)果

3.1. 模擬數(shù)據(jù)上的 NEAR 驗證

研究者在兩個合成EEG數(shù)據(jù)集上驗證了NEAR，模擬的EEG信號了包含0.8 Hz的SSVEP（類似于頻率標記數(shù)據(jù)集）和ERP響應(yīng)（類似于ERP數(shù)據(jù)集）树瞭。兩個數(shù)據(jù)集都包括新生兒/嬰兒EEG數(shù)據(jù)的三個關(guān)鍵組成部分：模擬布朗噪聲的背景EEG拇厢，模仿不良或不穩(wěn)定電極接觸點的單通道偽跡，模擬運偽跡的在多數(shù)通道的瞬態(tài)高振幅波幅晒喷。信噪比孝偎、數(shù)據(jù)持續(xù)時間和偽跡比例與真實數(shù)據(jù)相似。由于很難在模擬數(shù)據(jù)內(nèi)整合足夠的變異性凉敲，來生成真實不同的訓(xùn)練和測試數(shù)據(jù)集衣盾，研究者將 NEAR 參數(shù)設(shè)置為預(yù)定義的值：LOF閾值=2和ASR參數(shù)k=20。

3.1.1. 頻率標記數(shù)據(jù)集

真實值數(shù)據(jù)（SSVEP加類布朗噪聲的背景EEG）顯示爷抓，在刺激頻率（0.8 Hz）處势决，功率譜中有一個明顯的峰值，該峰值與背景EEG功率譜不同（圖4蓝撇，藍線）果复。相關(guān)FTR在0.8 Hz時，地形圖顯示內(nèi)側(cè)后部整體激活（圖4渤昌，下圖）與模擬中生成的早期視覺皮層源完全兼容（詳見第2.3.1節(jié)）虽抄。偽跡導(dǎo)致低頻功率譜出現(xiàn)大規(guī)模的正向漂移，幾乎完全掩蓋了SSVEP響應(yīng)峰值（圖4耘沼，紅線）极颓。因此，在0.8 Hz時其FTR的地形圖沒有顯示出任何顯著的后部激活（圖4群嗤，下圖）。NEAR壞導(dǎo)檢測算法有效地捕獲了模擬的5個壞導(dǎo)兵琳。ASR_R非常有效地從數(shù)據(jù)中刪除了所有瞬態(tài)偽跡段：功率譜中刺激頻率處產(chǎn)生的峰值幾乎與真實值數(shù)據(jù)的峰值重疊（圖4狂秘，黃線）骇径，并且其FTR在0.8 Hz時的地形圖與真實值數(shù)據(jù)（圖4，下圖）非常相似者春。ASR_C效果稍差：在恢復(fù)功率譜峰值時破衔，其振幅低于真實值數(shù)據(jù)，低頻下功率譜整體向下偏移（圖4钱烟，紅線）晰筛。這可能由于：雖然ASR正確檢測并刪除了所有瞬態(tài)偽跡，但也校正了SSVEP和背景EEG的一部分拴袭。然而读第，即使振幅略低，其FTR地形圖與真實值數(shù)據(jù)的地形圖非常相似（圖4拥刻，下圖）怜瞒。為了與最先進的偽影去除方法進行比較，研究者還測試了MADE和HAPPE般哼。MADE幾乎無法校準或刪除任何瞬態(tài)偽跡吴汪，其功率譜（圖4，綠線）及 0.8 Hz地形圖（圖4蒸眠，下圖）漾橙，都與受污染的數(shù)據(jù)非常相似。HAPPE則更成功：它糾正了大多數(shù)低頻偽跡（圖4楞卡，天藍色線）霜运，在FTR（地形圖）中顯示與基本事實相似的后部激活，盡管在兩種功率譜中均具有比真實值數(shù)據(jù)情況和使用ASR的NEAR處理低得多的振幅（圖4臀晃，下圖）觉渴。正如作者強調(diào)的，這種總體振幅減小的基本原理可能是由于基于小波的ICA閾值徽惋。

圖4.上圖：模擬頻率標記數(shù)據(jù)集0.5和1.1Hz之間的功率譜案淋，電極點平均后顯示，在真實值數(shù)據(jù)（PO3险绘、POz踢京、PO4）上的FTR振幅最大。下圖：0.8 Hz（刺激頻率）時的FTR地形圖宦棺。

3.1.2. ERP數(shù)據(jù)集

ERP數(shù)據(jù)集的結(jié)果與頻率標記數(shù)據(jù)集的結(jié)果非常相似瓣距。真實值數(shù)據(jù)的ERP在0到200ms附近輕微波動，然后在300ms（峰值潛伏期）上升代咸，之后再次下降（圖5上圖的藍線）蹈丸。其峰值潛伏期的集中位于地形圖后方（圖5，下圖）。偽跡導(dǎo)致ERP甚至在刺激開始之前就虛假上升逻杖，盡管在后側(cè)電極中可看到ERP峰值（圖5上圖的紅線）奋岁，但峰值潛伏期的地形圖有很多噪聲（圖5，下圖）荸百。NEAR的壞導(dǎo)檢測算法有效地捕獲了模擬的5個壞導(dǎo)闻伶。在這種情況下， ASR_R從數(shù)據(jù)中去除所有瞬態(tài)偽跡：300ms處的ERP峰值幾乎與真實值數(shù)據(jù)重疊够话，即使ERP輪廓在更高的延遲下有噪聲（圖5上圖的黃線）蓝翰，可能是試次數(shù)量較少的原因。300 ms處的地形圖與真實值地形圖非常相似（圖5女嘲，下圖）畜份。ASR_C的ERP峰值振幅低于真實值，但峰值外的ERP輪廓非常干凈澡为，零點左右波動較衅怠（圖5，紅線）媒至。300ms處的ERP波形與真實值的波形一樣干凈（圖5顶别，下圖）。相比之下拒啰，在這種情況下驯绎，MADE也無法去除電極上顯示的后部激活偽跡（圖5上圖的綠色）。盡管在300ms處的波形顯示出谋旦，在去除電極的其他偽跡有一定程度上的成功剩失，但遠不如NEAR（圖5，下圖）册着。

圖5.上圖：模擬刺激開始前后的ERP拴孤，電極點平均后顯示出，在真實值數(shù)據(jù)（PO3甲捏，POz演熟，PO4）中的ERP幅值最大。下圖：ERP地形圖分布平均在275到325ms之間司顿。

3.2. 在新生兒數(shù)據(jù)上驗證NEAR

3.2.1. NEAR參數(shù)校準

研究者首先在訓(xùn)練數(shù)據(jù)集上校準了壞導(dǎo)檢測算法和ASR的參數(shù)芒粹。

3.2.1.1. 校準LOF壞導(dǎo)檢測

對NEAR的壞導(dǎo)檢測算法（平直信號+LOF）的測試，通過將其與原論文中實現(xiàn)的標準壞導(dǎo)檢測分數(shù)進行比較（詳見第2.3.2節(jié)）大溜，質(zhì)量指標 F1 分數(shù)定義為

其中 TP化漆、 FP 和 FN 分別表示準確、誤報和漏報的數(shù)量钦奋。通過將LOF閾值從1更改為10座云，步長為0.1疙赠，研究者發(fā)現(xiàn)最大F1分數(shù)的閾值為2.5（圖6）。因此疙教，研究者選擇此值對新生兒的測試數(shù)據(jù)集執(zhí)行壞導(dǎo)檢測棺聊。

圖6.使用 F1分數(shù)作為新生兒訓(xùn)練數(shù)據(jù)集的評估指標伞租，來調(diào)整 LOF到最佳閾值贞谓。閾值為2.5 時，F(xiàn)1得分最高葵诈。

3.2.1.2. ASR的校準

為了確定最佳的ASR參數(shù)k和處理模式裸弦，研究者在新生兒訓(xùn)練數(shù)據(jù)集上應(yīng)用ASR，同時系統(tǒng)地將ASR參數(shù)k在1和100之間變化作喘，用于兩種處理模式（壞段去除（ASR_R）和校正（ASR_C））理疙。通過目測檢查初步去除壞段后，研究者在枕部發(fā)現(xiàn)了廣泛電極簇泞坦，顯示出視覺反應(yīng)（圖7）窖贤；然后，研究者計算了每個k和處理模式的預(yù)定義枕部簇中的平均視覺反應(yīng)FTR（參見材料和方法）贰锁。結(jié)果表明赃梧，兩種處理模式的FTR最大值相似，但兩種模式的k值不同：k=24用于去除模式豌熄，k=13用于校正模式授嘀。這種差異可能是因為，雖然k在20~30時校正不是很有效锣险，而k<15時蹄皱，去除模式會拒絕許多段，導(dǎo)致樣本太少芯肤，無法可靠地計算FTR巷折。由于兩種處理模式在其最佳的k值提供了等效的結(jié)果，研究者將在驗證階段測試這兩種模式崖咨。

3.2.2. NEAR驗證

3.2.2.1. NEAR壞導(dǎo)檢測

通過校準確定了最佳參數(shù)后锻拘，研究者使用它們來驗證新生兒測試數(shù)據(jù)集上的NEAR偽跡去除。首先掩幢，通過評估NEAR與原始研究中實施的壞導(dǎo)評分方面的匹配程度逊拍，來驗證NEAR的壞導(dǎo)檢測方法的效果，這里的（原始研究）被認為是真實值數(shù)據(jù)际邻。研究者還將其性能與三種最先進的方法進行了比較：EEGLAB默認的函數(shù)clean_rawdata（CRD）和兩種流行的壞導(dǎo)檢測方法芯丧。專門用于嬰兒EEG數(shù)據(jù)的流程，HAPPE和MADE（后者使用FASTER為壞導(dǎo)檢測工具）世曾。如表1所示缨恒，真實值中壞導(dǎo)的數(shù)量在受試者之間差異很大谴咸，從最小值0到最大值為14。結(jié)果表明NEAR是最能捕捉這種高變異性的工具（F1得分=0.81）骗露。其他所有方法都傾向于標記更多的壞導(dǎo)（因此岭佳，對真實值有更多的誤報）。

表1顯示了萧锉，與其他方法相比（標準珊随、clean_rawdata (CRD)、HAPPE 和FASTER)柿隙，NEAR壞導(dǎo)檢測方法的性能情況叶洞。

3.2.2.2. NEAR整體驗證

通過測試 NEAR處理后的EEG數(shù)據(jù)是否在文中描述的兩種主要神經(jīng)反應(yīng)上有統(tǒng)計學(xué)意義，來驗證NEAR去偽跡整體效果禀崖。1）比較標記頻率下的功率與在枕骨電極簇中相同頻率下估計的背景功率衩辟，得出EEG對整體視覺刺激的響應(yīng)；2)類面孔模式響應(yīng)波附，將類面孔刺激與倒置類面孔刺激的FTR在后部電極簇上進行比較艺晴。將NEAR性能與使用原論文中的標準偽跡處理的效果進行比較和兩個用于發(fā)展性數(shù)據(jù)的偽跡去除流程（MADE和HAPPE）〉牛【MADE和HAPPE均未配備檢測平直信號通道的方法封寞。由于平直通道在這些方法中，使用的ICA分類算法中會報錯折晦，所以對數(shù)據(jù)應(yīng)用MAKE和HAPPE之前將其刪除】因為用于計算 FTR的干凈段太短钥星，測試數(shù)據(jù)集上使用ASR（兩種處理模式）去除偽跡導(dǎo)致一個被試數(shù)據(jù)被拒絕。為了確保公平比較满着，研究者將所有考慮方法的結(jié)果驗證限制在剩下9名被試中谦炒。對于視覺反應(yīng)，即使少了一個受試者风喇，標準處理也會產(chǎn)生顯著效果（圖8宁改，第一行，左圖）魂莫。與標準處理相比还蹲，ASR_R導(dǎo)致標記頻率處的功率峰值稍低，同時背景功率也有類似的降低（圖8耙考，第二行谜喊，左圖），可能是由于更有效的降噪以及輕微的功率降低倦始。這個微小的差異對 FTR 的分子和分母產(chǎn)生了同等影響斗遏，獲得了等效于標準處理的顯著效應(yīng)，和一個在統(tǒng)計上與標準模式無法區(qū)分的響應(yīng)：（被試在標記頻率下的功率和背景的差異鞋邑，在標準方法和ASR_R之間的配對t檢驗差異不顯著诵次。ASR_C產(chǎn)生的功率譜進一步降低账蓉，特別是在標記頻率下（圖8，第三行逾一，左圖）铸本，可能是由于壞段中對穩(wěn)態(tài)響應(yīng)的重建略微次優(yōu)。盡管如此遵堵，統(tǒng)計效果也很顯著箱玷，響應(yīng)僅略低于標準模式（如上的配對t檢驗差異不顯著）。相反鄙早，由MADE處理產(chǎn)生的功率譜的整體輪廓明顯高于來自標準模式的功率譜汪茧，并且在低頻（<0.8 Hz）時有更大的方差，可能是殘余低頻偽跡的影響（圖8限番，第四行，左圖）呀舔。盡管如此弥虐，在這種情況下視覺響應(yīng)也具有統(tǒng)計學(xué)意義，盡管略低于使用 ASR_R獲得的結(jié)果和標準校正的結(jié)果媚赖。HAPPE （圖8霜瘪，第五行，左圖） 也恢復(fù)了視覺響應(yīng)的統(tǒng)計顯著的峰值惧磺，但明顯低于ASR_R颖对、ASR_C和標準處理。對類面孔模式響應(yīng)的驗證顯示了類似的結(jié)果磨隘。使用ASR_R處理的NEAR恢復(fù)了統(tǒng)計上的顯著效果缤底，并且類面孔響應(yīng)在統(tǒng)計學(xué)上等同于通過標準處理獲得的響應(yīng)（對標準流程和ASR_R,在被試的類面孔模式和倒置類面孔模式的FTR之間的差異，進行配對t檢驗番捂，差異并不顯著(圖8个唧，第一行和第二行，中間圖）设预。使用ASR_C獲得了類似的結(jié)果：顯著的類面孔效應(yīng)徙歼，與標準模式?jīng)]有顯著差異(圖8，第三行鳖枕，中圖）魄梯。然而，MADE處理導(dǎo)致譜峰較淺（圖8宾符，第四行酿秸，中圖），相較于ASR_R和標準處理吸奴，僅恢復(fù)了略微顯著的類面孔效果允扇。HAPPE處理導(dǎo)致更小的峰（圖8缠局，第五行，中圖）考润，沒有報告顯著的類面孔效應(yīng)狭园，盡管在這種情況下與NEAR兩種方法的差異不顯著，但也和標準處理不一樣（與標準處理差異顯著）糊治。這些結(jié)果反映在單被試的反應(yīng)中（圖8唱矛，右圖）：使用ASR_R和ASR_C的NEAR像標準處理一樣，恢復(fù)了所有被試對面部圖案的偏好井辜，但兩個經(jīng)過 MADE 和 HAPPE 處理的受試者顯示出相反的效果绎谦。

圖8.在原始新生兒測試數(shù)據(jù)集中獲取具有統(tǒng)計學(xué)意義的神經(jīng)反應(yīng)方面的NEAR性能。每行對應(yīng)一個偽跡去除方法：標準處理粥脚、使用ASR_R的NEAR窃肠、使用ASR_C的NEAR、MADE和HAPPE刷允。左圖：整體視覺刺激引起的功率譜冤留。中圖：與正立（紅線）類面孔刺激和倒置（藍線）類面孔刺激相關(guān)的功率譜。右圖：正立（紅條）和倒置（藍條）類面孔圖像的單被試的FTR树灶。

3.3. 在嬰兒數(shù)據(jù)上驗證NEAR

盡管NEAR已用于去除新生兒連續(xù)EEG數(shù)據(jù)中的偽跡纤怒，但研究者通過將NEAR應(yīng)用于ERP范式記錄的9個月大的嬰兒的EEG數(shù)據(jù)集，證實了NEAR在去除使用事件相關(guān)設(shè)計范式的較大嬰兒EEG數(shù)據(jù)的偽跡時天通，也是有效的泊窘。

3.3.1. NEAR參數(shù)校準

遵循與新生兒相同的程序（第3.2.1節(jié))，在嬰兒訓(xùn)練數(shù)據(jù)集上校準了壞導(dǎo)檢測的LOF閾值像寒。通過使用F1分數(shù)作為質(zhì)量指標烘豹，得到的最佳 LOF閾值為2，比在新生兒數(shù)據(jù)上獲得的低0.5萝映。

同樣吴叶，通過對ASR參數(shù)k的校準產(chǎn)生了ASR_R的k=21和ASR_C的k=3的最佳值。與在新生兒身上獲得的結(jié)果相比序臂，ASR_C的k參數(shù)遠低于ASR_R蚌卤。

3.3.2. NEAR驗證

3.3.2.1. NEAR壞導(dǎo)檢測

與新生兒數(shù)據(jù)一樣，通過評估NEAR的壞導(dǎo)檢測方法匹配嬰兒測試數(shù)據(jù)集上的標準壞導(dǎo)檢測奥秆，來驗證其性能逊彭。為了比較，研究者還測試了三種最先進方法的性能：CRD构订、HAPPE和FASTER侮叮。對于新生兒，NEAR的壞導(dǎo)檢測算法與標準評分的匹配度最高悼瘾。

3.3.2.2. NEAR整體驗證

然后囊榜，對于新生兒审胸，通過直接與原文中手動預(yù)處理獲得的主效應(yīng)做比較，得到的統(tǒng)計顯著性來驗證NEAR預(yù)處理的整體性能：不一致和一致條件之間的N400 差異響應(yīng)在右側(cè)感興趣區(qū)域高于左側(cè)（圖 9）卸勺。

還將NEAR的性能與用于開發(fā)數(shù)據(jù)MADE的最先進的偽跡去除流程進行了比較砂沛。

結(jié)果表明，在條件因素和半球因素影響下恢復(fù)方差分析顯著性結(jié)果的唯一方法是ASR_R曙求，而ASR_C和MADE沒有觀察到顯著效應(yīng)碍庵。更具體來說，使用ASR_R的NEAR在右半球產(chǎn)生了明顯的一致性效應(yīng)悟狱，而左半球沒有静浴，類似于標準處理（圖9，前兩行）挤渐。與ASR_R相比苹享，使用ASR_C的NEAR產(chǎn)生了類似但更小的效應(yīng)（圖9，第三行）挣菲。MADE在同一方向上也表現(xiàn)出半球之間的一致性差異富稻，但一致性條件高于其他方法（圖9，第四行）白胀。然而，三種方法之間的效應(yīng)大小差異不顯著抚岗。

圖9.每種處理模式的事件相關(guān)電位 (ERP) 結(jié)果：標準處理或杠、NEAR分別使用ASR_R、 NEAR使用ASR_C和MADE宣蔚。

討論

本文介紹了NEAR向抢，這是一種將原始發(fā)展性EEG數(shù)據(jù)轉(zhuǎn)換為可用于后續(xù)分析的干凈數(shù)據(jù)的流程。研究者證實了NEAR的偽跡去除流程可以有效地去除新生兒和嬰兒EEG數(shù)據(jù)中的偽跡（高靈敏度）胚委，同時保留神經(jīng)源的EEG信號（高特異性）挟鸠。NEAR有望促進在發(fā)展性EEG社區(qū)內(nèi)建立更客觀和可重復(fù)的預(yù)處理程序

4.1. 一種非典型偽跡的去除方法

新生兒EEG數(shù)據(jù)中最大問題和最主要的偽跡是涉及可變通道集的非典型瞬態(tài)高幅度波動。通過專門模擬這些偽跡亩冬，研究者表明NEAR中包含的ASR處理在檢測和刪除這種偽跡時非常有效艘希。另一方面，基于ICA的方法如MADE和HAPPE未能處理這些偽跡硅急，很可能是因為這些方法的開發(fā)主要是用于檢測典型的偽跡覆享。值得注意的是，MADE和HAPPE在新生兒EEG數(shù)據(jù)上比在模擬數(shù)據(jù)上更成功营袜，這可能是因為真實的新生兒EEG偽跡比隨機生成的模擬偽跡更典型撒顿。正如如下所討論的那樣，結(jié)合非典型和典型偽跡的檢測方法荚板，可能是處理廣泛的EEG偽跡的解決方案凤壁，特別是在發(fā)展性數(shù)據(jù)中吩屹。

4.2. ASR 參數(shù)校準

NEAR使用的一個核心工具是ASR，一種有效的算法拧抖，但仍依賴于一些用戶定義的參數(shù)煤搜。這些參數(shù)的選擇是可變的：對這個問題最系統(tǒng)的調(diào)查表明，成人ASR的k參數(shù)的最佳值位于“20到30之間”徙鱼。此外宅楞，雖然ASR默認處理模式是從偽跡中校正數(shù)據(jù)（最初目標是為了實時應(yīng)用程序提供高效算法），EEGLAB軟件的主要開發(fā)人員建議刪除由ASR識別的壞段袱吆，因為ASR校正對數(shù)據(jù)的影響“尚不清楚”（https:eeglab.org/tutorials/06_RejectArtifacts/cleanrawdata.html）厌衙。本研究證實，ASR性能在很大程度上取決于ASR參數(shù)k和處理模式的選擇绞绒。不同EEG設(shè)置之間的發(fā)展性EEG數(shù)據(jù)質(zhì)量可能有很大差異婶希，不同的數(shù)據(jù)分析可能需要不同的閾值。因此蓬衡，研究者提出了一種自適應(yīng)ASR方法：在先前采集的具有相同EEG設(shè)置的數(shù)據(jù)集上運行ASR喻杈，并對當前數(shù)據(jù)采取相同的分析，找到最能恢復(fù)該數(shù)據(jù)集上觀察到的EEG效應(yīng)的k值和處理模式狰晚。研究者為此校準過程提供了一個腳本筒饰，建議NEAR用戶在將NEAR應(yīng)用于新記錄的數(shù)據(jù)之前執(zhí)行該腳本。

4.3. 偽跡去除與校正

在模擬數(shù)據(jù)上測試ASR表明壁晒，去除模式比校正模式在去除偽跡方面更有效瓷们；模擬結(jié)果表明，雖然校正有效地減少了偽跡秒咐，但也嚴重削弱了潛在的神經(jīng)活動谬晕。這種效應(yīng)在新生兒和嬰兒數(shù)據(jù)上應(yīng)用NEAR同樣存在。研究者建議携取，在采用EEGLAB進行離線分析時攒钳，使用默認設(shè)置中的去除模式，除非校正模式在某些訓(xùn)練數(shù)據(jù)集上的性能明顯更好雷滋。在這兩種處理模式下不撑，建議用戶注意被拒絕（在 ASR_R的情況下）或校正的數(shù)據(jù)量（在 ASR_C的情況下）以及處理信號中均方根方差的減小。特別是對于ASR_C惊豺，建議用戶自定義這些值燎孟，為被試設(shè)置納入組水平分析的標準绑咱。

4.4. 在其他實驗設(shè)計中使用NEAR

NEAR已經(jīng)通過在頻率標記范式上測量SSVEP和在事件相關(guān)設(shè)計上測量ERP進行了訓(xùn)練和驗證玛界。NEAR的自適應(yīng)方法提供了一種直接的策略伏蚊，可以將NEAR參數(shù)調(diào)整為來自其他實驗設(shè)計的數(shù)據(jù)胆剧，其中包括事件相關(guān)測量(如時頻分析）或靜息態(tài)測量（如特定頻率范圍內(nèi)的（去）同步或連接性測量）锈津。

4.5. 結(jié)合NEAR與ICA去除發(fā)展性EEG數(shù)據(jù)中的偽跡

與NEAR相比蛤袒，用于去除發(fā)展性數(shù)據(jù)偽跡的流程MADE在新生兒和嬰兒數(shù)據(jù)上的表現(xiàn)稍差嘹锁，主要是因為它在去除低頻偽跡方面的效率不高艺糜。造成這種差異的兩個可能原因：

1）MADE的壞導(dǎo)和壞段識別工具沒有針對新生兒EEG數(shù)據(jù)進行校準；2)如上所述兔仰，ICA去除偽跡的效果受到以下限制：新生兒EEG數(shù)據(jù)中的大多數(shù)偽跡都是非典型的茫负，因此不容易被ICA捕捉到。盡管如此乎赴，ICA（尤其是Adjusted-ADJUST）忍法，對NEAR之后的進一步處理步驟可能是有效的，因為它可以從殘留的典型偽跡中校正數(shù)據(jù)榕吼，而無需任何進一步的刪除數(shù)據(jù)饿序。然而，對于具有高密度系統(tǒng)的發(fā)展性EEG數(shù)據(jù)的有效ICA分解可能存在的一個問題是：干凈數(shù)據(jù)段的持續(xù)時間非常有限羹蚣。對此原探，可使用PCA進行降維，而不是減少電極的數(shù)量（這將大大降低EEG的空間分辨率顽素，不利于潛在源重建)咽弦。然而，PCA在EEG數(shù)據(jù)上的應(yīng)用有很大的局限性胁出；因此型型，研究在短時間高密度EEG數(shù)據(jù)上運行ICA的可替代方法將是非常有用的。

NEAR獲取網(wǎng)址

NEAR開源軟件可在https://github. com/vpkumarvel/NEAR 網(wǎng)址上獲取全蝶。本文中分析的測試數(shù)據(jù)集可在https://osf.io/79mzg/上免費獲取输莺。附錄中包含使用NEAR的逐步教程。

原文：NEAR: An artifact removal pipeline for human newborn EEG data.

https://doi.org/10.1016/j.dcn.2022.101068

需要原文資料的小伙伴裸诽，可以添加茗創(chuàng)科技周翊工程師的VX：MCKJ-zhouyi或致電17373158786。另外型凳，茗創(chuàng)科技創(chuàng)建了文獻互助群丈冬，為大家提供免費幫忙下載文獻服務(wù)、技術(shù)咨詢甘畅、前沿研究和電子書等海量學(xué)術(shù)資源分享埂蕊。