低密度脑电图(EEG)记录(从1个到大约32个电极)被广泛用于研究和临床实践。尽管最近有人提出了一些自动化过程，以使用最先进的方法对高密度系统的脑电图预处理进行标准化和优化，但几乎没有出现与低密度系统兼容的解决方案。然而，低密度数据通常包括较长的记录时间和/或大的样本量，这将受益于采用当代方法的类似标准化和自动化。为了解决这一需求，我们提出了HAPPE In Low电极脑电图(HAPPILEE)过程，作为一种标准化的自动化过程。HAPPILEE处理原始文件中的无任务(例如，静置状态)和任务相关的EEG(包括通过与HAPPE+ER连接的事件相关潜在数据)，通过一系列处理步骤，包括：滤波、线噪声降低、坏通道检测、连续数据的伪影校正、分割和坏段抑制，这些都针对较低密度的数据进行了优化。HAPPILEE还包括数据和通道质量指标的后处理报告，以便以标准化的方式评估和报告数据质量以及与数据处理相关的更改。本文描述了HAPPILEE步骤及其在记录和模拟脑电图数据下的优化。然后将HAPPILEE的表现与其他伪影纠正和拒绝策略进行比较。HAPPILEE作为HAPPE2.0软件的一部分可以免费获得，网址是：https://github.com/PINE-Lab/HAPPE。本文发表在Frontiers in Neuroscience杂志。 脑电图(EEG)记录是一种有用的和无创的工具。神经成像技术和计算机科学的进步使得实验室可以通过使用高密度通道布局来收集丰富的数据，但依赖这些密集布局并不总是可行或最佳的。低密度通道布局(少于约32个通道)依旧被大量使用，尤其是在临床研究中。低密度脑电图方法还为研究人员提供了灵活性，可以在自然环境下或在参与者无法来到实验室的情况下前往参与者那里进行测试。事实上，许多可穿戴的、超低成本的、低密度的EEG硬件解决方案正在工业中出现，以促进这种测量。在这些情况下使用低密度脑电图的一个关键障碍是，原始脑电图信号受到环境和生理伪影的污染。到目前为止，研究人员选择未受污染的脑电图数据已经成为标准做法，但即使是低密度数据，这种方法也是耗时、主观的，并且不能有效处理大量数据集。因此，对低密度脑电图数据中伪影处理和去除的标准化和自动化软件的需求仍在不断增长。 现在有大量的自动化脑电图处理过程。然而，它们依赖于独立成分分析(ICA)来隔离和纠正伪迹，这使得它们无法用于低密度数据。这些方法可能需要修改，以缩小到低密度的设置很少的通道。这些全自动过程中内置的其他软件工具在高密度数据中使用或在低密度数据中未验证时最有效。Bigdely-Shamlo等人最近在2020年进行了一项自动化分析，引入了一种同时支持高密度和低密度数据的过程，但只支持低密度通道布局的上限。具体来说，他们使用从Neuroscan 30通道头戴设备到Biosemi
256通道头戴设备的数据集测试了他们的方法，但发现经过处理后，头戴设备的密度决定了跨数据集的通道振幅的变化。有几种过程可以自动处理严格的低密度数据。在这些选择中，有些是专门为特定人群设计的或采集系统。其他人使用独立的成分分析来纠正伪迹，这不能支持许多低密度设置。因此，仍然需要标准化的处理解决方案，以服务于使用中的低密度脑电图配置范围和脑电图数据中出现的伪影范围。 为了解决这一需求，我们提出了一种新的低密度脑电图数据处理过程(少于32个通道)，称为HAPPILEE。我们应用当代的方法来优化线噪声降低、坏信道检测、从连续数据中进行伪影校正、分割和坏段抑制方法，以适应低密度数据集。HAPPILEE嵌入在HAPPE软件包中，便于对各种分析和数据类型进行预处理(图1)。为了便于对低密度数据进行ERP分析，HAPPILEE与HAPPE内的HAPPE+ER管道进行对接。图1 HAPPE软件包中的各种流程
图 2. HAPPILEE 管道处理步骤的示意图。
使用Bucharest早期干预项目(BEIP)的发育性脑电图文件子集对HAPPILEE自动化流水线的各个步骤进行了优化。对该示例数据集做出贡献的脑电图文件可以在https://zenodo.org/record/5088346免费评估。我们选择BEIP数据集，因为它的研究设计有助于对不同护理条件、行为/临床表型和年龄的儿童的脑电图数据进行HAPPILEE测试。优化数据集包括从2001年开始生活在罗马尼亚的三组儿童的静息状态脑电图。第一组被称为保健组(CAUG)，由六个机构保健设施中的儿童组成。第二组是寄养小组(FCG)，由被随机分配从这些机构带走的儿童组成，他们被置于寄养干预中。最后一组是从未被机构化的群体(NIG)，由一个社区样本组成，其中的儿童与他们的亲生家庭生活在一起，他们从未被机构化或寄养。 HAPPILEE可容纳不同采集布局的多类型EEG文件作为输入。一次运行将只支持由用户指定的跨文件的单一文件类型。对于.set格式的文件，在运行HAPPILEE之前，应该预先设置并嵌入文件中的正确通道位置。当运行.mat格式的文件时，您必须在文件夹中指定一个带有通道位置的文件。HAPPILEE处理以任何采样率收集的数据，并且单次运行中的文件在各自的采样率上可能不同。 HAPPILEE通过CleanLineNoise程序实现的回归方法解决工频噪声(例如，60或50 Hz伪信号)。此回归可以检测并减去给定频率下的规则正弦信号(例如电噪声)，而不牺牲或扭曲该频率或附近频率下的潜在EEG信号。 对脑电图信号进行过滤对于隔离感兴趣的频率和改善信号噪声很重要(例如，用于ERP分析或隔离脑电图电生理源产生的范围内的频率)，但需要注意单独的过滤设置或与其他预处理步骤的关系。例如，HAPPILEE使用CleanLine去噪而不是带阻滤波(又名陷波滤波)来避免信号失真。 HAPPILEE使用EEGLab过滤器pop_eegfiltnew(零相位汉明窗口sinc FIR滤波器)在检测坏通道(如果用户选择)之前进行初步过滤，并对所有文件使用伪迹校正方法。如果处理静息态脑电图或基于任务的数据进行时频分析，这一阶段的滤波是1-100 Hz的带通滤波。如果用户在HAPPE 2.0开始输入用户输入时选择了ERP选项，那么HAPPILEE应用一个低通100hz滤波器来帮助后续的伪迹校正步骤，但在此阶段不应用任何低通滤波。100 Hz低通滤波器优化了糟糕的通道检测和伪影校正性能，这与EMG和其他高频伪影污染有关，这些数据发生在滤波后的ERP，通常包含在更高频率内，但也超出了更高频率。然后，HAPPILEE自动与HAPPE+ER连接，用于在伪迹校正后针对ERP进行进一步的过滤(例如，在用户指定的值，如0.1到30 Hz进行高通和低通过滤，并可选择过滤器类型)。 HAPPILEE包括一个选项，可以检测由于高阻抗、电极损伤、头皮接触不足以及在整个记录过程中过度运动或肌电图(EMG)失真而不能提供可用的大脑数据的通道。用户可以选择是否运行坏的通道检测。一些常见的用于高密度脑电的自动化检测方法对于低密度脑电不加修改可能不是最优的，特别是那些严重依赖于活动的标准差相关指标来检测异常通道的方法。例如，在HAPPE 1.0 中，坏信道检测方法是假设通道活动呈正态分布，但是这个假设不适用于低密度通道。因此，在低密度脑电数据中实现相关算法之前需要进行验证。 其他方法，如EEGLab的Clean Rawdata算法可能更容易在低密度的脑电图数据使用。具体来说，Clean Rawdata的“Flatline
criteria”可以检测平坦记录长度超过用户指定的秒阈值的通道(表示在该位置没有收集数据)。如果通道包含一个持续时间超过阈值的平行线，则通道被标记为坏。MADE中使用的FASTER算法通过测量每个通道的赫斯特指数、与其他通道的相关性和通道方差来标记通道，并使用绝对z分数对三个值进行标准化。 为了测试FASTER、HAPPE 1.0 和Clean Raw数据函数的有效性，并确定在低密度数据中检测坏通道的最佳准则值，我们将一系列33个自动化选项与BEIP数据集中19个文件的一组手动识别的坏通道进行了比较。对于自动坏通道拒绝，文件通过HAPPE 1.0的坏通道的旧检测方法和FASTER检测方法在MADE中使用，以及Clean
Rawdata函数的多次迭代，以及Clean Rawdata与频谱评估的组合，以优化通道分类(如表1所示)。通过对每个文件的假阴性和假阳性数量求和，并计算该自动参数集跨文件的总体准确率，我们评估了每个坏通道检测标准相对于手动选择通道的输出。HAPPILEE的最佳设置在所有19个文件(总共228个通道)中产生了12个假阴性和5个假阳性通道，总体准确率为95.5%。表1 在示例数据集中的19个文件上测试了不良通道检测参数的性能。
HAPPILEE将EEGLab的Clean Rawdata函数与功率谱评估步骤相结合，如下所示。HAPPILEE首先运行Clean
Rawdata“Flatline criteria”，以检测平坦记录长度超过5秒的坏通道(表示在该位置没有收集数据)。在移除平坦通道后，HAPPILEE使用Clean Rawdata的“线噪声比准则”，阈值为2.5标准差(带线噪声的通道:大于2.5标准差的神经数据比率被标记为不良)和“通道相关准则”，最小可接受相关性为0.7，以检测额外的不良通道情况。最后，在Clean
Rawdata函数之后，HAPPILEE包含了一个基于频谱的坏信道检测步骤。采用阈值分别为-2.75和2.75的频谱评估步骤优化不良通道检测精度。因此，HAPPILEE实现了适用于低密度数据的坏通道检测，并相对于HAPPE 1.0和MADE之前的自动化选项扩展了可检测的坏通道类别。 原始脑电图数据可能包含许多必须在处理过程中处理的伪影(例如，来自参与者运动、肌电活动、眼球运动/眨眼)。历史上，伪影移除是通过手动数据检查实现的，其中伪影负载的时间点从数据中删除，包括来自未受影响电极的无伪影数据(即伪影拒绝方法)。相反，HAPPILEE首先使用小波阈值方法进行伪影校正(在不删除任何时间点的情况下进行伪影校正)，以允许在后续伪影抑制步骤中拒绝更少的片段或试验，并解决能够在片段抑制中存活但仍可能影响进一步分析的完整性的伪影。这种伪影校正方法在HAPPILEE中的每个电极上独立执行，因此它适用于所有通道密度，直到单电极记录，而且其性能与通道密度无关。 步骤1)应用小波变换。每个电极的时间序列都要进行小波变换，通过对脑电图数据拟合小波函数来表示信号，并将其解析为多个频率范围(类似于频带)。小波变换将选定的小波函数传递给脑电图信号，并产生一系列的系数来描述小波函数如何变化，以拟合脑电图信号在整个时间序列中的波动。 步骤2)对数据使用阈值以隔离伪信号。对每个频率段中描述脑电信号的小波变换系数进行阈值化处理，从神经信号中分离出伪信号。HAPPILEE使用一种经验贝叶斯方法，它从每个人的脑电图中学习在哪里设置阈值，并且对异常效应不太敏感。 步骤3)应用小波逆变换并减去阈值(伪信号)。最后，利用小波变换函数的逆变换，将伪影相关系数从小波系数转换回电极的信号时间序列。这种逆变换产生一个伪迹时间序列，然后简单地从电极的原始时间序列中减去。 利用BEIP数据集，采用三种方法对HAPPILEE中基于小波阈值的自动伪迹校正进行了测试和优化。在伪影校正测试之前，所有文件都被过滤过，并接受线噪声校正。下面详细介绍了这些方法。 第一种方法(干净vs伪方法)是在每个参与者的脑电图文件中选择两个30秒的片段。第一个30秒的片段是大量的伪迹，而第二个30秒的片段被经验丰富的研究人员确定是干净的。该方法便于通过小波阈值检测伪影的去除是否有效、准确。图3中提供了单个(小波阈值之前和之后)中的干净信号和伪信号的示例。图3
EEG信号在小波阈值之前和之后的情况。
(A)干净的30秒片段和(B)充满伪迹的30秒片段提取的10秒数据。
第二种方法(伪迹附加方法)使用已知的伪迹信号来确定在小波阈值期间可以在不扭曲底层神经信号的情况下去除多少伪迹。在没有底层真实神经信号的情况下，我们使用第一种方法的30秒干净文件作为伪影校正期间要恢复的信号。随后在干净信号中添加伪迹时间序列。然后，这些添加了伪影的30秒文件接受小波阈值处理，并(通过相关系数)与经过小波阈值处理的干净的30秒文件进行比较，以确定在伪影校正步骤中去除了多少添加的伪影(图4中单个参与者的例子)。图4 EEG信号在小波阈值之前和之后的情况。(A)干净的30秒片段(B)添加了人工伪迹的30秒片段中的10s数据。 对于第三种方法，我们使用了添加伪影的模拟脑电图数据，以获得一个“底层真实”信号。为了创建模拟脑电图数据，我们使用了来自Bridwell等人的代码。模拟脑电图由4个信号组成。4种信号具有明显的空间分布规律和频率范围(1.00 ~
3.91 Hz、3.91 ~
7.81 Hz、7.81 ~
15.62 Hz、15.62 ~
31.25 Hz)。在建立模拟脑电图数据后，我们在数据中加入各种伪影，以测试多种小波设置和小波阈值。这三种不同的方法有助于以多种方式优化和评估小波阈值法去除低密度数据中的伪影。 小波阈值法首先通过拟合小波函数对每个电极的时间序列进行小波变换。小波变换产生一系列的系数来描述脑电图信号在多个频率范围内的波动。小波函数包括由母小波形状决定的小波族(例如，Coiflet母小波比Daubechies母小波更对称)和修改母小波形状的小波阶数(见图5)。为了找到进行平稳小波变换的最佳小波函数，我们测试了Coiflets家族(3,4,5阶)、Daubechies家族(4,10阶)和Symlets家族(4,4阶)。使用这些小波家族，我们通过评估特定正则频率上的数据前小波和后小波之间的相关性，评估在干净的30秒段中任何数据频率上是否有偏置数据去除。我们还比较了干净文件和30秒伪迹加载文件之间的数据删除率。作为第二个分析，我们评估了哪个小波家族和顺序组合消除了频率上最多的附加伪影。 在运行各种小波族/顺序选项后，我们发现在几个小波族/顺序选项之间没有显著差异。具体地说，coif4、coif5、db4和sym4选项在clean上的性能没有差异。图5 对选定阶数的三个小波族进行可视化测试，找出最优的小波函数对低密度数据进行平稳小波变换。
在小波族/阶数选择之后，我们在小波阈值中操作影响数据分辨率水平的小波分辨率。具体来说，这种分辨率级别决定了发生数据修正的频带的细粒度。重要的是，在当前的代码中，数据采样率(不是通过初始滤波保留的频率)决定了哪些频率属于不同的分辨率级别。例如，以1000 Hz采样的文件的第一级分辨率将在500 Hz左右将数据分成两半。默认分辨率级别将数据拆分为≤1hz。我们测试了~4 Hz、2 Hz和1 Hz的分辨率水平。相对于干净数据的其他频率，4hz分辨率导致较低频率的数据删除增加。该模式表明需要更高的分辨率级别，以避免过度拒绝不承载伪迹的低频数据。在干净文件和伪迹文件中，我们发现在比较2 Hz和1 Hz级别时，数据被拒绝和保留没有区别。因此，HAPPILEE将数据分解为大约1hz以上频率的详细系数，以评估每个频率范围内的伪迹，进行时间-频率相关分析。对于低于1hz的信号相关的事件相关电位分辨率优化，HAPPILEE与HAPPE+ER管道进行接口，并使用这些设置，因此我们建议读者参考HAPPE+ER手稿。 一旦设置了分辨率级别，就会选择噪声估计参数来为每个分辨率级别建立一个阈值，或者建立一个跨所有分辨率级别操作的阈值(与级别无关的阈值)。阈值决定哪些小波系数描述的数据是伪影(即，描述较大振幅变化的系数，或噪声)，并将在伪影校正步骤中从脑电图数据中去除。默认的参数集通过水平相关和水平独立的阈值来运行。通过在默认参数中增加改进的阈值方法和规则，水平独立阈值现在严重地过度拒绝干净的数据，删除几乎所有的数据。因此，为了在不影响伪迹校正成功的情况下保存数据，选择了一个分辨率级别相关的阈值。 对小波系数进行阈值处理，值小于该阈值级别的系数对数据的贡献被大大抑制。对于脑电图数据，这有效地隔离了每个频率级内的伪信号。与此相关，我们评估了各种阈值方法的可用阈值规则，特别是“软”、“中值”和“硬”。软阈值规则和硬阈值规则对待阈值附近系数的不同之处在于，在软阈值中，这些系数会收缩，而在硬阈值中不受影响。对于阈值选项，当对伪迹添加的数据进行测试时，我们发现选项之间的差异很小。贝叶斯被选为阈值方法，因为它考虑了潜在伪迹的不确定性，并已被证明可以对信号进行更准确的去噪。对于阈值规则，平均而言，中值和硬阈值删除了更多干净的和伪迹负载的文件数据，特别是在较低频率。硬性阈值似乎可以更好地删除伪迹(参见图6)。因此，我们使用如下所述的模拟信号进一步探索了这一步，最终实现了一种带有硬阈值规则的贝叶斯方法。图6 显示了从干净的30秒片段(A)和充满伪迹的30秒片段(B)提取的10秒数据去除伪迹前后的结果。中间图为软阈值，最右侧图为硬阈值。 对于添加了真实伪影的模拟数据的第三种方法，我们测试了噪声估计水平和阈值规则的哪一种组合在去除伪影的同时保留模拟信号的基础真实值方面表现最好。我们比较了水平相关和水平独立估计方法与软、中位数、和硬阈值规则的组合(图7)。我们发现，水平依赖阈值的程度远优于水平独立阈值。使用硬阈值规则或中值阈值规则的水平依赖阈值比使用软阈值规则的水平依赖阈值更好。硬阈值规则略微优于中值阈值规则(特别是对于较低的频率)。图7 无伪影模拟信号的功率谱密度图，添加成人眨眼伪迹和添加任意一个伪IC的模拟信号的功率谱密度图(A;顶板)或添加两个伪迹ICs (B;底部面板)后小波阈值。
在伪迹校正之后，HAPPILEE包括一个可选的数据分割步骤和几个额外的伪迹拒绝步骤，以进一步优化处理。对于没有事件标记的数据(例如，静息状态脑电图)，在记录的持续时间内生成由用户指定的任何持续时间的定期标记段(例如，1秒段)。对于具有事件标记的低密度数据(例如，事件相关的脑电图数据或ERP)，数据可以按照用户输入指定的事件进行分段。 对于拥有数据文件的用户，如果片段拒绝会导致用于分析的片段剩余数量低得不可接受，那么用户可以选择一个可选的分段步骤，包括在单个片段中插入数据，以确定在该片段中被伪迹污染的通道，这是由FASTER软件实现的。每个片段中的每个通道根据四个FASTER标准进行评估(方差、中值梯度、振幅范围和与平均振幅的偏差)。这些标准可以识别带有残余伪迹的段。随后，对于每个片段，将该片段中标记为糟糕的通道的数据进行插值。然而，我们提醒用户在通道之间分布有显著距离的情况下不要执行该选项。 大多数用户，包括那些希望避免在单个分段内插入数据的用户，可以选择拒绝仍然被伪迹污染的分段。HAPPILEE包括三种分段拒绝选项。拒绝标准包括联合概率标准的选择，基于振幅的标准，或联合概率标准与基于振幅的标准的组合。联合概率标准考虑的是一个分段的活动被赋予同一通道的其他分段的活动的可能性，以及其他通道对同一分段的活动的可能性。我们的假设是，伪迹片段应该是相对于其他数据有几个标准偏差的活动的罕见片段。基于振幅的准则将信号的最小和最大振幅作为伪影阈值，当它们的振幅落在阈值的任意一侧时，将被移除。 为了测试三种片段拒绝选项的有效性，并确定在低密度脑电数据中拒绝片段的最佳判据值，我们对BEIP数据集中的14个文件进行了一系列10个自动选项与一组手动拒绝片段的比较。每一种自动拒绝方法的拒收片段的数量都与人工检查的拒绝片段的数量进行了比较。仅基于振幅的拒绝不能充分匹配人工拒绝率。然而，单独使用2个标准差的联合概率准则或结合振幅准则拒绝的片段数量与手工拒绝的片段数量没有显著差异。 通过对每个文件的假阴性和假阳性的数量求和，比较自动方法拒绝的片段与手动拒绝的片段，并计算与手动拒绝分类相比的文件间的总体准确率，进一步评估了这两种方法的片段拒绝性能。单独联合概率准则(使用2个标准差)在所有文件中获得了较高的准确率91.2%，但振幅联合概率准则也获得了较高的准确率91.0%。因此，HAPPILEE提出以下建议。对于有足够通道的数据，建议通过联合概率准则分段拒绝。在时域进行分析的用户(如ERP范例)可以选择包括基于振幅的标准。对于非常低密度的配置的用户，依赖于标准差的联合概率准则可能不会像这里那样表现良好，可以使用仅限振幅准则来拒绝分段。 对于所有使用了坏信道检测的HAPPILEE运行过程，被标记为坏的信道现在都要通过插值来重新填充它们的信号。然而，与上面概述的分段插值相似，我们提醒用户在分析中不要包括这些插值通道，因为在这些通道之间分布有显著距离的情况下，插值过程将从远端通道提取数据，这些数据不能反映该头皮空间的适当活动剖面。 HAPPILEE为用户提供了重参考脑电图数据的选择。虽然脑电图没有理想的参考，但通过几个实际的选择之一重新参考可以减少在电极上一致存在的伪信号。如果重参考，用户可以指定使用所有通道的平均值重参考(即平均重参考)，使用一个或多个通道的通道子集，或者使用参考电极标准化技术(REST)重新引用无穷远的一点。 低密度布局的一个主要问题是电极间的距离。由于通道数量有限，可能会出现使用的电极在头皮上距离很远的情况，导致在重参考一个或多个通道的通道子集时产生偏差。如果参考电极在空间上靠近一些电极，但远离另一些电极，那么它将不能代表整个头皮的信号，并不成比例地受到周围电极的影响。 为了避免重参考头皮电极的偏差，通常使用平均参考。然而，当电极数量有限且电极在头皮上的分布不均匀时，低密度的数据集仍然具有挑战性。当脑电图布局密集(有些推荐超过100个通道)且均匀分布时，建议平均重新引用。REST被提议作为中立参考，是低密度数据的另一种选择。 图8显示了一个使用HAPPILEE进行处理前后的示例文件，以演示过程的有效性。展示了干净的30秒数据预处理和后处理片段，以及充满伪迹的30秒数据预处理和后处理片段。与预处理相比，干净且充满伪迹影响的功率谱更类似于后处理。图8 EEG频谱前后通过HAPPILEE完成处理，最后对每一步进行优化。示例数据集中来自同一个参与者的两个文件，分别是伪迹的30秒段和干净的30秒段。左面板显示了加工前的满载伪迹的脑电图频谱。中间面板显示了处理后的满载伪迹的脑电图频谱。右侧面板显示处理后的干净脑电图频谱，以供比较。 HAPPILEE输出包括处理后的EEG和HAPPILEE处理报告。中间文件根据对数据的处理级别分成文件夹，包括:1)滤波到100hz和噪声降低后的数据，2)坏通道拒绝后的数据(如果选择)，3)小波阈值后的数据。如果启用了分段，HAPPILEE会输出一到两个额外的中间文件:5)分段后的脑电图数据和6)插值数据(如果启用了错误的数据插值)。如果选择分段拒绝，HAPPILEE也保存分段拒绝后的数据。 HAPPILEE在一个电子表格中生成了批次中每个EEG文件的描述性统计和数据度量报告表，以帮助快速有效地评估研究内或跨研究参与者的数据质量。我们将在下面描述这些指标，以便于使用它们来确定和报告数据质量(数据质量评估报告示例见表6)。表6 示例数据集中的30个文件的HAPPILEE数据质量评估报告1. 文件长度(秒)：HAPPILEE在处理之前输出每个文件的长度(以秒为单位)。2. 用户选择的通道数：HAPPILEE输出每个文件包含的通道数量，由用户决定。3. 精选优质通道数目及百分比：提供了贡献数据的通道数量(“好通道”)和拒绝坏通道后剩余通道的百分比。4. 坏通道标识：提供了在坏信道检测步骤中被标记为坏并随后进行插值的信道的标识。5. 小波后保留百分比方差：小波阈值处理后的信号方差变化百分比与小波阈值处理前相比，供用户评估在此伪影校正步骤后保留了多少数据。6. 每段通道内差值情况：选择在片段内执行错误数据插值的用户将被提供每个片段插值的通道列表。7. 分段前拒绝数和分段后拒绝数：HAPPILEE报告在分段抑制前和分段抑制后的分段数(使用联合概率、基于幅度的抑制或两者兼有)。8. 分段后的拒绝百分比：保留在片段拒绝之后的片段百分比(使用联合概率，基于幅度的拒绝，或两者兼而有之)。 对于每一次测试，HAPPILEE还会在单个表格中为每批EEG文件生成一个描述性统计和数据指标的报告表，以帮助快速有效地评估该过程在研究或研究中的参与者之间的表现。关于流程质量评估报告的示例，请参见表7和表8。表7和表8 表7为对示例数据集中的30个文件使用行噪声消除。表8为对示例数据集中的30个文件使用小波度量。
1. 行噪声处理前后：HAPPILEE自动输出在指定的线噪声频率及附近的互相关值。这些互相关值可用于评估线路噪声衰减的性能。
2. HAPPILEE自动输出所有频率的小波阈值前后的互相关值，特别是在0.5 Hz、1 Hz、2 Hz、5 Hz、8 Hz、12 Hz、20 Hz、30 Hz、45 Hz和70 Hz。
3. HAPPILEE与其他低密度预处理方法的比较 HAPPILEE流水线采用基于小波阈值的伪迹校正方法来提高低密度脑电图的预处理能力。下面我们将HAPPILEE的方法与其他两种常见的预处理方法进行比较，独立成分分析(ICA)用于伪迹校正，电压阈值分段拒绝用于伪迹抑制，以证明在HAPPILEE的预处理序列中选择小波阈值抑制是正确的。 到目前为止，高密度脑电图管道中的自动伪影校正方法依赖于独立成分分析(ICA)和小波阈值方法，因为它们可以成功地去除伪影，同时保留数据文件的整个长度。 重要的是，之前的文献表明，ICA并不是低密度脑电配置的最佳伪影抑制工具，因为通道的数量决定了要生成的独立成分的数量，而且许多低密度配置的通道太少，无法充分地将伪影从神经成分中分离出来。ICA也无法消除低密度数据中的线噪声等伪影。相比之下，小波阈值对每个脑电通道分别进行操作，因此具有与密度无关的伪迹校正性能。具体而言，之前的研究发现，小波阈值法在14个通道的数据中优于ICA作为伪迹去除方法。 除了先前的文献和迄今为止提供的支持小波阈值作为低密度记录的伪影校正策略的概念原因外，我们进行了一系列的经验测试。为了测试ICA作为通道密度函数的性能，我们在两种条件下运行ICA:在5个通道子集(F3 F4 FZ C3
C4)和在ICA校正后下采样到相同5个通道的12个通道上运行ICA。我们预测，由于在两个数据集的伪迹修正上运行的通道数量不同，ICA的性能会有所不同。结果，我们发现在5个通道上运行的ICA拒绝了总共5个文件上的所有独立组件，而在12个通道上运行的ICA只拒绝了两个文件。也就是说，在独立分量分析过程中，处理性能随通道密度的变化而变化。此外，伪影校正前后的降采样也会导致ICA的不同表现。 在坏信道更容易改变信道密度的情况下，作为在低密度数据集上ICA性能的另一个测试，我们在8个信道子集(F3 F4 C3 C4 P3 P4 O1 O2)上运行ICA，并在ICA校正后在12个信道下采样到相同的8个信道上运行ICA。再一次，正如预测的那样，我们发现在伪迹校正之前和之后的下采样导致了ICA的性能的差异，因为在8个通道上运行ICA会删除4个文件上的所有成分，而在8个通道上下采样只会拒绝两个文件上的所有成分。 即使在低密度环境中有完整的通道集，相对于小波阈值，独立成分分析在伪影校正方面表现欠佳(图11)。例如，ICA和小波阈值在有少量伪影需要校正的干净段上的表现类似，但在经过ICA后，高振幅伪影明显地留在了伪影负载段中(图11)。同时，小波阈值法可以有效地去除高振幅伪影。图11 伪影校正前、ICA后、小波阈值后的脑电信号。示例数据集中来自同一参与者的两个文件显示了从干净的30秒段(A)和充满伪影的30秒段(B)提取的10秒数据。 除了ICA作为具有低密度数据集的信道密度函数的性能不一致之外，ICA的计算效率也远低于小波。当在12个完整长度的BEIP文件上运行时，平均长度约为3.5分钟，包含12个通道，ICA完成的速度比小波阈值处理慢得多。 处理伪迹的另一种选择不涉及伪迹校正步骤(例如，小波阈值，ICA)，而只是通过分段/试验拒绝伪迹。虽然在“仅段拒绝”方法中对保留的数据段不执行任何操作，但是在被拒绝的段中没有伪迹影响的通道会丢失良好的数据。在这里，我们研究了小波阈值是否减少了拒绝过程中底层数据片段或试验的需要。为此，我们比较了模拟脑电图数据集和真实脑电图数据集的分段拒绝率。 对于添加了眨眼和其他伪影的模拟数据，采用基于振幅的自动电压阈值(-100 ~ 100 μV阈值)进行段抑制。只有小波阈值法保留了模拟信号的所有试验，并且(根据目测)似乎消除了所有闪烁和大多数其他伪影。相反，当只使用伪影抑制时，超过电压阈值的epoch被删除，包括一些有闪烁的epoch，但不是所有的。总共有116个epoch被瞬变伪迹污染，但当模拟数据中包含额外的伪迹时，只有17个epoch被电压阈伪迹抑制去除。对数据的目视检查表明，在噪声更大的分段，当只接受伪影排斥阈值时，一些眨眼被保留了下来，因为来自肌肉活动的噪声包括降低眨眼振幅的负偏转，这导致眨眼伪影落在我们可接受的电压阈值范围内。这些模拟数据结果强烈支持使用HAPPILEE的小波阈值作为一种伪影校正方法，在分段抑制之前，以提高伪影去除和分段保留。 认知神经科学领域已经迅速向使用自动脑电图预处理过程的方向发展，该过程利用当代伪影校正和排斥方法，如小波阈值和独立分量分析(ICA)，作为主观和劳动密集型手工预处理的有效、高效、标准化的替代方案。在这里，我们提供了一个适用于低密度布局的解决方案。HAPPILEE适用于任何数量通道的配置，尽管它可能在1到大约32个通道的数据上表现最佳。 还应该考虑到HAPPILEE的一些限制。首先，已经使用了发育性脑电信号和模拟信号对HAPPILEE进行优化和验证，尚待在成人脑电图数据或其他人群中验证。虽然作者没有预测到HAPPILEE在其他人群中表现不好的具体原因，而且他们自己也在成人脑电图数据中运行了HAPPILEE，但鼓励使用本文中未验证的人群脑电图数据的研究人员在使用HAPPILEE之前仔细验证自己的表现。其次，在包含12个信道的数据集上测试了坏信道检测。因此，那些使用电极数量大大减少的布局的人可能会考虑自己验证默认设置是否对他们的数据集足够有效。此外，在不同年龄或不同系统上收集的数据集中，执行幅值分段抑制的适当幅值阈值会有所不同，应该通过对几个文件的可视化检查来验证(通过在可视化的半自动设置中运行HAPPILEE)。最后，根据研究人员获得的数据，使用单一的凝胶(低阻抗)系统对HAPPILEE进行了优化，但其他人应该独立验证其他系统上的性能，以确认与HAPPILEE的兼容性。虽然作者目前没有预见到在实验室环境中收集的数据集(即当前的优化数据集)和在家庭或诊所中收集的数据集之间的性能有任何差异，但为了充分验证其对在非实验室环境中收集的数据的有效性，还需要进一步的测试。
本站仅提供存储服务，所有内容均由用户发布，如发现有害或侵权内容，请
点击举报。
