兒童-成人EEG超掃描數(shù)據(jù)中的人際神經(jīng)振蕩的時間動態(tài)
導讀
目前文獻中分析EEG超掃描數(shù)據(jù)的方法通常認為交互生理系統(tǒng)之間的人際神經(jīng)振蕩是一種時不變屬性。這種方法掩蓋了關于交互系統(tǒng)之間的振蕩是如何長時間建立和保持關鍵信息的。在這里，研究者描述并展示了相應的計算算法，以期填補該領域的空白。研究者關注測量振蕩的兩種不同的方法，即并行測量（例如，功率相關性、鎖相）和順序測量（例如，格蘭杰因果關系），如何應用于大腦信號的三個方面：振幅、功率和相位。通過使用模擬數(shù)據(jù)來讓讀者了解如何利用這些方法測量腦間振蕩的變化。對于每個方面，研究者的目的是在研究早期社交互動過程中的神經(jīng)振蕩時，提供關于這些分析的詳細解釋和應用。
引言
有關行為證據(jù)表明，社會因素會影響嬰兒早期的注意力和學習方式。但目前關于這些人際影響是如何在大腦中具體體現(xiàn)的卻知之甚少。超掃描是一種同時從兩個或多個個體身上獲取神經(jīng)活動的方法，這樣我們能夠很好地深入了解這些問題。超掃描方法通常與“自然主義”研究設計相并行，以記錄現(xiàn)實生活互動中的大腦活動，而不是研究通過計算機執(zhí)行的重復性和非生態(tài)的、基于試次任務的神經(jīng)反應。
最近，利用fNIRS和EEG對非人類動物和成人的研究，以及對兒童/嬰兒的研究，已經(jīng)開始使用超掃描技術來揭示社會互動過程中大腦間振蕩(IBE)的復雜模式?；趦和?嬰兒的EEG研究表明，嬰兒和成人神經(jīng)活動的雙向格蘭杰因果影響在相互注視時刻的theta(3-6Hz)和alpha(6-9Hz)頻帶比非相互/轉(zhuǎn)移注視時刻更大。當成人在社會互動中模仿積極情緒時，在theta和alpha頻帶中的IBE模式要比模仿消極情緒時更高。這些發(fā)現(xiàn)表明，與IBE模式在長時間尺度上的fNIRS研究一致，用EEG進行研究，IBE也可以在更精細的亞秒級尺度上被識別出來。
然而，迄今為止使用的所有這些方法都有一個基本的限制。超掃描研究人員通常要計算在整個實驗條件下觀察到的兩個互動伙伴之間的平均IBE量。比較不同條件下的IBE值，或?qū)BE估計值與結(jié)果變量相關聯(lián)。例如，Leong及其同事比較了在5分鐘的社交互動中，直接注視和轉(zhuǎn)移注視時觀察到的振蕩量：他們將所有數(shù)據(jù)壓縮為每個信號頻帶的單個IBE值。Perez及其同事(2017)采用了相似的方法，比較不同頻帶和地形圖上的IBE值，但同樣沒有考慮IBE是如何隨時間變化的，以及在互動過程中是如何發(fā)展的。
因此，這些方法有效地產(chǎn)生了一個IBE指數(shù)，其中包括關于振蕩如何隨頻率和頭皮地形變化的信息，但不包括關于IBE如何隨時間波動的信息。研究者認為，這種信息遺漏從根本上阻礙了我們理解嬰兒-成人在現(xiàn)實社會互動過程中大腦所發(fā)生的真正變化。大多數(shù)成人群體的超掃描研究同樣如此，對當前方法存在的局限性提出了類似的觀點。
（缺失的）時間維度的重要性
使用事件相關電位(ERPs)的研究表明，即使是嬰幼兒的大腦對明示信號也表現(xiàn)出毫秒級的敏感性。但是這項研究都是單向的：它考察了明示信號的接受者是如何受到信號“發(fā)送者”的影響的。很少有研究從雙向的角度來檢驗早期社會互動的精細時間動態(tài)：通過研究明示線索如何影響伙伴雙方大腦活動之間的相互關系。
例如，一項早期的研究發(fā)現(xiàn)，在3-9Hz范圍內(nèi)，相比于間接注視，一方的神經(jīng)活動在直接注視時更能預測另一方的神經(jīng)活動。但是，兩個大腦在這種精細時間尺度上是如何相互影響的呢？為了回答這個問題，我們需要了解IBE在直視時間內(nèi)是如何隨時間變化的。這將有助于我們理解IBE是如何產(chǎn)生和維持的：
Ⅰ.首先，在社會互動過程中，某些共同的行為事件，如直視時間的開始，可能會導致IBE的變化。因此，IBE的變化可能是由社交線索的“發(fā)送者”和“接收者”的腦內(nèi)光譜功率和/或相位的短暫變化引起。例如，這種機制可能類似于言語的神經(jīng)振蕩，即刺激/行為事件的開始使大腦的相位發(fā)生了變化，并導致振蕩量的增加。除了言語之外，相互注視或觸摸也可以在多個大腦中產(chǎn)生反應，導致與事件相關的IBE增加。根據(jù)這個模型，IBE是高度事件鎖定的，在行為事件發(fā)生后立即達到峰值，隨后下降。IBE事件鎖定的變化范圍也可能受到其他因素(包括注意力、理解力和環(huán)境因素(如對對方的熟悉程度))的影響。
Ⅱ.第二，社交互動中的話輪轉(zhuǎn)換可能會導致IBE的變化。因此，反應準備(預期)或相互感覺運動預測可能導致雙方功率或相位發(fā)生短暫變化，從而導致IBE可能在這些“轉(zhuǎn)換”時刻達到峰值，并在轉(zhuǎn)換前后下降。這種機制也可能受到諸如話輪轉(zhuǎn)換的次數(shù)和（感知到的）質(zhì)量等因素的影響。
Ⅲ.第三，有可能是連續(xù)的、確定性的大腦內(nèi)部變化，而不是離散行為事件鎖定(依賴于周圍環(huán)境中的動態(tài)、漸進的變化)導致了IBE的漸進和持續(xù)性變化。這種機制可能是由大腦內(nèi)部對共享認知或心理表征的反應所驅(qū)動的。例如，Simony及其同事認為，當參與者對一個故事有共同的理解時，IBE會增加。這種機制也可能采取直接的“神經(jīng)擬態(tài)”形式。例如，Kingsbury等人使用了vivo電生理記錄顯示，背內(nèi)側(cè)PFC中的細胞群在執(zhí)行一個動作時表現(xiàn)出與觀看他人執(zhí)行這個動作時相似的活動。同樣，這些變化可能以功率變化的形式出現(xiàn)：整個事件中頻譜功率的增加會提高信噪比，并導致連續(xù)的IBE變化?；蛘?，頻率的逐漸變化，如神經(jīng)振蕩的峰值頻率的調(diào)整，可能會導致同步IBE的增加。例如，任務要求可以調(diào)節(jié)峰值alpha頻率，最近的研究表明，刺激開始時的跨頻譜頻率調(diào)整可能是ERPs產(chǎn)生的機制。
區(qū)分這些假設和其他假設對于理解IBE是如何實現(xiàn)和維持的至關重要。本文的目的是提出一些算法，使研究人員能夠更好地解決這個問題。在第1.2節(jié)中，研究者概述了在進行超掃描發(fā)展研究時，兒童和成人EEG之間的關鍵差異。在第2節(jié)中，研究者提出了幾種估計并行（2.2.1，2.2.2）和順序（2.2.3，2.2.4）IBE的測量方法。然后，在第3節(jié)中，舉例說明了每個測量使用模擬數(shù)據(jù)捕獲IBE的性能。
兒童和成人EEG的主要差異
研究人員在分析嬰兒和兒童的EEG記錄，以及使用自然主義范式記錄的EEG時，與使用基于屏幕實驗范式的成人EEG相比，面臨著一些額外的挑戰(zhàn)。
首先，由于在數(shù)據(jù)記錄過程中的動作會更多，如微笑、發(fā)聲、眼球運動，以及對這些行為的神經(jīng)加工，將以一種復雜的方式影響頭皮EEG。雖然源分離的問題對EEG研究來說比較常見，但眾所周知，單靠ICA無法分離包含大量運動相關活動數(shù)據(jù)的不同源成分。這種效應隨著嬰兒ICA分解而增強，與成人EEG數(shù)據(jù)中的ICA分解相比，嬰兒ICA分解通常更難識別哪些成分主要包含偽跡信號，哪些成分主要包含神經(jīng)信號。例如，即使是簡單的偽跡，如眨眼偽跡，在成人數(shù)據(jù)中也能更清楚的進行區(qū)分，因為這些動作(眨眼)在成人的波形中更加典型或相比于嬰兒的振幅會更高。這對于自然主義數(shù)據(jù)來說更成問題，與參與者基于屏幕任務范式中產(chǎn)生的眼球運動相比，自然主義范式數(shù)據(jù)中的眼球運動并不那么典型。
其次，實驗者設計的傳統(tǒng)實驗范式中，以實驗的事件來驗證神經(jīng)反饋。盡管有證據(jù)表明，傳統(tǒng)的實驗者設計范式中偽跡仍然存在，并與實驗事件相關，但事實上，實驗（以及這些偽跡）遵循一致的結(jié)構(gòu)，這意味著偽跡相對更容易處理。但是在自然主義范式中，這些事件（例如注視開始）往往與數(shù)據(jù)中的偽跡不太相關，因為自發(fā)事件和特定的偽跡之間沒有清晰一致的時間結(jié)構(gòu)。未來使用自然主義范式的IBE研究將需要控制非神經(jīng)信號對EEG的影響。它也可以將這些非神經(jīng)信號視為數(shù)據(jù)源，通過觀察這些運動相關信號之間的振蕩，例如，與面部表情和發(fā)聲相關的EMG之間的振蕩。
另一個挑戰(zhàn)是兒童/嬰兒與成人EEG活動的內(nèi)在差異。例如，我們知道大腦處理信息的速度取決于其成熟程度，兒童/嬰兒EEG的典型頻帶通常比成人的EEG慢。例如，與alpha活動相關的成人功率密度譜峰值通常在8-12Hz范圍內(nèi)，而1歲大的嬰兒則在6-9Hz范圍內(nèi)，且更小的嬰兒中更低。這為研究嬰兒和成人EEG的相位振蕩的研究人員提出了一個特有的問題。解決這個問題的一個方法是使用交叉頻率振蕩方法，例如交叉頻率的相位耦合。眾所周知，嬰兒EEG中較慢振蕩的振幅大于成人，這可能會影響振幅-振幅或振幅-相位的耦合。
識別嬰兒和成人EEG數(shù)據(jù)之間不同類型振蕩的方法
在本節(jié)中，研究者概述了測量IBE的不同方法（第2.1節(jié)），并描述了如何將它們應用于大腦信號的不同方面（振幅/功率和相位）（第2.2節(jié)）。在第3節(jié)（應用方法）中，將使用模擬EEG超掃描數(shù)據(jù)來指導讀者應用這些方法。
計算腦間振蕩(IBE)的不同方法：綜述
雖然術語“振蕩”有時只用于描述兩個信號之間的順序關系，但這里將用它來描述兩個信號之間的時間同步關系。腦間振蕩(IBE)可以用兩種方法來測量。首先，并行IBE(見圖1)表示零滯、同步關系：“當A高時，B也高”，或者（負相關關系）：“當A高時，B降低”。并行IBE通常使用術語“同步”來指代。第二，順序IBE表示一個滯后或有向的時間關系：“A的變化正向預測B的變化”。順序IBE是有向的，因此，與并行耦合不同，它可以是不對稱的：A正向預測B，但B不一定正向預測A，反之亦然。
IBE也可以在時域和頻域上進行測量，因此可以測量大腦信號的多個方面：振幅、功率和相位(如圖1)。功率與振幅的平方成正比，因此這兩個測量是密切相關的。然而，這里描述的一些測量（例如，功率相關性）可以同樣應用于振幅或功率，而其他測量（例如，時域格蘭格因果關系）是應用于振幅而不是功率，因此研究者認為區(qū)分這兩者是很重要的。
目前，大多數(shù)fNIRS和fMRI超掃描研究測量信號振幅的共同波動——根據(jù)這些不同的方法，可以測量血液氧合/脫氧(fNIRS)、BOLD信號(fMRI)或電壓(EEG)。目前，大多數(shù)的EEG超掃描研究都是驗證IBE的相位，然而，這些趨勢在未來一定會發(fā)生轉(zhuǎn)變。
計算振幅和功率的并行IBE：相關性
通過相關性來驗證并行IBE是最簡單和最靈活的方法之一。零滯并行IBE可以簡單地通過計算兩個時間序列之間的相關系數(shù)來測量。Spearman相關由于其對非正態(tài)分布和離散數(shù)據(jù)的恒定性而備受青睞。同樣的分析也可以應用于大腦信號的振幅或特定頻帶的功率。本節(jié)所附代碼允許研究人員在電極對(如，參與者1和2的Cz點)之間的每個時頻點計算單個試次的相關性(Spearman's rho)。
計算相位的并行IBE：ITC和鎖相值(PLV)
鎖相可以通過三種方法來檢測瞬態(tài)相位變化/偏移，或跨時間的穩(wěn)定相位耦合。首先，在單個大腦中，可以通過時間和電極點來估計重復事件之間的點相位一致性(例如，試次間一致性，ITC)。這產(chǎn)生了每個時間點的相位一致性估計，它代表了該時間點跨試次的相位分布，適用于檢測瞬態(tài)或離散事件鎖定的相位變化。
第二個點鎖相可以根據(jù)以下方法進行估計：
其中N是試次數(shù)量，?(t，k)表示試次k在通道?和時間t上的相位，ψ(t，k)表示試次k在通道ψ和時間t上的相位。這就產(chǎn)生了每個時間點的相位一致性估計，表示該時間點跨試次的相位鎖定，適用于檢測瞬態(tài)或高度事件鎖定的鎖相變化。PLVn在0到1之間變化，其中1表示試次完全鎖相，0表示試次無鎖相。
第三，在定義的時間窗內(nèi)的單個試次中計算鎖相值。這有助于估計兩種振蕩在該窗口內(nèi)是否具有穩(wěn)定的相位耦合。某個時間窗內(nèi)的鎖相值可根據(jù)以下方法計算：
關于功率和PLV的附注：誘導反應與誘發(fā)反應
當分析EEG功率或基于相位的振蕩過程中的任何事件鎖定變化時，考慮這些變化是誘發(fā)反應還是誘導反應是很重要的。誘發(fā)反應是疊加在背景/正在進行的EEG上的附加信號；誘導反應是指在背景/正在進行的EEG中發(fā)生的功率或相位變化。換句話說，誘發(fā)反應是與背景振蕩活動無關的瞬態(tài)變化，而誘導反應則完全依賴于背景振蕩對傳入刺激的調(diào)節(jié)。雖然由刺激鎖定誘發(fā)的信號導致的功率/相位變化可能會使兩個大腦之間的振蕩增加，但這與由于誘導神經(jīng)活動驅(qū)動振蕩增加所引起的潛在變化的解釋是完全不同的。例如，如果兩個信號的頻譜功率增加是由于誘發(fā)而非誘導反應，那么將相位重置看作是IBE背后的潛在機制是不正確的，以及用神經(jīng)IBE這個術語來指代這些機制也是不正確的。
這個問題更加復雜，因為正如Muthukumaraswamy及其同事(2011)的研究表明，瞬態(tài)功率的增加可以降低相位估計的誤差，并可能出現(xiàn)高度鎖相。將功率的增加與真正的鎖相增加分開是困難且存在爭議的。因此，研究人員使用事件相關鎖相的最佳方法是始終顯示功率圖，并同時檢查功率和相位。
關于交叉頻率PLV的附注：處理不同的典型頻率
如上所述，嬰兒EEG的典型頻帶通常比成人EEG慢。因此，在測量嬰兒和成人EEG鎖相量時，采用交叉頻率鎖相更合適。交叉頻率相位振蕩或PLVm∶n的計算方法類似于PLV，如下：
測量振幅和功率的IBE--格蘭杰因果關系(GC)
測量順序IBE的最簡單方法是重復執(zhí)行Spearman相關性，同時將一個時間序列相對于另一個時間序列向前或向后移動。例如，如果我們發(fā)現(xiàn)當時間序列x相對于時間序列y向后移，兩個時間序列x和y之間的相關性更強，與同步（“零滯”）相比，這表明x的變化可以預測y的變化。
格蘭杰因果關系與這種方法密切相關，但除了觀察兩個時間序列之間的時滯關系外，還通過考慮一個時間序列如何在一段時間內(nèi)正向預測自身（稱為自相關）來提高預測靈敏度。給定兩個時間序列x和y，格蘭杰因果關系是測量時間序列x被y預測的程度，以及時間序列x能夠被先前樣本x預測的程度。
GC是通過雙變量和單變量回歸模型之間的誤差項比值的對數(shù)來定義的，公式如下：
最后，部分定向相干性(PDC)是GC的頻域公式，由上述自回歸建模所得到的測量系數(shù)。PDC也被用于研究者成人-嬰兒之間的IBE。PDC和其他基于自回歸建模的頻域振蕩方法可以使用擴展的多元自回歸建模工具箱來實現(xiàn)。
附注：關于EEG數(shù)據(jù)平穩(wěn)性和GC
平穩(wěn)性是指數(shù)據(jù)的統(tǒng)計特性是否隨時間而變化。例如，包含低頻的EEG數(shù)據(jù)隨時間偏移會導致數(shù)據(jù)變得不穩(wěn)定，因為數(shù)據(jù)的均值會隨時間變化。非平穩(wěn)性可能有多種形式。一種形式是通過單位根表現(xiàn)出來——其中數(shù)據(jù)可能呈現(xiàn)隨機趨勢或“隨機偏移”。許多平穩(wěn)性測試(包括在MVGC工具箱中實現(xiàn)的KPSS測試)只測試單元根平穩(wěn)性。但也存在“結(jié)構(gòu)變化”的非平穩(wěn)性，這可能在ERP或任務相關數(shù)據(jù)中更為常見。格蘭杰因果關系本身可能會隨著時間的變化而改變。GC在神經(jīng)科學中的整體平穩(wěn)性是一個持續(xù)存在的問題。目前解決EEG數(shù)據(jù)非平穩(wěn)性的常用方法包括多項式去趨勢化或從單個試次數(shù)據(jù)中減去平均ERP，但這些方法都存在一定的局限性。另一種解決非平穩(wěn)EEG數(shù)據(jù)的方法是將數(shù)據(jù)分割成更短的時間窗，在這些時間窗內(nèi)，數(shù)據(jù)是足夠平穩(wěn)的，以便于進行GC分析，盡管這種方法需要更多的實證檢驗。
附注：關于模型階次和GC
在使用GC分析時，需要考慮的一個關鍵參數(shù)是模型階次。模型階次決定了將用于（雙變量）自回歸模型擬合中時間序列的先前樣本數(shù)量。例如，如果數(shù)據(jù)的采樣率是1000Hz，那么模型階次為5意味著該模型將使用數(shù)據(jù)前5ms的加權(quán)和。所使用的模型階次將在一定程度上決定GC頻譜估計的頻率精度。在只使用5ms數(shù)據(jù)的例子中，只能根據(jù)4Hz活動周期的1/50th來估算GC。因此，為了更好地捕獲低頻動態(tài)情況，在分析之前對數(shù)據(jù)進行降采樣是有用的。例如，如果將數(shù)據(jù)從512Hz降采樣至128Hz，仍然使用5模階，表示現(xiàn)在考慮的是模型擬合前39ms的數(shù)據(jù)。或者，可以增加模型階次，但高階模型通常需要更長的時間段和更多的試次，因為需要估計的參數(shù)更多。模型階次會對GC估計產(chǎn)生重要的影響。有些方法有助于模型階次的估計，最常見的是貝葉斯信息準則(BIC)和Akiake信息準則(AIC)。兩者都是在MVGC工具箱中實現(xiàn)的。
附注：關于頻譜功率和GC
頻譜功率和頻譜GC之間的關系仍然不確定，例如，目前還不清楚頻譜功率的變化是如何影響GC估計的，有人認為頻譜功率和GC之間的相關性很普遍。實證研究表明，ERPs對應的事件鎖定頻譜功率的增加與頻譜GC的增加同時發(fā)生，但這些功率的變化是否導致了GC的變化，目前尚不確定。因此，充分探索這一關系對未來的研究具有重要意義。例如，GC的強度是否與頻譜功率大小呈線性關系？這個關系是如何受到采樣率、信噪比等影響的呢？
計算相位的IBE—相位傳遞熵(PTE)
相位傳遞熵(PTE)允許研究人員測量相位的順序IBE，其計算公式如下：
注意時間尺度的重要性
以上描述的許多指標都對分析的時間尺度高度敏感。例如，如果在兩個信號(x和y)中觀察到頻譜功率的瞬間增加，其中y的峰值在x峰值后幾百毫秒出現(xiàn)。當使用較窄的時間窗時，檢測不到同步IBE變化，但如果使用一個更大的時間窗可以觀察到同步IBE的變化。這是因為，盡管降采樣在某些分析中可能是一個有用的步驟，但降采樣也可能會通過此刻信號傳播而產(chǎn)生偽跡，從而導致檢測到偽振蕩。
模擬和應用測量IBE和區(qū)分事件鎖定與非事件鎖定變化的方法
在本節(jié)中，研究者將模擬兩個時間序列在給定條件下的關系。然后，計算上面描述的指標，以評估每個指標反映這種關系的程度。研究者這樣做的目的是讓我們更好地了解各種指標的應用情況。
兒童-成人神經(jīng)振蕩過程中的事件鎖定變化
振幅和功率
在所附代碼中，研究者提供了計算同步振幅/功率振蕩的流程。然而，在本節(jié)的其余部分，將重點關注GC，它是評估EEG數(shù)據(jù)振蕩的一種更合適的復雜測量方法：如前所述，它不僅能夠評估一個信號對另一個信號隨時間變化的影響，而且還考慮了每個信號之間的自相關性。
為了說明事件鎖定的神經(jīng)反應是如何引起順序振幅/功率IBE的變化的，研究者模擬了兩個類ERP信號(x和y)（見圖2）。信號y是由先前的x加噪聲樣本產(chǎn)生的。從這個模擬中可以看出，在原始數(shù)據(jù)(圖2a)中觀察到的x和y之間的順序IBE表現(xiàn)為強烈的x->y GC影響，而不是y->x GC影響，這與預期一致(圖2d)。當對信號的功率進行相同的分析時(圖2b，2c)，可以觀察到同樣的結(jié)果?？梢栽谝粋€較低的頻率范圍內(nèi)觀察到頻譜x->y GC的影響(圖2e)，但沒有觀察到頻譜y->x效應(圖2f)。本節(jié)所附代碼中，研究者為用戶提供了實現(xiàn)時域和頻譜GC的方法，用于計算EEG超掃描數(shù)據(jù)中的事件鎖定變化。用戶還能夠輕松地指定更高級的參數(shù)，例如用于時變GC估計的時間窗大小和模型階次。
圖2
相位
為了說明事件鎖定的神經(jīng)反應如何引起基于相位的并行IBE的變化，研究者對事件后同步相位重置/調(diào)制+200ms的兩個鎖相信號(x和y)進行了100個試次的模擬(見圖3a)?？梢钥闯?，在+200ms操作后的時間窗內(nèi)，兩個時間序列的相位角均按預期那樣收斂(圖3a)。兩個時間序列的鎖相值也與預期一致(圖3c)。
為了說明順序相位IBE，研究者再次以同樣的方式對x和y進行了100個試次的模擬，但這里y的相位調(diào)制比信號x晚200ms(見圖3b)。由此可以看出，當一個信號的相位調(diào)制比另一個信號中的相位調(diào)制晚/早時，這些調(diào)制是相關的，那么這種關系可以用有向相位IBE方法來描述，如相位傳遞熵，可以通過x和y相位調(diào)制時間窗內(nèi)(~+200-400ms)PTE的增加來說明(圖3d)。注意，當y在+400ms時變成鎖相，這將導致PTE從y增加到x。這是因為這兩個信號都是由純正弦波加噪聲產(chǎn)生的，所以當y在+400ms時會變成鎖相，此時y也可以預測x的活動。
本節(jié)所附代碼中，研究者為用戶提供了個體間、時頻PLV和PTE的完整操作流程。
非事件鎖定變化
振幅和功率
為了說明振幅/功率IBE的逐漸變化是如何產(chǎn)生的，而這些變化并非鎖時的，研究者模擬了兩個信號(x和y)間的振蕩，其中y是由先前的x加白噪聲樣本生成的(見圖4a)。正如預期的那樣，x->y GC影響在時間窗內(nèi)增加，但是在y->x GC中沒有發(fā)現(xiàn)變化。
本節(jié)所附代碼中，研究者給我們展示了如何利用上一節(jié)中的相同代碼來研究有關腦間IBE中的非事件鎖定變化問題。
相位
為了說明相位IBE的逐漸變化是如何產(chǎn)生的，而這些變化并非在事件開始時是鎖時的，研究者模擬了兩個信號(x和y)間的振蕩，其峰值頻率隨時間而偏移(見圖5)。關于如何模擬這些數(shù)據(jù)和時頻分解的完整過程可參見補充材料。從這個模擬中可以看出，信號的峰值頻率越接近，相位角隨時間的變化就越一致，因此x和y之間的鎖相值就越大。
時間尺度的重要性
為了說明時間尺度如何影響并行IBE估計，研究者模擬了兩種信號，它們顯示了事件鎖定的頻譜功率的瞬時增加，信號y比信號x的頻譜功率峰值延遲了300ms(圖6a，6b)。為了計算并行IBE，研究者分別計算了時間序列x和y在每個時頻點的功率之間的Spearman相關(見圖6e)。其次，在重復相同的分析(圖6f)之前，研究者使用0.5s的滑動窗口對數(shù)據(jù)進行降采樣，連續(xù)的窗口之間有200ms的重疊(圖6c，6d)。當使用較窄的時間窗時，沒有檢測到并行IBE的變化，但當使用更大的時間窗時，能夠檢測到這種變化(圖6f)。這很好地說明了在IBE分析之前對數(shù)據(jù)進行預處理是如何改變結(jié)果的。
量化兒童-成人神經(jīng)振蕩中的事件鎖定變化
振幅和功率
GC的顯著性變化可以通過F統(tǒng)計檢驗來評估，F(xiàn)統(tǒng)計可在MVGC工具箱中實現(xiàn)。統(tǒng)計學顯著性也可以通過非參數(shù)置換檢驗獲得，它可以應用于功率相關性、時域和頻譜GC。對于測量高度鎖時/事件鎖定的GC變化，通常建議在試次中對時間段進行排序，而不是在整個時間段上對試次排序。
相位
假設ITC和PLV的馮·米塞斯分布（循環(huán)數(shù)據(jù)的正態(tài)分布）的統(tǒng)計顯著性可以根據(jù)p值進行評估，使用Circstat工具箱進行Rayleigh檢驗以拒絕零假設。統(tǒng)計顯著性也可以通過ITC/PLV閾值來評估，超過該閾值的值被認為是顯著的。另外，ITC和PLV以及PTE時頻的顯著性也可以使用非參數(shù)置換檢驗來評估。
在測量父母-孩子神經(jīng)振蕩的變化時，采用多重比較校正
在分析EEG數(shù)據(jù)時，通常感興趣或關注的是給定的效應如何隨時間、頻率和地形的變化而變化。這使得探索性EEG分析容易受到多重比較問題的影響。有幾種方法可以糾正該問題。例如，如果只測試有限數(shù)量的感興趣區(qū)域/頻率，則適合使用Bonferroni校正法。對于涉及大量通道和時頻點的更復雜的比較，此時用Bonferroni校正是不合適的。在這些情況下，應該使用基于像素或基于聚類的置換統(tǒng)計檢驗進行多重比較校正。
結(jié)論
本文為動態(tài)社會交互的神經(jīng)過程提供了有價值的新見解，不僅涵蓋在EEG超掃描研究中采用的通用/標準方法，而且還增加了許多新的內(nèi)容。希望本文強調(diào)和描述的這些方法，能夠有助于未來的研究對神經(jīng)活動豐富的時間動態(tài)進行更深入地分析，讓我們更接近大腦功能的真正復雜性。
原文：Measuring the temporal dynamics of inter-personal neural entrainment in continuous child-adult EEG hyperscanning data.
https://doi.org/10.1016/j.dcn.2022.101093
