導讀

事件相關電位(ERP)設計是用腦電圖(EEG)檢測神經認知功能的常用方法。然而，傳統的ERP數據預處理方法是手動編輯，這是一個主觀且耗時的過程。最近創建了許多自動化通道，以滿足EEG數據預處理的標準化、自動化和量化的需求；然而，很少有人針對ERP分析進行優化。本研究提出并驗證了HAPPE＋事件相關軟件(HAPPE+ER)【諧音“happier”，意為“更快樂”】，這是一個標準化和自動化的預處理流程，并針對整個生命周期內的ERP分析進行了優化。HAPPE+ER通過預處理和生成事件相關電位對原始文件中的事件相關電位數據進行處理和統計分析。HAPPE+ER還包括數據質量和管道質量指標的后處理報告，促進以標準化的方式評估和報告數據處理。最后，HAPPE+ER包括后處理腳本，以方便驗證HAPPE+ER性能或與其他預處理管道的性能進行比較。本研究使用模擬和真實ERP數據描述了多種方法來優化管道性能，并與其他方法和管道進行了比較。HAPPE+ER軟件可在https://www.gnu.org/licenses/#GPL上免費獲取。

前言

腦電圖(EEG)和事件相關電位(ERP)預處理標準化和自動化的趨勢日益增長，以滿足當代電生理研究的需求。最近，用于分析EEG/ERP數據的傳統方法還包括通過主觀手動編輯刪除帶有偽影的片段。但是，此過程可能會導致大量數據丟失，尤其是具有高偽影特征的發育和臨床人群的數據。在過去十年中，用于記錄的樣本大小和電極密度都大幅增加，這一過程也變得難以衡量。此外，手動編輯的主觀性質阻礙了EEG采集系統、數據集和實驗室之間的比較。然而，軟件通常局限于腦電圖預處理的單個階段，如線路噪聲去除或自動ICA成分拒絕、校正；或僅基于低偽影水平的數據上進行開發；并且缺乏量化評估性能或數據質量的內在指標。HAPPE軟件通過提供一種自動化、可量化和標準化的EEG數據處理方法來解決這些數據處理過程中的局限性，該方法對發育和臨床人群中高偽影水平的處理尤其有效。

現今，越來越多的管道、腳本和軟件滿足了對EEG數據標準化預處理方法的需求。但很少有人對管道進行實證比較，研究人員可能很難評估哪個管道對他們的EEG數據最有效。此外，管道對可執行后處理的分析類型的限制也有所不同。一些管道僅限于為時頻分析或靜息態EEG數據準備數據。管道在被驗證人群中的使用也有所不同。也就是說，大多數管道都使用來自健康成年人的數據進行測試和驗證。很少有研究明確指出與發育或臨床人群的兼容性和有效性，這些群體的數據通常與健康成人數據存在生理和采集的差異。但MADE(已在發育群體的數據中得到驗證)、EEG-IP-L和HAPPE(在臨床和發育群體數據中得到驗證)例外。最佳的管道應該提供適用于發育、臨床和成人EEG/ERP預處理需求的有效解決方案，以促進跨研究和年齡的比較。

在這里，研究者提出并驗證了HAPPE＋ER軟件，以解決ERP預處理過程中存在的限制，改進了原始的HAPPE預處理策略，并提高了不同采集設置的可訪問性和用戶編碼的流暢性。ERP分析是一種表征EEG數據的常用方法，是神經活動的精確時間表征。此外，鎖時ERP波形的不同成分反映了大腦中不同的感覺、知覺、情感和認知現象。為了促進在整個生命周期中用于ERP分析的腦電圖數據處理得以自動化、標準化，HAPPE+ER既包括預處理ERP數據的代碼，也包括能夠高效、自動化地創建已處理的ERP圖像和測量的代碼，包括(但不限于)峰值和平均振幅、潛伏期和曲線下面積（不過本研究的重點主要是預處理，因為有許多優秀的工具可用于復雜ERP可視化和量化，如ERPLAB、EEGLAB和ERA工具箱）。HAPPE+ER(諧音為“更快樂”)合并了已在成人、發育和臨床數據中進行驗證的ERP預處理步驟。HAPPE+ER還引入了一種新穎的管道質量報告，反映了ERP數據上每個預處理步驟的性能，以幫助研究人員評估管道是否對其數據進行了有效地預處理。也就是說，HAPPE+ER現在包括了對數據輸入(數據質量報告)和處理方法(管道質量報告)質量的補充和量化測量。結合這些變化，數據格式和采集布局可以是多元化的，包括使用EGI、BioSemi和Brain Products腦電帽采集的數據。這些變化極大地擴展了HAPPE+ER適用的數據范圍，同時保持了各種輸入參數和輸出分析的標準化，使HAPPE+ER成為一種靈活的軟件，能夠適用于不同年齡段和不同人群的電生理數據處理。HAPPE+ER管道用于ERP分析的預處理步驟，以及HAPPE+ER的質量控制指標如圖1所示。

圖1.HAPPE+ER管道的處理步驟。

HAPPE+ER管道步驟

HAPPE+ER數據輸入

HAPPE+ER可容納多種類型的EEG文件，以不同的采集布局作為輸入，在HAPPE 1.0軟件先前支持的基礎上還添加了其他選項。關于HAPPE+ER管道包含的完整布局和格式選項，請參見表1。對于.set格式的文件，在運行HAPPE+ER之前，應預先設置并嵌入文件的正確通道位置(例如，通過將其加載到EEGLAB并確認正確的位置)。HAPPE+ER的批處理必須包含使用相同通道布局(公司、采集布局/腦電帽和電極編號)和范式(靜息態或事件相關)收集數據文件。

表1.HAPPE+ER支持的采集布局和相關文件類型列表。

讀取到HAPPE+ER中的數據應包含刺激標記、范式事件或感興趣的條件。事件標記如何嵌入數據文件將取決于刺激呈現軟件和采集系統。HAPPE+ER依賴EEGLAB來讀取用戶數據，因此如果EEGLAB注冊了用戶的事件標記，那么HAPPE+ER也將能夠讀取那些相同的事件標記。如果用戶不確定數據中的事件標記名稱，他們還可以在運行HAPPE+ER之前使用EEGLAB GUI來驗證事件標記名稱。用戶可以輸入不同數據集文件中的事件標記類型的完整列表，即使單個文件不包含所有這些事件類型（例如，參與者沒有完成范式，沒有對特定的興趣條件進行反應等)。用戶也不需要預先知道哪些試次類型存在于哪些文件中。HAPPE+ER輸出包括所有用戶輸入的刺激條件。類似地，如果有需要，用戶也可以在他們的文件中輸入可用事件標記類型的子集，只有這些用戶輸入的事件標記類型可用于進一步的HAPPE+ER處理（例如分段、基線校正）和HAPPE+ER輸出。雖然HAPPE+ER目前不支持帶有單獨事件列表的.mat格式，但該功能將會在HAPPE+ER的更新版中進行開發。

通道選擇（全部、感興趣的通道(COI)、不感興趣的通道(COD)）

HAPPE+ER提供了多種通道選擇選項，用戶可以選擇最適合其數據集需求的通道。HAPPE+ER不會限制用戶使用特定數量的通道，因為后續處理步驟不依賴于通道數來進行穩健處理。具體而言，HAPPE+ER支持以下選項：(1)選擇所有通道，那么數據集中包含的每個通道都包含在后續處理步驟中。(2)用戶也可以選擇感興趣的通道子集，可以通過包含(COI)或排除(COD)方法進行選擇。

選擇包含用戶指定通道的選項將從后續處理中刪除未指定的通道，被刪除的通道在后續處理步驟中無法恢復。例如，用戶選擇了128導腦電帽中的20個通道的數據，后續HAPPE+ER處理的數據將僅包含這20個選定通道的數據。

選擇排除通道的選項正好相反，排除所有用戶選定的通道并保留那些未選定的通道。例如，用戶選定了128導腦電帽中的8個通道的數據，后續HAPPE+ER處理的數據將包含剩余的120個通道。這些選項提升了用戶進行通道數量選擇的便利性。

線噪聲去除

HAPPE+ER通過CleanLine程序實施的多錐回歸方法從EEG中去除電噪聲（例如60或50Hz的偽跡信號）。多錐回歸可以去除電噪聲，而不會丟失附近頻率中的基礎EEG信號，這是陷波濾波方法去除線噪聲的缺點。具體來說，HAPPE+ER應用了CleanLine的多錐回歸的更新版本，它在去除線噪聲方面比HAPPE 1.0的原始版本更有效。用戶可以選擇HAPPE 1.0的舊CleanLine版本，但更新后的版本為默認版本。CleanLine的多錐回歸掃描用戶指定頻率±2Hz附近的線噪聲信號，在快速傅里葉變換期間，4秒窗口的步長為1秒，平滑tau為100，在去除電噪聲期間，正弦回歸系數的顯著性閾值為p=0.01。此過程與電噪聲的頻率高度相關，用戶可以將其指定為60Hz或50Hz。如果在其他頻率（例如30Hz、25Hz）中存在過多的線噪聲，用戶也可以指定要降低的諧波。在HAPPE+ER中自動生成了線噪聲去除有效性的管道質量控制指標，并在本文后續的質量控制指標部分進行了詳細討論。

重采樣(250、500或1000 Hz)（可選）

用戶可以選擇將其數據重采樣到250、500或1000Hz。此選項可以減小文件大小或將數據與其他項目(以較低采樣率收集的文件)相匹配（注意，用戶不能對數據進行升采樣，例如從500升至1000Hz）。由于HAPPE+ER功能針對這些常見的采樣率進行了優化（例如，下面描述的小波閾值步驟針對這些采樣率附近的數據進行了優化），如果采樣率不是這些選項中的任一一種，用戶可以通過重采樣來實現HAPPE+ER的最佳性能（例如從2000Hz到1000Hz）。

濾波（100Hz低通）

HAPPE+ER在偽跡拒絕和壞通道檢測之前應用100Hz的自動低通濾波，因此這些步驟可以評估神經活動頻率范圍內的數據。對用戶確定的感興趣的特定ERP的附加濾波發生在偽跡拒絕之后。請注意，此濾波策略與HAPPE 1.0中的不同，后者對所有文件應用1Hz高通濾波以促進最佳ICA分解。HAPPE 1.0排除了ERP分析，因為1Hz的濾波排除了ERP分析中感興趣的頻率。

不良通道拒絕（可選）

在整個記錄過程中，由于存在高阻抗、電極損壞、頭皮接觸不良以及過度運動或肌電圖(EMG)偽跡，HAPPE+ER可以檢測和刪除那些不良通道。HAPPE+ER在提交處理的整個數據文件長度上執行以下步驟：

1.檢測平線通道（通過CleanRawData函數；如果平線＞5s則拒絕）。

2.根據其功率譜檢測異常通道（通過EEGLAB rej_chan函數運行兩次；如果標準差＞3.5或平均標準差＜-5則拒絕）。

3.檢測剩余的巨大線噪聲污染（通過Clean RawData的線噪聲標準；如果平均線噪聲/神經信號比的標準差＞6則拒絕）。

4.根據與所有其他通道的相關性檢測異常通道（通過CleanRawData的通道標準；如果與其他通道的相關性＜0.8則拒絕）。

HAPPE+ER執行適用于ERP數據的不良通道檢測，并通過將EEGLAB的Clean Rawdata函數與如下功率譜評估步驟相結合，擴展了相對于HAPPE 1.0可以檢測到的不良通道類別。首先HAPPE+ER運行CleanRawdata“Flatline Criterion”來檢測平線記錄長度超過5s的通道，表明在該位置沒有收集到數據。如果通道包含持續時間超過5s的平線，則該通道被標記為不良通道。去除平線通道后，HAPPE+ER包括一個基于頻譜的不良通道檢測步驟，類似于HAPPE 1.0中使用的檢測步驟。與平均值相差超過3個標準差的通道將作為不良通道移除。

最后，HAPPE+ER使用Clean Rawdata的“線噪聲標準”和“通道標準”來檢測額外的不良通道情況。線噪聲標準根據總通道數確定一個通道相對于神經信號的線噪聲是否超過標準差的預設值，在HAPPE+ER中設置為6個標準差。通道標準設置相關通道與所有其他通道之間的最小可接受相關值。如果一個通道的平均相關性小于預設值，則認為它異常并標記為不良通道。通過這種方法，HAPPE+ER使用相關閾值0.8來識別不良通道。

小波閾值

為了減少從任何給定文件中拒絕的帶有偽跡的試次數量，偽跡校正可以在分段之前應用于連續的EEG和ERP數據。兩種主要的偽跡校正方法包括獨立成分分析(ICA)和小波閾值法(在HAPPE+ER中使用)。簡言之，ICA將跨電極的數據聚類為獨立成分，可以將偽跡與神經時間序列分離，而小波閾值分解則使用可以檢測電極數據或獨立成分中的時間局部偽跡波動的系數來解析頻率范圍內的數據。ICA要求拒絕整個時間序列，這取決于神經信號與偽跡數據的充分分離，并適當選擇需要拒絕的成分。小波閾值提供了時間和頻率局部的偽跡檢測和去除，而不會使無偽影的基礎信號失真。也就是說，干擾特定頻率的偽跡可以在它們發生的時間幀內被去除，而不干擾小波閾值處理的時間或頻率維度上的其他數據。HAPPE+ER在分段和拒絕之前實施小波閾值處理以執行該偽跡校正。研究者評估了許多偽跡校正策略，以優化HAPPE+ER，并確定小波閾值在去除偽跡和保留神經（或模擬神經）信號方面表現最佳。

用戶在HAPPE+ER中有兩個用于ERP分析的小波閾值選項，特別是用于從信號中去除偽跡的“軟”或“硬”閾值。軟閾值選項對于具有最少偽跡的數據（例如，健康成人樣本）可能是最佳的，因為該選項可以在一般干凈信號的條件下就能最好地保存ERP振幅。硬閾值可能是偽跡污染水平較高數據（例如，大多數發育樣本）的首選，因為該選項在高偽跡條件下以最小的振幅成本提供更嚴格的偽跡去除，并在偽跡污染的數據中保留更多的試次。

使用截止值的ERP濾波器

HAPPE+ER允許用戶選擇濾波器類型和濾波頻率，以將數據限制在ERP中感興趣的頻率(例如0.1-30Hz)。具體來說，HAPPE+ER提供了兩種濾波器類型，(1)漢明窗sinc FIR濾波器(EEGLAB的pop_eegfiltnew函數，根據用戶輸入頻率截止值估計濾波器階數)，以及(2)IIR巴特沃斯濾波器(ERPLab的pop_basicfilter，階數估計為(采樣率/高通頻率的)3*整數部分)。無論濾波器類型如何，用戶都可以輸入任何所需的高通和低通截止頻率。

分段

HAPPE+ER包括用于ERP分析的可選數據分段步驟，其中使用用戶指定的刺激起始標簽圍繞事件對數據進行分段。作為分段過程的一部分，HAPPE+ER會使用用戶在HAPPE+ER運行開始時輸入的偏移量對任何時序偏移進行固有的校正，（如果不存在時序偏移，用戶可以在該過程中指定零毫秒偏移）。如果選擇了分段，則ERP還可以使用兩個附加選項：基線校正（推薦）和段內數據插值（可選的偽跡校正步驟），詳細描述如下。

基線校正

用戶可以對分段ERP數據執行基線校正，以校正數據段之間與漂移相關的差異。HAPPE+ER使用標準的均值減法來實現此校正，其中從刺激后窗口的數據中減去用戶指定的基線窗口（定義相對于刺激開始）的均值。該步驟是通過EEGLAB中的rmbase函數實現的。基線校正選項可能對使用鹽堿采集系統或具有較長記錄周期的用戶特別有用。

不良數據插值（可選）

對于數據集（特別是高密度數據集），剔除壞段將導致ERP分析的剩余段數低得無法接受，因而用戶可以選擇對該通道的各段進行插值，由FASTER軟件實現。如果用戶選擇此選項，應咨詢Nolan及其同事(2010)以獲得這種方法的理由和進一步解釋。根據四個FASTER標準(方差、梯度中值、振幅范圍和與平均振幅偏差)對每個段中的每個通道進行評估，并對每個通道的該段生成四個指標的Z分數。任何一個或多個Z分數大于3個標準差的通道，標記其中的壞段。這些標準可以識別特定通道中具有殘余偽跡的段。隨后，對于每個段，在該段中標記為“不良”的通道使用球面樣條插值其數據，如在“FASTER”中一樣。

剔除壞段（推薦）

對于預分段數據或通過HAPPE+ER分段步驟運行的數據，用戶可以選擇剔除段。例如，如果選擇了段，可以根據振幅、聯合概率或同時用這兩個標準拒絕偽跡段。基于振幅的拒絕有助于去除殘留的高振幅偽影（例如，眨眼、干燥電極漂移、非連續性）。如果用戶指定了偽跡振幅閾值，這樣至少有一個通道且其振幅超過指定閾值的任何段將被標記為拒絕。HAPPE+ER建議嬰兒數據的偽跡閾值為-200至200，兒童、青少年和成人數據的偽跡閾值為-150至150。建議用戶在其數據集中的幾個文件上運行半自動化的HAPPE+ER設置，以直觀地檢查所選振幅在其數據集中是否進行了適當的偽跡段的拒絕。基于聯合概率的拒絕捕獲其他類別的偽跡，特別是像肌電這樣的高頻偽跡。使用EEGLAB的pop_jointprob函數計算兩個聯合概率。然后，在一個步驟中同時拒絕標記過的所有段。值得注意的是，該段拒絕步驟可以在所有用戶指定的通道上運行，或者在特定感興趣區域(ROI)的通道子集上運行。ROI通道子集選項允許用戶為特定的ROI分析定制分段拒絕，如果該ROI相對于HAPPE+ER處理選擇的通道中的其他ROI較少受到偽跡污染，則可能為每個個體保留更多的數據。

不良通道插值

對于所有的HAPPE+ER運行，無論分段選項如何，在不良通道拒絕處理步驟中移除的任何通道現在都要對其信號進行球面插值(Legendre多項式高達7階)。通道插值為用戶指定的完整通道集重新填充數據，并在選擇平均重參考選項時減少重參考的偏差。對于那些希望在進一步分析之前監控其數據集中插值通道百分比或標識的用戶，所有插值通道的標識將記錄在HAPPE的處理報告中。

重參考（平均或COI）（可選）

HAPPE+ER為用戶提供了重參考EEG數據的選項。如果進行重參考，用戶可以使用所有通道的平均值（即平均重參考）或使用一個或多個通道的通道子集來進行重參考。對于這兩個重參考選項，只有HAPPE+ER處理選擇的用戶指定通道子集中的通道可用于重參考。重參考還減少了持續存在于電極上的偽跡信號，包括殘余線噪聲。在重參考期間，如果存在先前的參考通道（例如，在線參考通道），則恢復該通道的數據并將其包括在重參考的數據集中。例如，EGI數據通常在線參考通道CZ。在此示例中，用戶現在可以通過在此步驟中重參考任何其他通道來恢復CZ處的數據。

按事件標記拆分數據

如果用戶輸入多于一種類型的事件標記（例如，任務中的多個條件，或多個任務），則HAPPE+ER將數據拆分為僅包含相同事件標記的文件，以便于按事件標記類型進行進一步處理，或者在生成ERP波形之前讓用戶在任務條件之間嘗試匹配。HAPPE還允許將多個標記分類為單個條件，這將數據拆分為僅包含該條件下的事件標記的文件。例如，“happy_face”和“sad_Face”事件標記可以分組為“face”條件，該條件將包含兩個事件標記的所有試次。注意，HAPPE+ER還保留了包含所有事件標記的文件。因此，對于讀取到HAPPE+ER中的具有多個事件標記的文件，分析此階段的數據以提供：1.包含所有事件標記的文件，2.每個文件僅包含具有相同事件標記的試次，以及3.僅包含具有相同條件試次的文件。

HAPPE+ER輸出：預處理ERP數據

HAPPE+ER生成幾個包含EEG文件的文件夾，這些EEG文件在用戶指定的文件夾中進行處理。經過處理的步驟會保存相應的EEG文件，以便用戶可以深入探索并可視化這些步驟如何影響其數據集中的EEG信號。這些文件夾包括：(1)濾波至100Hz并降低線噪聲后的數據，(2)不良通道拒絕后的數據，(3)小波閾值后的數據，以及(4)在用戶指定的ERP截止點處濾波的數據。如果用戶執行了分段步驟，HAPPE+ER將輸出一到三個額外的中間文件：(5)分段后的EEG數據，(6)基線校正數據（如果執行了基線校正步驟），以及(7)插值數據（如果執行了不良數據插值）。如果選擇了刪除壞段，HAPPE+ER也會保存刪除壞段后的數據。

HAPPE+ER輸出完全預處理的文件，這些文件可以以幾種格式中的一種進行進一步分析，由用戶在HAPPE+ER運行開始時選擇，以增加與其他數據可視化或統計分析軟件的兼容性。包括.mat，.set和.txt格式。建議使用.txt文件格式，因為它總共輸出三個文件：(1)一個.txt文件，包含每個電極在每個采樣時間點的試次平均值；(2)一個.txt文件，包含所有試次在每個電極點上的數據；(3)一個EEGLAB .set文件。最后，如果用戶在半自動設置中運行HAPPE+ER，軟件將為每個文件生成一個圖像，其中包含經過完全處理的數據的功率譜。

HAPPE+ER輸出：質量評估

除了完全處理的數據外，HAPPE+ER還為文件批次輸出HAPPE數據質量評估報告和HAPPE通道質量評估報告。讀者可以查閱軟件下載隨附的HAPPE用戶指南，以獲取每個HAPPE軟件版本的完整和更新的指標列表和說明。

HAPPE數據質量評估報告

HAPPE在單個電子表格中生成每個EEG文件的描述性統計和數據指標的報告，以幫助快速有效地評估研究內或研究間參與者的數據質量。在HAPPE+ER期間生成的“quality_assessment_outputs”文件夾中，包含所有這些指標的報告表，并以.csv文件格式提供。下面對這些指標進行了描述，以便于使用它們來確定和報告數據質量。

文件長度（秒）

HAPPE+ER在處理之前輸出每個文件的長度（以秒為單位）。

剔除壞段前的段數和剔除壞段后的段數

HAPPE+ER報告剔除壞段前和剔除壞段后的段數。如果沒有進行剔除壞段的步驟，則段數是相同的。如果用戶在HAPPE+ER中執行了壞段剔除，他們可能會評估每個文件剔除壞段后剩余的數據段數量，以確定任何不能提供足夠干凈數據并納入進一步分析的文件（用戶根據研究設計和感興趣的ERP自行決定）。用戶還可以很容易地將剩余段的描述性統計數據制成表格，以便在其研究方法部分中進行報告。

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(標識)。希望在進一步分析中限制插值數量的用戶可以使用這兩個指標輕松識別要刪除的文件。

可保留的方差百分比

為每個文件提供小波閾值處理后保留的數據相對于小波閾值處理前保留的數據的百分比。如果參與者在偽跡校正后沒有保留足夠的數據，用戶可能希望將其排除在進一步分析之外。關于發育數據的注意事項是，數據中較大的頭動或信號不連續性可能導致該指標的值非常低，但并不表示數據質量較差。在嬰兒研究中，這種情況最為常見(例如，頭部控制不良，通常會有更多的運動)，此時應依賴于小波閾值前/后特定頻率的相關系數，這些相關系數將在管道質量報告中生成。

ICA相關指標

由于HAPPE+ER在發布時未對ERP數據執行ICA，因此在HAPPE 2.2中用于ERP分析的ICA性能測量指標被指定為“NA”。

使用generateERPs腳本創建ERPs并計算ERP值

HAPPE+ER在addons/generate子文件夾中提供了一個可選的后處理腳本，稱為“generateERPs”，能夠生成ERP波形并對生成的ERP執行一系列計算。該腳本與HAPPE+ER管道的腳本不同，它建議用戶在生成ERP圖像和測量之前檢查其數據質量和HAPPE+ER的性能。在運行generateERPs腳本之前，應從輸出文件夾中刪除任何未通過數據質量閾值的文件，否則它們將包含在后續的圖像和指標中。與HAPPE+ER非常相似，generateERPs直接從命令行獲取的輸入上運行，并允許保存和重新加載運行參數，這延續了HAPPE+ER的目標，即讓各種編程級別的研究人員都可以訪問處理。用戶必須提供初始HAPPE+ER運行期間創建的已處理文件夾的完整路徑，并回答以下提示。

為了創建ERP波形，用戶可以以與HAPPE+ER管道中通道選擇相同的方式選擇他們感興趣的通道。作為通道選擇的一部分，用戶還可以選擇在HAPPE+ER處理運行期間包括或排除標記為“不良”的通道。如果用戶決定排除在HAPPE+ER期間檢測到的不良通道，則應首先創建一個新的.csv文件，僅包括HAPPE+ER生成的數據質量評估報告文件中的文件名和壞通道列。這在運行generateERPs腳本之前，.csv文件應與已處理數據放在同一文件夾中。請注意，如果由于數據質量不足而在后期處理中刪除了任何文件，則應將其從該.csv的行中刪除。

用戶還會被詢問是否希望為批處理中的每個文件計算一組與ERP相關的標準度量，以進行后續的統計分析。如果是這樣，用戶還必須指定：(1)感興趣的潛伏期窗口（例如，刺激后50-90ms），(2)是否預期該窗口中存在最大值或最小值（即，分別為正或負ERP成分），以及(3)是否以時間窗為界計算曲線下面積和平均振幅，使用ERP數據中存在的零交叉作為邊界，或使用這兩種方法報告測量(見圖2)。

圖2

generateERPs腳本將為每個被試創建一個ERP時間序列，以及跨被試的平均ERP時間序列（其中包括平均ERP的標準誤差和95%置信區間值），并將其保存在新文件夾“generated_ERPs”中的.csv輸出文件中。該文件的名稱為“generatedERPs”加上與所選數據和日期相關的任何后綴。當generateERPs運行時會生成三種ERP圖形：(1)包含每個被試ERP的圖形，(2)各被試的平均ERP和標準誤差，以及(3)前兩種圖形的組合。如果啟用，generateERPs將計算每個文件的以下值，并計算文件間的平均ERP，然后將它們輸出到“generated_ERPs”文件夾的一個附加的.csv文件中。

峰值振幅和潛伏期

對于每個用戶指定的時間窗，generateERPs計算指定的峰值（最大值或最小值，取決于用戶輸入的時間窗范圍）及其潛伏期(圖2)。用戶可以兩次指定相同的時間窗，以獲得該窗口內的最大值和最小值。此外，還會報告時間序列的全局最大值和最小值(圖2B)、所有最大值的列表、所有最小值的列表以及與每個值相關的潛伏期。

平均振幅

如果用戶選擇了基于窗口的平均振幅，則generateERPs將使用該窗口的開始和結束時間作為上限和下限來計算每個用戶指定的潛伏期窗口的平均振幅。如果用戶選擇基于過零點計算平均振幅，generateERPs將在ERP中定位過零點，并使用這些交叉點、潛伏期起始和潛伏期結束作為邊界創建新的潛伏期窗口(圖2)。

曲線下面積

如果用戶選擇了基于窗口的曲線下面積，generateERPs將使用用戶指定的潛伏期窗口的開始和結束時間作為上限和下限來計算曲線下面積。該方法還報告了刺激開始后整個ERP波形的曲線下總面積，使用絕對值計算。如果用戶選擇基于過零點計算曲線下面積，generateERPs將在ERP中定位過零點，并使用這些交叉點、潛伏期起始和潛伏期結束作為邊界創建新的潛伏期窗口(圖2)。

曲線下50%的面積和潛伏期

如果用戶基于窗口選擇了曲線下50%的區域，generateERPs將為每個用戶指定的潛伏期窗口計算曲線下50%的面積。該選擇還報告了刺激后ERP波形及其相關潛伏期的50%曲線下面積。如果用戶選擇基于過零點計算曲線下50%的面積，generateERPs將使用ERP中的過零點作為邊界創建潛伏期窗口(圖2)。

HAPPE+ER與其他預處理方法的比較

在這一部分中，研究者將HAPPE+ER的偽跡校正方法與多種其他偽跡校正方法進行了比較。這些比較有助于優化HAPPE+ER的性能（考慮將所有方法納入HAPPE+ER），也提供了與文獻中已發表的管道和常見預處理策略相關的實證比較。研究者使用模擬ERP數據和真實的發育人群和成人ERP數據對這些方法進行了測試。

已有的偽跡校正方法

小波閾值和獨立成分分析(ICA)提供了兩種不同的偽跡校正策略。研究者評估了使用小波閾值或不同的自動算法來拒絕ICA中的偽跡成分，即：iMARA、ICLabel、MARA、調整后的ADJUST、手動IC拒絕，以及在分段之前沒有進行連續數據的偽跡拒絕的方法。自動算法的閾值選擇了在真實的發育和成人數據中表現最好的閾值，由于嬰兒數據中自動IC拒絕的最佳算法尚不清楚，特別是最近發布了多個選項(例如調整后的ADJUST、iMARA)。因此，首先對IC拒絕步驟進行了優化，以用于后續方法比較。簡而言之，研究者注意到，無論采用何種算法，自動成分拒絕性能都高度依賴于所選的拒絕閾值。在沒有最優算法閾值選項的情況下，這里繼續使用iMARA 0.2閾值和ICLabel 0.8組合進行測試，用于自動成分拒絕，以保持ERP振幅。

ERP分析的偽跡校正方法比較：模擬ERP數據

使用嵌入在真實發育基線（靜息態）EEG數據中的已知時間和振幅特性的模擬ERP，測試了ICA和基于小波的偽跡校正方法的性能。這種模擬ERP方法結合了模擬數據和真實數據的優點：通過模擬復雜的信號和真實的腦電記錄的偽跡特征來獲得感興趣的已知信號特性。請注意，研究者使用棕色和粉紅噪聲對一個完全模擬的EEG數據集進行了測試，其中嵌入了模擬的VEP時間序列，并向數據中添加了真實的偽跡信號，但事實證明該數據集不適用于測試。相反，本研究的模擬ERP方法如下所示。使用SEREEGA EEGLAB插件創建模擬VEP波形，并參考Krol等人(2018)研究中設置的VEP參數。本研究從三個ERP成分（N1、P1和N2）構建了VEP，指定了峰值中心、寬度、振幅和振幅斜率，如表3所示。這些參數與Krol等人(2018)中描述的相同，只是本研究將每個成分的中心在時間上向前移動了100ms，以創建100ms的ERP前基線周期并進行基線校正。

一旦成分被定義，使用New York Head field和BioSemi 64通道蒙太奇生成導聯場。所有三個VEP成分均分配給雙側枕葉的兩個源(圖3)。對于其他源，研究者分配了一個噪聲參數，由振幅為零的粉紅噪聲創建，以創建一個橫跨整個場的平線信號。通過這些設置，生成了具有60個epoch(每個epoch時長為500ms)的模擬數據集，共30s的模擬數據（60個模擬VEP試次）。

圖3

在生成模擬VEP信號后，從發育樣本(年齡2-36個月)中準備了基線（靜息態）EEG文件，以便將ERP添加到該數據中，并提交偽跡校正方法進行比較。研究者為這些比較生成了兩組模擬ERP數據，一組干凈的vs.添加偽跡的數據集，另一組是全長文件的數據集。創建的干凈的vs.添加偽跡的數據集，以便于對不同偽跡水平的數據進行性能比較。使用全長基線文件的無偽跡（干凈）基線數據的連續片段創建了16個30s的文件。接下來，從相同個體的30s腦電中，運行獨立成分分析（ICA）并提取偽跡成分（由專家識別，并通過ICLabel和MARA自動算法標記的偽跡）。將偽跡IC嵌入到該個體干凈的30s數據段中，以創建另外16個偽跡添加文件。為了在較短的文件長度上更好地將獨立分成分分析與小波閾值分析的性能等同，研究者在基線EEG文件中選擇了39個空間分布通道的子集。然后，從具有顯著模擬VEP波形的模擬數據集中選擇一個通道(在本例中為Oz)，并將其時間序列添加到干凈和添加偽跡文件的每個通道中，以創建兩個具有已知ERP形態的VEP文件集。這使我們能夠比較不同空間位置的模擬ERP中的偽跡校正效果，這些位置可能具有不同的偽跡污染情況。為了將VEP嵌入全長數據集，再次使用了來自上述數據集的模擬VEP通道Oz以及來自發育數據集的一組20個基線EEG文件。對于每個文件，腳本將VEP時間序列添加到數據的每個通道，盡可能多次完整地重復時間序列。然后從數據集的末尾修剪基線數據中的多余時間點。例如，長度為125s的文件添加了120s的重復VEP時間序列，并刪除了剩余的5s。與干凈vs.添加偽跡文件一樣，這使我們能夠在實際長度的數據集中檢查預處理對已知ERP信號的影響。

總的來說，小波閾值是在試次保留方面最成功的算法之一，也是最成功的自動算法，不會導致信號整體幅值的大幅降低。在干凈的和添加偽跡的數據集分析的評估標準中，小波閾值始終優于所有其他自動偽跡校正方法，也優于不進行偽跡校正和手動IC拒絕的情況(圖4)。

圖4

圖5-7中顯示了三種不同頭皮ROI的平均模擬ERP和平均ERP的95%置信區間。值得注意的是，用于自動IC剔除的MARA0.5算法顯著降低了全長數據中的ERP振幅，因此不建議在這些條件下使用。無論空間ROI如何，兩種小波閾值選項在保持振幅的同時相對于所有IC選項(包括手動拒絕IC和無偽跡校正選項)降低95%置信區間的寬度方面表現最佳。在這些條件下，與軟閾值相比，具有硬閾值的小波確實導致了輕微的振幅損失，但也具有分段保留率方面的好處。

圖5

圖6

圖7

執行HAPPE+ER

HAPPE+ER完全通過MATLAB命令行運行，無需用戶處理或更改管道代碼即可收集處理參數，使不同背景和熟悉程度的用戶能夠輕松運行HAPPE+ER。要運行HAPPE+ER，只需打開MATLAB，導航到HAPPE 2.0文件夾，然后打開HAPPE 2.0腳本。在屏幕頂部的“編輯器”選項卡中，單擊“運行”并按照MATLAB命令行中出現的提示進行操作。在命令行輸入所有相關輸入參數后，HAPPE+ER將自動運行完成。HAPPE+ER代碼和用戶指南可在以下網址免費獲取：https://github.com/PINE-Lab/HAPPE。本研究中使用的數據可通過Zenodo免費獲取，網址為：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

小伙伴們點個“在看”，加

(星標)關注茗創科技，將第一時間收到精彩內容推送哦～

總結

以上是生活随笔為你收集整理的HAPPE＋ER：一款让脑电研究人员“更快乐”的软件，可用于事件相关电位(ERP)分析的标准化预处理管道的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。