EGI高密度腦電圖在澳門大學(xué)研究人員評估決策選擇的應(yīng)用

論文題目：

A resource for assessing dynamic binary choices in the adult brain using EEG and mouse-tracking
中文翻譯：使用腦電圖和鼠標(biāo)追蹤評估成人大腦動態(tài)二元選擇的資源

期刊：Nature scientific data

影響因子：

• 2-year impact factor: 6.444

• 5-year impact factor: 9.051

發(fā)表時(shí)間：2022年7月

作者：Kun Chen, Ruien Wang, Jiamin Huang, Fei Gao, Zhen Yuan, Yanyan Qi & Haiyan Wu

發(fā)表網(wǎng)址：https://doi.org/10.1038/s41597-022-01538-5

摘要：

我們提供了一個(gè)結(jié)合高密度腦電圖（HD-EEG，128通道）和鼠標(biāo)跟蹤的數(shù)據(jù)集，旨在作為檢查人腦中語義和偏好選擇的動態(tài)決策過程的數(shù)據(jù)資源。該數(shù)據(jù)集包括從 31名被試（年齡：18-33歲）獲得的靜息狀態(tài)和任務(wù)相關(guān)（食物偏好選擇和語義判斷）腦電圖。除了數(shù)據(jù)集，我們還提供了靜息狀態(tài)腦電圖的初步微狀態(tài)分析以及任務(wù)相關(guān)腦電圖的ERP、拓?fù)鋱D和時(shí)頻圖。我們相信，同步進(jìn)行鼠標(biāo)跟蹤和腦電圖記錄將能破解二元選擇的核心組成部分，并進(jìn)一步解釋決策和反應(yīng)遲緩的時(shí)間動態(tài)過程。

實(shí)驗(yàn)方法：

31名大學(xué)生（18-33 歲，平均：20.68 歲；14 名男性）參加了本實(shí)驗(yàn)。

實(shí)驗(yàn)步驟

被試坐在可調(diào)節(jié)的椅子上，其眼睛距離顯示器約 60 厘米（dell，分辨率：1,920 × 1,080像素，垂直刷新率：60Hz）。然后進(jìn)行簡單的決策任務(wù)。所有三個(gè)任務(wù)都分為三個(gè)block，在中間休息階段，實(shí)驗(yàn)者可以檢查電極的阻抗并在必要時(shí)補(bǔ)充生理鹽水，以保證實(shí)驗(yàn)電極阻抗達(dá)到實(shí)驗(yàn)要求。

刺激呈現(xiàn)和手動響應(yīng)測量由PsychoPy Standalone (2020.2.3) 所呈現(xiàn)和記錄，EGI PyNetstaion庫用于連接 PsychoPy 和 EGI Netstation。

實(shí)驗(yàn)有靜息任務(wù)和三個(gè)決策相關(guān)任務(wù)，如下圖所示：

實(shí)驗(yàn)任務(wù)的示意圖

數(shù)據(jù)記錄：

所有數(shù)據(jù)均可在 OpenNeuro 平臺下，以腦成像數(shù)據(jù)結(jié)構(gòu) (BIDS) 格式公開訪問 ( https://openneuro.org/datasets/ds003766 )

腦電圖數(shù)據(jù)收集

實(shí)驗(yàn)采集如下圖所示，EEG數(shù)據(jù)是使用基于標(biāo)準(zhǔn) 10/20 系統(tǒng)和EGI腦電系統(tǒng)的 128通道帽采集的。EEG電極布局如圖所示。采樣率為 1000 Hz，以E129（Cz）電極為在線參考。在實(shí)驗(yàn)期間，每個(gè)電極的電極阻抗保持在50k Ω 以下。原始 EEG 數(shù)據(jù)在 Mac OS 上以 .mff格式保存。

數(shù)據(jù)采集示意圖

數(shù)據(jù)分析

數(shù)據(jù)預(yù)處理后，使用EEGLAB中的Microstate插件來分析靜息態(tài) EEG 數(shù)據(jù)。我們進(jìn)行了微狀態(tài)分析并確定了四種穩(wěn)定微狀態(tài)，如下圖。根據(jù)采樣數(shù)據(jù)結(jié)果，地形狀態(tài)穩(wěn)定，各個(gè)地形狀態(tài)與四個(gè)大平均地形狀態(tài)重疊。

微狀態(tài)示意圖

選擇任務(wù)腦電圖

食物任務(wù)期間左右選擇的比較，以及電極Cz上圖像選擇和單詞選擇任務(wù)的有無生命屬性的比較

組級別平均了三個(gè)任務(wù)的時(shí)頻圖。

使用 EEG 進(jìn)行解碼選擇

使用支持向量機(jī)分類器（具有SVC的功能），在 MNE-Python 結(jié)合Scikit-learn進(jìn)行解碼分析。三個(gè)任務(wù)（即食物選擇任務(wù)、單詞選擇任務(wù)和圖像選擇任務(wù)）的準(zhǔn)確度分別為0.67 ± 0.08、0.73 ± 0.09 和 0.77 ± 0.1。下圖左或右選擇的地形圖隨著時(shí)間的推移也表現(xiàn)出不同的模式。解碼結(jié)果也評估了數(shù)據(jù)用于未來解碼的潛力。

在三項(xiàng)任務(wù)中，刺激開始前 -100 ms、200 ms、500 ms 和 800 ms 的平均地形分布

數(shù)據(jù)和代碼易用性：

大多數(shù)用于分析這些數(shù)據(jù)的軟件或軟件包都是免費(fèi)提供的。用于預(yù)處理數(shù)據(jù)和繪制結(jié)果的代碼可在 GitHub ( https://github.com/andlab-um/MT-EEG-dataset ) 上公開獲得。有關(guān)代碼使用的更多詳細(xì)信息，請參閱 GitHub 存儲庫。

參考文獻(xiàn)：

Chen, K., Wang, R., Huang, J. et al. A resource for assessing dynamic binary choices in the adult brain using EEG and mouse-tracking. Sci Data 9, 416 (2022). https://doi.org/10.1038/s41597-022-01538-5

以上部分內(nèi)容參考以上文獻(xiàn)，更多內(nèi)容請參考原文獻(xiàn)，本內(nèi)容僅供參考，如有疑問，請后臺聯(lián)系我們！