超扫描方法使研究人员可以在自然环境中测量两个或更多个体之间神经活动的动态相互排列。超扫描研究日益增多需要开发一种透明且经过验证的数据分析方法，以进一步推动该领域的进一步发展。我们开发并测试了双脑电图分析流程（DEEP）。在对数据进行预处理之后，DEEP 允许用户计算锁相值 (PLV) 和跨频 PLV来作为每个参与者的脑间相位对齐，时频响应和 EEG 功率的指标。
1. 背景
超扫描技术的引入使我们可以同时记录两个或多个个体的神经活动。使用这种新技术，研究人员可以测量自然环境中交互伙伴之间神经过程的动态相互对齐，。从而探究社会互动中的双向性和动态性。随着超扫描研究的发展，涉及发育人群的超扫描研究也得到了发展，主要包括使用 EEG，功能近红外光谱（fNIRS），脑磁图来探究婴儿和成人以及儿童和同伴之间的社会互动。本研究主要关注于使用EEG的超扫描研究。
量化个体之间 EEG 连接量（即脑间连接）的方法与检查个体大脑内 EEG 连接（即脑内连接）的方法非常相似。最常用的方法包括 （i） 幅值或功率的协方差（即幅值包络相关、功率相关、功率-功率耦合 [PPC]）；(ii) 相位同步（锁相值 (PLV)或循环相关 (CCorr)测量）；(iii) 基于相干性来测量功率和相位相似性的指标，例如部分定向相干(PDC)、小波相干和虚部相干。
本研究通过引入 DEEP 的跨频 PLV 模块来解决计算从成人和儿童EEG 信号之间的相位对齐时的问题。这种方法允许跨不同峰值频率的数据集（例如成人和婴儿EEG 数据）来计算相位对齐。
目前还没有建立标准化和自动化的预处理流程来分析成人和儿童或婴儿的双脑电图数据。本研究们尝试建立并测试了一个双 EEG 数据处理流程，简称 DEEP。该流程为用户提供了带有图形元素的逐步命令行界面，也就是图形用户界面 (GUI)以分析成人-婴儿/儿童和成人-成人 EEG 超扫描数据集。如图1所示，当前版本的数据处理流程由九个数据处理步骤组成，包括：滤波、伪迹识别、伪迹校正和剔除坏段、坏导插值、希尔伯特变换以及 PLV 和跨频 PLV 等脑间相位对齐方法的计算。
图1. DEEP数据处理九步骤
除了双 EEG 数据之外，DEEP 还允许用户使用时频响应和/或 Welch 方法分析单个 EEG 数据。与其他超扫描流程不同，DEEP 允许用户使用替代数据运行控制分析，以解释在数据中偶然观察到的相位对齐水平的差异。
当前版本的流程中使用的脚本可在https://github.com/dmatthes1982/MPI_CBS-DEEP获得，包括代码。在补充材料和其他文档中，我们包括一个关于如何使用 GUI 快照操作流程的教程，以便用户可以轻松地导航分析工作流程（见文章附件）
2 . 流程概述
下面，我们将详细描述流程中的每个处理步骤。
2.1 第1步：数据导入
在当前版本的流程中，只能分析 Brain Vision Recorder 软件（Brain Products GmbH，Germany）记录的数据。对于每个新session，首先需要导入数据。原始数据由包含 EEG 数据的 *.eeg 文件、包含有关记录电极和采样率的信息的 *.vhdr 头文件和包含trigger信息的 *.vmrk 文件组成。文件应该按照流程中的规定命名（例如，Studyname_Dyadnumber）。在附录的使用手册中，我们包含一个代码，用于将其他 EEG 系统（例如 BioSemi）记录的数据转换为使用流程。
用户可以通过手动输入通道名称来导入所有通道或排除某些通道。如成人-婴儿超扫描数据分析中眼电 (EOG) 电极一般被排除在外。
2.2 第2步：坏导插值和滤波
在第二步中，首先识别出最噪的通道。连接每个参与者的所有可用数据，并使用“DEEP_estNoisyChan”函数从 3 Hz 开始计算每个通道的总功率。根据异常值的通用定义，如果特定通道的值高于 1.5 * IQR Q3 或低于 Q1 - 1.5 * IQR，则认为该通道有噪声。界面中的图表仅突出显示与其他通道相比噪声更大的通道。我们建议用户在不对通道进行任何干预的情况下运行预处理步骤 1-5 来决定插值的通道，并在步骤 5 使用伪迹值来明确插值的通道。在其当前版本中，需要一定的EEG处理经验才能决定对哪些通道插值。
首先，检查成人数据。在 GUI 中，会出现两个图形和一个窗口界面。第一个图描述了所有通道的总功率，包括标记为红色的是坏通道。第二个图使用 FieldTrip 数据浏览器功能（即 ft_databrowser）绘制了每个通道随时间变化的原始数据。用户可以滚动浏览未过滤的数据并放大和缩小以检查数据。这些图帮助用户决定在后续步骤中插入的通道。
在“select bad channels”窗口中，用户可以在步骤 4 中选择要插值的通道。如果用户选择相邻通道进行插值，则流程将继续运行。如果一个通道没有良好相邻通道，则该通道的值将设置为零。如果坏通道相邻只有一个好通道，则插值通道值将等于该好通道的值。如果选择将用于重新参考的通道（例如，用于链接乳突方法的 TP10）进行插值，则 GUI 将显示一条警告消息。
一旦为成人数据选择了不良通道，婴儿数据的就会进行相同处理。之后，流程使用 1–48 Hz 带通滤波器对数据进行滤波。为了处理当前数据集，我们使用了 DEEP 的默认参数和设置，可以在 DEEP_main_2 脚本中找到（参见https://github.com/dmatthes1982/MPI_CBS-DEEP/blob/master/DEEP_main_2.m）。用户可以更改代码中的设置。
2.3 第3步：在 ICA 之前进行数据清洗
为了计划处理时间，用户可以继续对所有数据或者制定数据进行 ICA 分解步骤。在此步骤中，分段后的 EEG 数据段再次连为连续数据。接下来，使用以下标准来剔除所有通道中的眼动伪迹：在具有 50% 重叠的 200 ms 段内（即100 ms）：最大和最小电压之间的差异不能超过 200 μV。使用默认方法“runica”进行 ICA 分解。
2.4 第4步：选择 ICA 成分，插值坏导并数据重参考
2.4.1 ICA成分的选择
在此步骤，如果EOG 数据可用，首先根据检测眼动伪迹用于随后的校正，检测标准为检测到的眼动成分与水平眼电电极及垂直眼电极之间的相关性大于等于 80%（即计算水平垂直 EOG 信号成分 [EOGH, EOGV] 分别使用当前布局中的F9、F10 和 V1、V2通道）。用户可以手动降低默认阈值。通过 ft_icabrowser 函数，GUI界面 会显示一个窗口，其中显示整个头皮上检测到的成分的地形图，并用“Reject”标签突出显示。此外，频率函数的功率谱密度图与显示功率随时间变化的图一起显示，以帮助用户更好地评估检测到的成分。
如果缺失眼电电极，无法计算上述相关性，无法自动生成剔除建议。在这种情况下，用户可以检查 ICA 成分并将某些成分手动标记为眼睛伪影。尽管 ICA 算法适用于成人数据，但可能需要对成分进行仔细的目视检查，以验证婴儿数据中的眼球运动成分。在这种情况下，用户应该有一些识别眼球运动伪影的经验。在对婴儿和成人数据分别进行的眼动成分识别之后，校正眼动伪影。
2.4.2 插值坏导
使用 FieldTrip 默认的通道修复方法（即加权邻居方法 (weighted neighbor approach)）对在步骤 2 中选择的噪声通道进行插值。加权邻居方法用所有相邻通道的平均信号替换坏导的信号。这种方法需要周围通道的信号质量良好，因此，如果需要对临近的多个噪声通道进行插值，它不是最佳选择。默认情况下，在DEEP中当插值通道总数大于 10%时可以禁用此功能，但不建议这样做，因为在发育性脑电研究中通常会插入10%以上的通道以获得有意义的结果。
2.4.3 数据重参考
在发育性脑电研究中，研究人员通常使用顶点Cz 或左右乳突通道作为记录参考。在本示例数据集的记录中，我们使用左侧乳突（TP9）做在线参考。离线冲参考中，根据记录的通道数和数据质量，DEEP提供了以下重参考的方法：1) 共同平均重新参考（所有电极的平均值重参考）；2) 使用双侧乳突（TP9 和 TP10）的平均值重参考；3) 稳健的平均重参考。这种方法与第一种方法相似，区别在于这种重参考的方法不是取所有电极的平均值，而是使用一组干净的通道（如步骤 2 中所确定）并计算这些通道的平均值以成为重新参考的参考通道。本研究中的示例数据集的预处理采用的是第三种稳健的平均重参考方法。这种方法对于使用自然范式记录发育人群的脑电图数据特别有用，因为与成人脑电图记录相比，运动伪迹导致好的通道较少。
2.5 第5步：自动和手动伪迹检测
DEEP提供四种不同算法帮助用户进行自动伪迹检测以进一步清理数据。四种方法分别是：(1) 最小-最大阈值：算法检查段内的最小值或最大值是否超过默认值 -75μV，本文的示例数据使用的是这种方法。用户还可以通过从 50–200 μV 范围内选择一个值来调整此默认阈值。如果电压值超过上限和下限阈值，则该段将被标记为伪迹。(2) 200ms内的范围阈值，滑动窗口：在一个滑动的200ms窗口中，算法检查段内的最小值和最大值的差值是否超过一定的阈值。如果为真，则该段将被标记为伪迹。(3) 200 ms内的标准差阈值，滑动窗口：在200 ms的滑动窗口中，算法检查标准差是否大于某个阈值。如果为真，则该段将被标记为伪迹。(4) 中位数绝对偏差的倍数，滑动窗口。DEEP中可以为成人和婴儿分别选择阈值和通道。
在这一步，流程生成两个图表，说明每个条件的伪迹图。每个伪影图随时间说明每个通道中的伪影。在图表的左侧，用户还可以以数字形式查看每个通道的工件数量。无伪影片段以绿色描绘，而超过伪影阈值的片段以红色标记。除了自动伪影检测之外，还可以在数据浏览器窗口中手动选择伪影。完成第 5 步后，用户可以选择进一步的处理选项，例如处理单个 EEG 数据或运行脑间相位对齐分析。需要注意的是，这一步是识别伪迹，在步骤 7 或步骤 8根据感兴趣的分析进行伪迹剔除。
2.6 第6步：窄带滤波和希尔伯特变换
用户可以在GUI界面为成人和婴儿选择相同的默认带通，或者为成人和婴儿数据选择单独的带通。默认设置包括成人数据的以下带通：1) theta [4–7 Hz] 2) alpha [8–12 Hz] 3) beta [13–30 Hz] 4) gamma [31–48 Hz]。由于成人和婴儿数据之间的频带不同，婴儿数据使用以下设置：1) theta [3–5 Hz] 2) alpha [6–9 Hz] 和 3) beta [13–30 Hz ] 4) gamma [31–48 Hz]。在本文的示例数据中，我们检查了最常用于发育研究的 theta 和 alpha 频率。在这一步，流程还估计每个带通中的希尔伯特相位。
2.7 第7步：计算锁相值 (PLV) 和跨频 PLVs
PLV 是用于估计两个信号之间的锁相的主要指标。它测量两个信号随时间或试验的相角相似程度。PLV 计算如下：
其中 N 是观察次数，F(t,k) 是通道F的观察量k 在时间 t的相位，Y(t,k)则是在通道Y. 如果两个信号的相位角随时间波动且差异一致，则PLV 接近 1。如果相位角随时间波动而两个信号中的每一个之间几乎没有一致性，则 PLV 接近 0。
跨频相位带或跨频 PLV 与 PLV 共享相同的基本假设。跨频相位带或 PLV m:n的计算与 PLV 类似，如下所示：
N是试验次数和计算如下：
其中n和m是两个信号的中心频率，整数值需要满足方程，,是通道F在时间t及试次k的相位角。与 PLV 类似，跨频PLV 可以应用与整个试次或者试次中的某个时间窗。
DEEP通过以下步骤来计算PLV 或跨频 PLV。流程首先将所有数据分为 1 或 5 秒持续的时间段。分段的持续时间可以由用户调整。然后，剔除在步骤 5 中定义的伪影的段。然后对于剩下的好段来估计它的PLV 或跨频 PLV。之后对所有估计的PLV 或跨频 PLV 对所有通带在每个条件上进行平均。在本研究的示例数据中，我们估计 theta 和 alpha 频带的PLV 和跨频 PLV。分别分割数据的 theta 和 alpha频段为 1 s的时间段。
2.8 第8步：使用 Welch 方法计算时频响应和功率谱密度
DEEP还允许用户分析个人脑电图数据。在此步骤中，用户可以分别为每个参与者（例如，婴儿和成人）计算时频响应 (TFR) 或功率谱密度 (PSD)。TFR使用 FieldTrip 函数 ft_freqanalysis计算。默认情况下，使用Morlet 小波时频变换计算响应，在2-50 Hz 的频率范围内以 1 Hz 的步长应用汉宁窗，并以 500 ms 的时间戳为分析中心。这些设置可以在函数 DEEP_main_8.m 和子函数 DEEP_timeFreqanalysis.m 中手动更改。
在下一步中，可以使用 FieldTrip 函数 ft_freqanalysis 对 Hanning 窗口使用多锥频率变换 (“mtmfft”) 方法分析功率谱，默认设置为 有75%的重叠的1000 ms 窗口长度，频率范围为1-50 Hz，步长为 1 Hz。整个条件的功率谱的计算是一个中值运算，它可以减少自然主义范式中数据中异常值的影响。这些设置可以在函数 DEEP_main_8.m 和子函数 DEEP_pWelch.m 中手动更改。
2.9 第9步：计算每对或个体参与者的平均 PLV 或跨频 PLV、TFRs 和 PSD 值
在这最后一步中，用户可以选择 配对的或个体参与者的数据来计算不同条件下 PLV 或跨频 PLV、TFRs 和 PSD 的平均值。
3.结果
本研究的示例数据集是 70 名 8 个月大的婴儿（36 名女孩，年龄M = 8.29 个月，SD= 8.03 天）及其母亲（年龄：M= 33.40 岁，SD = 4.62 岁）记录的双脑电图。纳入分析的样本包括 35 名婴儿（22 名女孩，年龄：M = 8.27 个月，SD= 8.17 天）及其母亲（年龄：M= 34.28 岁，SD= 4.03 岁）。我们分析了两个条件：1）静止状态（45 秒，标记 S13）和 2）自由游戏（150 秒，标记 S11）。在静息状态下，婴儿和他们的母亲一起观看实验者吹泡泡，同时记录他们的脑电图活动。在自由玩耍的情况下，妈妈们被要求像在家一样与婴儿玩耍，不使用玩具。
研究表明，功率的增加可以降低相位估计的误差，并出现锁相增加的现象。虽然这主要被认为是一种事件锁定现象，但我们很好奇这是否也是连续脑电图记录的一个特征。因此，我们首先检查了是否可以在整个测试期间（分别考虑婴儿和成人）以及婴儿-成人的平均 theta 和 alpha跨频 PLVs 之间观察到平均 theta 和 alpha 功率之间的系统关系。
我们发现婴儿-成人 theta 跨频PLVs与婴儿 theta 频率在自由游戏条件下（rho=0.42，p = .01）之间存在显著正相关关系，但在静息状态条件下没有（rho=0.04，p = .82 )。在任何情况下，婴儿-成人alpha跨频 PLVs 与婴儿alpha频率之间的关系均不显著。在 theta 或 alpha 频带中没有观察到婴儿-成人跨频 PLVs 和成人频率之间的一致关系。与跨频 PLV 发现类似，我们观察到婴儿 theta 频率和婴儿 - 成人 PLV 在自由游戏条件下的显著关系（rho = 0.31，p = .07）但不在静止状态条件下（rho=0.24，p = .17）。进一步佐证了当考虑整个测试session的平均值时，获得的相位对齐值在很大程度上与功率无关。然而，与静止状态条件相比，自由发挥条件下更强的功率和锁相关联的一种解释可能是自由发挥条件显示出更快速的功率瞬态波动。
接下来，我们分别检查了alpha 和 theta 频率中的跨频PLVs 和静息状态或自由游戏条件下的 PLVs的关系。虽然我们观察到跨频 PLVs 和PLVs之间在alpha 频率的静息状态下边缘显著（rho = 0.32，p = .06），但没有其他相关性达到显著性（所有ps > 0.14）。如图2a和 b 所示。
图 2 a) 跨频 PLV 和alpha 频率的 PLVs 在静止状态和自由游戏条件下的相关。b) 跨频 PLV 和theta 频率的 PLVs在静止状态和自由游戏条件下的相关。
作为探索性分析，我们检查了静息状态和自由游戏条件之间 alpha 频率和 theta频率的 跨频 PLVs 的一致性。如图3 a 和 b所示，我们观察到alpha频率中自由游戏中的跨频 PLV 与静止状态下的跨频PLVs之间存在强相关（rho=0.50，p < .01），但在theta 波段并没有（rho =0.25，p = .14）。同样，在PLV中发现了同样的结果。
图 3 a) 在 alpha 和 theta 波段处于静止状态和自由游戏条件下的跨频 PLVs的相关b) alpha 和 theta 波段处于自由游戏和静止状态的 PLV的相关。
此外，我们检查了不同条件下的 alpha 跨频 PLV 和theta 跨频 PLV 之间的关系（参见图 4 a 和 b）。在这里，我们观察到自由游戏 (rho= -0.27, p = .12) 和静止状态条件的负相关，尽管只有后一种关系是显著的 (rho= -0.46, p < .01)，因此更强的 alpha跨频 PLVs 与较低的theta 跨频 PLVs 相关。关于 PLV，我们观察到了相反方向的关系（更强的 alpha PLV 与增加的 theta PLV 相关），这再次仅在静息状态条件下显著（rho=0.49，p < . 01）。
图 4 a) 休息状态和自由游戏条件下的alpha 跨频 PLVs 和 theta 跨频 PLVs的相关。b) 休息状态和自由游戏条件下的 alpha频段的 PLV 和theta频段的 PLV的相关。
4.讨论
由于这是 DEEP 的第一个版本，我们仍然希望在未来版本中解决一些未解决的问题。首先，目前，DEEP仅允许用户分析 Brain Products EEG 记录系统获取的 EEG 数据集。我们将调整流程，以便可以将多个 EEG 数据结构读入流程。同时，我们为用户提供了 BioSemi 数据的数据转换方法，可以在补充材料 S1中找到。此外，当前版本的流程仅处理双 EEG 数据集，例如来自婴儿/儿童和成人二元组或两个成人的数据集。我们努力扩展流程，以便可以检查来自三个或更多个人的数据，这对于在团体环境中进行的研究特别有用。
尽管婴儿和成人的数据是使用用户定义的不同参数和设置一一处理的，但两个数据集的基本预处理步骤大致相同。在未来的版本中，我们的目标是修改流程，以便为婴儿和成人数据启用单独的预处理步骤。同样，考虑到 ICA 方法在校正成人和婴儿数据中眼球运动伪影的效果方面存在差异，应用单独的 ICA 过程将是有用的。此外，通过包括人际同步措施来扩展流程将非常有趣，这些措施解决了两个信号之间的方向性（即一个预测另一个），例如部分定向相干性（PDC；）。以前用于发育研究。最后，在流程的未来版本中，我们希望实施进一步的替代分析方法，例如相位随机化方法，以检查使用不同的替代方法是否会影响结果。
参考文献：DEEP: A dual EEG pipeline for developmental hyperscanning studies
