HAPPE+ER軟體：標準化事件相關電位ERP的預處理的pipeline

摘要

事件相關電位（ERP）設計是一種用腦電圖（EEG）評估神經認知功能的常用方法。然而，傳統的ERP資料預處理方法是手動、主觀、耗時的過程，許多自動化處理方法也很少有針對ERP分析有最佳化（特別是在發展或臨床人群中）。本文提出並驗證了HAPPE+事件相關（HAPPE+ER）軟體，標準化和自動化預處理過程，且優化了整個生命週期的ERP分析。HAPPE+ER透過預處理和事件相關電位資料的統計分析來處理原始資料。HAPPE+ER還包括資料質量和處理質量指標的事後報告，標準化對資料處理的評估和報告。最後，HAPPE+ER包括後處理指令碼，以方便驗證HAPPE+ER的效能或與其他預處理方法的效能進行比較。本文用模擬和真實的ERP資料介紹了多種方法，HAPPE+ER軟體可在https：//www。gnu。org/licenses/#GPL的GNU通用公共許可證條款下免費獲得。

1. 介紹

傳統的腦電圖/ERP資料分析方法是透過主觀手工編輯去除含有偽跡的片段，這可能導致重要資料丟失，特別是來自具有高水平偽跡特徵的發育和臨床人群的資料。現有軟體通常侷限於腦電圖預處理的單個階段，如線噪聲去除或自動ICA成分拒絕，ADJUST；或僅在少偽跡資料上開發，缺乏嵌入式指標來定量評估其效能或資料質量。此外，很少有人對分析方法進行實證比較，研究人員可能很難評估哪些分析對他們的腦電圖資料最有效。此外，這些預處理分析會影響後續的分析，一些預處理方法僅限於為時頻分析或靜息狀態的腦電圖資料做準備資料。HAPPE軟體（Gabard-Durnam et al。2018）提出了一種自動化、可量化和標準化的腦電圖資料處理方法，該方法具有在發育和臨床人群中看到的高水平的偽跡，並提高了跨獲取設定和使用者編碼頻率的可訪問性。為了便於對整個生命週期的ERP資料處理，HAPPE+ER包括預處理ERP資料的程式碼，以及高效、自動建立處理後的程式碼。HAPPE+ER現在包括了對資料輸入（資料質量報告）和處理方法（管道質量報告）的補充的、可量化的質量度量。資料可以是多種格式，包括來自EGI、BioSemi和Brain Products等。

2. HAPPE+ER pipeline步驟

圖1。 影象說明了HAPPE+ER pipeline的處理步驟

中間輸出由右邊的淺藍色方框標記，並根據儲存它們的資料夾進行標記。使用者選項由左側淺藍框表示，亮的綠色箭頭表示選項之間所有可能的流動方法。

2.1 HAPPE+ER資料輸入

HAPPE+ER容納以不同的採集佈局作為輸入的多種型別的腦電檔案。HAPPE+ER管道所接受的完整佈局和格式化選項見表1。為了設定格式化的檔案，在執行HAPPE+ER之前，應該預先設定並嵌入檔案中（例如，將其載入到EEGLAB並確認正確的電極位置）。每一批執行的資料都必須具有相同的通道佈局（裝置、腦電帽以及電極數）和模式（靜息狀態或事件相關），這些多需要使用者指定。檔案格式也是，因為單次執行將只支援由使用者指定的單一檔案型別。HAPPE+ER處理任何取樣率收集的資料，單次執行的檔案可能各自的取樣率不同。刺激標記、正規化事件和/或感興趣的條件（通常稱為前進的事件標記）應該出現在讀入HAPPE+ER的資料中。事件標記如何嵌入到資料檔案中，將取決於刺激－呈現軟體和獲取系統。

表1 由HAPPE+ER支援的獲取佈局和相關檔案型別的列表

2.2 通道選擇

HAPPE+ER提供了多種通道選擇選項，以便使用者可以選擇最適合其資料集需求的通道。HAPPE+ER不將使用者限制在特定數量的通道上，因為以後的處理步驟不依賴於通道數量。

2.3 線性噪聲消除

HAPPE+ER可以消除電噪聲（例如，60或50 Hz），透過CleanLine program（Mullen，2012）的多維度迴歸方法，可以在不犧牲或扭曲附近頻率的潛在腦電圖訊號的情況下去除電噪聲。CleanLine多維度迴歸掃描使用者指定頻率± 2 Hz附近的線性噪聲訊號，4秒視窗為1秒步長，平滑度為100，在電噪聲去除過程中，正弦迴歸係數的顯著性閾值為p = 0。01。這個過程是高度特定的電噪聲的頻率，使用者可以指定為60 Hz或50 Hz，如果有過多的線噪聲（如：30 Hz， 25 Hz）使用者還可以指定諧波來減少。

2.4 重取樣（250、500或1000Hz）（可選）

使用者可以選擇將他們的資料重取樣到250、500或1000 Hz。使用者可以使用此選項來減少檔案大小，或將資料與以較低的取樣率收集的其他專案或檔案對齊（注意，使用者可能不會對資料進行上取樣，例如從500到1000 Hz）。HAPPE+ER功能最佳化這些常見的取樣率（例如小波閾值步驟），使用者取樣率從高往下可以實現最佳效能重新取樣（例如從2000 Hz到1000 Hz）。

2.5 濾波（100 Hz低通）

HAPPE+ER在偽跡抑制和壞通道檢測（如果選擇）之前，應用一個100 Hz的自動低通濾波器，只評估在神經活動的頻率範圍內的資料。在去除偽跡之後，使用者會對特定的ERP （s）進行再濾波。注意，沒有高通濾波。

2.6 壞通道去除（可選）

HAPPE+ER可以檢測和去除由於高阻抗、電極損傷、頭皮接觸不足以及在整個記錄過程中過度運動或肌電圖（EMG）偽跡而汙染資料的通道。HAPPE+ER對提交給處理的整個資料檔案執行以下步驟（閾值由經驗最佳化確定，下面進行了證明）：

1。檢測無訊號通道（>5s則拒絕）

2。根據其功率譜檢測離群值通道（透過EEGLAB rej_chan函式執行兩次；如果與平均功率相比，拒絕大於3。5個標準差或小於-5個標準差）

3。檢測剩餘的被壓制線噪聲汙染（透過清潔RawData的線噪聲標準；如果平均線噪聲/神經訊號比大於6個標準差）

4。基於與所有其他通道的相關性檢測離群通道（透過CleanRawData的通道準則；當小於0。8相關時拒絕）

為了測試不同壞通道檢測功能的有效性並確定檢測的最優標準值，作者將一系列自動偽跡識別與一組專家識別的EGI資料集（每個檔案具有相同的39個通道評估子集，共20各資料集，一共780個通道）進行比較，以專家一致同意的壞通道為真實壞通道，評估結果見表2。

表2在EGI資料集的20個檔案上測試識別壞通道引數效能

2.7 小波閾值

兩種主要的偽跡校正方法包括獨立分量分析（ICA）和小波閾值分析（由HAPPE+ER使用）。簡單地說，ICA將跨電極的資料聚類為獨立的成分，可以從神經時間序列中分離偽跡，而小波閾值使用係數解析頻率範圍內的資料，該係數可以檢測電極資料或獨立成分的時間區域性偽跡波動（詳細解釋見Gabard-Durnam等人，2018年）。ICA要求拒絕整個時間序列，這依賴於神經與偽資料的充分分離，以及適當拒絕成分，以最小化從充滿偽資料的時間序列中提取神經訊號。小波閾值法提供了時間和頻率區域性化的偽跡檢測和去除，而不造成無偽跡的訊號失真。HAPPE+ER應用小波閾值化，在分割和試驗拒絕之前執行這種偽跡校正。在HAPPE+ER中有兩個小波閾值選項可選—一個“軟”或“硬”閾值。軟閾值適合具有最少偽跡資料（如健康成人樣本），因為該選項可以在一般乾淨的訊號條件下最好地保持ERP振幅。硬小波閾值可能對高或可變偽跡汙染的資料（例如，大多數發展樣本）是首選，這個選項提供了更嚴格的偽跡去除條件以減少振幅損失和保留更多的試次。

2.8 ERP過濾器

HAPPE+ER允許使用者選擇濾波器型別和濾波頻率，以將資料限制在ERPs中感興趣的頻率（例如0。1-30Hz）。具體來說，HAPPE+ER提供了兩種濾波器型別供選擇，（1）a Hamming windowed sinc FIR filter（EEGLAB的pop_eegfiltnew函式，濾波器順序從使用者輸入頻率截止估計）， （2） IIR butterworth filter（ERPLab的pop_basicfilter，順序估計為（取樣率/高通頻率）的3*整數部分）。獨立於濾波器型別，使用者可以輸入任何想要的高通和低通頻率截止點。

2.9 分割（推薦）

如果選擇了分段，erp還有兩個附加選項：基線校正（推薦）和段內的資料插值（可選的偽跡校正步驟），下文將詳細描述。

2.11 壞資料插值（可選）

每個段中的每個通道根據四個FASTER的標準（方差、中值梯度、振幅範圍和偏離平均振幅）進行評估，併為每個指標生成該段中每個通道的Z分數。任何有一個或多個Z分數與單個段的平均值大於3個標準差的通道，都只對該段資料不利。這些標準可以識別在特定通道中具有殘留偽跡的段。隨後，對於每個段中標記為壞的通道的資料用球形插值，允許使用者保持最大數量可用段，同時仍然在單個段內最大化成分拒絕。然而，我們提醒使用者在他們選擇通道子集的情況下實現此選項，這樣通道之間的距離很大，因為插值過程將從不能反映該頭皮空間適當活動輪廓的遠端通道提取資料。

2.12 壞段剔除（推薦）

根據振幅、聯合機率或兩個準則拒絕壞段。基於振幅剔除有助於消除殘留的高振幅偽跡（例如，眨眼、來自乾燥電極的漂移、不連續）。使用者將指定一個偽跡振幅閾值，這樣至少有一個通道的振幅超過所提供的閾值的任何段都將被標記。HAPPE+ER建議嬰兒資料的偽閾值為200-200，兒童、青少年和成人資料的偽閾值為150-150。機率用EEGLAB的pop_jointprob函式計算的。計算給定同一電極在所有其他段的活動在段中的聯合機率（單電極機率），並計算給定同一段的所有其他電極活動在段中的活動的聯合機率（電極組機率）。當（1）一個通道的單電極機率或（2）其電極組機率超出平均值3個標準差（半自動視覺檢查設定良好）時，任何片段都被標記為拒絕。然後同時拒絕使用者選擇步驟中的標記的所有段。值得注意的是，此段拒絕步驟可以在所有使用者指定的通道上執行，或者在特定感興趣區域（ROI）的通道子集上執行。ROI-通道子集選項允許使用者為特定的ROI分析定製細分拒絕，如果該ROI相對於通道中的其他ROI的偽跡汙染較少，則可能為每個個體保留更多的資料。

2.13 壞通道插補

對於所有的HAPPE+ER執行，無論分割選項如何，任何在壞通道剔除處理步驟中被移除的通道現都會可球形插值。通道插值為使用者指定的完整通道集重新填充資料，並減少均值重參考時的偏差。插值的通道將被記錄在HAPPE的處理報告中，以供資料重用。

2.14重參考（平均或COI）（可選）

使用者可以指定使用所有通道的平均參考或使用一個或多個通道的通道子集。重參考還減少了電極間一致存在的偽訊號，包括殘留的線噪聲。

2.15 按事件標記分割資料

對於具有多個事件標記讀入HAPPE+ER的檔案，此階段的資料被解析並提供：1、包含所有事件標記的檔案，2、每個檔案中只包含具有相同事件標記的trial檔案，3、只包含具有相同條件的trial的檔案。

3. HAPPE+ER輸出：預處理後的ERP資料

根據對資料的處理順序，將中間檔案歸入資料夾，包括：（1）濾波到100 Hz和線噪聲降低後的資料，（2）壞通道剔除後資料，（3）小波後閾值的資料，（4）過濾分段ERP的資料。如果啟用分段，HAPPE+ER輸出一到三個額外的中間檔案：（5）分段後的腦電圖資料，（6）基線校正資料（如果啟用基線校正），（7）插值資料（如果啟用不良資料插值）。如果選擇壞段剔除，HAPPE+ER也儲存壞段剔除後資料。這個階段的所有檔案都包含單個試次的資料（在預處理過程中不進行試驗平均）。

軟體結果可以輸出為。mat，set，和。txt 格式，建議使用。txt檔案格式，它總共輸出三個檔案：（1） A。包含每個取樣時間點每個電極各trial的平均值的Txt檔案，（2） 包含每個單獨試驗中每個電極的資料，（3）完全處理的腦電圖的EEGLAB。set檔案。對於具有多個事件標記的資料，提供包含所有事件標記的檔案的輸出和每個包含一個事件標記的檔案並相應標記。最後，如果使用者在半自動化設定下執行HAPPE+ER，那麼該軟體將為包含完全處理過的資料的功率譜的每個檔案生成一個影象。

4. HAPPE+ER輸出：資料質量評估

HAPPE資料質量評估報告 每個腦電圖檔案的描述性統計和資料度量的報告表格，以幫助快速有效地評估研究中或跨研究參與者的資料質量。包含所有這些度量的報告表以。csv檔案的形式提供，它包含在HAPPE+ER期間生成的“質量評估輸出”資料夾中。具體有：

前/後線噪聲去除指標可能指示導致資料中線噪聲顯著增加的環境或處理偏差；選擇通道百分比和插值通道ID指標可用於跟蹤是否應用和檢查訊號質量之前正規化或訊號通道是否需要修復。進一步指導，使用者可以參考使用HAPPE+ER軟體分發的使用者指南。

5. 使用

生成程式指令碼建立ERP並計算ERP值

HAPPE+ER在外掛/生成子資料夾中提供了一個可選的後處理指令碼，稱為“generateERP”，能夠生成ERP波形並對生成的ERP執行一系列計算。這個指令碼與HAPPE+ER管道的指令碼是分開的，以鼓勵使用者在生成ERP數字和度量之前檢查他們的資料質量和HAPPE+ER的效能。任何沒有透過資料質量閾值的檔案都應該在執行生成erp指令碼之前從輸出資料夾中刪除，否則它們將包含在後續的數字和度量中。與HAPPE+ER類似，生成ERP在直接從命令列獲取的輸入上執行，並支援儲存和重新載入執行的引數，繼續HAPPE+ER的目標，使所有程式設計熟悉程度的研究人員都可以訪問處理。要建立ERP波形，按圖1中的流程先處理後，使用者還被問及是否需要為批中的每個檔案計算一套與ERP相關的標準度量，以便進行後續的統計分析。使用者必須指定：（1）感興趣的延遲視窗（例如，刺激後50-90 ms），（2）他們是否預期最大值或最小值出現在該視窗（即積極或消極的ERP成分），（3）是否計算曲線下面積和平均振幅使用時間視窗作為邊界，使用ERP資料中的零交叉作為邊界，或報告兩種方法措施，並報告該度量的值和延遲。結果樣例見圖2。

圖2。 在所有面板中，陰影區域不包括在計算中。A）表示指定延遲視窗內的最大值（綠色）和最小值（藍色），用垂直黑線表示。B）表示整個ERP波形的最大值（綠色）值和最小值（藍色）值。C）指定延遲視窗內的平均振幅用一條藍綠色的水平線表示，使用者指定的邊界用實心黑色豎線表示。D）平均振幅由一條藍綠色的水平線表示，由指令碼在資料的零交叉處建立的邊界以虛線表示。E）曲線下的面積用淺紫色表示，使用者指定的邊界用實心黑色豎線表示。F）曲線下的面積用淺紫色表示，而由指令碼在資料中的零交叉處建立的邊界用虛線表示。G） 曲線下50%的面積用深紫色表示。使用者指定的邊界用純黑色豎線表示。交替的點－虛線表示在視窗內達到曲線下50%面積的延遲。H） 曲線下50%的面積用深紫色表示。指令碼生成的零交叉點的邊界用黑色虛線表示。交替的點－虛線表示在視窗內達到曲線下50%面積的延遲。

6. HAPPE+ER與其他預處理方法的比較

模擬的VEP（N1，P1，N2成分），以及這些乾淨和偽新增的資料集和包含嵌入式模擬VEP的全長檔案，作為測試（獲取網站https：//zenodo。org/record/5172962）。分別經HAPPE+ER到小波閾值步驟（軟閾值用於clean vs。 artifact-added dataset與硬閾值用於additional full-length dataset）。在EEGLAB中執行ICA，包括ICA與MARA 0。5自動拒絕閾值，ICA與ICLabel 0。8自動拒絕閾值，iMARA與0。2自動拒絕閾值（相當於0。8人工IC拒絕的機率），和ICA與人工IC拒絕（人工拒絕IC是由一位在人工預處理EEG和ERP資料方面有十多年經驗的專家透過EEGLAB進行的，在資料處理中，單專家拒絕與典型的（至少是報道的）實驗室實踐相一致）。

圖4。 箱圖和散點圖說明了成分N1、P1和N2的偽跡校正振幅的差異，作為校正前偽跡水平的函式（即乾淨的ERP振幅－偽跡後校正減去偽跡新增的ERP振幅啟動後校正）。

7. HAPPE+ER與其他自動化預處理流程的比較

與最近也在ERP資料中應用的兩個流程：EEG-IP-L（Desjardins等人，2021年）和MADE（Debnath等人，2020年）比較。首先是多個概念、目標和使用者相關的差異。EEG-IP-L使用了本文測試的ICLabel演算法，EEG-IP-L作者建議人工檢查和編輯ICA以獲得最佳效能；MADE軟體提供了全自動預處理，但是壞段剔除和偽跡去除的方法和HAPPE+ER不同，採用FASTER和ADJUST外掛演算法，且MADE沒有提供HAPPE+ER的通用ERP後處理功能的補充用於生成ERP指標和圖形，由於依賴ICA進行校正，它也不能容易地容忍用於ERP分析的低密度EEG資料。文中作者也透過模擬的資料和實驗資料對三種自動化流程進行了比較，得出：在嬰兒VEP資料集的評估標準中，MADE相對於HAPPE+ER導致了檔案損耗，雖然兩個管道在試驗匹配條件下產生了穩健的ERP形態，HAPPE+ER比MADE保留了更多的試驗。這些結果可能反映了HAPPE+ER對偽跡校正中更多的偽跡類別的敏感性，或相對於ICA的優越效能。

8. 使用者驗證和安裝方法

最後作者提供了addSimERP。m指令碼可以很容易地將上述模擬ERP訊號新增到他們的連續基線/靜息狀態腦電圖資料中，與主HAPPE指令碼和生成ERP一樣，使用者可以選擇所有要新增ERP時間序列的通道，或者使用前面描述的包括/排除方法選擇通道的子集。雖然目前只支援。set格式的連續腦電圖檔案，幷包括通道位置，但作者希望使指令碼的功能也包括。mat和。raw格式的輸入。addSimERP。m只允許將模擬的VEP時間序列新增到所提供的資料中，但此選擇將被擴充套件，以促進其他模擬的ERP時間序列的選擇，並支援跨各種波形的驗證。HAPPE+ER完全透過MATLAB命令列執行，要執行HAPPE+ER，只需開啟MATLAB，導航到HAPPE 2。0資料夾，然後開啟HAPPE 2。0指令碼。在螢幕頂部的“編輯器”選項卡中，點選“執行”，並按照它們在MATLAB命令列中出現的提示進行操作。在命令列輸入所有相關輸入後，HAPPE+ER將自動執行完成。HAPPE+ER程式碼和使用者指南可以在：https：// github。com/PINE-Lab/HAPPE上免費獲得。本手稿中使用的資料可以在：https：//zenodo。org/record/5172962免費獲得。

參考文獻：The HAPPE plus Event-Related （HAPPE+ER） software： A standardized preprocessing pipeline for event-related potential analyses

EEG培訓班