脑电研究（EEG/ERP）预注册模版

注：本文为 Govaart, G. H., Schettino, A., Helbling, S., Mehler, D. M. A., Ngiam, W. X. Q., Moreau, D., … Paul, M. (2022, June 17). EEG ERP Preregistration Template. https://doi.org/10.31222/osf.io/4nvpt 的翻译版本，遵循CC-By Attribution 4.0 International 协议。因译者能力有限，难免有不当之处，若有疏漏之处，可后台留言或通过邮件反馈修改建议。

先前公众号推送了《心理学脑电研究方法探讨 | 中国社会科学报》一文，里面提及了“预注册研究方案”可以在一定程度上规避心理学脑电研究可重复性危机的风险。但在该推文中，并未就如何进行预注册进行细致的讲解。近期Govaart等人（2022）发布了《EEG ERP Preregistration Template》，对脑电研究（EEG/ERP）预注册模版进行了详细的介绍。本推文将发布对此文的翻译版本，为大家在进行脑电研究预注册时提供一定的帮助。

本推文主要分为简介、研究信息、研究方案、抽样计划、变量、设备、预处理、分析计划和其他共9个部分，接下来我们将依次介绍。

第一部分 简介

该预注册模板希望能为想预注册其使用EEG/ERP技术开展研究项目的研究人员提供一定的指导和帮助。我们邀请研究人员使用该模版和/或使用该模板其他形式的EEG分析研究项目（例如，源空间、时频、稳态）。

但，本模板中的所有示例并非详尽无遗，其主要目的是为如何透明地预先登记研究分析计划提供指导。除了个别项目的描述外，提供的示例仅用于进行更好的使用说明。通过这些示例，并不能为研究人员提供关于选择特定预处理和分析步骤的指导。（译者注：该模版仅仅是一个示例，并不是黄金标准。）

有关更多信息和其他示例，请参见Paul等人（2021）。

第二部分 研究信息

1.标题（必备）

1.1. 请提供您研究的工作标题。它可能与您提交用于出版最终手稿的标题相同，但这不是一项要求。

1.2. 示例：音乐训练对MMN响应音高差异的影响

1.3. 更多信息：标题应该是项目的具体和信息性描述。“ERP预注册计划”等模糊标题不合适。

2.作者（必备）

3.描述（可选）

3.1. 请简要描述您的研究，包括一些背景、研究目的（例如，是否为复制）或广泛的研究问题。

3.2. 示例：我们将测试在接受音乐训练和未接受音乐训练的人中，失匹配负波（MMN）是否受音高差异的不同调节。我们将在Odd-ball任务中向我们将向接受音乐训练和未接受音乐训练的人呈现标准声音刺激和偏差声音刺激。标准声音刺激和偏差声音刺激之间的差异将是小（4 Hz）或大（8 Hz）。我们收集EEG数据以及通过按键收集的Odd-ball任务中行为的反应时和正确率。

3.3. 更多信息：描述不得超过摘要的长度。它可以为拟议的研究提供一些背景，但这里不需要为您的预注册提供详细信息。

4.假设（必备）

4.1. 列出具体、简明和可测试的假设。请说明假设是定向的还是非定向的。如果是定向的，请说明方向。预测的效果大小在这里也是合适的。如果特定的互动或适度对你的研究很重要，你可以将其列为单独的假设。说明你期望找到什么样的ERP响应，包括时间窗口和感兴趣的区域（如果你对此有假设的话）。

4.2. 例子：

H1（方向）：我们预测，与受过音乐训练的人相比，未受过音乐训练的人在较小的音高差时，MMN的平均振幅较小，但在较大的音高差时，MMN的平均振幅较小。MMN是电极点Fz、FCz和Cz在50~250 ms的偏差刺激减去标准刺激的平均波幅。

H2（方向）：我们预测，与未受过音乐训练的人相比，受过音乐训练的人在行为上检测异常刺激（小音差和大音差）的准确性更高。

第三部分 研究方案

在本节中，您将被要求描述研究的总体设计。请记住，本研究计划旨在注册单个研究，因此，如果您有多个实验设计，请完成单独的预注册。

5.刺激（必备）

5.1. 描述实验中使用的刺激。

5.2. 示例：小差异的基音差为4 Hz（标准400 Hz，偏差404 Hz），大差异的基音差为8 Hz（标准400 Hz，偏差408 Hz）。每个block将进行300次试验，其中80%为标准刺激试次（N=240；400 Hz），20%为偏差刺激试次（N=60，404 Hz或408 Hz）。刺激将被创建为纯正弦音调（单声道，采样频率为44100 Hz，振幅为0.2 Pa，淡入淡出持续时间为0.01秒）。

6.研究设计（必备）

6.1. 描述你的实验设计。这是一种被试间设计、被试内设计还是混合设计？

6.1.1. 示例：我们将采用2x2混合设计，被试间因素为是否接收过音乐训练（两个水平：音乐家-非音乐家），被试内因素为音高差异（两个水平：小差异、大差异）。

6.2. 描述实验设计。考虑以下信息：

● 刺激呈现持续时间

● 刺激间期（ISI,Inter-stimulus interval）

● 试次持续时间

● 试次间隔时间（ITI,Inter-trial interval）

● 试次数量

● Block或随机试验呈现

● 被试的任务

● 研究持续时间

● 反应窗口

6.2.1 示例：将呈现400 ms的刺激，ISI为500 ms。将向参与者呈现4个block（两个具有小音高差，两个具有大音高差），每个block有300个试次，每个block之间有较短时间的自定义休息阶段。实验的总时长约为20分钟。参与者将被要求在检测到偏差时按下空格键（即，具有更高音调的刺激）。

7.随机化‍（必备）‍

7.1. 如果你正在做一项随机研究，你将如何随机，以及在什么水平上随机？你会使用什么样的平衡？

7.2. 示例：我们将对刺激进行伪随机，使每个偏离刺激之间至少有3个连续的标准刺激。参与者的小组分配基于预先设定的音乐性标准，因此不能随机化。非音乐家将与音乐家的年龄相匹配。区块顺序将平衡：在每组中，分配奇数的参与者将首先呈现小差异区块，而分配偶数的参与者将首先呈现大差异区块。

8.盲法（可选）

8.1.盲法描述了谁知道研究中的实验操作。您可以指定该研究是针对受试者、实验者还是双盲的。您还可以指定是否以盲法执行分析。

8.2. 示例：小组分配基于预设的音乐性标准，不会对实验者造成单盲影响。实验者也不会对组块的顺序进行单盲控制，因为这是一种可感知的音高差异（至少对于训练有素的听众而言）。预处理将是单盲的，也就是说，执行预处理的研究人员将不知道参与者的组，也不知道块的基音差异。

9.操纵检验（可选）

9.1. 描述是否要进行任何操纵检验。

9.2. 示例：我们将检查参与者是否独立于我们的操作，能够听到音调。因此，我们将评估是否所有个体参与者在不同条件下均显示P100。

第四部分 抽样计划

在本节中，请描述您计划如何收集样本，以及您计划收集的样本数量和您做出此决定的理由。请记住，本节中描述的数据应该是用于分析的实际数据，因此，如果您使用的是较大数据集的子集，请描述您研究中实际使用的子集。

10. 现有数据（必备）

10.1. 请选择最能描述您的情况的描述。请随时联系开放科学中心([e-mail])如果你对如何回答这个问题有疑问。

10.1.1. 数据创建前的注册：截至本研究计划提交预注册之日，数据尚未收集、创建或实现。

10.1.2. 在对数据进行任何人类观察之前进行注册：截至提交之日，数据已经存在，但尚未由任何人（包括与拟议研究无关的个人）进行量化、构建、观察或报告。例如，为尚未访问的学生项目收集的数据。

10.1.3. 访问数据前注册：截至提交之日，数据已存在，但您或您的合作者尚未访问。通常，这包括其他研究人员或机构收集的数据。

10.1.4. 数据分析前的注册：截至提交之日，数据已经存在，您已经访问了数据，但尚未进行与研究计划相关的分析（包括汇总统计的计算）。一种常见的情况是，随着时间的推移，用于许多不同研究的大型数据集，或者将一个数据集随机分成一个样本进行探索性分析，而另一部分数据则保留用于以后的验证性数据分析。ERP研究的另一种情况是，数据已经过预处理，但尚未计算出ERP平均值。

10.1.5. 数据分析后注册：截至提交之日，您已经访问并分析了与研究计划相关的一些数据。这包括变量的初步分析、描述性统计的计算和数据分布的观察。

如果是这种情况，请在最终版论文中指出，这是在分析（部分）数据后进行的预注册。

11. 现有数据说明（可选）

11.1. 如果您表示将使用一些已经存在的数据，请描述您采取了哪些步骤来确保您不知道数据中存在任何模式或汇总统计数据。这可能包括解释如何限制对数据的访问，谁观察了数据，或您如何避免观察您将在您的研究中使用的现有数据的任何分析。

12. 被试招募过程（必备）

12.1. 请描述您将收集(或已经收集，参见第10节)数据的过程。如果您使用人类参与者，这应该包括抽样人群、招募工作、参与的支付/报销、纳入和排除标准以及研究时间表。

12.2. 示例：参与者将通过当地大学和音乐学院的广告招募。学员将获得10欧元的报酬或因其参与而获得课程学分。参与者必须年满18岁，听力正常，无神经系统疾病史。我们将排除说L1/L2(12岁前习得)声调语言的参与者。如果参与者接受了至少12年的正规音乐培训，他们将被视为音乐训练组。参加者如未曾接受过正规的音乐训练(小学小组课程除外)，将被视为非音乐训练组。

12.3. 更多信息:这个问题的答案需要一套特定的说明，以便另一个人可以复制数据收集过程，尽可能接近地重现研究人群。如果研究人群不能复制(例如，罕见疾病患者，优秀运动员)，请在此说明。

13. 样本量（必备）

13.1. 描述你研究的样本量。将招募多少参与者？

13.2. 示例：在研究的数据收集阶段（三个月），我们的目标是从80名参与者中收集干净的数据集（每组40名：有音乐训练 v.s. 无音乐训练）。

13.3. 更多信息：对于一些研究，这只是参与者的数量和/或集群的数量。对于其他人，这可能是预期的范围、最小值或最大值。

14. 样本量计算原理（必备）

14.1. 这使您有机会明确说明如何确定样本量。这可能包括统计功效分析或任意的约束，如时间、金钱或人员。如果有一个以上的假设，从与你的假设相对应的统计功效分析中选择所需的最大的估计样本量。

14.2. 示例:我们使用MORE power软件(Campbell & Thompson, 2012)来计算必要的样本量，以检测𝞰2 = 0.15的效应量，在2 x 2混合方差分析设计中，相互作用项(H1)的alpha水平设置为0.05，以获得0.90的统计功效。目标效应量取自X等人(2016)最近的一项研究，并通过取原始效应量的75%来解释潜在的效应量膨胀。

14.3. 更多信息:可以接受各种各样的答案;记住，透明度比原则性的辩护更重要。如果你在前面说明了样本大小的任何原因，这比没有说明原因，让读者“填空”要好。可接受的理论包括:统计功效分析，任意数量的对象，或基于时间或金钱限制的数字。详情见Lakens(2022)。

15. 试次数确定理由（可选）

15.1. 为如何确定试次数提供一个理由。这可能是一个统计功效分析，时间和资源的限制或基于之前的实验文献。

15.2. 例:文献中先前的研究(例如，X et al, 2016;X et al.， 2012)收集了每种条件的600次试次，我们在这里保持了一致。

15.3. 更多信息:可以提供广泛的答案，包括基于统计功效分析、时间限制或试点研究的理由。请注意，我们鼓励透明度——任何试次选择或排除标准都应该值得一提，就像正确或错误的试次一样。

16. 停止原则（可选）

16.1. 如果您的数据收集过程不能让您完全控制准确的样本大小，请指定您将如何决定何时终止数据收集。

16.2. 示例:如果我们由于数据质量问题而不得不排除参与者(在“数据排除”部分指定标准)，我们将招募额外的参与者来替换被排除的数据集。在预定的数据收集阶段，最小可接受的样本量是60(每组30)。由于预算的限制，我们将在达到100名参与者后终止数据收集。

16.3. 更多信息:仅在使用预先指定的检查点、alpha级别和停止规则进行顺序分析的特定情况下，您可以基于p值指定停止规则。不可接受的理由包括，如果没有指定检查点和停止规则，则根据p值停止。

第五部分 变量

在这一节中，您应该描述所有在实验中测量的变量，并在以后的分析计划中使用这些变量。在您的分析计划中，您将有机会描述如何使用每个变量。如果您有用于探索性分析的度量变量，您不需要列出它们，尽管在探索性分析部分鼓励您这样做。

17. 操纵变量(必备)

17.1. 描述你计划在实验范式中操作的所有变量。

17.2. 例子：

被试间变量：音乐训练变量，分为两个水平：音乐训练组和非音乐训练组。

被试内变量：音高差变量，有两个水平：4 Hz（差异较小）和8 Hz（差异较大）。

17.3. 更多信息：对于任何实验操作，您应该给出每个操作变量的精确定义。这必须包括对每个变量设置级别的精确描述，或对每个分类处理的具体定义。例如，“loud”或“quiet”应该给出精确的分贝级别或重现每个级别的方法。如果准确描述变量，则“存在/不存在”或“积极/消极”是可接受的描述。

18. 测量变量(必备)

18.1. 描述您将测量的每个变量。这将包括行为和脑电图结果测量，以及您将收集的任何预测或协变量。对于EEG变量，请指定如何在时间和传感器空间中选择数据。

18.2. 例子：

脑电图结果测量：

EEG结果变量将是差异波，即在50-250 ms的时间窗口内，在电极Fz、FCz和Cz处偏差刺激的平均振幅减去标准刺激的平均振幅。根据X等人（2014）的建议选择时间窗和电极。

行为结果测量：

行为结果将通过计算命中率来测量。准确的反应定义为在反应窗口期间按下按钮：在oddball开始后100 ms之间，直到下一个标准刺激开始。

18.3. 更多信息：与前面的问题一样，这里的答案必须准确。例如，“MMN”或“accurity”太模糊了。

18.4. 有关电极点选择的更多信息：

非详尽的示例列表：

精确的先验ROI：“我们将根据之前的研究选择FCz和Cz电极（插入参考文献，以说明使用此组合电极进行决策的研究）”。

广泛的先验ROI：通过独立对比得到完善:“我们将在左侧运动皮层上考虑一个较大的候选ROI，包括Cz, C1, C3,CPz, CP1, CP3, Pz, P1, P3，并选择那些在p < .05时显示左/右反应调制的电极，配对t检验”。

平均的电极定位选择：“我们将根据总平均数据选择最大MMN在50到250 ms之间的4个电极”。

无需选择电极点：例如，mass-univariate、ICA/PCA、源空间、基于聚类的置换测试。

18.5. 有关时间窗口的详细信息：

非详尽的示例列表：

● 预先设定：“我们将在刺激开始后100-200 ms选择一个时间窗口”

● 自适应平均法：“我们将在刺激开始后200 ms内确定峰值振幅，并分别确定每个参与者在该峰值周围100 ms的平均振幅值。”

19. 指标(可选)

19.1. 如果要将任何测量指计算成指标（甚至平均值），您将使用什么测量指以及如何计算它们？包括公式或方法的精确描述。如果您使用更复杂的统计方法来计算测量值（例如，因子分析、条件/参与者内的z-标准化），您可以在此处注意到，但在分析计划部分中描述确切的方法。还包括计算指数的时间窗口和关注区域。

19.2. 示例：我们将根据上述规定的时间窗口（50-250 ms）和电极（Fz、FCz、Cz）计算平均振幅（见第18节）。

第六部分 设备

在本节中，您应描述计划用于收集数据的硬件（例如，计算机屏幕、反应盒、EEG硬件）。

20. 计算机屏幕（可选）

20.1. 类型（如LCD、CRT）、分辨率、刷新率。示例：LED屏幕，1920 x1080分辨率，59 Hz刷新率。

20.2. 电脑屏幕和参与者之间的距离，使用腮托或其他限制。示例：屏幕和参与者之间的距离为1米，无任何约束或腮托。

21.EEG硬件和采集设置（必备）

21.1. 放大器：制造商，型号。示例：将使用BioSemi Active Two系统记录EEG活动（BioSemi，Inc.，荷兰）。

21.2. 电极帽：制造商，型号：示例：Brain Products（BrainVision）BrainCap。

21.3. 电极：

21.3.1. 头皮电极是否有前置放大器：主动（是）/被动（否）

21.3.2. 电极的数量和位置，包括参考和接地，但不包括EOG和其他非EEG电极。示例：总共有35个电极，包括两个乳突电极和AFz的一个接地电极。其余32个电极为：F7、F8、FC5、FC6、T7、T8、CP5、CP6、P7、P8、FP1、FP2、AF3、AF4、FC1、FC2、F3、F4、C3、C4、CP1、CP2、P3、P4、PO3、PO4、Oz、Fz、Cz、Pz）。

21.3.3. 电极材料。示例：Ag/AgCl。

21.3.4. 导电介质。示例：凝胶/干/盐水/粘合剂

21.3.5. Montage 蒙太奇（例如，标准10-5系统、自定义）。示例：我们将使用标准的10-5国际电极蒙太奇（Oostenveld&amp;Praamstra，2001）。

21.3.6. 在线参考和接地电极放置。示例：BioSemi-ActiveTwo系统有两个电极，共模感应（CMS）有源电极和驱动右腿（DRL）无源电极，分别用作参考电极和接地电极。

21.3.7. 高输入阻抗放大器的数据采集或替代数据质量指示器可接受的阻抗水平。示例：在所有参与者的数据收集开始时，所有记录站点上的电极阻抗将保持在5 kΩ以下。

21.3.8. 在线采样率和过滤器设置（如适用）。示例：将使用100 Hz低通滤波器和0.16 Hz高通滤波器以1024 Hz的采样率记录EEG活动。

21.3.9. 当地电力线频率（美国和亚洲部分地区通常为60 Hz，世界其他地区为50 Hz）。示例：50 Hz

22.尽可能详细地描述EEG以外的其他设备（例如ECG/EMG/EOG/眼球跟踪）。（可选）

第七部分 预处理

请对这些预处理步骤重新排序，以反映将它们应用于数据的顺序。请首先阅读第22-30节中的所有问题，其中列出了广泛（但并非详尽）的可能步骤。根据这些建议，编写一个个性化的管道，说明您将按哪个顺序采取哪些步骤。如果您在预注册之前已经对数据进行了预处理，您仍然可以指定所采取的步骤，但请指出这些步骤已经执行。有关预处理步骤顺序的建议，请参阅Luck（2014）。

还请说明（某些）预处理步骤是所有假设的共同步骤，还是仅针对其中的一个子类型。此外，请说明是否在预处理管道的不同阶段使用不同的软件。

23. 一般设置（必备）

23.1. 列出应用预处理步骤的顺序。示例：重采样、重参考、离线滤波、伪影校正/拒绝、分段、平均、基线校正。

23.2. 您将使用哪个程序/工具箱/包？例如，MATLAB中的FieldTrip、EEGLAB、Brainstorm或ERPLAB，或者Python中的MNE。哪个版本号？示例：所有EEG数据预处理步骤将在MATLAB（v.2021b）和实地考察工具箱中编写脚本并运行，使用预处理开始时的最新版本。

23.3. 您会使用预先存在的/标准化的预处理管道（例如，PREP、BEAPP、HAPPE；记住还要报告版本号）还是开发自己的预处理管道？示例：我们不会使用任何预先存在的预处理管道。计划的预处理步骤如下所述。

24. 数据导入（必备）

24.1. 将使用什么软件记录脑电图数据？示例：将使用BrainVision记录仪软件（数据采集开始时的最新可用版本）记录EEG数据。

24.2. 记录时使用什么文件格式？您是否计划将文件导出为其他格式以进行分析（例如，edf、.cnt、.bnf）？示例：数据将记录在中.eeg格式并导出到.edf用于分析。

24.3. 是否导入所有数据记录的电极或被试？示例：将导入所有数据的电极点。

25. 重采样（必备）

25.1. 你打算对连续的脑电图信号进行重采样吗？如果是，采样率是多少？示例：EEG数据将被降采样到200 Hz，以减少文件大小和计算时间。

26. 重参考（必备）

26.1. 你打算重新引用你的数据吗？

26.1.1. 参考什么？示例：全脑平均，乳突平均，拉普拉斯。

26.2. 您将重新参考哪些电极点？示例：将重新参考所有EEG电极点。

27. 离线滤波（必备）

27.1. 是否将筛选器应用于连续或已存储的数据？

27.2. 如何过滤数据（例如高通、低通、带通）？请

至少报告以下属性：

27.2.1. 过滤器类型，如FIR、IIR、Butterworth

27.2.2. 过滤器顺序，例如，第5顺序

27.2.3. 滤波器截止类型和频率，例如40 Hz（−3 dB半幅）

27.2.4. 滤波器衰减，例如12 dB/oct

27.3. 示例：“[将]使用一个5阶无限脉冲响应（IIR）巴特沃斯滤波器对连续（非分段数据）进行低通滤波，截止频率（3 dB点）为40 Hz，倍频程衰减为12 dB。”（Keil等人，2014年，第6页）。

28. 伪迹拒绝/校正（必备）

28.1. 如何识别噪声信道以进行后续插值（例如，目视检查或使用自动算法）？示例：将目视检查EEG数据是否存在坏导，将选择坏导进行插值。我们还将使用 FieldTrip semi-automatic ft_rejectvisual工具来识别用于插值的噪声通道。

28.2. 你会对那些坏导使用插值算法吗？如果是，您将使用哪种算法（例如spherical spline）？示例：将使用基于3D传感器位置的spherical spline方法从4个相邻电极对选定通道进行插值。

28.3. 您是否要对连续或已分段的数据执行伪迹拒绝？示例：伪迹拒绝将在连续数据上执行。

28.4. 您打算自动、半自动、手动还是完全不拒绝伪迹？示例：将自动执行伪迹拒绝。

28.5. 如果伪迹被自动或半自动拒绝，您将使用哪种伪迹拒绝算法（例如，在FieldTrip中实施的z值方法，基于峰度检测突然尖峰或平坦活动，使用光谱估计剔除分段）？您将在算法中使用哪些参数值？如果人工拒绝伪迹，您将应用哪些标准（例如，仅眨眼和水平眼动）示例：我们将使用FieldTrip中实现的自动伪影抑制算法：我们将以z值>3的方式拒绝分析试次。

28.6. 您将执行哪种类型的伪影校正？例如，独立成分分析，如在EEGLAB或伪影子空间重建中实施的FASTica（Mullen等人，2013）？您将在算法中使用哪些参数值？你会纠正所有伪影（眨眼、扫视、alpha、肌肉等）还是只纠正一部分？例如，在婴儿研究中，您可能希望拒绝颈部的肌肉伪影，但纠正眼球运动伪影。示例：我们将使用AMICA算法（Palmer et al.，2012）（使用“pcakeep”选项计算数据排名）进行独立成分分析（ICA）。与眼动、眨眼、心脏活动相对应的成分将通过ICLabel半自动识别和拒绝（Pion Tonachini et al.，2019）：如果一个成分被归类为眼动或心脏活动，脑活动>60%和<30%（并经视觉确认），则该成分将被拒绝。

28.7. 更多信息：https://eeglab.org/tutorials/06_RejectArtifacts

29. 分段（必备）

29.1. 您要使用分段数据吗？如果是这样，分段纪元的长度是多少？锁时将锁定在刺激/反应的哪一部分？

29.2. 您是否会在感兴趣的事件之前加入一个时间窗口作为基线？要多长时间？你是如何做出这个决定的？

29.3. 如何对这些分段进行平均以创建ERP？包括关于哪些刺激和/或反应将包含在每个平均值中的信息。

29.4. 示例：将在标准音调和偏离音调开始前400 ms开始创建epoch，并持续2400 ms。标准音调和两种偏离音调（小差异或大差异）将分别对每个参与者进行平均。

30. 基线校正（必备）

30.1. 你会应用基线校正吗？

30.1.1. 超过什么时间窗口？示例：刺激开始前400 ms将用于基线校正。

30.2. 您会为每个试验、条件、区块、参与者计算单独的基线吗？示例：将在每次试验的刺激开始之前提取基线。

30.3. 您将使用什么程序？示例：统计模型中的减法、除法、协变量。

31.更多信息

如果您正在记录ERP之外的其他类型的数据或分析（例如，眼球跟踪数据），请尽可能详细地描述相关软件和预处理。

第八部分 分析计划

您可以在此预注册中描述一个或多个计划分析。分析计划必须预先说明哪些变量是预测变量（独立变量），哪些是结果变量（依赖变量）。请记住，下文规定的所有分析必须在最后一篇文章中报告，任何额外的分析必须作为数据收集后进行的分析在单独的章节中报告。

32.统计模型（必备）

32.1. 你会用什么统计模型来检验你的假设？请包括模型类型（例如，方差分析、基于聚类的置换测试、线性混合模型等）和模型规范（包括将作为预测因子、结果或协变量包含的每个变量）。请指定任何交互、亚组分析、成对或多重比较，或多项式混合检验的事后检验。你会使用单尾测试还是双尾测试？如果您正在比较多个条件或测试多个假设，您将如何校正多个比较？还请说明哪个统计模型检验哪个假设。

32.2. 示例：为了分析EEG数据，我们将对MMN平均振幅值使用2 x 2混合ANOVA。基于我们的主要假设，我们将只考虑音高差异x音乐训练交互是否具有统计显著性。我们不会考虑主效应，因此不会在ANOVA中对多个比较进行多重检验。如果交互作用（在任一或两个ANOVA中）具有统计显著性，我们将对给定ANOVA进行事后t检验。

32.3. 更多信息：请提供分析收集数据的具体方法。问问自己：您是否提供了足够的详细信息，以便其他人可以再次运行相同的分析？

33.转换（必备）

33.1. 如果您计划转换、聚类或重新编码数据，请在此处描述该过程。ERP数据通常不需要转换，但模型中的其他因素可能需要重新编码（请参见下面的示例）。

33.2. 示例：我们将通过从偏差刺激波形中减去标准刺激来计算差异波。

33.3. 更多信息：如果回归中包含任何类别预测值，请说明这些变量将如何编码（例如，虚拟编码、求和编码等）以及参考类别是什么。

34.推论标准（必备）

34.1. 您将使用什么标准进行推论（例如，p值、Bayes因子、特定模型拟合指数）？在适当的情况下，还请报告截止标准（例如，p<0.05，BF10>10）。

34.2. 示例：我们将使用p<0.05确定统计学显著性。

35.数据排除（必备）

35.1. 您将如何确定从分析中排除哪些数据或样本（如有）？如何处理异常值？是否会进行意识检查？是否有预先规定的参与者在最终分析中保留的最低试次数？如果是这样，您是如何做出此决定的（例如，之前的工作表明需要30个试次才能得出可靠的MMN）？

35.2. 示例：如果在伪迹拒绝后或由于技术故障，每个条件下的偏差刺激试次少于40个，参与者将被排除在外；该截止值基于X等人（2014）之前的工作。

36.探索数据（可选）

36.1. 显然，您可以自由地探索数据集，以寻找意外的关系。您可以在此处描述此过程。在此描述此过程可以提醒您在执行数据探索时仔细记录分析步骤和决策。

36.2. 示例：我们将探讨年龄、惯用手和MMN振幅之间的关系。

第九部分 其它

如果您希望在预注册中包含任何其他信息，请在此处输入。

37.参考文献（可选）

37.1. 列出您在预注册中引用的参考文献，例如：

Campbell, J. I. D., & Thompson, V. A. (2012). MorePower 6.0 for ANOVA with relational confidence intervals and Bayesian analysis. Behavior Research Methods, 44(4), 1255–1265. https://doi.org/10.3758/s13428-012-0186-0 

Keil, A., Debener, S., Gratton, G., Junghöfer, M., Kappenman, E. S., Luck, S. J., Luu, P., Miller, G. A., & Yee, C. M. (2014). Committee report: Publication guidelines and recommendations for studies using electroencephalography and magnetoencephalography. Psychophysiology, 51(1), 1–21. https://doi.org/10.1111/psyp.12147 

Luck, S. J. (2014). An Introduction to the Event-Related Potential Technique (2nd edition). Bradford Books. 

Mullen, T., Kothe, C., Chi, Y. M., Ojeda, A., Kerth, T., Makeig, S., Cauwenberghs, G., & Jung, T.-P. (2013). Real-time modeling and 3D visualization of source dynamics and connectivity using wearable EEG. 2013 35th Annual International Conference of the IEEE Engineering in Medicine and Biology Society (EMBC), 2184–2187. https://doi.org/10.1109/EMBC.2013.6609968 

Oostenveld, R., & Praamstra, P. (2001). The five percent electrode system for high-resolution EEG and ERP measurements. Clinical Neurophysiology, 112(4), 713–719. https://doi.org/10.1016/S1388-2457(00)00527-7 

Palmer, J., Kreutz-Delgado, K., & Makeig, S. (2012). AMICA: An Adaptive Mixture of Independent Component Analyzers with Shared Components. 

Paul, M., Govaart, G. H., & Schettino, A. (2021). Making ERP research more transparent: Guidelines for preregistration. International Journal of Psychophysiology, 164, 52–63. https://doi.org/10.1016/j.ijpsycho.2021.02.016 

Pernet, C., Garrido, M. I., Gramfort, A., Maurits, N., Michel, C. M., Pang, E., Salmelin, R., Schoffelen, J. M., Valdes-Sosa, P. A., & Puce, A. (2020). Issues and recommendations from the OHBM COBIDAS MEEG committee for reproducible EEG and MEG research. Nature Neuroscience, 23(12), 1473–1483. https://doi.org/10.1038/s41593-020-00709-0 

Pion-Tonachini, L., Kreutz-Delgado, K., & Makeig, S. (2019). ICLabel: An automated electroencephalographic independent component classifier, dataset, and website. NeuroImage, 198, 181–197. https://doi.org/10.1016/j.neuroimage.2019.05.026 

Styles, S. J., Ković, V., Ke, H., & Šoškić, A. (2021). Towards ARTEM-IS: Design guidelines for evidence-based EEG methodology reporting tools. NeuroImage, 245, 118721.https://doi.org/10.1016/j.neuroimage.2021.118721

38.补充材料（可选）

38.1. 示例：图表、模板/检查表，如eCOBIDAS（Pernet et al.，2020）或ARTEM-IS（Styles et al.，2021），预处理和分析脚本（在试点数据上测试）

38.2. 数据管理计划：一份文件，规定如何按照可查找性、可访问性、互操作性和可重用性的公平指导原则组织、跟踪、存储和最终共享数据，以促进结果的再现性。您的机构和/或资助机构可能已经需要它，您也可以考虑在此处添加副本。

>> 本文完结，下期再续<<

温馨提示：由于公众号后台留言有48小时的时效性，小伙伴们如果有问题或建议，可发送相关内容到邮箱：[e-mail]。