查看原文
其他

Dev Cogn Neurosci︱婴儿功能近红外光谱数据的不同比较流程

The following article is from 茗创科技 Author 周翊


来源茗创科技

撰文︱周   翊

责编︱王思珍


近红外光谱是一种相对年轻的技术,但它在认知神经科学的许多领域获得越来越多的认可。发展神经科学是其应用最活跃的领域之一。该技术完全非侵入性,易于使用,无声,即使是最年轻的参与者都对其具有很好地耐受性。它不需要使用示踪物质或强磁场/脉冲。此外,重要的是,婴儿的头骨和大脑周围的其他组织相对较薄,这使得光线能够更深入地穿透大脑皮层。在源-探测器距离为3cm时,新生儿的近红外光可穿透皮层1-1.5 cm,而成人则为0.5 cm。由于这些原因,近红外成像技术正迅速成为许多发展研究领域的首选成像技术之一,包括对幼儿言语知觉和言语发展、社会认知、物体知觉和预测的研究。


功能近红外光谱fNIRS)技术是一种基于测量脑血液光散射的无创神经成像技术。由于fNIRS是一种相对较新的技术,目前还没有关于最佳预处理做法的普遍共识。由于婴儿血流动力学反应HRF)的发展和变化尚不完全清楚,因而这一问题未能得到进一步的解决。因此,系统地比较分析方法是必要的。

 

研究婴幼儿参与者是具有挑战性的,他们不能遵守指令,而且注意力持续时间很短。当使用大脑成像,如近红外光谱仪,也会有一些其他的困难出现。无法让婴儿静止不动,婴儿也不能像成人一样耐受住探头帽,很难调整探头帽的位置或梳理头发。这些问题导致被测信号中存在较大且频繁的运动伪影、高频噪声等。因此,在数据处理和分析过程中需要考虑这些数据质量问题。与成人研究相比,婴儿研究的数据质量往往差得多,这就需要有专门针对婴儿数据的处理和分析方法。


此外,婴儿fNIRS数据的特征与成人数据有本质上的不同。首先,尽管婴儿fNIRS的研究越来越多,但婴儿血流动力学反应功能(HRF)尚未完全确定。根据最近的一篇综述,HbR的形态似乎有多种类型。但即使是典型的反应(HbO的增加和HbR的相应减少),婴儿与成人也有所不同。早产儿HRF的形态与出生时的体重和身高显著相关,而与修正月龄无关,因此即使在同一年龄组也存在个体差异。


这些独特的特征对数据预处理和分析具有重要的意义。即使在数据质量相似的情况下,婴儿的HRF也比成人的HRF更不容易被检测到,因为它的幅值更小,潜伏期更长,尤其是在较短刺激呈现block或事件相关设计中。因此,婴儿数据的预处理程序应该在尽可能保持其幅值的同时,将HRF从背景噪声中去除。此外,预处理应该保留个体的HRF形状,即使这些形状是非典型的,因为它们可能提供关于潜在的发育原因的重要信息,如大脑成熟的不同状态或不同刺激复杂性诱发的不同认知神经机制等。

 

婴儿数据最常见的预处理方法

近红外光谱文献中常用的分析方法有几个方面的不同。其中最重要的是①运动伪影如何处理;②生理噪声如何过滤;③预处理步骤如何排序。

 

伪影处理 当数据存在运动伪影时,可以对这些伪影进行校正或舍弃。文献中已经提出了几种运动伪影校正方法,以往的研究系统地比较了这些方法的有效性,得出的结论是基于小波的滤波通常在成人数据上的表现最好。对儿童fNIRS数据的研究发现,移动平均滤波器和维纳滤波(WF)的组合比单独使用WF效果更好,尽管研究指出WF可能会降低恢复信号的幅度。与本研究目的非常相关的是,从6-12个月大的婴儿中获得的NIRS数据,单独使用WF的表现要优于目标主成分分析(tPCA)或tPCA和WF的结合,而对于4-11个月大的婴儿的NIRS数据,样条插值和WF结合在噪声很大的数据集上表现最好,而单独使用WF在中等噪声的数据集上表现良好。WF的主要优点是保留了大量的实验试次,缺点是降低了HRF的幅值,并且计算量大。


滤波 系统回顾成人NIRS研究中的滤波方法,比较了不同阶的无限脉冲响应(IIR)和有限脉冲响应(FIR)滤波器,发现高阶(>500)带通FIR滤波器的性能最好。在一项脑机接口研究中,当比较滤波器对分类性能的影响时,血流动力学响应滤波器是最有效的。


预处理步骤的顺序 预处理可应用于光强度、光密度或血红蛋白浓度的变化,不同的处理步骤可应用于不同的数据类型。这些选择带来的不同影响在很大程度上仍未被探索。唯一可用的发现表明,就最终统计结果而言,对光密度或血红蛋白浓度变化应用频率滤波没有区别。

 

现有研究

鉴于上述婴儿NIRS数据的特殊性,特别是在新生儿和最幼小的婴儿中,不同的分析策略如何在这一发育人群中发挥作用的问题尤为相关。到目前为止,还没有研究系统地考察过这个问题。



本研究在两个实验中考察了五种不同预处理流程的性能,这些流程是在对婴儿fNIRS文献进行系统搜索的基础上选择的。在实验1中,研究者使用合成数据来比较恢复的HRFs和真实的HRF,并评估每种方法对增加的噪声水平的鲁棒性。在实验2中,分析了一项已发表的研究的实验数据,评估了新生儿人工语法加工的神经关联。研究者发现,运动伪影校正(而不是拒绝)能够保留大量的试次,但HRF振幅往往大幅降低。相比之下,伪影拒绝导致高排除率,但充分保留了HRF的特征。研究者还发现,所有这些预处理流程的性能都随着噪声的增加而下降,但明显小于未应用预处理的情况。最后,对光密度或浓度变化数据进行预处理没有区别。这些结果表明,近红外数据预处理应作为明确质量问题的函数进行优化。

 

预处理方法文献综述


文献综述:选择标准

对2016-2020年发表的fNIRS研究进行了搜索,目的是回顾发展研究中使用的最常见的预处理方法。使用以下标准在PubMed、Scopus和Web of Science数据库上进行文献搜:

①2016-2020年发表的论文,即近5年。
②研究对象为12个月或以下的婴儿(如果有研究中参与者的年龄范围超过了12个月的分界点,例如10-14个月,该研究包括在内)。
③原始fNIRS研究的同行评审报告。对已发表数据集的二次分析的文章不包括在内。
④采用区组或事件相关刺激设计的研究。由于本研究的重点是HRF的恢复,因此功能连接和静息态研究没有包括在内。
⑤使用连续波(CW)近红外光谱仪进行研究。
⑥包含多个研究的论文被认为是一篇,如果研究采用相同的预处理流程,则分开处理。


根据这些纳入标准,共选择了75项研究。


图1 概括了这些研究最重要的方法论特征。

 

为进一步分析选择流程

这些研究在预处理方法上的差异很大。图2对这些不同的预处理流程进行了概括。下面,研究者按照前面讨论的三个预处理步骤来对此进行探讨:(i)伪影拒绝/校正,(ii)滤波和(iii)顺序。


图2 概括了文献中用到的不同预处理流程


伪影 在这75篇研究中,有42篇由于运动伪影剔除了试次,通过视觉识别(8/42)或使用自动检测算法(33/42),并结合视觉进行评估。在后者中,许多研究报告使用了信号幅值在某一时间窗内变化的阈值,或信号的标准差,或两者兼用。这些阈值通常对整个组的参与者都是固定的,但一些研究在视觉检查后在参与者水平上进行了调整。在应用运动伪影校正的33项研究中,有14项采用了WF法,10项采用tPCA法,6项采用样条插值法,2项采用线性插值法,1项采用多种算法的组合。

 

滤波 大多数研究采用带通滤波,要么使用带通滤波(N=41),要么使用低通和高通滤波组合(N=6)。有24项研究单独使用了低通滤波器。有3项研究没有报告关于频率滤波器的相关信息。


排序 18项研究应用过滤技术对血红蛋白浓度的变化进行了研究。其中10项研究,是在滤波后进行运动伪影检测,而另外8项研究的运动伪影检测则先于滤波。有10项研究在直接转化为血红蛋白变化之前,对光强度进行了运动伪影检测、试次拒绝和滤波,而在7个研究中,在转化为血红蛋白变化之前,对光密度执行了这些步骤。在33项应用伪影校正的研究中,大多数(N=28)对光密度进行了校正,2项对光强度进行了校正,3项对血红蛋白变化进行了校正。


基于上述婴儿NIRS文献的趋势和研究者想要回答的理论问题,研究者选择了5种最常使用的预处理流程(图2C),标记为A、B、BA、BB和C。重要的是,这五种流程没有显示这些研究中所应用的精确设置和参数,而是以上述三个关键方面进行划分:伪影处理方式,频率滤波和预处理步骤的顺序。


值得注意的是,这5种流程的选择是系统化的,由于特定流程对在单个步骤中有所不同,这使得测试每个分析步骤对HRF恢复的影响成为可能。流程C执行了伪影校正,而其他的则执行了伪影拒绝。采用试次拒绝的流程在步骤顺序上有所不同:流程A与流程BA的不同之处在于滤波和伪影检测先后顺序是相反的;B,BA和BB根据处理所应用的数据类型不同(分别是Hb、OD和光强度变化)进行区分。所有流程都采用带通滤波。

 

实验一

研究者评估了这些流程在一个合成数据集上的性能,这些数据集系统地改变了噪声和HRF的参数。

 

1、数据生成

合成数据是根据Gervain等人(2012)使用的蒙太奇和刺激设计生成的。在该研究中,使用24通道蒙太奇获得了22名新生儿的NIRS(图8)。因此,研究者生成了一个包含22名参与者的合成数据集,每个数据集有24个时间序列,对应于24个通道。和原始研究一样,这个时间序列包含14个试次,每个试次大约持续18s,并以25-35s不等的时间间隔开来。


合成数据是使用Matlab中的 Brain AnalyzIR toolbox 生成。对于每个参与者,基线噪声首先是白噪声,然后采用30阶自回归模型进行时间相关性分析。不同通道在空间上没有相关性。然后,模拟心率、呼吸和迈耶波对NIRS信号的贡献,在新生儿HRF典型频率下,信号幅值增加了0.01-0.03mM×mm(约占总信号变化的3-10%),即分别在1.5±0.2Hz、0.25±0.05Hz和0.1±0.02Hz的范围内。


通过系统地改变HRF和伪影参数,研究者创建了20个不同的数据集。以峰值和基线偏移的形式添加运动伪影。在20个数据集上,尖峰被模拟为0.1-2 V电压之间的突然变化,而基线偏移伪影被模拟为电压的随机正或负的变化,也在0.1-2 V之间。HbO的HRF幅值范围为0.1 ~ 0.35mM×mm,HbR的HRF幅值范围为-0.05 ~ -0.175 mM×mm,到达峰值的时间为6s。在12个通道(即50%的通道,共24个通道)中加入HRF。这些通道被称为“激活通道”。


对每个参与者的数据执行这一过程,相同数据集中的通道在基线和生理噪声方面存在差异,但具有相同的HRF和伪影振幅,而不同数据集中的相同通道具有相同的基线噪声,但在HRF和运动伪影方面存在差异。


图3中描述了模拟步骤,并给出了模拟数据示例。这种合成fNIRS数据的方法与其他研究中使用的分析方法类似。


图3 该图描述了用于生成合成数据集的工作流程。


2、数据分析

2.1 预处理流程

使用以下流程对数据进行预处理。对于所有流程,采用Beer-Lambert定律计算吸收系数(μa,mm-1×mM-1):μa(HbO,695nm)=0.0955,μa(HbO,830nm)=0.232,μa(HbR,695nm)=0.451, μa(HbR,830nm)=0.179。将光路长与差分光路长因子的乘积设为1,由此得到的浓度变化用mM×mm表示。在刺激开始前5s,对每个block进行基线校正,计算通道上的block平均值。然后对所有参与者的均值进行计算得出总平均。

 

流程A

利用改进的Beer-Lambert定律,先将光强度转换为光密度,再转换为HbO和HbR浓度的变化。随后,使用 fft 滤波器对0.01~0.7Hz之间的数据进行带通滤波。下限值是在设计的基础上定义的,因为预期峰值的频率为0.02Hz(block持续时间和block间的间隔~45s),上限值可以抑制心率、吮吸奶嘴等生理噪音。


如果光强达到饱和值,或者如果block包含运动伪影,或两种情况同时存在,则拒绝单个block。运动伪影定义为在0.2s内浓度变化大于0.1mM×mm的值。此过程在每个通道上独立执行。每个条件中有效block少于30%的通道将被排除。


对于未被拒绝的block,在block开始前5s和block开始15s后的5s内的均值进行基线线性拟合,以便HRF有足够的时间回到基线。

 

流程B

将光强度转换为光密度(OD)。然后,识别逐个通道的运动伪影,即在1s的窗口内信号幅值变化为0.4或以上,或者在1s内标准差的变化为15倍或更大。这些参数设置是根据最新的文献选择的。

基于这一步的结果,如果运动伪影落在刺激窗口,则排除该试次,以刺激开始前2s和结束后10s来判别运动伪影是否落在刺激窗口。这步操作也是在逐个通道上执行的。

最后,利用3阶巴特沃斯滤波器对0.01~0.7Hz的光密度进行带通滤波,并利用Beer-Lambert定律计算浓度的变化。


流程B利用Beer-Lambert定律将光强度转化为光密度,再转化为相对浓度变化。


然后,与流程B类似,运动伪影是以1s的窗口内幅值变化≥1.3mM×mm,或者在1s内标准差的变化为15倍或更大来进行判别的。基于这一步的结果,如果运动伪影落在刺激窗口,则排除该试次,以刺激开始前2s和结束后10s为准。最后,浓度变化用3阶巴特沃斯滤波器在0.01~0.7Hz之间进行带通滤波。


流程BB  光强在转化为光密度和浓度变化前进行预处理。


与流程B和流程BA类似,运动伪影是以1s内的幅值变化≥0.6V,或者1s内的标准差为15倍或更大来进行辨别。基于这一步的结果,如果运动伪影落在刺激窗口,则排除该试次,以刺激开始前2s和结束后10s为准。


然后,用3阶巴特沃斯滤波器对0.01~0.7 Hz之间的数据进行带通滤波。最后,利用改进的Beer-Lambert定律将预处理后的数据转换为光密度和相对浓度的变化。


流程C

该流程与流程B相同,只是在检测运动伪影之前,需要进行一个自动检测和校正步骤。为此,采用了Molavi和Dumont提出的基于小波的滤波算法。简而言之,通道方向的时间序列被分解成一系列小波细节系数。这种算法背后的基本原理是,当与感兴趣的信号相关的系数分布在零附近时,表示运动伪影的系数将位于分布的末端。自动校正的伪影是通过去除这些后者系数,然后重建信号。调谐参数α指定了分布的边界,超过这个边界的系数被认为是离群值,因此是伪影:去除超过α乘以四分位范围的系数,并且利用离散小波逆变换重构无伪影信号。根据最近的研究发现,该算法以α=0.5为阈值,并且通过目测验证了这种选择的合理性。在自动检测和校正伪影后,利用流程B中描述的阈值识别剩余未校正的运动伪影,并拒绝相应的block。

 

2.2 控制流程

这个流程被用作基线。它包括转换到Hb和使用与流程A-C相同的参数进行滤波。


比较指标 采用不同预处理方案的效果通过比较几个指标来评估:恢复的和真实的HRF之间的均方根误差(RMSE)、它们的相关性、纳入试次的百分比和激活窗口中信号的最大幅值。指标的计算如下:

RMSE:计算每个参与者和通道的RMSE,作为恢复的HRF和真实HRF的block平均之间的均方差的平方根。
相关性:对于每个参与者和通道,通过计算其Pearson相关系数来评估平均恢复的HRF和真实HRF之间的相关性。
试次纳入率:试次纳入率的计算为保留试次数占试次总数(N=14)的比例,跨通道进行平均计算。
信号幅值:提取激活窗口内恢复的HRF的最大正振幅或最大负振幅。激活窗口是一个block显著不同于零基线的时间窗,用作排列检验计算。

 

2.3 统计分析

比较流程的统计性能,将混合效应线性模型拟合到每个指标作为因变量,对于被试内因素:流程(A,B,BA,BB,C,控制)和噪声水平(20),及其交互作用采用固定效应模型,噪声为随机斜率和数据集为随机截距。将20个合成数据集中的噪声量化为变异系数,即通道方向时间序列的标准差除以其平均振幅。研究者测试了所有模型,从仅随机截距的模型开始,并增量地添加因子。对于每个指标,最佳的拟合模型,即达到最低赤池信息准则(AIC)的一个,被证明是每个指标的全模型(或称饱和模型)。模型在SPSS v. 25.0中实现。SPSS对固定效应的显著性进行了ANOVA-like评估。随后的两两比较为Bonferroni多重比较。

 

3 实验室结果

对于HbO,不同预处理流程在四个指标上的统计性能如图4所示。HbR两两比较的结果可参见补充材料,因为它们与HbO的结果非常相似。恢复的HRF (HbO和HbR)如图5所示。


图4 不同处理流程在幅值(A)、均方根误差(B)、相关系数(C)和纳入试次的百分比(D)上的统计性能。


图5 随机选择的参与者数据集中的三个恢复的HRF实例。

 

幅值

最优拟合(全)混合效应模型得出,两两比较如图4A所示。与此相关的是,流程C的幅值最低,显著低于其他所有流程的幅值,且流程BB恢复的HRF幅值显著低于流程B和BA,在图6中也可以看到。


图6 请注意:流程B(粉红色)和流程BA(紫色)的均值和标准差有很大程度上的重叠。


在较高的噪声水平下,流程BB的HRF形状的失真尤为明显(图7)。噪声的主效应不显著,。这种交互作用(图7)表现为控制流程幅值随着噪声的增加而大幅度增加,流程B和流程BA幅值小幅度增加,而流程A、C和BB的幅值则下降。


图7 交互作用


RMSE

最优拟合(全)混合效应模型得出,流程的主效应显著(HbO:p<0.001,HbR:p<0.001)。表现为流程A的RMSE低于其他流程:A–B= -0.037,A-C= -0.27,A–BA=-0.036,A–BB= -0.031,所有ps<0.001。噪声的主效应也显著。流程和噪声之间的交互作用显著,即与其他流程相比,流程A、C、BB随噪声的RMSE增加而增幅较小。


纳入试次的百分比

最优拟合(全)混合效应模型发现,流程的主效应显著,除流程C外,所有流程的试次纳入率均显著低于控制流程。值得注意的是,流程BB与流程B之间的差异显著,但流程BB和流程BA之间的差异不显著。噪声的主效应显著,流程×噪声的交互作用显著,即对于流程A和流程B,随着噪声水平的增加,保留试次数量的减少是显著的,但对于其他流程则不是这样。


恢复和真实HRF的相关性

最优拟合(全)混合效应模型得出,流程主效应显著。流程A和流程C的相关性最高。噪声的主效应显著,流程与噪声存在交互作用,即与B、BA和BB相比,随着噪声水平的增加,流程A和流程C的相关性下降较小。

 

实验二

为了探究实验1的结果的生态效度和可推广性,研究者在真实数据上对其进行了测试。


1、方法

1、1 数据

数据来自Gervain等人(2012)的研究。这项研究的目的是评估新生儿的大脑是否能从言语刺激的基于重复的规律中辨别出随机序列。


参与者

22名健康的足月新生儿(13名男婴,9名女婴;平均年龄=1.14days,范围=0-3days;阿普加评分≥8)参加了实验。另外收集了13名婴儿的数据,但由于婴儿哭闹(11名婴儿);较大的运动伪影(2名婴儿);头发浓密(2名婴儿)原因排除在数据分析之外。所有家长在参与前均给予知情同意。实验获得了哥伦比亚大学和BC女子医院的伦理委员会许可。


刺激和程序

采用日立ETG-4000近红外光谱仪(源-探测器分离:3 cm;两个连续波长为695和830nm;采样率:10Hz),24个通道,覆盖双侧颞、顶叶和额叶区域(图8B)。对刺激的详细描述可以在Gervain等人(2012)的研究中找到。每种条件共有14个block;block持续时间约为18s,以不同持续时间(25~35s)间隔block,并按随机顺序呈现(图8A)


图8 实验设计示意图。 


2 数据分析

2.1 预处理流程

预处理流程与实验1相同。


2.2 比较指标

如实验1所示,将流程按纳入试次的百分比和信号幅值进行比较。由于真实HRF是未知的,因此均方根误差和相关系数无法计算。研究者还增加了一种新的测量方法,即HRF的标准差,以评估恢复信号中的噪声和变异性。


2.3 统计分析

对Gervain等人(2012)报告的对AAB条件有显著反应的通道进行了信号幅度和标准差的统计分析,即显示了可检测到的血流动力学反应,在使用排列测试定义的时间窗口中,通过100次迭代将AAB响应与零基线进行比较。通道分别为3、4、6和15(图8)。与此相关的是,这些通道有不同程度的噪声,其中通道4噪声尤其大(图9)。具体来说,通道4的平均信号标准差为0.3416,而通道3、6和15的平均信号标准差分别为0.17、0.18和0.16。


图9 (第一行)所有参与者的通道3、4、6和15上,通过流程A、B和C获得的AAB条件的总平均。(第二行)使用流程B、BA和BB时获得的相同通道的总平均。(第三行)不同流程在相同通道的恢复HRF幅值以及(第四行)HRF的标准差。


线性混合效应模型分别以HRF幅值和标准差为因变量进行拟合,流程和通道及其交互的效应固定,通道为随机斜率,参与者为随机截距。该模型是基于AIC准则最小化的基础上选择的,类似于实验1。对所有通道和两种条件下平均试次纳入的百分比拟合成一个线性混合模型,这一模型是基于AIC准则的最佳拟合模型。在SPSS v. 25.0中进行操作,随后的两两比较为Bonferroni多重比较。


3、结果

恢复的HbO的HRF及相应的幅值和标准差如图9所示。HbR的结果与此高度相似,可参见补充材料。但是这里报告了两种Hb数据的统计结果。在HRF幅值上,流程、通道的主效应显著,两者之间存在交互作用。流程的主效应表现在流程C的HRF幅值显著低于其他流程;通道的主效应表现在通道15的HRF幅值显著低于其他通道。流程×通道的交互作用显著(事后检验结果见图9),主要是因为流程C在不同通道中得到的幅值明显低于其他流程的幅值。在任意通道中,流程B的幅值与流程BA的幅值不存在显著差异(也就是说,在HRF幅值上,如果用流程B或流程BA进行fNIRS数据的预处理时是没有显著差别的),而在通道4中,流程BB的幅值明显高于其他流程,是因为噪声特别大。在HRF的标准差上,流程、通道的主效应显著,两者之间存在交互作用。流程的主效应表现在三种类型的流程B (B-BB-BA) 的HRF变异性显著大于其他流程。事后比较显示,流程B、BB、BA之间没有显著差异,但三者的标准偏差均显著高于流程A。通道的主效应表为在HbR上,通道3的标准差显著低于通道4。流程×通道交互作用显著,主要是因为通道4在所有流程上的HRF标准差差异显著大于其他通道(事后多重比较如图9所示)。


试次纳入率如图10所示。流程的主效应显著,除控制流程与流程C之间,以及流程B、BA与BB之间外,所有其他事后两两比较均具有统计学意义。


图10 实验包含率


文章结论与讨论,启发与展望
虽然fNIRS在认知发展研究领域得到了广泛的应用,但在预处理流程上却缺乏共识。本文从最近的婴儿fNIRS文献中选择了五种常用的数据预处理方法。预处理阶段对恢复HRF的形状有着关键的影响,因而最终会影响到对结果的解释。在本文中,研究者给我们说明了不同预处理流程选择上存在的优势和局限性。特别地,研究者强调了运动伪影的自动校正不仅会保留绝大多数的噪声试次,而且会降低恢复的响应幅值。相比之下,采用严格的试次纳入标准,排除率较高,虽然并不总是可行,但能够更好地保留HRF的特征和幅值。最后,对于光密度或浓度的变化,可以执行相同的预处理步骤,但不适用于原始光强度。


此外,关于可用试次的数量,参与者的行为状态,参与者的年龄,刺激的性质等因素都有助于确定选择最佳的分析方法,这里研究者提供了一些指导建议,以帮助研究人员选择一个合适的预处理策略。

 

①在非典型、临床或其他难以招募的人群的研究中,参与者的可用性和实验时间都非常有限,而且控制参与者的行为特别具有挑战性,因此建议尝试对运动伪影进行校正。

②如果有可能进行长时间的测试,例如对睡眠中的新生儿进行测试,并且可以获得大量的试次,为了最准确地恢复HRF,特别是其幅值,可以应用伪影拒绝。如果文献的预期效应量较小,研究者建议排除质量差的试次:这种方法能够在block内产生最高幅值和最低标准差,从而有助于更高的效应大小。当两种条件的最大可辨别性非常重要时(例如,在临床应用中,当病理状态需要与典型状态区分时),建议排除质量差的试次。当研究试图在特定人群、脑区、年龄范围或任务中考察或表征HRF本身的形状时,为了最好地保留HRF的形状和幅值,排除质量差的试次是合理的。


原文链接:https://doi.org/10.1016/j.dcn.2021.100943


制版︱王思珍


本文完

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存