脑电相关：OHBM COBIDAS MEEG协会关于可重复的EEG和MEG研究的问题和建议

文献：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

原文

1.术语和报告建议 ¶

Box1

  • 使用“run”而不是“block”，它们在 MEEG 中可以互换使用，但在 PET 或 MRI 中明显不同。

  • 明确报告进行数据处理（即统计分析和建模）的空间：传感器（sensor）VS 源（source）。因为某些分析方法可能不适用于传感器空间（sensor space）。

Box2

  • 注意记录时间点，例如N100

  • 量化ERP组建的延迟窗口

2.应始终报告哪些基本数据采集参数和实验设计属性 ¶

一些重要的参数经常被省略，表1提供了实验范式、参与者和测量行为的重要基本描述符的选定列表。

表1

许多已发表的论文省略了基本的数据采集细节：采集系统类型、传感器数量及其空间布局，以及采集类型：连续与一段（epoched）、采样率和模拟滤波器带宽（低通和高通）。

在EEG中感兴趣的影响可能会被数据采集时应用不当的过滤器设置无意中过滤掉。如果未报告过滤器特性，则无法评估这些可能性.

EEG 的一个关键方面是测量值是相对于参考电极的差分电压。接地电极可用于减少 EEG 中的非共模信号，例如线路噪声或电刺激伪影。因此，必须始终报告参考电极和接地电极的位置。

不建议使用物理连接耳垂（physically linked earlobe ）或乳突电极，因为这些非电极参考会导致数据变形和建模困难。

整个头皮的记录质量也应该是均匀的，因此应该报告无源 EEG 电极系统的阻抗测量程序和阻抗值。

使用零假设检验，要报告先验统计效力。因为研究检测到效果的概率是一个复杂的问题，涉及试次量、被试量的复杂平衡，以及实验设计函数本身，建议定义感兴趣的主要数据特征，然后估计最小效应大小以确定功效。最小效应量是与给定假设相关的最小效应。使用独立数据、现有文献或试点数据来确定效应大小。

如果没有可用的电生理数据，行为数据可以用作所需样本量的最小估计。因为：1.神经效应通常小于行为数据的效应；2.部分数据因为伪迹被排除，减少了可用于统计分析的数据量。

3.MEEG数据预处理 ¶

对数据的任何操作和转变。预处理的顺序会影响定性和定量。必须提供所有计算的详细信息，因为微小的变化可能会导致分析输出的巨大差异。

图2

源建模和重建是统计分析或建模之前的主要处理流程步骤, 必须完整报告。

图3

由于有多种方法可以估计来源，因此至少应描述所选方法的预期准确性、误差和稳健性。重采样可用于提供有关使用手头数据执行的重建的更多信息（偏差、空间置信区间等）。不同的源建模方法对于特定应用可能是有利的，因此报告选择源模型的基本原理也很重要。

4.MEEG数据处理 ¶

不改变数据的数学程序。

时间、频率或空间的 ROI 分析（峰值分析、窗口平均等）虽然是合法的，但应根据先前的文献或独立数据或统计对比先验地证明其合理性。

分析倾向于在被试/分组水平，使用分层/混合模型对整体数据量或传感器空间（spatiotemporal sensor space）进行分析。

相比断层扫描法，MEEG会有丢失的数据（坏的通路/伪迹），处理丢失数据的方法：应针对多层测试和比较校正结果，要注意数据平滑度。

多重比较硬进行充分校正

解码方法应最小化偏差和不切实际的高分类率，这种情况叫过度拟合（overfitting）。需要使用嵌套交叉验证程序（nested cross-validation procedure）：使用独立数据子集估计参数、拟合分类模型和估计性能指标。

指旨在检测两个或多个通道或源之间耦合的分析。

表3

必须报告分析方法和所有相关参数。

5.结果报告和显示项目 ¶

在描绘神经生理学波形的图中，主张包含可变性度量（例如，置信区间）和所有显示数据属性的清晰注释尺度。建议显示全套通道的波形或频谱（在主文档或补充材料中）。

alpha节律会随年龄变化，一些文献使用术语“baby alpha”，应使用中央节律（central rhythm）/mu来表示。

必须列出检验统计值（F-values, t-values, Bayes factors），也应该列出模型假设和效应大小（Cohen’s d, percentage difference and/or raw magnitude）。

无论使用哪种方法，都应报告每种（预期的）效果，无论其是否显着，以便读者评估数据集。这允许与类似的研究进行比较，有助于规划未来研究的知情功率分析，并将促进定量的、更可重复的脑动力学观点的发展。

地形图：在原稿中显示阈值图（带有阈值方法的描述），同时在补充材料中提供所有通道和时间或频率帧的原始图（理想情况下作为存储库中的数据矩阵，而不仅仅是图）。为了让读者能够评估观察到的效果，模型参数的时间过程和基础数据都应该可用。应该考虑哪些数字应该出现在主要手稿中，而不是出现在补充材料部分。