文献：Mheich, A., Dufor, O., Yassine, S., Kabbara, A., Biraben, A., Wendling, F.,& Hassan, M.(2021). HD-EEG for tracking sub-second brain dynamics during cognitive tasks. Scientific Data, 8(32). https://doi.org/10.1038/s41597-021-00821-1
1.背景和目的 ¶
目前神经影像学fMRI的限制是时间分辨率差（>s），但大脑的快速网络变化是大脑执行功能的基础。当前Human Connectome Project (HCP)中只有少数几个有效的MEG和EEG数据，缺少既包含静息态又包含任务的高清EEG（HD-EEG）数据。HD-EEG指256个通路的高清脑电图。
HD-EEG数据和复杂的信号处理算法相结合可能可以转化为潜在的神经影像学。HD-EEG数据有捕捉皮层下结构的可能性。
本研究希望通过公开的HD-EEG数据集，1.破译认知功能性脑网络的快速重构；2.开发新的信号处理方式来充分评估皮层脑网络；3.允许HD-EEG结果的可重复性。
2.实验 ¶
实验程序软件：E-prime，语音分析软件：praat
2.1实验1 ¶
实验1包含图片命名和图片拼写。
图片命名：148个图片，74个刺激为一个run。控制心理语言学参数来使任务中的词语分类等效。
图片拼写：使用和图片命名一致的图片。
实验中对应未识别/未正确反应trigger的数据被去除。
2.2实验2 ¶
静息态、图片命名、听力命名3个任务随机顺序，工作记忆一直是最后一个。
静息态：被试注视十字点附近10分钟。
图片命名：40个干扰项和80个有意义的图片。控制语义信息，有尽可能多的语义表征。trigger在图片消失后触发，命名延迟是开始发音的时间-图片开始呈现的时间（trigger-2500ms）.
听力命名：80个不同的声音，每个声音在1s内。被试被要求在声音结束后作出反应（命名），所以发声开始的时间不代表认识加工速度。
工作记忆：每个被试的最后一个session。呈现80个图片，其中40个已经在之前的任务呈现过。新图片和出现过的随机呈现给被试，被试通过按下按钮来判断是否见过呈现的图片。
2.3数据记录 ¶
记录为BIDS格式。
3.数据处理 ¶
- 预处理和数据质量
保留了195个通路。数据2比数据1进行了更多差值。
预处理方法：Automagic，一种自动预处理工具；以及EEGLAB中自动切分的工具
可视化：EEGLAB的电压拓扑图和BrainNet viewer的网络。
- 数据的多种分析
包含：时间、频率、时频、基于连通性的分析。
探索了头皮、来源和网络3个级别的大脑动态活动。
- 数据1:
使用Automagic预处理后，上传到EEGLAB，计算多个被试的ERP，再使用Microstate eeglab toolbox切分ERP，用 K-means modified algorithm计算得到5种拓扑。
用Brainstorm toolbox和Destrieux将数据分成148个区域，用Brainstorm中的加权最小范数估计（wMNE）来重建时间源序列。用eeglab microstate toolbox的K-means modified algorithm切分平均区域时间序列，得到7个状态。
将数据用gamma频段过滤（30-45Hz）。用EEGNET toolbox的相位观察值（PLV）计算功能连接性。
- 数据2:
网络级别使用beta频段。
- 2个数据的结果
说明了3个级别的方法互补，数据2中被试少、正确反应的试次少但结果仍一致。
但是在网络方法中，给定频率不同会得到不同的结果。
问题 ¶
不涉及统计参数，只使用可视化表示。
同一级别的分析中，使用多个toolbox。