自由扫视任务基于ICA去除脑电伪迹

文献：

原文

step1: 4个参数

  1. 高通滤波
  2. 低通滤波
  3. 包含肌源性扫视棘电位（ myogenic saccadic spike potentials）的比例
  4. 基于眼动仪的成分剔除

step2： 用眼动仪评价ICA校正的质量，包括未校正和校正过度

使用眼动结合脑电，产生SRPs和FRPs（扫视、眼动相关电位）。注视的开始时间可以作为一个研究注意、认知等过程的自然时间锁定点（time-locking）。

在处理数据的过程中，眼动、眼睑的移动、眼部肌肉收缩都会是很明显的挑战。这些情况产生的伪迹不一定比ERP大，但是会和实验条件相关，如果不能完全去除，可能会导致对实验结果的错误解释。

目前有很多校正的方法，其中最常用的是ICA，但是ICA对于自由眼动数据的校正没有得到系统评估，ICA很可能在校正中被过度评价了。存在的问题：

  1. 被校正的数据首先关注的是眼动本身，在连续的数据中小的伪迹很难被识别，对于注视开始时间的平均来说眼动开始时间锁定的伪迹是不稳定的，因为眼动持续的时间不同。
  2. 自由扫视的试验任务中，被试的眼动可以是各个方向的眼动，这意味着大部分显著的CR伪迹在平均中被抵消了，但是在单个trial中可能仍存在。
  3. 大部分SRPs和FRPs研究关注的是头部后侧，这部分伪迹不太明显。而面部电极的伪迹会很清楚，可以在ICA前被排除。

对于ICA来说需要解决的问题：

  1. 如何选择和预处理训练数据。（*预处理比ICA算法的选择更重要。）
  2. 如何可靠地分类ICs，分成眼部（ocular）vs非眼部。
  3. 如何量化和最小化神经活动的失真（distortion）。

眼跳的时候视网膜偶极也在动，但伪迹的位置不会完全和眼跳镜像对称，依赖于被试注视屏幕的绝对位置，所以在自由注视任务中经常改变。

眼睑移动的时候会形成一个小的类似眨眼的伪迹，这种类似眨眼的伪迹在眼跳向上开始，但是在眼跳结束之后会持续大概100ms.

最难校正的伪迹是尖峰电位，一个简单，高频，二相性的波。在眼跳开始前5-10ms上升（ramp up），在眼跳开始时达到初始峰值。主要峰在面部电极有一个最大的负向焦点（focal negative maximum），但是伴随一个顶骨电极的更广的正向偏转。SP的地形也随扫视的方向变化，但它的主要峰的侧化是和CR伪迹相对的。SP在眼周的侧化比CR少，所以可以解释EOG不能很好地捕捉到这个伪迹。SP的峰值会随着眼跳的大小增加，二者之间的关系是否是线性的尚不清楚。

SP会影响自由注视任务的SRP/FRP分析：

  1. 会在时间和频率上扭曲一般的基线时间段。可以把基线时间远离扫视开始时间（-200ms到-100ms），但会减少平均波形的信噪比。这种宽频的伪迹在自由注视任务中很容易扭曲beta和gamma频段。
  2. SP会使关于眼跳开始时间发生现象的研究复杂化。
  3. 在自然视觉中，每200-400ms发生一次眼跳，SRP/FRP波的后期间隔会被眼跳的SP污染。（fig6）

fig6

1-2Hz, 滤波可以帮助移除一些不稳定的信号，满足ICA的平稳性假设。在自由注视中，眼跳和CR等伪迹加起来产生了一个更大的基线偏离（deviation）。

去掉高频也能提高IC的分解，因为会削弱电磁噪声，和颅-EMG。常用40-45Hz去除高频，但是SP的频宽可能达到至少90Hz，所以本研究的训练数据中会检验40-100Hz的低通滤波。

去除SP的难度在于它的信号能量很小，相比CR伪迹，产生一个很小的振幅，在不同的眼跳方向上有很多不同的地形（topography？），在很小一部分样本中持续，也会在时间间隔中改变地形。已有的研究表明高估会提高眼动校正，特别是SP，但这个方法没有在自由注视中检验过。

和EOG不同，眼动提供了准确的眼睛注视位置，独立于EEG，所以可以提高眼动校正。一个用途就是IC分类。

分类的偏差是在扫视和注视2种情况下每个IC成分活动时间窗的变量：如果在扫视间隔方差大，是伪迹；如果注视间隔方差大，是神经信号。所以如果2个方差之比超过1，就是伪迹，小于1就是神经源。（VAR扫视/VAR注视）。

这种判断标准应该有一个合适的阈值，需要检验是否1是最合适的值。

如果ICs遗漏，那么伪迹仍然存在在数据中，也就是未校正；另一种情况是ICA去除了部分大脑活动，也就是过度校正。

发生过度校正是因为，ICA混合了神经和非神经信号，也有可能是实验者不小心去除了神经IC成分。在大部分情况下，很难量化过度校正，因为真实的数据不能用于比较，所以本研究认为眼动可以提供一个特别的解决方法，因为眼动可以识别显著的眼球活动的objectively free间隔。眨眼也可以被识别。

MSEC是一种空间过滤器，基于地形定位分离大脑活动和伪迹。与ICA的主要区别在于，伪迹地形不是通过盲源分离获得的，而是通过对孤立的校准扫视的伪迹求平均值来定义的。此外，一组通用的大脑地形由所有参与者相同的偶极子模型定义。这种“替代”脑源模型的目的不是直接模拟任务中的神经活动，而是减少与伪迹地形空间相关的大脑活动的减法（即减少过度校正）。

2个不限制眼球运动的眼动/EEG实验：看情景，阅读。（fig2）

fig2

fig1

fig1是分析pipline的总结：

  1. 首先将每个被试的数据进行40个滤波，20个高通滤波频率（0.016Hz~30Hz），2个低通滤波频率（40~100Hz）。不同的滤波后的数据分成epochs为ICA服务。在这个数据基础上，进行2种SP的“高估”。通过对眼跳开始时间进行一个30ms的切分，并且重复追加到训练数据中。
  2. 在step1产生的80种数据中计算ICA；
  3. 生成的没有混合的矩阵W * 原始没有滤波的数据X，产生一个IC成分的波形S；
  4. 用eye-tracker提供的眼动事件去除活动波形眼跳比注视方差更大的IC成分。其中方差使用了10个不同的值（0.6~1.5），每个被试数据有800个伪迹校正版本。
  5. 用眼动的3个标准比较校正的质量：（1）未校正：眼跳开始时间CR和SP伪迹的振幅；（2）过度校正：识别短的刺激开始时间片段，这些间隔不受眼球活动影响，用这些时间间隔受ICA影响的程度评估。（有没有因为去掉某些IC成分，而改变）

每个实验12个被试。

在灰色的自然风景背景中藏着目标刺激，被试的任务是在图片中寻找一个灰色的盘子，在场景呈现后的内随机位置出现8-16s。被试发现后按按钮结束当前试次。

被试读152个短故事，每个故事2个句子，依次在单独界面呈现，（一个句子一行，一页），第二个句子中有语义相同、违反的单词，预期激活N400。实验控制目标词在被试阅读句子的前面的单词的时候是否parafoveally可见（n+2边界的范式）。

500Hz采样率，使用EYE-EEG工具箱处理。眼跳被定义为双眼转动速度超过10ms的间隔，这个阈值设置为所有记录眼速的5个中位数。选择这个低阈值是为了最大化微眼跳的检测敏感性。如果在50ms内检测出有多个眼跳，作者只选第一个，避免将眼跳后的震荡检测成独立的眼跳。

EEG和EOG用45/63个电极记录，除了固定在眼部的4个EOG电极，是标准的10-10系统。在所有分析中，EOG电极都保留在数据中，和EEG通道一样处理，这一点对检测其他伪迹和眼部ICs很重要。为了2个实验的montages可比较，将阅读的数据也处理成45个电极，和情境实验一致。采样率500Hz，降阻抗到5千兆以下。对数据进行高通滤波，0.016Hz。同步脑电和眼动数据，同步误差小于2ms。

使用EEGLAB进行高通滤波：不滤波，0.1，0.25，0.5, 0.75, 1, 1.5, 2, 2.5, 3, 3.5, 4, 5, 7.5, 10, 12.5, 15, 20, 25, 30 Hz。

低通滤波：40/ 100Hz。

每个滤波后的数据被epoch成刺激呈现时间前后3s每个的片段 (-200 ～ +2800 ms)。情境任务重，开始时间为图片出现的时间，也是开始寻找目标的时间，生成198个epoch。阅读任务，开始时间为第二个句子开始呈现的时间，生成152个epoch。

移除平均通道电压；为了排除大的非眼部伪迹，拒绝在任何通道中包含极端异常值（>500μV）的片段。

使用上述生成的40个基础数据中的前162000个点训练ICA（80 * 45* 45）

对每个基础数据，创建一个overweight版本，其中SP样本被过度表示。提取所有眼跳时间前后30ms（-20 ～ +10 ms）。这些短的眼跳-locked片段，被中心化(mean-centered)、连结起来，重复地追加到总长324000个点（k = 160）。

EEGLAB，原始记录的源波形 （S）= 训练数据上计算的 80 个未混合矩阵 （W） 中的每一个 * 包含未过滤记录的矩阵（X）。

EYE-EEG，10个阈值0.6~1.5（0.1/），计算方差比，眼跳开始的-10ms~眼跳结束

  1. CR伪迹大小

  2. SP大小

  3. 过度校正

  4. 数据：上述3个测量值独立进行ANOVA分析，2个被试间水平*高通滤波（20） *低通滤波（2） *overweighting（2）。

fig4

  1. CR 其他伪迹的大小主要取决于高通滤波，<1.5Hz产生次优性的校正；情境任务，2~2.5Hz之间的滤波是最优的；阅读任务，3~4Hz之间的滤波是最优的。而且，较强的低通滤波（>5Hz）会改变校正后数据中CR伪迹的地形位置，右半球的通道比左半球更负极。过度滤波会扭曲数据，<1.5Hz会把CR伪迹留在数据中。高通滤波对CR有显著影响，低通和overweighting没有影响。

  2. SP校正

fig5

高通滤波影响SP校正，SP主要受2个参数调节：1.高通滤波（3Hz或更低），和overweighting有显著交互作用；2.低通滤波，100Hz会提高SP校正，但是仅在高通滤波调节的基础上。

3个参数的组合：高通滤波2Hz, SPs有overweighting，没有低通滤波，两个实验任务的SP伪迹都可以被去除。（2-100Hz，with overweighting）

  1. 和MSEC的比较

没有显著好于/差于ICA，但是MSEC会较少过度校正。MSEC不能去除SP。

  1. 阈值的选择

fig8D

1.1~1.5没有显著差异，1.1是最低的合适的避免过度校正的阈值。

  1. 自由注视任务的ICA需要在高通滤波数据的基础上进行，高通滤波：EEGLAB的FIR，2~2.5Hz，对于阅读任务，最优值应该更高；
  2. 高于40Hz的频率应该被保留，以提升SP校正；
  3. 如果SP被overweighting，校正质量会进一步提升；
  4. 成分识别的阈值是1.1，眼跳开始前-10ms

重要的是，以这种方式训练的Infomax ICA几乎完全去除了眼部伪影，几乎没有神经活动的扭曲，也不需要实验者进行任何主观分类。因为本研究中情境和阅读2个任务的参数相似，所以这个研究的参数也可以应用于其他自由注视任务。