不同脑电图（EEG）采集系统数据标准化方法的研究

《Brain-Apparatus Communication: A Journal of Bacomics》：Research on data standardization methods of different EEG acquisition systems

　　

摘要： 目的：本研究致力于解决多中心研究中因使用不同脑电图（EEG）设备所导致的数据偏差，并提出一种基于幅频响应校正的EEG数据标准化方法，以减轻设备特异性性能差异对采集信号的影响。 方法：通过仿真评估了幅频响应校正算法的有效性和适用性，采集并分析了41台设备的幅频响应数据，并通过处理使用这些设备采集的实际事件相关电位（ERP）数据验证了该算法的有效性。 结果：幅频响应分析表明，在消除噪声、不良导联等干扰因素后，同一设备内各通道的响应表现出更高的一致性。相应地，为每台设备生成了一个校正模板。在此基础上，对标准化的幅频响应校正算法进行了改进。使用真实数据进行的实验验证证实，该方法减弱了EEG采集系统中幅频响应差异对采集信号的影响。 结论：通过系统分析不同EEG设备幅频响应的差异，研究人员开发了一套基于其性能参数的标准化方法，并提供了一个工具，以支持多中心EEG研究中不同EEG采集系统实验数据的标准化。

论文解读：

研究背景与问题

脑发育研究通常需要大量的脑电图（EEG）数据样本，促使研究者采用多中心数据采集策略。然而，不同EEG采集系统在性能上存在广泛差异，这常常导致数据变异大、难以标准化的问题。已知的多中心EEG研究采用了诸如要求所有参与中心使用同一型号设备等解决方案，但这些方案或增加了管理和运营成本，或限制了参与中心的数量，降低了样本的统计效力。因此，针对不同EEG采集系统的数据标准化方法研究仍然稀缺，迫切需要开发合适的数据标准化方法。特别是，EEG设备的幅频响应参数会随时间变化，容易影响EEG信号采集质量。虽然先前有研究认为高质量设备对信号振荡幅度影响不显著，但放大器增益稳定性会随使用时间漂移，因此，对于使用不同EEG采集系统的多中心研究，幅频响应校正显得必要。

研究内容与方法概述

本研究针对当前多中心EEG采集在严格跨中心标准化方面面临的困难，聚焦于EEG设备的幅频响应参数，为不同的EEG采集设备提供了一种标准化思路。研究人员开展了仿真与实验验证相结合的研究。首先，通过仿真验证了幅频响应校正算法的有效性，并确定了算法的适用条件（例如，当幅频响应曲线在通带内的平均增益≥0.47时，算法可有效工作）。其次，研究人员搭建了一套针对EEG采集系统采集EEG信号场景的设备幅频响应参数快速测量系统，现场采集了41台EEG采集系统的幅频数据，并对数据进行了预处理（如滤除噪声、剔除坏点）和分析，为每台设备生成了幅频响应校正模板。最后，利用从清华大学获取的Benchmark开源稳态视觉诱发电位（SSVEP）EEG数据集和实际采集的事件相关电位（ERP）数据（如失匹配负波，MMN）验证了算法的实际校正效果。研究旨在通过幅频响应校正处理采集到的EEG信号，有效减弱由设备差异造成的影响。

主要技术方法

本研究采用的关键技术方法包括：

1. 1.
   幅频响应校正原理与逆滤波：将非理想放大器的幅频响应视为理想放大器A经过一个滤波器H(f)，通过构建其逆滤波器H_inv(f) = 1 / H(f)来进行校正。
2. 2.
   改进Akima分段三次埃尔米特插值：由于在实际测量中无法获取所有频点的统计，本研究通过插值特定频率间隔的幅频响应离散点来估计系统的幅频响应。在对比多种插值方法后，选择了改进的Akima分段三次埃尔米特插值法，因其产生的波动更小、更平滑，并能避免尖锐的平坦化伪影。
3. 3.
   动态时间规整（DTW）与归一化DTW（NDTW）：为了量化信号间的相似性，本研究采用DTW来评估两个序列的相似度，并通过将DTW结果除以最优路径长度得到NDTW分数，作为相似性程度的定量指标。
4. 4.
   配对t检验：用于统计分析校正前后信号峰峰值是否存在显著差异，验证算法的实际效果。
5. 5.
   基于头模的快速测量系统：为了提高测试效率，研究人员构建了一套快速测量系统，通过将标准信号源连接至嵌有电极的头模，并与EEG帽耦合，实现了对所有通道的同时测试，确保了各通道记录数据在持续时间、相位等方面的一致性。

研究结果

3.1. 噪声估计频率响应曲线

计算了41台设备各通道在0-40 Hz范围内的噪声均方根（RMS）值。根据预先设定的标准（要求设备在多于一个通道上噪声RMS <0.5 μV），筛选出35台适用于本算法的设备，排除了6台不符合条件的设备。

3.2. 设备频率响应数据统计与分析

对采集的数据进行预处理后，计算了各设备在所有输入频率和输入幅度下输出结果的方差。结果显示，不同设备间以及同一设备不同通道间的响应一致性存在差异。在剔除因通道耦合不良、噪声污染等因素导致的坏点后，设备各通道响应结果的一致性得到改善。通过插值各设备在所有有效通道上的平均幅频响应，绘制了各设备的幅频响应曲线。分析表明，大多数设备的增益接近1，但部分设备在1-40 Hz频带内增益显著低于1。所有35台设备的幅频响应曲线平均增益均≥0.47，满足算法的适用性标准。

3.3. EEG数据验证

使用实际采集的MMN实验数据，对幅频响应衰减较严重的设备数据进行了校正处理。对比校正前后MMN波形的叠加结果发现，校正后信号的峰峰值有增强趋势。对校正前后被试MMN峰峰值进行配对t检验，结果p < 0.0005，表明校正前后MMN结果的峰峰值存在显著的增强趋势，证明了该算法在实际应用中的预期效果。此外，利用清华大学的SSVEP数据集进行的验证也表明，幅频响应校正可以有效校正受设备性能影响的实际任务结果，使经过不同衰减设备处理后的信号在典型相关分析（CCA）算法中的识别准确率达到相同水平。

讨论与结论

讨论：本研究从幅频响应的角度对不同EEG设备获取的信号进行了校正，探索了针对不同EEG设备所获EEG数据的标准化处理方法。在测量设备幅频响应前，通过仿真验证了设备幅频响应曲线插值结果与原曲线无显著差异的条件。通过仿真和实际设备噪声测量，为算法筛选了适用设备。研究模拟验证了算法对增益<1的幅频响应曲线的校正效果，并确定了算法失效的平均增益阈值（<0.47）。基于采集的数据建立幅频响应模板，并在处理实际被试实验数据时，观察到了MMN结果的增强，统计检验证实了其显著性，表明该方法达到了预期效果。

结论：本研究探索了从不同EEG系统获得的脑电图（EEG）数据的标准化。首先，通过仿真评估了算法的有效性和适用性。其次，利用从设备收集的幅频响应数据对设备的幅频响应参数进行了统计分析。随后，使用EEG数据验证了算法的幅频校正效果。在此基础上，解决了不同EEG设备在数据收集过程中的性能差异问题，从而提高了数据质量。总而言之，通过处理来自各种设备的幅频响应数据，开发了一套幅频响应校正模板和算法，并验证了该算法的实用性和有效性。这对于多采集系统的研究具有重要意义。