时间分辨多变量模式分析(MVPA)是一种分析磁和脑电图神经成像数据的流行技术，它量化了神经表征支持相关刺激维度识别的程度和时间过程。随着脑电图在婴儿神经成像中的广泛应用，婴儿脑电图数据的时间分辨MVPA是婴儿认知神经科学中一个特别有前途的工具。最近，MVPA已被应用于常见的婴儿成像方法，如脑电图和fNIRS。在本教程中，我们提供并描述了代码，以实现婴儿脑电图数据的MVPA分析。来自测试数据集的结果表明，在婴儿和成人，这种方法具有较高的准确性。同时，我们对分类方法进行了扩展，包括基于几何和基于精度的表示相似度分析。由于在婴儿研究中，每个参与者贡献的无伪影脑电图数据量低于儿童和成人研究，我们还探索和讨论了不同参与者水平的纳入阈值对这些数据集中产生的MVPA结果的影响。
1引言
功能成像方法，如功能近红外光谱(fNIRS)和脑电图(EEG)，由于其无创性和记录运动时的相对耐受性，在婴儿研究中很受欢迎。这些方法提供了细粒度的时间有限空间信息(EEG)或中度空间有限时间信息(fNIRS)的神经反应，通常包括群体对刺激的平均反应。虽然这些方法可以揭示由不同刺激驱动的时间或振幅的条件差异信息，但传统的单变量方法(如ERP分析)依赖于一个或多个通道的平均值，忽略了这些集群中可能包含的模式所代表的信息。
机器学习方法，包括多变量模式分析(MVPA)或“解码”，是婴儿研究的前景广阔的途径。利用机器学习分类技术，MVPA的目标是可靠地区分与刺激物相关的激活模式、刺激物类别或实验条件的其他相关方面或参与者的表现型(例如，他们的注意力状态或内在特征)。如果神经激活模式能够可靠地映射到刺激，那么这些神经模式支持对这些刺激的区分是合理的，尽管我们无法推断检测到的信息是否在不操纵这些神经模式的情况下驱动行为。该技术已被应用于成人数据，主要是fMRI体素，以索引可以从大脑活动中提取的信息，包括多元的空间分布表征。多元方法已经被使用在许多研究环境和刺激，包括歧视痛苦的刺激，局部触觉和听觉属性以及其他应用。
尽管婴儿MVPA面临着固有的挑战，但发展研究有许多好处，这使得努力是值得的。已发表的使用该方法分析成人功能神经成像数据的研究表明，婴儿MVPA的潜在应用超出了应用于感觉域和成像模式的传统单变量技术。MVPA已经被用于研究语言前婴儿和非语言自闭症儿童的语音编码和理解，在没有语言报告的情况下，获取信息是非常难以估计的。MVPA还允许发育研究人员从传统的单变量分析无法访问的神经数据中揭示信息，如分布在多个通道的反应模式。最近的研究表明，应用MVPA从婴儿脑电图和近红外光谱(fNIRS)中量化婴儿听觉和/或视觉刺激表征的时间过程和特征是可行的，并为发育研究开辟了新的途径。
在本教程中，我们描述了使用婴儿脑电图数据进行时间解析MVPA所需的步骤，讨论了不同的分析参数如何影响我们样本数据集中的结果，并给出了作为示例实现的代码。
图1伪试验生成和分类的过程示例，在一个参与者和时间点的一个刺激对上执行。这个过程对所有的时间点、刺激对和参与者重复。为每个可用的试验条件是随机排列的,然后分成4个相等大小的箱子(+/-1当审判并不均匀4整除)
2数据集
数据包括12~15个月婴儿(N=21)和成人(N=9)被动观看8幅熟悉的动画物体(猫、狗、兔子、熊、手、脚、嘴或鼻子)的静态视觉图像时处理后的归一化脑电图电压。这些数据已在其他地方描述过，并使用EEGlab工具箱中的函数进行了如下预处理：使用PREP工具箱检测和插值噪声信道，进行鲁棒平均参考，并去除线噪声。利用ERPlab工具箱中的函数，对0.2到Hz之间的连续数据应用Butterworth滤波器。这些滤波信号平均运行时间为20ms，在50-ms之间进行平滑处理，并进行基线校正。试验被排除在外,如果参与者不再看着屏幕在刺激呈现任何理由,如果任何通道的电压超过指定阈值(±μV为婴儿、成人±80μV),或者一个可能的眼球运动工件出现在信号识别的离线视频编码在婴儿,成人眼电图(eog)分析。最后，通过取分段脑电图相对于每个试验和通道基线期的z分数(即单变量噪声归一化)，对电压进行归一化。样本数据集可以在
转载请注明：http://www.0431gb208.com/sjszjzl/4715.html
