取消
NMSBA 标志子

脑电图中的信噪比

什么是信噪比,我们为什么要关心?

脑电图(EEG)是神经营销研究中用于观察大脑活动的关键技术之一。与其他方法相比,它是精确的:测量数千秒内发生的大脑状态变化,字面意思是“以思考的速度”。也是比较低的 成本和易于使用。然而,使用 EEG 并非完全没有某些障碍。信噪比 (SNR) 是 EEG 数据收集和分析的最重要的方法学挑战之一。本文提供了有关 SNR 的简短入门:它来自哪里、为什么重要、如何降低它以及购买者需要知道什么才能了解​​在他们的研究中如何处理 SNR

阅读时间:10分钟

录音

什么是信噪比?最好的解释是,它是“您在分析中要测量的所有内容”与“EEG 信号拾取的所有其他内容”的比率。这种噪声是一个问题,因为 EEG 信号中有两个主要的噪声源。首先是来自大脑外部的一般背景噪音。第二个是源于我们大脑内部的自然噪音,因为我们的大脑总是忙于同时做很多事情,而不仅仅是你在凯发主页中想要关注的一个方面。所有这些活动都会污染 EEG 信号。

污染噪声的来源

让我们首先检查外部噪声。脑电图技术的挑战之一是大脑产生的电活动是微乎其微的,大约百万分之一伏。因此,头皮记录的电活动由真正的大脑信号与身体其他部位产生的大量噪音(称为伪影)混合而成,例如心脏活动、眼球运动和眨眼、其他面部肌肉运动等,产生的电信号大约是大脑产生的电信号的 100 倍。因此,任何 EEG 数据分析的初始任务都是去除伪影,其中包括将这些其他信号与大脑本身发出的信号分开。

外部噪声的另一个来源是记录脑电图数据的环境。这种环境噪声最常见的来源是任何带有电线的房间中的环境电流,50 Hz 或 60 Hz(根据您所在的国家/地区,以及靠近 EEG 传感器的任何其他电气设备。这些信号通常使用消除特定频率信号的陷波滤波器从 EEG 记录中删除。

内部噪音更棘手。这是因为我们的大脑在任何时候都参与了许多不同的活动,并且这些活动中的每一个都会产生电活动,这些电活动会混合到头皮上的脑电图传感器接收到的整体信号中。由于活动总是发生在整个大脑中,无论是在头皮附近的皮质表面还是在大脑深处的结构中,并且以许多不同的方式到达头皮,这一事实使问题变得复杂。解开所有这些信号以专注于特定研究的感兴趣的特定信号是一项主要挑战,通常通过受控重复和平均原则来解决。

为什么这有关系?

如果 EEG 分析中的信号没有与周围的噪声(包括外部噪声和内部噪声)正确分离,则结果可能不正确且具有高度误导性。看起来似乎正在发生特定的响应,但如果您没有明确纠正信噪比,那么该响应基本上是没有意义的。

提高信噪比

控制 SNR 的措施包括两种类型:消除外部噪声源和将内部噪声从感兴趣的信号中分离出来。如果可能,应对外部噪音的最佳方法是首先避免它。要消除设备噪声,最好使用高质量的设备和电极(例如,大多数干电极是无用的,因为它们对外部噪声非常敏感)并去除任何电磁噪声源,如电缆、手机、笔记本电脑、电脑显示器等。与消除对象自己产生的噪音相比,这相对容易。要求参与者静坐是一种常见的做法,但基本上不可能阻止所有的眨眼或面部肌肉运动。

这个问题通常通过智能实验协议来解决,该协议可以通过保持参与者专注并参与手头的任务来最大限度地减少内部大脑噪音,同时还提供频繁的休息,以便参与者可以在实验任务之间定期扭动和眨眼。训练有素的脑电图技术人员也可以通过让参与者感到舒适并为数据收集营造轻松、专业的氛围来提供帮助。

在记录数据后,在所谓的后处理中,高级统计算法通常用于从原始 EEG 信号中识别和消除与对象相关的噪声,例如运动伪影、眨眼和肌肉紧张。例如,机器凯发主页算法可以识别与外部或内部噪声相关的信号模式,并将这些信号与感兴趣的大脑信号分离。一系列称为盲信号分离 (BSS) 算法的统计技术通常用于执行此任务,并且通常直接内置于商业和开源 EEG 分析软件中。这些技术通常伴随着手动清洁,在此期间,EEG 专家会目视检查信号并手动去除伪影和噪声部分。

ERP:平均结果

用于处理内部噪声的主要技术是重复和平均。这可以使用称为事件相关电位 (ERP) 分析的脑电图分析子类别来最好地说明,这是许多神经营销脑电图研究中使用的一种非常常见的方法。 ERP 是脑电图中的一个信号,它揭示了大脑如何处理信息。该信号可以通过将脑电图的记录与事件的开始时间锁定来获得,例如单词或图像的呈现。

在 ERP 研究中使用重复和平均来将感兴趣的信号与其他大脑活动的噪声分开。基本假设是,由刺激事件触发的信号将在多次试验中保持相对恒定,而所有其他信号将在试验中随机出现。因此,如果你对一个或多个人一次又一次地暴露于同一刺激事件的多次试验进行平均,则信号将继续突出,因为它不是随机分布的,但噪声将趋于平均为零,因此在效果从平均值中消失,让您想要研究的信号在其所有荣耀中脱颖而出。

如果您确信样本中的所有人都是相似的,您可以将他们的个人平均数平均在一起,以产生所谓的大平均数。这是使用 ERP 技术的学术文章中通常报告的内容。

SNR:神经营销买家应该知道什么

以下是客户可以并且应该提出的一些问题,以更好地了解他们的神经营销供应商如何解决 SNR 问题。

1. 我的研究中使用了哪些程序来进行伪影校正和“数据清理”?许多程序可用,您的供应商应该能够描述一个详细的“预处理链”,用于在其原始 EEG 数据中查找和消除噪声伪影。

2. 使用什么程序来评估所得结果的统计显着性?仅仅呈现结果是不够的,重要的是说明观察到的结果与仅由随机噪声和偶然性引起的随机波动可能产生的结果之间的“距离”。

3. 你的程序可以通过参考发表的论文得到证实吗?如果任何供应商声称拥有并非基于已发表研究的“专有算法”,请保持警惕。在一个建立在数千个实验室的数千名研究人员数十年研究基础上的领域中,商业供应商极不可能发现该领域其他所有人都没有发现的全新事物。

使用的术语和缩写

EEG = 脑电图,通过放置在头皮上的电极测量大脑的持续电活动

ERP = 事件相关电位;脑电图中的一个信号,它揭示了更多关于大脑信息处理的信息。该信号可以通过将脑电图的记录时间锁定到事件的开始来获得

SNR = 信噪比; “你想要测量的东西”和“所有其他东西”之间的比率

伪影校正 = 将大脑信号与可能出现在电记录中的其他信号分离的部分自动化和部分手动过程

机器凯发主页算法=人工智能的一个分支,研究可以从数据中凯发主页的系统的构建和研究;分类的重要工具。

参考

这篇文章对EEG中的信噪比问题进行了简单的解释,没有过多的技术细节。如果您想了解更多信息,请参阅以下资源:

Bang J W、Choi J S、Park K R (2013) 通过使用 EEG 信号和正面摄像头图像减少脑电波中的噪声。传感器 13:6272-6294。

Croft R J, Barry R J (2000) 从 EEG 中去除眼部伪影:综述。 神经生理学 倩碧 30(1):5-19.

Delorme A, Makeig S (2004) EEGLAB:用于分析单试验脑电图动力学的开源工具箱。神经科学方法杂志 134:9-21。

Delorme A, Sejnowski T, Makeig S (2007) 改进了对来自 EEG 数据的伪影的拒绝,使用 高阶 统计和独立成分分析。神经影像 34(4):1443-1449。

Dien J (2010) ERP PCA 工具包:用于高级统计分析的开源程序 事件相关 潜在数据。神经科学方法杂志 187(1):138-145。

Goldenholz D M, Ahlfors S P Hämäläinen M A, Sharon D, Ishitobi M, Vaina L M, Stufflebeam S M (2009) 在脑磁图和脑电图中绘制皮质源的信噪比。人脑映射三十:1077—1086。

Krishnaveni V, Jayaraman S, Gunasekaran A, Ramadoss K (2006) 使用 JADE 算法和神经网络自动去除眼部伪影。国际生物与生命科学杂志 2(1):10-21。

Li Y, Ma Z, Lu W, Li Y (2006) 使用基于 ICA 的模板匹配方法从 EEG 中自动去除眨眼伪影。生理测量 27(4):425-36。

Luck S (2005) 事件相关电位技术简介。剑桥麻省理工学院出版社。

Olkkonen H, Pesola P, Olkkonen J T, Valjakka A, Tuomisto L (2002) 通过基于小波分解的子空间方法消除脑电图噪声。医学科学监视器 8(11):MT199-204.

Repovš G (2010) 处理脑电图记录和数据分析中的噪声。医学信息学 斯洛文尼亚 15(1):18-25.

本文(文字和图片内容)受版权保护。仅用于教育目的。更多信息:神经营销科学与商业协会。