使用非侵入性脑电图的皮质连通性统计建模

Summary

标准脑电图分析技术对神经系统功能的洞察有限。派生皮质连接的统计模型提供了更大的能力来调查底层网络动态。改进的功能评估为神经系统疾病的诊断、预后和结果预测开辟了新的可能性。

Abstract

非侵入性电生理记录对神经系统功能的评估是有用的。与成像相比，这些技术价格低廉、快速、可复制且资源密集程度较低。此外，生成的功能数据具有出色的时间分辨率，这是结构成像无法实现的。

脑电图（EEG）目前的应用受到数据处理方法的限制。在单个通道中使用原始时间序列数据的标准分析技术是询问神经系统活动非常有限的方法。有关皮质函数的更多详细信息可以通过检查通道之间的关系和派生区域交互方式的统计模型来实现，从而允许网络之间的连接可视化。

本手稿描述了一种通过以标准方式记录 EEG，然后检查电极间一致性度量值以评估记录区域之间的关系来派生皮质网络活动统计模型的方法。通过评估相干对之间的协方差，生成网络交互的高维"映射"，可以进一步检查高阶交互。可以检查这些数据构造，以传统技术无法实现的方式评估皮质网络功能及其与病理学的关系。

与原始时间序列分析相比，此方法对网络级交互的敏感度更高。然而，由于对底层神经种群和生成的大量数据得出具体机械结论的复杂性，它受到限制，需要更先进的统计技术进行评估，包括维数减少和分类器的方法。

Introduction

该方法旨在利用临床上可行的设置，生成基于非侵入性电极记录的皮质网络统计图，以便研究神经系统病理学、新疗法的影响以及新奇的电生理生物标志物。

脑电图为研究神经系统功能和^疾病1、2提供了巨大潜力。这项技术价格低廉，在研究和临床环境中随时可用，而且通常耐受性良好。录音的简单、非侵入性使临床使用变得简单明了，而现有的临床脑电图部门框架允许临床医生轻松获得该技术。

从技术角度来看，EEG 提供了出色的时域分辨率³。由于神经系统相互作用和网络动力学的快速时间尺度，在研究神经系统功能时，这是非常重要的。虽然功能MRI等成像方法提供了更高的空间分辨率和易于解释的图像，但它们在电生理记录提供的精细时间尺度上询问神经系统功能的能力则更为有限^4，5，6.

人们越来越需要能够询问神经系统功能，以便为神经系统疾病的诊断、治疗和预后提供信息。皮质网络动力学在神经系统病理学中的作用日益得到人们^的认可。神经系统的许多病理在传统成像中没有产生的宏观结构病变，但通过适当的功能分析方法，在网络水平上产生的异常可能很明显。

不幸的是，目前脑电图分析方法在这方面受到很大限制。传统方法包括分析来自单个电极的简单时间序列数据。这些信号表示大皮质^区域3、8的场电位的总和。使用目视检查或简单的统计方法单独分析来自单个通道的数据，限制了这些记录在离散、个别位置检测严重电生理异常的有用性。随着人们日益认识到网络级效应对神经系统功能和病理学的重要性，这些简单的分析方法显然存在缺陷，因为它们无法检测信号之间的微妙关系，从而表示皮质区域在网络级别之间交互的异常。

演示了一种从低维电极记录中推导出皮质网络连接统计图的方法。此方法允许以传统分析技术无法采用的方式调查不同大脑区域之间的交互动态，以及这些网络交互的可视化。这为在高时域解析时以以前不可能的方式对网络级效应进行非侵入性调查提供了可能性。该方法基于电极间相^干9、10的测量结果。通过评估这些^区域11的记录之间的统计关系，这些措施允许调查两个记录区域是如何相互作用的。通过评估每个记录区域如何与其他记录区域相互作用，可以绘制记录区域内电生理网络的统计图。这允许发现在单独评估单个通道数据时并不明显的功能关系。

本手稿的重点是在神经时间序列上使用一致性。目前，有许多技术可用于调查时间序列数据之间的关系，这些技术可以成对的方式应用于通道，以派生皮质连接模型。一些方法，如相关的部分定向相^{干12，13，}旨在推断所调查信号对的影响方向，以便更好地描述基础网络的结构，而其他方法，如格兰杰因^{果14，15，}试图通过一个信号预测另一个信号的数据的能力推断功能关系。这些方法可以以类似的方式应用，以生成皮质网络的高维模型。然而，一致性作为研究神经信号之间关系的手段的优点在于它缺乏假设。可以调查两个站点的录音之间的统计关系，而无需声明这些关系的功能基础，并构建纯粹基于与关于产生这些信号的皮质网络的最小假设。

由于这些措施的纯数学性质，在头皮的电极记录的一致性测量和底层神经活动之间的关系是^{复杂的16，17。}虽然这些方法允许推导统计构造来描述电极记录之间的关系进行比较，但对特定基础神经群的活动进行直接因果推断并不直截了当^{3，8，16，17}。这些方法允许比较各组之间的网络级活动，以确定可能有用的生物标志物，但在就这些标记与特定神经机制的关系得出具体结论方面受到限制。这是由于影响记录^的活动3的大量混杂因素，以及估计在^头皮8水平上记录的电信号的特定皮质源的问题。相反，这些方法可以生成活动的统计模型，可以在各组之间进行查询和比较，以确定在网络级别¹⁸上存在差异，并可以利用这些模型生成新的生物标志物构建。然而，由于底层系统的复杂性，这些方法本身在将差异与特定机制和神经活动联系起来的能力有限。

在系统^{神经科学16，17}中，诸如一致性等网络措施的使用已经确立。由于缺乏对这些高维数据结构的利用，这些方法在皮质功能建模和调查方面的全部潜力受到限制。这项工作表明，可以成对地将这些措施应用于 EEG 通道，以便将数据映射到完全基于皮质区域中电气活动之间的统计关系的高维要素空间。它还表明，使用现代统计技术，可以使用生成的皮质函数模型来调查这些模型，而不会丢失建模过程中获得的信息。

这种方法在扩大现有脑电图技术的应用范围方面具有潜在的价值，提高了获得有用功能措施的能力，而无需对现有录音设备进行^{改造18，19}.通过提高对皮质功能建模和询问这些模型的能力，可以扩展了可以使用 EEG 数据调查的问题。这进一步开启了进一步整合功能和结构评估以调查神经系统疾病^{的可能性。}这种方法，使用在临床上已经广泛使用的技术，将允许研究皮质病理学与高时间和空间分辨率。

Protocol

以下实验协议符合所有地方、国家和国际人类研究伦理准则。用于测试协议的数据是经托斯卡纳地区伦理委员会授权获得的，2018SMIA112 SI-RE。

注:用于实现所述分析的脚本https://github.com/conorkeogh/NetworkAnalysis。

1. 原始数据收集

1. 准备主题条件。
   1. 为确保录制之间的一致性，请确保在专用录制环境中进行所有 EEG 录制。从环境中卸下与录制期间要执行的任务没有直接关系的所有设备或刺激，以避免分心。
      注:如果要执行休息状态录制，请从房间中删除所有干扰源，并在录制会话之前将受试者暴露在录制环境中，以消除环境中的新颖性。
   2. 向主题提供有关要执行的任务的明确说明。设置设备后，在开始录制之前，将主体单独留在录制环境中，以便适应环境，以尽量减少移动和分心。
   3. 如果受试者有智力障碍，让他/她有足够的时间适应环境以限制任何压力。有时，这可能需要多次访问和长时间在录音室停留。
2. 安装电极。
   1. 将电极盖连接到患者头部，注意确保正确对齐。将导电凝胶注入每个电极端口，从头皮开始，缓慢地退至帽面，与刻度建立电接触，提高信噪比。
   2. 使用基于 10⁄20 系统的预定电极蒙太奇将电极连接到电极盖。安装适当的接地电极（例如，连接到乳胶工艺）。
3. 设置 EEG。
   1. 将所有电极连接到电生理记录系统。将录音系统与适当的数字录制环境连接。
   2. 检查所有录制通道，以确保偏移在适当的范围内，并避免过度的通道噪声。如果通道具有过多的偏移或噪声，则可以添加额外的导电凝胶，以改善电气连接，注意避免在电极位点之间造成桥接。
   3. 指示主题录制已经开始，并避免所有不必要的移动。执行简短的测试录制，以验证适当的录制质量。
4. 准备用于记录的行为任务。
   1. 用主题阐明所有与任务相关的说明。重申避免一切不必要的活动的重要性。
   2. 说明录制将从明确同意的信号（例如，敲击录制环境门）开始。将主题保留在录制环境中。开始录制。向主题发出商定的信号。
   3. 任务或休息状态结束后，停止记录，目视检查数据以确保质量，并保存数据。

2. 数据预处理

注:数据准备和特征提取管道如图1所示。

1. 准备软件。
   1. 将要分析的 EEG 数据加载到数据分析环境中。加载所需的任何其他脚本库，如 EEGLab²²。
2. 如有必要，将所有录制转换为相同的数据格式，所有通道都位于其相应位置。
   1. 放弃每个记录的开头和结尾（例如 5 分钟），以减少运动伪影的污染。根据任务将数据拆分为纪元，如果是静止状态记录，则将预定持续时间（例如 10 分钟）拆分为纪元。有关实现演示，请参阅NetworkAnalysis_Demonstration（部分功能提取）和补充图 1。
      注:纪元长度的选择对一致性的度量有重要影响。应使用足够长度的时段来确保在计算中出现信号之间的真实关系，以避免出现无人注意的伪影或具有过度权重的瞬态、虚假同步。但是，在这项工作中，当将十分钟纪元与完全工件拒绝后平均 10 个一分钟纪元进行比较时，整个网络结构没有统计显著性差异。
3. 通过目视检查纪元数据和拒绝视觉上不合适的数据来执行工件抑制。
   注:由于所述建模技术依赖于信号之间的关系，因此必须确保彻底抑制伪影。这些可能会损坏通道数据，导致人为增加（如果工件在多个通道上表示），或者减少（如果伪影仅在某些通道上表示）的一致性度量。
   1. 识别录音中的不良通道。
      1. 高通滤波器数据为 0.5 Hz，可消除由于采集系统浮动接地而导致的基线漂移。
      2. 选择符合适当统计标准的所有通道（例如，标准偏差大于平均通道标准差三倍或小于三分之一的通道）。
         注:删除包含不太可能源自神经源的数据的通道可避免引入网络模型的虚假关系。
      3. 检查这些通道以确定它们是否合适。
      4. 如果可能，使用不合适的通道拒绝纪元。或者，排除不良通道并在这些通道上插值数据（例如，使用 EEGLab 的样条插值算法）。
         注:跨大量通道或仅使用少量录制通道进行插值可能会生成不适合分析的数据。此外，这在数据集中不会引入任何新信息，并且可能导致人为地高度测量插值信号与从中派生信号之间的一致性。
   2. 对剩余纪元执行独立组件分析（例如，使用 EEGLab 的 ICA 函数）。目视检查派生组件并拒绝视觉上不合适的数据。
   3. 应用适当的统计阈值，以识别目视检查中不立即显现的潜在伪影（例如，基于极值或异常光谱）。检查这些并确定拒绝是否合适。
   4. 在存活的年代重复独立的分量分析和伪影标识。
   5. 确定要保存的数据纪元，以便进一步分析。放弃所有被拒绝的数据纪元。确定要前进的所有纪元，以便进一步分析。
      注:如果每个主题只需要一个纪元，请选择第一个合适的纪元进行进一步分析。
4. 要准备数据，请从录像中减去所有通道的平均值来更正录像的基线，以避免在长时间录制期间基线游荡的影响。将所有通道重新参考适当的参考值（例如，接地电极或所有通道的平均值）。有关实现示例，请参阅NetworkAnalysis_Demonstration、NetworkAnalysis_Preprocess和补充图 2。
   注:参考选择可能对网络度量值产生重要影响。由于参考数据被"减去"所有分析通道，因此参考通道上表示的任何神经数据都将被减去，从而无助于模型生成。通常的做法是使用在骨突出上记录的参考信号，而不立即进行潜在的神经结构，如乳腺过程。但是，由于头皮的体积传导效应，这些数据可能会被神经数据损坏，因此会根据相对于参考的位置，以不同方式扭曲网络测量。因此，对于静止状态数据，最好使用所有头皮通道的平均值作为参考。这意味着所有数据不会相对于特定空间位置（扭曲度量值）引用，因为所有通道都有助于引用。这会产生诸如抑制表观总体活动等影响，并通过减去在某些通道上表示非常强烈的信号来扭曲度量，从而对平均值贡献很大。对于活动和事件相关的信号来说，这是一个更大的问题，但通常不是静息状态数据。
   1. 对所有通道进行数字过滤，以隔离感兴趣的频率（例如，1 Hz-50 Hz）。有关实现示例，请参阅NetworkAnalysis_Demonstration、NetworkAnalysis_Preprocess 和补充图 3。
      注:确保对预期分析使用适当的频率限制和滤波器参数，以避免在检查范围的极端情况下频率失真和混叠效应。零相移⁴阶巴特沃斯滤波器执行得当。适当的筛选可确保为建模而隔离感兴趣的活动。即使具有广泛的范围（例如 1 Hz-50 Hz），这也能确保高频伪影和低频基线游离不会被解释为通道之间的一致、失真的度量。

3. 特征提取

1. 评估光谱功率。
   1. 通过在整个要评估的频率范围内（例如，1 Hz-50 Hz）执行要分析的每个通道的傅立叶变换来计算整体功率光谱。
   2. 评估单个频段的活动:在4 Hz-8 Hz时隔离塔带。在8 Hz-12 Hz下隔离阿尔法频段。在12 Hz-30 Hz时隔离β频段。以0.5 Hz-4Hz隔离增量频段。以>30 Hz隔离伽马频带（例如，30-50 Hz）。有关实现频谱推导和频段隔离的示例，请参阅NetworkAnalysis_Demonstration、NetworkAnalysis_FeatureExtraction和补充图 4。
      注:脑电图数据传统上分为频率"波段"进行调查。这些主要根据它们被发现的顺序命名，并且特定带宽会有所不同。特定频率振荡的功能意义仍然是一个主动研究的领域。据认为，特定波段内的振荡可能与特定的神经活动有关，例如，在眼闭合的眼闭着的眼区出现高振幅α波，尽管神经函数与脑电图记录中的振荡活动仍不清楚。
   3. 通过计算单个通道光谱的平均值，评估整个头皮的整体功率。使单个波段的功率标准化，使其相对于总功率，以便测量相对功率并允许在条件之间进行更准确的比较。
2. 执行网络映射。
   1. 通过推导电极间相干度量，评估第一个电极对之间的相互作用:
      
      有关实现示例，请参阅NetworkAnalysis_Demonstration、NetworkAnalysis_FeatureExtraction 和补充图 5。
      1. 计算两个通道的交叉频谱:
         
         1. 计算每个信号的傅立叶变换，X和Y
            
         2. 计算横频:
            
            其中:t是采样间隔，T是记录的长度，X是x的傅立叶变换，Y ⁼是Y的复杂偶联体。
         3. 忽略负频率和正确的度量。在实际值信号的情况下，可以忽略计算机频率轴的后半部分，并且功率度量乘以 2 来纠正此问题。
            注:这相当于傅立叶对x和y的交叉相关性的变换。
      2. 通过两个通道的功率光谱对横频谱进行标准化: 。
         1. 计算每个信号的傅立叶变换:
            
         2. 计算功率谱:
            
            其中:t是采样间隔，T是记录的长度，X是X的傅立叶变换，X ⁼是X的复杂偶联体。
         3. 忽略负频率和正确度量:在实际值信号的情况下，可以忽略计算机频率轴的后半部分，而功率度量乘以 2 来纠正此问题。
         4. 使用计算功率谱对横频进行标准化并得出一致度度量:
            
            注:这生成C，测量频率下x和y信号的相干性。这是这些信号在所检查频率下的关系的度量，测量范围从 0 到 1。如果在所有时间点上检查的两个信号之间存在恒定的相位关系，则一致性的值将为 1，表示这些频率的信号之间存在强关系，这意味着一个信号中的活动在功能上是功能性的与另一方的活动有关（即两者之间有通信）。如果两个信号之间没有相位关系，一致性的值将为 0，表示信号不相关。
   2. 对每对独特的电极重复此过程，以制定每个电极对信号之间的相位稳定性度量，建立跨所有电极的功能连接模型。
      注:对于n电极的蒙太奇，这将生成相干度量。这表示根据记录信号之间的关系将测量的时间序列数据映射到高维平面上，从而可以调查这些相互作用的性质。

4. 数据可视化

1. 执行频谱功率分析。
   1. 检查电源矩阵。
      1. 将要可视化的光谱功率的测量映射到二维数据结构上，其中每列都是电极位置，每行是一个频带，每个单元是该位置该位置的光谱功率，位于该波段内。
      2. 确定要比较的所有条件的最大和最小功率级别。将所有条件设置为最大值和最小值。将标识的最大值和最小值之间的光谱功率值映射到颜色。导出一个颜色图，显示每个电极位置每个频段的频谱功率（图2）。
   2. 执行地形映射。
      1. 创建一个数据结构，其中包含所使用的 10-20 个系统电极位置的标签，以便与要映射的数据结构的标签相对应。使用 EEGLab 的 topoplot（） 函数、光谱功率数据、确定的最大和最小值以及通道列表，生成绘制整个头皮光谱功率分布的图。
2. 评估一致性。
   1. 检查相干矩阵。
      1. 将电极间相干的测量图映射到二维数据结构上，其中每列为电极位置，每行为电极位置，每个单元是相应电极对之间的相干。
      2. 将 0 和 1 之间的相干值映射到颜色。导出一个颜色图，显示所使用的频率限制内每个电极对之间的电极间一致性（图3）。对要调查的每个频段重复此过程。有关实现示例，请参阅补充图 6和 produce_plots.r。有关示例输出，请参阅图 3。
   2. 执行网络可视化。
      1. 要可视化皮质区域之间的高阶相互作用并绘制出网络动力学图，计算每个电极对的相干性测量如何与整个光谱和特定波段内其他各独特电极对的相干测量共变。
      2. 将这些协方差度量映射到颜色。导出彩色地图，以可视化频段内和跨频段的网络动态。有关实现示例，请参阅produce_plots.r。有关示例输出，请参阅图 4。

5. 分析网络模型

注:将现代统计方法应用于派生的模型，可以利用在高维网络特征空间中建模的关系来研究皮质函数。可以采取一些办法，使个别措施或一致性措施的平均数具有传统比较的优势。下面概述了这些网络模型促进的一些潜在方法。这些问题只是表面讨论，以表明网络建模的潜在应用，因为对每种技术的彻底讨论超出了目前工作的范围。

1. 执行尺寸减少。
   注:单个变量级别的比较未能利用所创建的模型表示的关系，而对所创建的维度构造中的所有度量值执行比较则存在问题，因为需要大量的比较，以及未能整合统计模型中所载的高级别信息。将高维数据映射到低维空间，同时保持模型生成过程生成的信息，可以进行有意义的比较，同时充分利用模型的数据丰富的结构。
   1. 派生度量值，用于比较表示使用主组件分析生成的统计模型中的总体网络动态的组。有关实现的示例，请参阅NetworkAnalysis_Demonstration和补充图 7。
      1. 如上所述，为成对相干度量值构造协方差矩阵。这将生成一个维度协方差构造。。因此，此模型是极高的维，并允许可视化高级网络关系，如上文所述。
      2. 将协方差矩阵分解为功能向量和相应的功能值。这允许在模型要素空间中识别包含最大方差的轴，而不受现有度量值的约束。
      3. 按相应的功能值对功能向量进行排名，以识别占模型中方差最大比例的那些值。
   2. 比较从网络模型派生的第一个主要组件。有关实现的示例，请参阅NetworkAnalysis_Demonstration和补充图 7。
      注:第一个主体组件在模型中占最大程度的方差。因此，通过单一统计测试，可以比较此度量值在整个模型之间整个模型的整体网络动态，从而可以同时分析正在建模的复杂关系，并避免与许多比较相关的问题。
2. 执行感兴趣的区域分析。派生的模型表示跨整个皮层、所有频段的网络连接。如果对特定的解剖区域或特定波段内的函数感兴趣，则可以单独分离和分析模型的这些区域。
   1. 选择感兴趣的解剖区域。
      注:将分析限制为特定的解剖区域允许评估特定皮质区域内或之间的网络活动，以便确定在整个模型分析中可能并不明显的关系。
      1. 确定模型中与感兴趣的解剖领域相关的一致性数据。
      2. 推导出协方差矩阵，并执行上述主要分量分析，以计算感兴趣区域内整体网络体系结构的度量。
      3. 比较上述各组之间感兴趣的解剖区域中的网络动力学度量。
   2. 选择感兴趣的功能区域。
      注:将分析限制为特定频段允许评估特定振荡频率内的网络活动（图4）。
      1. 与解剖分析一样，隔离感兴趣频段内的相干数据。有关实现的示例，请参阅NetworkAnalysis_Demonstration.m 和补充图 8，仅作为示例，使用整个频谱内的交互。
      2. 执行主要组件分析，以推导出感兴趣范围内总体网络活动的度量。
      3. 比较组之间的度量值，以评估特定振荡频率的网络差异。
3. 使用机器学习。
   注:现代统计学习方法可应用于生成的模型，以进一步询问其中代表的高级关系。
   1. 使用监督式学习。
      注:使用具有预定义类的数据，皮质网络模型可用于派生分类器，这些分类器可用于识别模型表示的复杂关系中的签名，以对新数据进行分类，从而为调查提供了可能性新型诊断和预后生物标志物等。此外，可以研究模型中哪些功能驱动这些分类，以便深入了解底层机制。
      1. 派生分类器。使用预标记的数据，可以派生一个分类器来预测基于网络模型的一组数据的类。
         1. 将数据划分为一组用于训练的科目数据以及一组用于测试分类器的数据。
         2. 在标记的训练数据上训练分类算法，如支持向量机或随机林。
         3. 评估模型训练分类器在测试数据上的性能。
            注:这些方法允许使用统计模型作为输入来推导出新的生物标志物。
      2. 执行顺序消除。
         注:使用模型来训练分类器，可以迭代地删除数据，并可以重复训练过程，以确定模型的哪些组件正在驱动其预测能力，从而允许对基础机制进行调查。
         1. 如上文所述，在模型上训练分类器。
         2. 删除组间可变性最低的模型特征。
         3. 重复培训过程并评估绩效。
         4. 重复迭代功能删除，直到确定对性能起贡献最大的功能。这些是负责区分类的模型组件。
   2. 执行无监督学习。
      注:单独使用模型，可以深入了解要调查的组。通过根据录像之间的关系将数据建模为高维构造，在单个录制级别看不到的组之间的关系可能会变得明显。无监督技术（如聚类算法）允许调查模型内的关系，而不受预定义类的限制。
      1. 使用远距度量（如欧氏距离）计算网络模型定义的空间内主体之间的距离度量。有关实现的示例，请参阅NetworkAnalysis_Demonstration和补充图 9。
      2. 使用聚类算法（如k- 最近邻域），根据模型参数识别数据中的组（图 5）。
      3. 使用上述顺序消除过程重复此过程，以调查各个特征如何对模型中的分组做出贡献。
         注:这允许使用派生模型来标识数据中不明显不明显的组。这可能允许衍生疾病亚型、病理分组等，这些仅在网络级别明显。

Results

光谱功率的测量将生成每个频段测量的n个度量值，其中n是记录的通道数。这些措施将处于总功率的分贝内。单个频带内的功率度量应表示为相对功率（即该频带内功率表示的总功率比例），以便对组和条件进行准确比较。

图2显示了跨多个波段和记录通道的频谱功率可视化示例。光谱功率可以可视化插值整个头皮，允许有限的估计"来源"的活动。

电极间相干测量为每个唯一的电极对生成度量（即，其中n是记录的通道数）。每个度量值介于 0 和 1 之间，其中 0 表示录制之间没有一致性，1 表示录制之间的完全一致性。这是衡量一个区域中活动根据另一个区域的活动而变化...

Discussion

所述方法允许从非侵入性脑电图数据中推导皮质网络动力学的统计图。这样，通过评估记录的区域之间如何相互作用，而不是评估每个单独位置发生的情况，从而在检查简单时间序列数据时，对不太明显的现象进行调查。分离。这可以揭示对疾病病理学的重要^见解18。

此方法的基本方面是确保数据质量。需要严格的数据评估、工件抑制和预处理，以确保数据具有足够高质量的数据，从而产生有意义的结果。如果使用的数据具有适当的质量，则特征提取组件可以轻松修改为仅在特定感兴趣区域或任意频率限制内对网络交互进行建模，以及跨区域模拟复杂的交互特定区域和频段。

这种方法受到结果的高维性的限制，如果使用多个通道，结果会迅速产生大量数据。这限制了原始结果的可解释性，并导致计算时间过长。因此，使用尺寸减少技术（如主要成分^分析23）是必要的，以便允许在组之间进行有意义的统计比较，而无需执行大量的统计测试。此外，使用生成的高维网络地图来帮助决策，可能需要使用机器学习分类器来集成大量数据，这些...

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
电极帽	ElectroCap International		或任何合适的帽
导电凝胶	SignaGel		或任何合适的凝胶
针式电极	BioSemi		或任何合适的电极
BioSemi Active Two 记录系统	BioSemi
ActiView 记录环境	BioSemi
MATLAB 软件	Mathworks