[论文解读] EEG-connectivity: A fundamental guide and checklist for optimal study design and evaluation

Aleksandra Miljevic, Neil W. Bailey+3 more|arXiv (Cornell University)|Aug 31, 2021

Functional Brain Connectivity Studies被引用 6

一句话总结

本文提出了一套全面的指南和标准化检查清单，用于设计和评估脑电图（EEG）连通性研究，解决了数据处理、引用、伪影去除和统计控制方面的方法学异质性问题。通过识别关键混杂因素并提供基于证据的建议，该研究促进了不同研究之间的可重复性和可比性，从而实现稳健的EEG连通性估计。

ABSTRACT

Brain connectivity can be estimated through a wide number of analyses applied to electroencephalographic (EEG) data. However, substantial heterogeneity in the implementation of connectivity methods exist. Heterogeneity in conceptualization of connectivity measures, data collection, or data pre-processing may be associated with variability in robustness of measurement. While it is difficult to compare the results of studies using different EEG connectivity measures, standardization of processing and reporting may facilitate the task. We discuss how factors such as referencing, epoch length and number, controls for volume conduction, artefact removal, and statistical control of multiple comparisons influence the EEG connectivity estimate for connectivity measures, and what can be done to control for potential confounds associated with these factors. Based on the results reported in previous literature, this article presents recommendations and a novel checklist developed for quality assessment of EEG connectivity studies. This checklist and its recommendations are made in an effort to draw attention to factors that may influence connectivity estimates and factors that need to be improved in future research. Standardization of procedures and reporting in EEG connectivity may lead to EEG connectivity studies to be made more synthesisable and comparable despite variations in the methodology underlying connectivity estimates.

研究动机与目标

• 解决EEG连通性研究中显著的方法学异质性问题，该问题阻碍了研究的可比性和可重复性。
• 识别影响EEG连通性估计的关键因素，如参考方式、时间段长度、体积导体效应、伪影去除和多重比较。
• 提供一种结构化且基于证据的检查清单，以标准化EEG连通性研究的设计与报告。
• 通过透明且一致的方法学，提升未来EEG连通性研究的质量和可整合性。
• 通过突出数据处理和分析中的混杂因素与最佳实践，促进方法学的严谨性。

提出的方法

• 系统性回顾现有EEG连通性研究文献，识别方法学上的重复变异及其对连通性估计的影响。
• 对影响EEG连通性的关键方法学因素进行分类，包括电极参考方式、时间段持续时间与数量、体积导体效应以及伪影校正技术。
• 提出标准化的数据预处理程序，例如最优参考方案和伪影去除协议（如基于独立成分分析的方法）。
• 整合多重比较的统计控制，以降低连通性推断中的假阳性率。
• 开发一种新颖的、基于证据的检查清单，用于EEG连通性研究中的研究设计、数据处理和报告。
• 围绕先前研究的实证发现提出建议，以确保方法学的合理性与实际可操作性。

实验结果

研究问题

• RQ1 在EEG连通性分析中，哪些方法学因素对连通性估计的可靠性和有效性影响最大？
• RQ2 参考方式、时间段长度和伪影去除在EEG数据的功能性连通性估计中起到何种作用？
• RQ3 体积导体效应和多重比较在多大程度上扭曲了EEG连通性结果，又该如何加以控制？
• RQ4 哪些标准化程序能够提高不同研究团队之间EEG连通性研究的可重复性和可比性？
• RQ5 统一的检查清单在多大程度上能提升EEG连通性研究的质量和透明度？

主要发现

• EEG连通性方法学的异质性——尤其是参考方式、分段处理和伪影处理方面的差异——显著影响连通性估计的稳健性和可比性。
• 体积导体效应可能混淆连通性度量，特别是在基于幅度的指标（如相干性与相位滞后指数）中，因此需要采用适当的校正策略。
• 对多重比较控制不足会增加连通性分析中假阳性发现的风险，尤其是在高维EEG数据中。
• 标准化的预处理流程，包括最优参考方式和伪影去除（如ICA），对于可靠的连通性估计至关重要。
• 所提出的检查清单提升了方法学的透明度，并为EEG连通性研究的质量评估提供了框架。
• 检查清单的采纳即使在不同基础连通性度量存在差异的情况下，也能增强EEG连通性研究的可整合性。