摘要

皮质-皮质间诱发电位(CCEPs)是探究颅内人体电生理学中有效连接性的常用工具。与所有人体电生理学数据一样，CCEP数据极易受到噪声的影响。为了解决噪声问题，通常会对CCEP数据进行滤波和重参考，但不同的研究会采用不同的处理策略。本研究系统地比较了常见的平均重参考和滤波对CCEP数据量化的影响。研究结果发现，常见的平均重参考和滤波器可以显著影响CCEP幅值和形态的量化。高截止高通滤波器(＞0.5Hz)、低截止低通滤波器(＜200Hz)和常见的平均重参考对被试间的结果量化存在影响。本研究还证明了噪声也可能影响CCEP的量化，因此预处理对于减轻这种影响是必要的。在减少常见类型的噪声方面，滤波比重参考或平均试次更有效。本研究提出了一个处理CCEP数据的通用框架，并建议在选择合适的处理流程时应考虑特定数据集的噪声水平。

前言

诱发电位(Eps)是对刺激的特定电生理反应，可以在人的颅外或颅内进行测量。皮质-皮质间诱发电位(CCEPs)是对电刺激做出反应的EPs，是大脑广泛区域之间有效连接的一种测量指标。这种刺激通常通过皮层脑电图(ECoG)或立体脑电图(sEEG)电极直接传递到皮层或皮层下。CCEPs具有典型的形态，可以在整个大脑中看到(图1A)。在人类和非人灵长类动物中，CCEPs已经证实和验证了功能连接网络，产生了关于大脑组织结构的新见解，并被用作测试可塑性诱导刺激范式中大脑状态的基准度量。

图1.CCEP形态和定量概述。

然而，CCEP研究采用的方法差异很大，因此难以比较不同研究的结果。虽然CCEP数据的收集和量化通常遵循共同的协议，但在量化之前对数据进行处理(图2)的中间步骤存在很大的变异性。本研究直接评估了不同处理技术对CCEP量化的影响，强调了数据处理一致性的重要性，并提出了一个处理CCEP数据的通用框架。

图2.数据处理和量化的示意图。

CCEP数据收集协议

对于人类被试研究，CCEP研究通常在临床人群中进行(例如，通常用于药物难治性癫痫的临床监测)。为了测量CCEP，通常在两个相邻的ECoG或sEEG接触点之间以低频率(通常≤1Hz)进行双极刺激。刺激可以是单相或双相的，每相持续时间为100μs至1ms。刺激幅度也有所变化，但通常在5-10mA的范围内，可以根据每个患者进行调整，也可以在所有患者中保持恒定。通常在刺激脉冲之间引入抖动，以减轻重复刺激在恒定频率下可能带来的影响。

CCEP量化和解释

CCEP形态学通常在刺激后的500ms内以多相响应的形式呈现，并可在整个大脑皮层中观察到(图1A)。这些响应的相位或成分已在先前的研究中进行了描述，并且在不同研究中的结果是一致的。CCEP各成分的极性(波峰和波谷)交替出现。它们的边界通常定义在电压高于或低于基线水平(过零点)的波峰和波谷之间的点。用于表征CCEPs的最常见指标包括波峰和波谷的幅值(或连续成分的峰-谷振幅)、刺激开始至波峰或波谷的时间(潜伏期)，以及过零点之间成分信号的均方值(均方根；RMS)。振幅和RMS测量CCEP幅值，而潜伏期、过零点和极性描述形态学特征。

与幅值较小的CCEPs相比，幅值较大的CCEPs表明从刺激位点到记录位点的有向连接更强(即，当神经元在刺激位点放电时，它们更有可能在记录位点触发突触周围电位)。不同记录位点的不同波形形态可能反映了不同的连接影响，例如分层微电路、宏观尺度连接以及不同通路的逆向和正向激活。

CCEPs通常在对所有刺激试次平均后进行量化(图1B和1C-上；图2)，试次数量范围从数十到数百不等。相同的指标也可以在单个试次中进行检验(图1C-下；图2)，这为统计检验提供了优势——它不是在每个位点进行单次CCEP测量，而是生成了一系列测量值的分布(图1D；图2)。然而，单个试次结果的质量在很大程度上取决于数据中的噪声水平。

数据处理方法

为了减轻噪声对CCEP结果的影响，特别是由于实验时间限制而导致可用试次较少的情况下，采用了多种处理方法。其中包括伪迹去除、滤波、重参考、标准化和基线校正。

伪迹去除

刺激后较大的电生理伪迹可能会掩盖短潜伏期的CCEP成分，因此通常会将刺激后的前10ms排除在分析之外。如果数据中存在电生理伪迹并经过滤波处理，可能会引入边缘伪迹，比如振铃或波纹(图3)。伪迹效应可能会使CCEP成分受到污染，特别是早期成分，即使它们在原始数据中并未被伪迹所掩盖。因此，在应用任何滤波器之前通常会先去除伪迹。

图3.所有被试滤波数据的均值示例。

为了避免CCEP结果产生偏差，通常会将噪声过大、疑似发作间期尖峰活动和/或高振幅电生理伪迹的通道和试次从分析中剔除。

滤波

滤波可用于处理上述三类噪声。使用截止频率≤1Hz的高通滤波器可以减少直流噪声。陷波(或带阻)滤波器可以减轻特定频率和谐波的线噪声。通常采用低通滤波器来减少非神经白噪声的影响。

重参考

通常情况下，每个电极的信号会被重参考到网格、条状(ECoG)或探针(sEEG)上所有电极的均值或中值。这样可以消除所有通道之间共享的信号，其中可能包括常见噪声、记录参考引入的神经信号或容积传导。这种共同平均参考(CAR)在ECoG中比在sEEG中更常见。另外，在sEEG中更常见的是使用双极重参考，即相邻电极对进行相减。

标准化

CCEP数据通常根据基线活动进行标准化，以比较不同被试的反应特征。当仅对平均CCEP进行量化分析且不存在测量的统计分布时，会为这些标准化单位设置一个阈值，任何超过该值的成分都被视为显著。最常见的是将刺激前基线的标准差用作标准化因子。

基线校正

为了使CCEP幅值指标具有意义，CCEPs必须始终以零为中心。直流噪声和其他因素可能以不同的方式改变每个试次和每个记录通道的基线。高通滤波是缓解这种偏移的一种方法，但即使应用高通滤波后，仍然可能出现试次间的瞬时基线偏移。基线校正是减少该偏差的一种方法。首先确定刺激前的基线期，并对每个试次的该时期取平均值。然后，从相应的试次中减去该平均值，以确保刺激前的信号以零为中心。

方法

受试者

根据华盛顿大学机构审查委员会的批准，5名难治性癫痫患者(3名男性，年龄23-44岁)参与了本次研究。所有受试者均单侧或双侧植入立体脑电图(sEEG)探针(Ad-Tech Medical Instrument Corporation，USA)，每个受试者有126-164个电极触点，其中有128个电极触电可由系统记录。其中，2名受试者为双侧覆盖，2名受试者仅覆盖左半球，1名受试者仅覆盖右半球。植入位置由临床确定。有关受试者人口统计信息，请参见表1。

表1.受试者人口统计信息。

电极定位

对所有癫痫患者进行术前MRI和术后CT扫描。通过已发表的软件(LeGUI)实现图像配准、电极可视化、标准化和接触点解剖标记。然后，通过四阶B样条插值，将配准后的CT图像与MRI逐体素匹配。使用最大对比度算法在CT图像上识别sEEG触点，并将其归一化到MNI152模板中。

数据采集、通道选择和刺激

使用Tucker Davis Technologies(TDT，Alachua，Florida，United States)采集系统记录数据，该系统由RZ5D和PZ5神经数字处理器组成。采样率≥12kHz。以头皮电极为参考记录数据。使用TDT受试者界面(SIM)实现同步记录和刺激。刺激由6mA的双相单极脉冲(在sEEG触点对之间)组成，脉冲宽度为200μs/相。最初对128个电极中的32对连续电极进行扫描。这32个电极对是基于感兴趣的解剖位置选择的(在受试者之间有所不同；优先考虑的区域通常包括岛叶、海马旁皮层、颞上回和颞中回，并且通常优先考虑灰质电极)以及与疑似癫痫发作区之间的距离。在每对电极中，其中一个触点作为阴极进行5次刺激，然后再作为阳极进行5次刺激，以减轻平均信号中的伪迹。每个刺激session包括100-300次刺激脉冲，分为不同极性，脉冲间隔为1.5-5.5s。对于某些刺激session(受试者2的所有session；受试者4的第1和第2session；详见表1)，刺激间隔中包含10-15%的非均匀随机抖动。

数据处理流程

图2详细展示了从未经处理的数据到噪声或CCEP分析的量化步骤。本研究遵循五个基本处理步骤：伪迹去除、滤波、重参考、基线校正和标准化。但是，由于本研究分析的性质，将不会按顺序执行这些步骤，也不是所有数据在分析之前都经过所有步骤的处理。首先，所有数据都经过伪迹去除处理。然后，对数据执行滤波策略或重参考策略。这些“处理后”的数据，用图2中的灰色阴影区域表示，与未经滤波和重参考的“原始”数据形成对比。接下来，对处理后的信号进行标准化。标准化信号被定义为信号y除以标准化因子 N。对于本研究中的两个主要分析分支，以两种不同的方式定义N。对于噪声量化，本研究使用一个总体标准化因子(No)，而对于CCEP量化，使用通道标准化因子(Nc)。No和Nc都是使用原始的、未经处理的信号计算得出的，并且在所有处理条件下保持一致。这种方法可以直接比较不同条件下的噪声和CCEP指标。在本文中，每种标准化方法都以Uo和Uc为单位来描述信号的幅值。最后，从每个试次中减去一个基线期，并对试次进行平均以得到平均CCEP。

量化CCEP

在单个试次中计算每个CCEP前四个成分的振幅、潜伏期和RMS，并计算了所有试次的平均值。CCEP量化过程如图2D所示。

量化噪声

本研究制定了量化三个感兴趣噪声类别的策略，特别侧重于开发有意义地表明噪声对CCEP量化的潜在影响指标。本文在这里进行了简要描述，相关示意图如图2C所示。为了量化低频噪声，本研究对整个记录过程中的基线平均值进行了线性模型拟合。非零y轴截距用于测量直流偏移，非零斜率用于测量整个过程中的信号漂移。为了量化线噪声，本研究计算了60Hz和谐波下的标准化谱功率(welch功率谱密度)和振荡幅度(快速傅立叶变换，FFT)。最后，FFT得到的高频(250-2000Hz)幅值的总和与几何平均值(RMS)被用作估计非神经高频噪声的贡献。

结果

处理策略显著影响CCEP量化结果

对处理影响的视觉评估

图3显示了每个受试者的一个示例CCEP试次的后处理平均值，展示了每个处理步骤如何定性地改变CCEP信号。高通滤波往往对试次的早期和后期阶段影响更大，1Hz截止频率(浅蓝色)比0.1Hz截止频率(深蓝色；图3a)引入了更大的偏移。采用高截止值时，在刺激开始前，试次基线中引入一个倾角，并且第三和/或第四个成分的波幅减小。

在刺激开始前，对信号进行陷波滤波(图3B)和低通滤波(图3C)都会导致信号发生明显的变化。陷波滤波在刺激前约0.1s内引入了约60Hz的伪迹，其幅值随着刺激的临近而增加。无论使用1个(橙色)或3个(红色)陷波滤波器，结果都是相似的。低通滤波有时会在刺激前立即引入高频伪迹。当刺激后10ms内出现短潜伏期成分或伪迹时，这一点尤为明显(例如，受试者4)。与100Hz的截止频率(深绿色)相比，500Hz的截止频率(浅绿色)引入的伪迹振幅更小，时间更短。

共同平均重参考的影响因受试者而异(图3D)。例如，在受试者3和4中，重参考的信号比未处理数据具有更低幅值的CCEP成分。在受试者1中，重参考共同的中值(浅紫色)会略微增加成分振幅，而重参考共同的平均值(深紫色)会略微降低成分振幅。

处理引起的CCEP量化变化

在对处理后和未处理数据中的CCEP振幅、潜伏期和RMS进行量化后，本研究绘制了在所有试次、通道和刺激阶段的差异分布(图4)。使用三个线性混合效应模型对这些结果进行了统计汇总，这些模型在控制了受试者、通道和刺激时段后评估处理方法对每个CCEP成分的振幅、潜伏期和RMS的影响。请注意，在任何两个CCEPs中，无论是在被试内还是被试间，给定成分在形态上都不能直接比较。结果按成分分组以阐明滤波对早期与晚期成分影响的一般趋势，但对这种分组应谨慎解释。模型值被解释为处理后的数据相对于未处理数据的第一个成分的平均量化差异。因为所有处理过程都是对数据的直接干预，所以本研究对这些结果进行了因果解释。

图4.滤波影响CCEP量化。

处理引入的CCEP量化变异性

除了计算处理前后CCEP量化估计值的差异(图4)外，本研究还计算了处理前后这些估计值的稳定性差异(用试次的标准差来衡量)(图5)。与这些指标本身一样，共同平均参考(CAR)处理在试次中引入了最大且最不稳定的标准差差异。平均而言，它倾向于降低幅值指标的变异性(图5A和C)，同时增加潜伏期的变异性(图5B)。在受试者3至5中，高截止低通滤波器(浅蓝色)对估计变异性也有显著的异质效应，尤其是与低截止低通滤波器(深蓝色)相比。陷波(橙/红)和低通(绿)滤波的差异分布往往是紧凑的，并且围绕0点近似对称。

图5.滤波会影响CCEP量化变异性。

CCEP记录中存在噪声

本研究证实了CCEP数据中存在低频漂移和直流偏移(图6A)、60Hz和谐波线噪声(图6B)，以及高频噪声(图6C)。针对每类噪声设计量化策略并进行测试，以获得原始信号的整体噪声水平。

图6.数据中存在的低频噪声、线噪声和高频噪声。

低频噪声

4/5的受试者(不包括受试者1)在记录中存在显著且可变的低频噪声(直流偏移和低频漂移)(图6Aiv，上)。对于这些受试者，＞75%的通道在所有刺激过程中具有显著非零的y轴截距和斜率(图6 Aiv，中；经FDR校正p=0.05)。在这些受试者中，几乎每个y轴截距都超过了1U0(图6Aiv，下)，这表明仅基线偏移就能导致CCEP振幅估计的差异超过静息数据中预期的波动。在这些受试者中，44%到100%的通道斜率超过了1U0/100s(图6Aiv，下)。因此，相隔100s采集的两个相同CCEP测量值，仅基于其基线漂移就可能出现超过1U0的差异。

线噪声

在原始记录(图6Bi)、功率谱密度估计(图6Bii，左)和傅里叶变换(图6Bii，右)中很容易看到60Hz噪声。虽然在频率分解中也可以看到60Hz(120和180Hz)谐波下的噪声，但其功率和幅值相对低于60Hz噪声(图6Bii)。

所有受试者在60和180Hz频率下的功率(图6Biv，上)和振幅(图6Biv，下)均高于120Hz频率。虽然试次中近100%的功率谱密度估计在60和180Hz处出现峰值，但近25%的功率谱密度估计在120Hz处出现峰值(图6Biv，中)。在60Hz和谐波下的估计振幅因受试者而异，但在60Hz噪声下的振幅始终最高，所有受试者的记录都包含60Hz振幅超过1Uo-bl的通道和试次(图6Biv，下)。

高频噪声

高频噪声可以被视为数据中的点对点不稳定性，也就是数据不平滑(图6Ci)。通过测量250-2000Hz频率的累积振幅贡献或这些频率的傅立叶变换(FT)的标准化曲线下面积(RMS)(图6Cii)，我们在所有受试者中都观察到一定程度的高频噪声(图6Civ)。在大多数情况下，在指定的噪声范围内的所有频率的组合，贡献的幅值＜5Uo-bl。然而，在所有受试者中，有影响更大的试次和通道，高达40Uo-bl(图2Civ)。FT的RMS通常相当小，在所有受试者的大多数试次和通道中都低于0.04AU(图6Civ)。

残留伪迹会导致滤波后的时间拖尾效应

经滤波处理后，高振幅的伪迹可能会在时间上产生延长效应。为了量化这一点，本研究从刺激数据中提取出伪迹，并将其添加到不同振幅的无伪迹静息神经信号中(相对于静息信号的标准差进行缩放)，然后比较滤波后的伪迹和无伪迹数据(图7)。0.1Hz的高通滤波导致的伪迹扩散很小(图7Bi)，但在60、120和180Hz(图7Bii)进行陷波滤波，以及在200Hz进行低通滤波(图7Biii)导致了明显可见的时间拖尾效应。图7C显示了在每次滤波后，无伪迹数据和伪迹数据之间除了原始伪迹持续时间之外的最大幅值差异。对于所有受试者，在低通滤波(图7Ciii)后，超过原始神经信号标准差500倍的伪迹引入了超过1AU的差异。

图7.经滤波处理后的伪迹拖尾效应。

结论

本研究发现，与未处理的数据相比，任何形式的处理都可能导致CCEP量化分析发生变化，但颅内CCEP记录中存在的噪声在一定程度上可能影响量化。滤波是减少这种噪声的最有效方法，尽管滤波也可能会在CCEP数据中引入伪迹。基于此，本研究提出了一个灵活的、特定于项目的框架，用于识别噪声水平并评估处理技术的潜在权衡。此外，本研究强调了对CCEP研究中执行的所有处理进行全面报告的重要性，特别是重参考。本研究发现所使用的重参考方法可能会对数据产生重大影响，并建议应充分考虑任何重参考或不进行重参考对数据结果的影响。

参考文献：L.H. Levinson, S. Sun, C.J. Paschall, K.M. Perks, K.E. Weaver, S.I. Perlmutter, A.L. Ko, J.G. Ojemann and J.A. Herron, Data Processing Techniques Impact Quantification of Cortico-Cortical Evoked Potentials, Journal of Neuroscience Methods, (2024) doi:https://doi.org/10.1016/j.jneumeth.2024.110130

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～