推动TMS-EEG数据预处理标准化

摘要

将非侵入性脑刺激(NIBS)技术与脑电生理活动记录相结合是神经科学领域广泛使用的方法。同时结合经颅磁刺激(TMS)与脑电图(EEG)尤其成功。但是，为了有效地与大脑活动进行交互，所需的强磁脉冲不可避免地会在同步EEG采集过程中产生伪影。因此，需要进行仔细但有效的预处理，以高效去除这些伪影。然而，正如文献中所报道的那样，不同的预处理方法可能会导致结果存在差异。在这里，本研究旨在分析目前可用的三种主要TMS-EEG预处理流程，即ARTIST、TESA和SOUND/SSP-SIR，为需要在不同方法之间做出选择的研究人员提供参考。与先前的研究不同，本研究使用具有已知真实值(无伪影的重建信号)的合成TMS-EEG信号对这些流程进行了测试。通过这种方式，可以精确和定量地评估每个流程的可靠性，为未来的研究提供更可靠的参考。总的来说，本研究发现所有流程的性能良好，但在真实值重建的时空精度方面存在差异。最重要的是，这三种流程对试次间变异性的影响不同，其中ARTIST引入了真实信号本不存在的试次间变异性。

引言

非侵入性脑刺激(NIBS)实验结果的不一致性在以往的文献中已有大量讨论。结果的不一致性主要归因于个体间和个体内因素。就前者而言，影响个体间差异的一个主要因素是大脑的结构和功能特性，这尤其影响TMS-EEG研究的结果。在TMS-EEG研究中，TMS诱发电位(TEPs)的振幅和潜伏期与个体的大脑结构特征有关。另一个影响因素是波动的大脑状态动态，这种动态可以调节TMS对电生理和行为指标的影响。例如，单脉冲TMS(spTMS)诱发的TEP幅度和重复TMS(rTMS)对TEP幅度的调节效应都取决于刺激时的皮层兴奋性状态。因此，必须控制上述个体内和个体间的变异性因素，以减少不同研究之间结果的不一致性。

目前已经提出了不同的技术来减少TMS-EEG记录阶段的个体间和个体内变异性。例如，Casarotto等人(2022)开发了一种工具箱，用于实时监测记录的TEPs质量和伪影成分的一致性。另一方面，还可以使用其他技术，如Lioumis和Rosanova(2022)提出的用结构神经导航来补充TMS-EEG记录。

然而，研究中观察到的变化不仅仅是由于个体内和个体间的差异，而且还受到清理TMS-EEG数据中伪影所采用的不同预处理流程所带来的影响。实际上，TMS不仅会引发皮层反应，还会在EEG记录中引入电磁和生理伪影。TMS脉冲与导电的EEG电极和导线产生电磁相互作用，利用其感应和电容效应，并与头皮的神经肌肉系统产生生理相互作用。通过磁感应，磁场会产生电流，从而导致伪影电位的出现，这些伪影电位的幅度可能会使放大器的电子元件饱和。磁梯度的强度与电极和皮肤之间的微小电容耦合，导致记录中出现大幅的波动和衰减伪影。磁梯度还会与头皮肌肉相互作用，产生肌肉伪影。所有这些伪影活动掩盖了源于神经过程的真实EEG反应。因此，如果不进行准确的预处理，就不可能观察到真正的TMS诱发活动(例如TEPs)。为此，人们开发出了不同的预处理流程，以处理TMS在EEG信号中引入的伪影。其中最常见的方法是独立成分分析(ICA)和手动识别TESA中的伪影。其他方法包括基于ICA的全自动化预处理流程(ARTIST)，以及一种非ICA的预处理流程，采用SOUND(利用去噪算法的源估计)和SSP-SIR(信号空间投影-源信息重建)来校正TMS相关的伪影。

最近的研究试图确定不同的预处理流程对重建TMS-EEG信号的影响，尤其是对其变异性的影响。例如，Bertazzoli等人(2021)在相同的TMS-EEG数据集上测试了四种不同的流程(即ARTIST、TESA、SOUND/SSP-SIR和TMSEEG)。研究结果显示，所选流程对获得的预处理TEPs(诱发电位)有显著影响。具体来说，不同流程的TEPs振幅和全局平均场功率(GMFP)各不相同，并且头皮电位的相关性也存在显著差异。此外，在两个独立实验阶段获得的TEPs重测信度在不同流程之间也存在显著差异。这些发现得到了另一项采用类似方法的研究的支持，该研究强调了即使在相同处理流程中进行微小调整，也可能导致重建的TMS诱发活动在幅度和空间分布上产生不同的结果。综上所述，这些研究表明，数据处理所使用的方法对最终得到的TMS-EEG信号有很大影响。

最近，一些研究通过将模拟的TMS伪影叠加到已知的真实EEG信号上，探讨了不同方法去除TMS相关伪影的有效性。例如，Atti等人(2024)测试了独立成分分析(ICA)在去除各种模拟TMS-EEG伪影方面的有效性，而Mutanen等人(2024)则比较了ICA和SSP-SIR在去除TMS脉冲诱发的肌肉伪影方面的效果。后一项研究报告指出，当伪影的地形与感兴趣信号的地形之间存在显著差异时，SSP-SIR在清除伪影方面的表现更好。此外，这两项研究都强调，当伪影的特征变化不大时，使用ICA来去除这些伪影可能会产生不准确的结果。虽然这些研究引入了已知的真实信号作为先验知识，但它们主要关注特定的伪影或分析步骤，而未考虑整个处理过程对TMS-EEG数据的影响。

本研究的主要目标是考察ARTIST、TESA和SOUND/SSPIR处理流程在去除EEG信号中的TMS伪影的效果和准确性。本文旨在评估哪种处理流程的整体表现最佳，并分析在使用这些处理流程时可能遇到的问题。这将为执行TMS-EEG实验的研究人员提供有价值的信息，帮助他们了解所使用的处理流程是否适合其数据，进而决定是否需要针对特定情况开发新的预处理方法。

方法

本研究生成了一个用于评估三种预处理流程的测试脑电信号(以下称为“测试信号”)。将来自真实TMS-EEG实验(刺激初级运动皮层(M1))的伪影信号叠加到一位受试者的真实EEG信号上，该信号包含通过外周刺激生成的感觉诱发电位(SEPs)的EEG信号。然后，使用ARTIST、TESA和SOUND流程分别对测试信号进行预处理。在完成预处理程序后，将每个处理后得到的EEG信号与真实信号进行比较，以评估哪种预处理流程能够更好地恢复真实EEG信号(方法流程见图1)。所有分析均使用EEGLAB、FieldTrip(版本：2022/02/06)以及自定义的Python和MATLAB代码(The Mathworks，Natick，MA，USA)完成。

图1.方法论工作流程。

SEPs(真实信号)

选择SEP信号作为真实信号的理由在于，SEP反映了体感通路上的神经结构激活，这些位置与预期的M1 TMS伪影相对接近。本研究使用了来自一名受试者的EEG数据(31个通道：Fp1、Fp2、C1、C2、CP3、F3、Fz、F4、CP4、FC5、FC1、FC2、FC6、T7、C3、Cz、C4、T8、CP5、CP1、CP2、CP6、P7、P3、Pz、P4、P8、PO7、PO8、O1、O2；采用国际EEG系统10-05排列；采样率为5000Hz)，该数据来自Zazio等人(2019)研究中的SEP数据集。该研究遵循《赫尔辛基宣言》的伦理准则，并获得了IRCCS Instituto Centro San Giovanni di Dio Fatebenefratelli伦理委员会的批准(Brescia，19/2016)。SEP是通过对左腕部正中神经进行500次电刺激来评估的，刺激强度设定为个体感知阈值的200%；刺激频率设置为3.3Hz，并对SEP数据进行-100ms到200ms的分段处理。

TMS相关的伪影信号生成

“伪影信号”是从真实的TMS-EEG数据集中提取的，TMS覆盖左侧M1。在德国Tübingen大学以及Hertie临床脑研究所进行被试招募和实验。所有程序均符合《赫尔辛基宣言》，并获得了Tübingen大学医学院当地伦理委员会的批准(810/2021BO2)。所有参与者均签署了书面知情同意书。实验的实施遵循安全指南。受试者在整个TMS-EEG实验期间坐在舒适的椅子上。使用130通道Ag/AgCl烧结环电极帽(EasyCap GmbH，Germany)进行EEG记录。电极通过轻微的皮肤擦拭进行准备，并用导电凝胶(Electrode Cream，GE Medical Systems，USA)填充，直到阻抗＜5kΩ。采用24位生物信号放大器(NeurOne Tesla with Digital Out Option，Bittium Biosignals Ltd., Finland)以5kHz的采样率同时记录EEG和EMG。双相TMS脉冲由连接到75mm线圈(MCF-B65，MagVenture，Denmark)的刺激器(MagPro R30，MagVenture，Denmark)发出。运动热点是指导致第一背侧骨间肌运动诱发电位(MEP)波幅最高且最一致的线圈位置和方向，静息运动阈值定义为10个试次中至少有5次的运动诱发电位≥50µV。每个受试者接受了800个TMS脉冲，刺激强度为静息运动阈值的115%，刺激间隔为2.5s±0.1s的抖动。

从这项TMS-EEG研究中选择了4名健康被试，通过ICA方法提取真实的伪影信号。需要注意的是，在TMS刺激开始后，EEG信号中不仅包含有伪影信号，还包含由刺激所引发的真实大脑电位：即TEPs。TMS-EEG数据预处理流程的目标之一就是去除脉冲引起的伪影，同时尽可能保持包括TEPs在内的活动的完整性。因此，当提取要叠加到SEP信号上的真实伪影信号时，本研究决定使用4名健康被试的数据，而不是仅使用单个被试的数据。这样做的目的是可以有把握地假设不同被试之间在TEPs的潜伏期和信号形状上的变异性通常大于大多数TMS诱发的伪影(例如，脉冲和衰减伪影)。因此，当使用来自不同被试的数据时，ICA算法能更有效地从TEPs中分离出伪影成分。

为了提取与TMS相关的伪影信号，首先对每个被试的数据进行分段处理(−100至200ms)。从每个受试者的数据中目视检查不良试次并进行剔除，最终4名受试者分别有748、725、397和544个有效试次(试次总数=2414)。对于每个受试者的不良通道进行插值处理。然后，去除TMS脉冲周围的伪影信号(脉冲前后−2至5ms)，这一步骤是必要的，因为1)去除伪影周围的时间段是所有预处理流程中的标准程序；2)如果不去除伪影，ICA算法在分析时会受到这些强信号的影响，从而掩盖其他重要的脑电信号。随后，将4名受试者的TMS-EEG记录连接在一起，并输入到FASTICA算法中(成分数量：30；ε：1e-9；双曲正切非线性)。通过FASTICA提取的ICA成分经过视觉检查，其中六个成分被识别为“纯伪影”，这意味着这些信号只包含与TMS相关的伪影信号或眼动伪影。通过将这六个伪影成分投影回传感器空间，获得了一个完整的(130通道；2414试次)EEG伪影信号。然后，只保留在真实信号中也存在的31个通道，并随机选取500个时间窗(与SEP信号中的时间窗数量相同)。在这个过程结束时，伪影信号(图1B)仅包含与TMS相关的伪影和眼动成分，并可以与真实信号叠加，以生成下一节中所描述的“测试信号”。

测试信号生成

在将真实信号与伪影信号相结合以获得最终的“测试信号”之前，必须执行信号校准程序，以使1)SEP数据在幅度上与标准TEPs相当，以及2)真实信号和伪影信号更具同质性。

因此，对真实信号进行了以下调整：首先，去除正中神经刺激在刺激前后−1至3ms间引入的噪声，并进行插值处理。然后，在运行FASTICA时应用了0.1Hz的高通滤波，以去除真实数据中的眼动成分。这样做是因为后续需要将真实数据与经过三种预处理(ARTIST、TESA和SOUND)的信号进行比较，而这些信号在预处理时已经去除了眼动成分。然而，从TMS-EEG数据中提取并与干净信号叠加的伪影成分已包含了眼动成分。如果保留来自TMS-EEG和SEP数据集的眼动伪影，可能会影响数据预处理的效果，导致不同预处理方法的比较变得不准确。此外，当左手受到刺激时，右半球会产生SEP信号。为了将这个SEP信号与从左侧M1提取的TMS相关伪影信号进行比较，真实数据在半球之间进行了翻转，使得两种信号都位于同一半球上。此外，真实信号的基线活动与从TMS-EEG数据中提取的伪影信号之间的比较显示了两者之间存在一定的偏移。因此，在将真实信号与伪影信号重叠之前，采用了逐次基线校正来校正偏移量。这一过程使两种信号均质化。最后，由于SEP偏移的振幅通常低于TEPs，为了使真实信号与经典的TMS诱发活动具有可比性，将SEP振幅乘以2重新缩放。此时，真实信号可以与伪影信号重叠，从而生成最终的测试信号。

应用于测试信号的预处理流程

ARTIST

ARTIST的优点是通过自动化所有预处理步骤来减少由于用户的选择而产生的个体差异。对于测试信号的预处理，ARTIST去除了两个坏通道(T7和T8)。此外，在500个试次中，有72个被标记为无效试次。关于ARTIST用于消除与TMS相关的衰减伪影成分的第一轮ICA中，ARTIST发现了一个包含该伪影的成分，因此在第一轮ICA中去除了一个伪影成分。第二轮ICA旨在消除除衰减伪影之外的所有其他伪影成分，ARTIST从信号中提取的25个总成分中剔除了7个伪影成分。表1总结了不同流程去除的坏通道、试次和成分。

表1.各预处理流程标记为坏的试次、通道和成分的相关信息。

TESA

TESA半自动化流程标记了3个拒绝通道。此外，TESA将16个试次标记为伪影段。在第一轮ICA中，仅去除包含与TMS相关的肌肉伪影成分，TESA剔除了28个成分中的1个。第二轮ICA分析发现了1个眼动伪影成分和7个与电极噪声相关的成分，总共从信号中剔除了8个成分(表1)。

SOUND/SSP-SIR

SOUND/SSP-SIR不是一个自动化的处理流程，因为它需要用户手动标记坏通道(如果用户选择不将此步骤完全委托给SOUND的话)、坏试次，并从该流程唯一的ICA轮次中提取眼动伪影成分，以及与TMS相关的肌肉伪影成分。在此次SOUND处理流程的应用中，用户没有发现任何需要剔除的通道。此外，有39个试次被标记为坏试次。在ICA分析中，30个成分中有2个被标记为眼动伪影。最后，通过SSP-SIR识别出的前两个独立成分被标记为需要拒绝，因为它们包含与肌肉相关的伪影(表1)。

预处理质量评估

为了评估每个预处理流程的重建质量，本研究考察了以下几个方面：1)真实信号与重建信号在统计上是否存在差异；2)预处理对试次间变异性的影响；3)真实信号与重建信号在多大程度上存在线性依赖关系。

本研究分析了一组感兴趣通道(P3、CP3、CP5、CP1、C3)，以及三个感兴趣的时间窗(TOIs)(TOI 1：22-42ms；TOI 2：52-82ms；TOI 3：100-150ms)。同时也报告和讨论了整个感兴趣时间窗(5-200ms)和所有通道的结果。所有后续分析均使用基于NumPy(版本：1.26.4)和SciPy(版本：1.14.0)的自定义Python代码，以及部分基于FieldTrip(版本：2022/02/06)的自定义MATLAB代码执行。

在进行任何后续分析之前，真实信号和预处理后的EEG数据都被重新参考到Cz电极，并进行了基线校正(-100ms到-15ms)。这三个处理流程在重参考时均采用了共同平均重参考，尽管实施步骤有所不同(图2)。考虑到共同平均参考可能会掩盖全局效应，因此本研究进一步选择中央电极Cz进行重参考。

图2.每个预处理流程中的步骤顺序。

本研究为每个处理流程及其对应的真实值计算了试次均值，具体包括：1)单独计算每个通道的均值；2)将感兴趣的通道(P3、CP3、CP5、CP1、C3)进行平均；3)将所有通道进行平均。本研究对每个信号进行了非参数统计比较，假设重建信号与原始信号之间没有差异。使用基于聚类的置换检验方法，仅利用时间维度作为聚类形成特征来进行多重比较校正。之所以这么做，是因为通道数量较少且它们之间的距离不均匀，无法进行稳健的空间聚类。检验参数如下：5000次置换；聚类阈值=0.05；聚类显著性阈值=0.05；双尾检验并使用Bonferroni校正；感兴趣的时间范围为5-200ms。除了信号均值之外，还计算了所有预处理和真实信号的全局平均场功率。

通过以下计算公式来评估处理流程对试次间变异性的影响：

其中，xi(t)和yi(t)分别表示试次i的真实值和预处理数据的时间序列，x和y分别表示各试次的平均值。和扩展到所有试次R。可以注意到，这一数值对应于试次间信号方差的比率，这是一种广泛使用的试次间变异性的测量方法。本研究进一步计算了Δ(t)随时间推移的平均值，使用了整个感兴趣的时间窗和每个TOI。如果预处理没有改变或减少试次间的变异性，则Δ(t)≤1。相反，Δ(t)＞1的值表明处理流程增加了原来的试次间变异性。

此外，为了评估参考信号与重建信号之间的线性依赖关系，本研究计算了每个通道以及在选定通道和所有通道上平均数据的时间Pearson相关系数，如下所示：

最后，对于每个感兴趣的时间段(TOI)，本研究计算了Pearson随时间变化的空间相关性，如下所示：

结果

图3显示了三个处理流程中的所有通道(图3A)和选定通道(图3C)的EEG预处理信号和真实信号的平均值。此外，图3B显示了三个预处理信号的GMFP与相应的真实信号GMFP之间的关系图。

图3.流程质量评估结果汇总。

虽然在视觉上可以看到重建信号和真实信号之间的不同，但通过统计测试并没有发现这些差异在时间上有显著的变化。图3D和E，以及表2中显示的高时间相关性证实了这一结果。表2中的ρ值表明，原始信号与重建信号之间的线性依赖性在所有处理流程和时间段中都很高，所有时间相关性均大于0.9，唯独在第三个时间段的所有通道平均值下，时间相关性小于0.5，甚至在某些情况下为负值。

表2.时间Pearson相关系数ρ值。

图3中的插图F和G显示了在感兴趣时间段和三种处理流程下的试次间变异性比率Δ的值。详细数值见表3。从这些数据中可以看出，SOUND预处理始终降低了试次间变异性，而ARTIST则增加了这种变异性。相比之下，TESA处理流程对试次间变异性的影响不大。

表3.试次间变异性比率。

最后，图3显示了每个TOI的地形图(图3I)，以及相应的空间相关性值(图3H)。空间相关性值σ如表4所示，并附有95%的置信区间。从Pearson相关性来看，所有处理流程在除第三个TOI外的所有时间段中，均能很好地保持空间结构，而在第三个TOI中，所有流程的σ值都接近或低于0.5。

表4.空间Pearson相关系数σ值。

图4显示了每个流程和TOI的试次间变异性比率的地形图。可以明显看到，虽然ARTIST在所有通道上系统性地增加了Δ值，但SOUND降低了Δ值，而TESA则保持相对稳定，除了通道C1的Δ=2.15。各通道和TOIs上的平均Δ值如图4B所示，这些结果证实了所计算的Δ值在多个通道和特定时间点上都显示出相同的趋势。

图4.A)每个流程和TOI的试次间变异性比率Δ的地形图。B)对于每个TOI及整个时间段，感兴趣通道(P3、CP3、CP5、CP1、C3)的试次间变异性比率的平均值。每个处理流程的结果用不同颜色表示(红色：ARTIST，绿色：TESA，蓝色：SOUND)。

图5进一步显示了每个流程和TOI的时间相关性地形图。为了清晰起见，颜色图的低切值设定为ρ≤0。可以注意到，所有流程在感兴趣通道的所有时间点上都与原始信号呈现良好的线性相关性(具体数值见表2)。图5B展示了感兴趣通道Pearson时间相关性的平均值，进一步支持了这一结果。然而，地形图还显示，对于远离刺激的时空点的通道和TOIs，原始信号与重建信号之间的线性相关性会下降。

图5.A)每个流程和TOI的时间相关性ρ的地形图。B)对于每个TOI及整个时间段，感兴趣通道(P3、CP3、CP5、CP1、C3)的时间Pearson相关性。每个处理流程的结果用不同颜色表示(红色：ARTIST，绿色：TESA，蓝色：SOUND)。

结论

本研究比较了三种代表性处理流程(ARTIST、TESA和SOUND/SSP-SIR)在TMS-EEG数据集预处理中的准确性。与以往的研究不同，本研究采用了一种真实信号恢复方法，即从真实的EEG数据和真实的TMS-EEG伪影合成了一个待处理的数据集。在确定了要恢复的信号后，可以将合成的数据输入到流程中，并定性和定量地评估从TMS诱发的伪影中提取真实脑电信号的可靠性。总的来说，所有预处理流程在重建刺激位置时原始信号的时空邻近性方面都可以被认为是稳健的，尽管TESA和SOUND/SSP-SIR在早期成分上显示出比ARTIST略少的变异性。另一方面，对于所有流程，远离刺激时间和位置的结果必须谨慎解读。重要的是，从对试次间变异性的分析中得出的结果清晰地表明，尤其在预处理数据将用于置换检验的场景中，TESA和SOUND/SSP-SIR应优于ARTIST，因为ARTIST引入的更大试次间变异性可能会掩盖实验条件之间的差异。本研究认为本文所提供的信息对基础研究和临床研究都具有重要价值。此外，本研究结果为建立TMS-EEG实验的黄金标准做出了重要贡献。

参考文献：A. Brancaccio, D. Tabarelli, A. Zazio, G. Bertazzoli, J. Metsomaa, U. Ziemann, M. Bortoletto, P. Belardinelli, Towards the definition of a standard in TMS-EEG data preprocessing, NeuroImage, Volume 301, 2024, 120874, ISSN 1053-8119, https://doi.org/10.1016/j.neuroimage.2024.120874.

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～