CxHub客户体验社区-用户研究、体验爱好者学习交流社区，专注客户体验(CX)研究。
社交媒体
在实验过程中剔除脑电信号中的声音干扰是一个常见但挑战性的问题。以下是一些常用的方法：
1）滤波器：使用滤波器可以过滤掉特定频率范围内的信号。对于声音干扰，可以尝试使用高通滤波器来过滤掉低频声音信号，比如使用3-30Hz的滤波器。
2）独立成分分析（ICA）：ICA 是一种信号处理技术，可以将混合的信号分解成多个相互独立的成分。通过ICA，可以尝试将声音信号与脑电信号分离开来。
3）去噪算法：使用专门设计的去噪算法，如小波去噪算法、自适应滤波算法等，可以有效地剔除噪音信号，包括声音干扰。
4）实验设计：在实验设计阶段，尽量减少声音干扰的可能性。比如，在安静的环境中进行实验，采取隔音措施，使用耳塞等。
5）后处理技术：在数据采集后，使用后处理技术对数据进行清洗和去噪，如平均化、伪迹去除等。
6）参考信号去除：如果可以同时记录到不受声音干扰的参考信号，可以使用参考信号去除法来剔除脑电信号中的声音干扰。
我在研究节律性声音对大脑的影响。尽管尝试了跑ICA来剔除声音干扰，但效果不佳。老师建议使用3-30Hz的滤波剔除，但我发现这种方法仍然无法完全去除2Hz声音的影响。怎么办？
文献链接：https://doi.org/10.1016/j.jneumeth.2022.109765
这篇文献提供了关于如何使用TRF（Temporal Response Function）分析来研究声音对脑电信号的影响的方法和技术。通过使用TRF分析，研究者可以了解大脑如何在接收到声音刺激时产生特定的神经响应。这些分析可以帮助研究者识别和量化脑电信号中的声音干扰，并在分析过程中尽可能剔除这些干扰。此外，文献中提到的留一法交叉验证等方法也可用于评估模型预测未见数据的能力，从而进一步验证脑电信号处理过程中的有效性。
建模和分析：对TRF分析中时间同步误差的影响进行建模和分析，以及通过模拟和实验证明时间同步误差对TRF分析结果的影响程度。（TRF分析是一种用来研究刺激和脑响应之间关系的方法。）
Temporal Response Function
TRF分析通常应用于EEG（脑电图）或MEG（脑磁图）数据，用以研究刺激和脑响应之间的时间关系，探究大脑在接收外部刺激时的动态响应模式，以及探索各种感知和认知过程，包括语音处理、视觉感知等。
模拟和实验验证： 通过模拟实验和真实的脑信号数据，他们观察了时间同步误差对TRF分析结果的影响程度。
任务：参与者被要求听取特定类型的语音或语音片段。
目的：研究人类皮层信号如何跟踪语音的包络和音素内容。
| 数据采集系统 | |
| 采样率 | 512 Hz |
| EEG通道数 | 128（加上两个乳突通道） |
| 刺激呈现方式 | 计算机发送触发器以指示每次试验开始，并将其包含在脑电图记录中以确保同步。 |
| 实验环境 | 黑暗、隔音的房间 |
| 实验要求 | 参与者在每次试验期间保持视觉固定在屏幕中心的十字线上，并尽量减少眨眼和所有运动活动。 参与者可以根据需要在试验之间自由休息。 |
| 刺激呈现设备 | Sennheiser HD650耳机和Neurobehavioral Systems的演示软件 |
| 刺激呈现采样率 | 44100 Hz |
| 数据处理方法 | 根据连续事件神经数据结构（CND）使用数据集的标准化版本 |
任务：参与者被要求听取特定类型的单声道音乐或音乐片段。
目的：研究人类皮层信号如何跟踪音乐的声学特征和旋律期望。
| 数据采集系统 | |
| 采样率 | 512 Hz |
| EEG通道数 | 64（加上两个乳突通道） |
| 刺激呈现方式 | 计算机发送触发器以指示每次试验开始，并将其包含在脑电图记录中以确保同步。 |
| 实验环境 | 黑暗、电屏蔽、隔音的房间 |
| 实验要求 | 参与者在每次试验期间保持视觉固定在屏幕中心的十字线上，并尽量减少眨眼和所有运动活动。 参与者可以根据需要在试验之间自由休息。 |
| 刺激呈现设备 | Sennheiser HD650耳机和Neurobehavioral Systems的演示软件 |
| 刺激呈现采样率 | 44100 Hz |
| 数据处理方法 | 根据连续事件神经数据结构（CND）使用数据集的标准化版本 |
图1左： 正向模型使用多元正则化滞后线性回归估计了大脑如何将声学包络转换为神经响应，捕获了描述语音神经耦合时空动态的模型权重模式。
图1右：EEG 预测相关性评估模型预测未见数据的能力，通过计算记录信号与头皮电极的预测之间的皮尔逊相关性量化预测有效性，并使用留一法交叉验证选择最佳的正则化参数来估计预测相关性。
当我们想要了解某种刺激，比如声音包络是如何在大脑中引起电信号变化的时候，我们会使用滞后线性回归。这个方法就是找出声音包络和脑电信号之间的关系。
首先，我们用一部分数据来建立这种关系，也就是训练数据。然后，我们用另一部分数据来测试我们建立的模型，这就是测试集。我们通过比较模型预测的结果和实际数据来评估模型的准确度，也就是预测相关性。这个过程会多次重复，每次使用不同的测试集，以确保我们得到的模型对不同数据集的适用性。
(A) 在通道 Cz 上计算的 TRF 权重，以及治疗前和治疗后记录会话的原始 EEG 事件触发器。阴影区域表示参与者平均值的标准误差。
(B) 重新对齐后在 Cz 处计算的 TRF 权重。黑点表示 TRF 权重与零显着不同（FDR 校正 Wilcoxon 检验，p < 0.05）。
(C)左： 根据重新对齐的 EEG 数据计算出的选定时间延迟下的 TRF 权重的地形图。
(C)右：根据重新对齐的 EEG 数据计算出的 N1-P2 幅度。
这些结果展示了同步不精确对前向 TRF 分析的不同表示的影响，特别是对 EEG 预测相关性、地形 TRF 表示和 TRF 形状的影响。
虽然文章主要关注时间不精确性的影响，但TRF分析本身可以为解决脑电信号中的声音干扰提供有益的线索。
首先，TRF分析允许研究人员了解当大脑接收到声音刺激时，神经活动是如何产生的。通过观察声音刺激和脑电信号之间的时间关系，我们可以更好地理解声音干扰对脑电信号的影响，并找到减少这种干扰的方法。
其次，TRF分析提供了多个角度来评估大脑活动，包括确定神经响应的延迟、空间分布以及TRF曲线的形状，还有EEG预测相关性。这些评估视角可以帮助我们确认脑电信号中的声音干扰，并帮助确定剔除这些干扰的策略。
因此，通过采用TRF分析，我们可以更深入地研究脑电信号中的声音干扰，并从中获取有关如何剔除这种干扰的宝贵信息。TRF分析为我们提供了一种全面的方法来探索这个问题，为我们的研究提供了更多的理论支持和实用工具。
（全文结束）
部分素材源于网络
如有侵权，请联系删除
