额叶脑电非对称性的评估和概念化

额叶脑电图(EEG)的alpha不对称在情绪、动机和精神病理学研究中得到了广泛的研究，但它是一个使用多种程序进行量化和分析的指标，而程序的多样性使交叉研究的解释变得模糊。本文的目的是提供脑电图alpha不对称的记录、处理、分析和解释的最新教程，以提高研究结果的一致性。首先，简要介绍了alpha不对称的背景。然后，一些记录、处理和分析alpha不对称的指导方针被提出，重点放在不对称分数的创建、参考选择和伪迹去除。本文详细解释了处理步骤，并引用了基于matlab的工具箱，这些工具箱有助于创建和研究alpha不对称。然后，回顾挑战和解释问题，包括讨论alpha不对称作为情绪和精神病理学的中介/调节变量。最后，评估了两种自动的基于成分的伪迹校正算法MARA和ADJUST对额叶alpha不对称的影响。本文发表在International Journal of Psychophysiology杂志。
1. 额叶不对称的用处：回顾

在脑电图(EEG)记录过程中，大脑额叶区域左脑和右脑活动的差异被称为额叶脑电图不对称，研究人员在几十年前首次将这种现象与情感处理模式联系起来。额叶脑电图不对称现在被世界各地的科学家用来研究气质和人格、各种类型的精神病理学、动机、情绪和认知控制等结构。

在静息状态和任务状态下记录了额叶脑电图的不对称性。尽管在描述额叶脑电图不对称时，文献中使用的术语“活动”指的是在一段时间内记录的数据，比如参与者处于静息状态时，而“激活”指的是由于某些任务或状态变化导致的活动变化。换句话说，活动反映水平，而激活捕获活动中的变化。一种主流观点认为，偏侧化活动(即静息状态额叶脑电图的不对称)反映了个体参与某些类型的情绪(积极对消极)和/或动机(趋近对逃避)反应的倾向，而激活被认为反映了状态、动机和/或情绪反应。额叶脑电图不对称性与这些情绪/动机状态和特征的关系是研究的热点，而额叶脑电图不对称性与情绪/动机变量的关系也是作者和本文的主要理论框架。越来越多的文献也表明，相对较大的左侧额叶的活动/激活，表征了接近导向的情境和/或个体，而右侧额叶活动/激活比左侧额叶活动/激活更大反映了与退缩相关的动机特质和状态或内化人格特质。除了情绪/动机状态和特征，一些报告还将额叶脑电图alpha不对称与其他变量联系起来，如执行功能、担忧和语言流畅性。

尽管一些研究人员已经接受了使用状态情绪操纵来检验动机/行为和大脑半球脑电图激活模式之间的关系，但是在过去的30年里，大多数的精神病理学的额叶不对称研究都是研究当人们坐着处于静息状态时左半球和右半球活动的差异。后来的研究已经在一些，但不是所有的案例中预测了与戒断有关的精神病理学，在抑郁症和焦虑症的研究中发现了不一致的情况，临床评分以及重度抑郁症和创伤后应激障碍的维度测量也有所发现。除了样本特有的特征外，一些重要的方法学因素可能至少部分地解释了这种相互矛盾的结果。一些关键问题包括：a)脑电图参考电极的选择b)脑电图记录长度c)脑电不对称的可靠性/稳定性d)障碍共病/异质性e)性别差异F)季节和时间变化与唤醒偏好的个体差异相互作用。a-c问题将在下面更详细地讨论。关于障碍异质性，Nusslock等人认为，与其试图将额叶不对称与特定障碍的诊断标准联系起来，研究人员应该将左额叶和右额叶活动与心理症状群联系起来，如快感缺乏、狂躁、和焦虑的理解，以增加效力，更好地提供评估和干预策略。

除了关注这些问题，方法还侧重于提高信噪比，通过超越简单的静息状态记录或分析，来增强脑电图特征和情绪反应之间的相关性。静息状态远非静止状态，在典型的几分钟静息过程中，受试者的动态变化在时间上是不对称的。一种策略是将相对较长的静息状态分解为捕捉最多信号的时刻，方法是寻找非对称爆发的微观状态，或者在记录中识别目标情绪或动机状态存在的最大指示时刻。另一种策略是提供一个挑战，让相关的动机系统在较长的EEG记录期间参与进来。Coan等人在他们关于大脑不对称个体差异的能力模型中认为，利用动机相关的挑战可能比在静息状态中记录额叶不对称产生更大的个体差异，其中，不受控制的主体因素可能会降低发现大脑活动与特质/状态反应的主观报告之间有意义关系的能力。的确，在同一个样本中，当研究平均参考、Cz参考和双侧乳突参考数据时，对静息时的活动和动机相关的激发(定向面部动作任务)的活动进行比较，发现相比于静息活动，任务相关的活动(在快乐、愤怒、悲伤和恐惧的定向面部表情中)更能将抑郁的男性和女性与从不抑郁的男性和女性区分开来。相比之下，电流源密度(CSD)转换数据的静息和任务活动都能区分抑郁组和从不抑郁组。这些结果表明，有明显的动机的挑战，以及脑电图转换，如突出额叶神经源的CSD转换，可能会对动机状态和特征产生更多的预测和可靠估计。这些结果表明，动机突出的挑战，以及脑电图转换，如突出额神经源的CSD转换，可能产生更多的动机状态和特征的预测和可靠估计。

关于脑电图不对称的文献相当多，而且还在不断增加，但在“记录数据的条件、……数据缩减的方式和……数据随后分析的方式”方面反映了巨大的多样性。因此，本文详细介绍了重要的数据获取和分析程序，希望数据收集和处理实践的一致性将导致额叶脑电图不对称与情绪、动机和精神病理学联系的研究更可靠。

2. 获得最佳的额叶不对称的估计：数据收集、转换和缩减的程序

2.1 记录注意事项

在受试者准备和实验步骤方面，脑电图不对称的记录准则与其他脑电图信号的记录准则基本相同。考虑到脑电不对称既可以作为一种特质个体差异，也可以随着状态操纵而变化，在处理脑电不对称时需要特别考虑的一点是，要避免在脑电记录之前或期间无意识地诱发状态操纵。受试者准备应是专业的，有效的，情绪平静的，并注意参与者的反应，指南可能是大多数实验室准备协议的一部分。这些考虑在脑电图不对称研究中具有特殊的重要性，因为对记录准备的情绪反应已经被证明可以预测额叶脑电图不对称，以及具有特定的实验者特征，如吸引力。此外，在同一个实验对象中进行多项研究的实验者也应该注意到情绪刺激从一个实验到另一个实验的影响。

在计划一次记录任务时，研究者必须在获取足够数量的数据以提供额叶脑电图不对称的可靠估计的需要与最小化参与者负担之间取得平衡；对于较长的记录，情绪状态可以在记录中改变，为通常总结记录的单一指标提供不同的来源。由于记录过程被分割成多个短周期，并且每个周期都有一个功率谱，因此任何一个单周期的功率谱都将反映跨周期的常见频率以及任何给定周期的特殊频率。然而，对跨分段的功率谱进行平均，可以使那些在相当大比例的分段中存在的频率出现，同时减弱可能被认为是噪声的不频繁或不规则信号的影响。正如Towers和Allen所示，在100个分段的情况下，额叶脑电不对称的可靠性就可以得到很好的结果，这相当于无伪迹记录数据的1 - 3分钟(取决于epoch重叠)。对于静息态评估，这可能是一个连续的记录，但对于状态诱发的不对称，这可能反映了多个较短片段的集合，研究者有充分的理由相信情绪在每个片段中都是类似地诱发的(如, , 电影片段分割，观看图片，情绪操纵)。根据有多少分段因为伪迹被删除，研究者可能需要计划记录2-3倍长的1-3分钟的目标数据，因为删除眨眼分段和其他伪迹，往往导致数据丢失近50%。

2.2 参考和无参考转换的影响

额叶脑电图不对称数据的解释假设，从一个给定记录部位测量的功率反映的是该部位的活动，而不是参考部分或其他部位的活动。为此目的，研究人员可能会寻找相对不活跃的参考，并经常使用平均乳突，或包含所有电极点平均活动的平均参考。在一个球体中有足够大的电极阵列时，平均参考值将很好地近似于非活动参考值。由偶极子产生的活动将在一个位置显示为正，在与该位置相对180度的位置显示为负，因此在整个球体的充分代表下，各个位置的总和将接近零。有限的电极不能提供足够的球体覆盖，将在平均参考中有更多的残余活动(例如，可能将alpha能量从远处的枕骨源反映到额叶电极)。

特别不好的是当使用Cz电极为参考电极时。Cz参考可能会低估或高估目标电极的活动，实证比较发现，使用Cz参考的数据的不对称与其他参考方案的相比较差。

尽管提供了低活性或相对不活跃的参考，平均乳突和平均参考造成了定位困难，因此，来自远处颅内源的功率出现在一个不具代表性的头皮电极上(见图1)。最令人烦恼的是alpha“镜像mirroring”，即额叶alpha能量被记录的枕部alpha偶极子的相反极性所污染。然而在时域中，一个偶极子将在一个位置产生一个正极，在180度相反的位置产生一个负极性，EEG功率简单地概括了振荡的幅度(不考虑极性)，导致该偶极子的功率出现在两个位置(见图1)。另一种选择是使用空间过滤器，如无参考的CSD转换，它计算相邻电极间电压的二次空间导数，提供了一个空间增强的信号表示，增加了局部电活动的贡献，衰减了来自远端体积传导源的电活动。

最近的研究表明，CSD转化可能提供了一个更好的额叶不对称个体差异的指标，并降低了非额叶源对额叶不对称的贡献。

Stewart等人发现，306名参与者在静息状态下，只有CSD转换的额叶不对称(而不是平均的、平均乳突和Cz参考的不对称)在抑郁症上存在差异。这些不同的表面电位变换的影响如图1所示。当参与者闭上眼睛时，枕部alpha能量增加，这一模式在图1中得到了清晰的说明，只有CSD转换前后枕叶alpha波还在枕叶。显然，乳突平均参考和全脑平均参考在额部有相当大的alpha，特别是在闭眼时，alpha应该在枕部占主导地位。该图说明了CSD转换如何减弱远端的源对表面电极的贡献，因此可能是评估额叶脑电图不对称与抑郁关系以及分析额叶神经源不对称活动的首选方法。

图1为在睁眼(上)和闭眼(下)条件下经过Cz，全脑平均(AR)，或乳突平均(LM)参考或电流源密度(CSD)变换后的alpha功率地形图，来自2400多份记录的样本。只有CSD转换前后，枕叶alpha还在枕叶，而其他三个显示了在额叶区域存在alpha，通过对比闭眼和睁眼记录下的额叶电极，可以最清楚地看到。

使用CSD（电流源密度）方法有一些注意事项。CSD强调相邻电极之间的差异，当电极间距很大时，传感器之间皮层的小的活跃区可能会被过滤掉。这类似于时域的混叠：低的空间采样率将不能分辨高频的空间信号。简而言之，CSD转换在没有多少通道的情况中很难代表头皮的活动。同样，在帽子的边缘(这里的电极分布不多的地方)的效应也应该谨慎解释。最后，当一个电极插值时可能也是一个问题：在插值电极上的活动将具有低空间频率，且可能会被CSD参考减弱(插值电极不随实验条件共变，因此这种效应在大多数情况下等同于随机噪声)。尽管名称如此，CSD并不是一个典型意义上的源定位算法，CSD是在硬脑膜水平上的局部源和汇的表示。虽然具有高空间频率和径向偶极子的源用CSD变换可以显示，但与头皮相切的深度分布源可能衰减或不可显示。根据作者的经验，用60-导电极帽，CSD在捕捉EEG的alpha不对称方面做得很好。作为一种替代方法，也可以使用其他空间滤波器，如独立分量或源估计（LORETA）。研究人员需要注意的是：当有疑问时，比较和对比不同的参考方式如何影响结果，并考虑在发表论文时报告多个参考的结果。

2.3将原始信号转换为非对称信号

图2描述了在给定位置将时域脑电信号转换为频谱功率的基本步骤。在时域(图2-A，左侧)采集的信号被转换成功率谱形式的频域表示(图2-A，右侧)。数据是来自连续的静息态或是来自不同的相对较短的片段(例如在情绪激发过程中)，短的分段被转换为频谱并被跨分段平均。对于静息态数据，一个大的数据段首先被划分为更小的1 - 2秒的时间段(尽管其他的时间段也可以)。对于在诱发情绪表达或经历情景下获得的脑电图，数据片段可能仍然需要划分为几个更小的时间段，然后将这些相似的数据进行汇总。

图2 脑电非对称性时域信号转换功率谱研究。图A 左边是来自单个通道的一段10秒的原始数据，右边是这个数据的功率谱。图B 展示了将较长的片段划分为较短的重叠两秒的片段的过程。图C 为汉明窗对数据的影响，灰线为原始信号，黑线为窗口应用后的信号。请注意，如果原始(灰色)信号的副本在此信号之后被串联起来，则会产生不连续，但对于类似的连接窗口(黑色)信号，则不会产生这样的不连续。图D 显示两秒分段的重叠汉明窗口(灰线)的净加权(黑线，按比例调整以适合图形)。图E说明了平均功率谱的影响。上面的9条灰线是9个2秒分段的功率谱，下面的黑线是平均功率谱。请注意，alpha功率(8-13 Hz)在不同的分段有所变化，但平均功率谱揭示了一个明显的alpha峰值。图E的垂直轴是功率，单位为微伏的平方。

创建相对较短的分段(1-2秒)更好地匹配傅里叶变换的假设，傅里叶变换是从时域信号中导出功率谱的主要方法。傅里叶分析假设每个信号都是周期性的(平稳性假设)，并且任何周期性信号都可以在许多频率上被分解成一系列正弦波和余弦波，每个波形的开始都有它自己的特定相位。一个周期信号是一个重复的信号，并且以均匀间隔的时间间隔重复。严格地说，脑电图信号不是周期性的，因为特征重复的间隔不是均匀的。然而，短的分段，其特征在波形的其他时间点以高度相似的方式重复。分段往往是重叠的(面板B)，因为权重函数应用于时域信号的过程中“窗口”将大大减弱信号在每个分段的远端部分，只有每个分段的中心部位附近的信号将会收到相当大的权重。在某些分段，通过重叠分段达到信号的所有部分都得到高权重。对时域信号加窗将最大限度地减少产生的功率谱中的人为频率。因为傅里叶方法假设一个周期信号在时间上无限地向前和向后重复，没有窗函数会使信号在每个分段的末端接近于零。在这种不连续情况下，傅里叶方法引入虚假频率来重建这样的信号。加窗避免了不连续性(图C)，但极大地减弱了每个分段的末端数据对功率谱的贡献。重叠的分段(图D)解决了这个问题，在分段 n结束时接收到的权重最小的数据在分段 n + 1时的权重更大。快速傅里叶变换是离散傅里叶变换(DFT)的一个实例，速度快得多，计算复杂度低得多。利用FFT得到功率谱，分段必须有2n个数据点，可以通过精确地用两个数据点的幂(例如，500 Hz的2.048s长的分段）来选择分段，也可以通过提高采样率来实现（如500Hz的2s分段，上采样为512Hz）。或者分段可以在任意一端填充0，以获得2的幂的长度（500Hz的2s分段要填充12个零，在epoch开始和结束时分别为6)。如果分段不是2的幂，一些商业软件包可以在内部处理这个，Matlab的fft函数可以指定任何分段长度的填充。分段的长度（T）也将对频谱精度产生影响。功率谱反映了从直流(DC)到奈奎斯特频率(采样率的一半)的每个频率上信号中的功率，每1/T点有一个谱值。因此，对于1秒的分段，在整数频率(1,2,3，…)处可以得到频谱功率值，而对于2秒分段，在每0.5 Hz(0.5, 1.0, 1.5，…)处可以得到更高的精度。FFT将每个时域分段转换为功率谱，最终将这些功率谱的平均值作为分析的基础(图E)。Alpha功率在成人中通常为8-13Hz，有时分为上下alpha(如8-10.5Hz和11-13Hz)。Alpha振荡被认为在功能上是抑制神经活动，并在大规模网络同步中发挥重要作用。Alpha和皮层活动之间的关系也可能被其他频段的活动所调节。虽然从功能意义上来说，频带相互作用的想法很有趣，但使用交叉频率比率(即8-13Hz与15-30Hz活动的比率)会使不同研究结果的解释变得不那么可靠。目前，关于交叉频率相互作用的功能意义，或者交叉频率比与传统不对称度量之间的关系的信息并不多。为了计算alpha不对称分数，在任何电极上的alpha功率首先转换为自然底数的对数，因为未转换的功率值趋向于正偏态。然后，一个差值(ln[右]-ln[左])就可以总结相应的左右导联的相对活性。通过这种方法计算出的较高的不对称分数，可以推测出相对较高的左额叶活动（假设alpha与皮层网络活动呈负相关）。此外，这种对数差异分数为整体alpha功率提供了一定程度的校正，例如那些由于颅骨厚度的个体差异而影响信号幅度的情况。不对称得分表明了两个半球之间的alpha能量的相对差异，但并不能说明较高的不对称得分是由于较少的左alpha能量，较多的右alpha能量，或者两者的某种组合。因此，不对称分数所揭示的绝对额叶偏侧化情况还是很少的。为了解决这个问题，一些研究人员已经将半球的同源左电极和右电极的alpha功率作为方差分析的一个因素，但这种方法的效力受到了受试者之间与不对称得分无关的alpha功率的巨大差异的阻碍：未校正的额叶alpha功率会受到干扰变量的影响，如总体alpha功率和颅骨厚度。在检验标准变量和单个电极点alpha功率之间的相关性时，这种总的alpha功率的个体差异尤其成问题，因为由此产生的相关性将主要反映与整体功率的关系，而不是与特定电极点功率的关系。因为在被试内，全局功率的总体差异要比特定电极上的差异大得多。对单个电极（如F7）而不是半球差异感兴趣的研究人员至少有两种选择：一种选择是使用残差/回归过程来校正alpha功率，另一种选择是使用地形标准化来校正总体alpha功率。对总功率进行调整的一种简便方法是将回归掉全头的功率（分层回归第一步是进入全头功率，第二步是进入某个兴趣电极的功率，），然后检验回归后的电极的功率与标准变量之间的相关性；Allen等人详细描述了这种方法。另一种方法是首先将单个电极上的alpha功率除以所有电极上的alpha功率的总和，对总体功率进行校正。然后，通过对所有电极进行归一化，这个相对alpha功率度量被转换为受试者内部的z分数。这种地形标准化指标可以改善alpha效应的定位，减轻像颅骨厚度和整体alpha功率等额外变量的影响，并揭示哪个半球驱动了不对称分数。这两种方法都提供了适用于与标准变量相关的单个电极的alpha功率的测量，因为它们减少了可能不成比例地影响这种相关性的不相关变异。

2.4 去除伪迹的方法

在额叶脑电图不对称性研究中，伪迹的主要来源包括眼球运动、眨眼、肌电和信号不连续。信号的频谱分解，包括这些非大脑信号，可能人为地影响存在伪迹的电极的alpha功率。眼睛是偶极子，在角膜相对于视网膜带正电荷，产生电场，随着运动或眨眼，在脑电图中产生与脑电图信号一样大或更大的伪影。眼动的大部分能量都在delta和theta范围内，在脑电图不对称研究中通常检查的alpha波段之外。尽管如此，在alpha波段仍然存在一些视觉噪声。由于担心眼动可能会影响脑电图信号的alpha功率，研究者通常拒绝包含眼动伪影的分段。此外，由于担心使用眼睛附近的两根导线记录的眼电(EOG)信号可能包含一些脑电图信号，包括基于alpha活动回归的方法，该方法避免了从时域脑电图信号中减去部分时域EOG信号，这样一个过程可能会减去神经源的alpha活动。此外，由于担心使用眼睛附近的两根导线记录的眼电(EOG)信号可能包含一些脑电图信号，包括alpha活动，因此要避免使用基于回归的方法，即从时域脑电图信号中减去部分时域EOG信号，这样一个过程可能会减去神经源的α活动。除了EOG信号外，肌电信号和信号不连续也会在很宽的频率范围内产生频谱功率。这些信号迸发和不连续性降低了信噪比；因此，存在这些伪迹的分段通常要删除。

2.4.1 将头皮数据分解到源以识别伪影

去除伪迹的替代方法包括使用盲源分离技术识别伪影，将伪影从头皮记录的脑电图中分离出来。独立成分分析(ICA)就是这样一种技术，它将脑电信号分解为独立分量，并根据统计准则进行识别。每个IC都是一个时间序列，所有IC加起来就形成了观测到的脑电图。ICA创建代表最大程度独立时间序列的分量。每个分量时间序列都可以概念化为一个源(不一定是颅内来源)，因此，每个头皮脑电图信号都是一个加权集成的组合。IC的数量由数据的秩决定，而秩又由彼此线性独立的向量的数量决定。在大多数情况下，独立向量的数量是电极的数量，在平均参考的情况下，电极的数量减去1。ICA在分离脑电图中的神经信号和伪信号方面特别有用。ICA分解后，伪成分可以被丢弃，从而得到“干净”的脑电图。ICA假设：1)电极之间的传播延迟可以忽略；2)源在地形上是平稳的；3)源的时间过程是独立的；4)源的数量与电极的数量相同。ICA假设可能不完全站得住脚，特别是在2、3和4的情况下。在2中，众所周知，脑电图现象可能不是空间平稳的。对于3，众所周知，眨眼会随着P300的变化而变化(即，对意外或意外刺激的眨眼反应)，alpha能量的迸发也会随着眨眼而变化（如闭眼），然而ICA已经证明它可以充分分离这些信号。第4种情况无法确定，但似乎在许多情况下，电极数量多于源。使用ICA时需要考虑的另一个问题是：ICA改变数据的时间序列，包括EEG相位。例如，去除眨眼IC会影响1 - 5hz范围内的EEG相位。对基于相位的测量感兴趣的研究人员可能希望考虑不改变其时间序列的相位的程序，因为去除IC表面上可能增加或减少基于相位的测量。由于ICA假设很少得到完全满足，信号也很少得到完全分离。在ICA计算之前，研究人员提出了一些改进ICA性能的建议：

1) 连续数据的零相位移有限脉冲响应(FIR)高通滤波(1 - 2hz)可以提高平稳性和ICA分解。

2) 类似地，通过从整个分段中减去平均值来去除数据中的慢漂移或DC-偏移，可以改善信号。对于事件相关的设计，不鼓励研究人员使用短的(100-200毫秒)基线校正。

3) 在ICA分解前去除大的突发性伪迹(大的、稀疏的、具有变化的空间地形的伪迹)可能会提高性能。

4) 用于ICA分解的数据点越多越好，因为ICA的质量是数据点数量和电极数量的函数。

5) 当数据中有明显的宽峰分布源时，EEGlab中runica/pop_runica函数的“扩展”参数可以改善成分分解，或者在ica之前可以使用陷波去除50/60Hz噪声。6) 对于ICA分解来说，准确确定数据的秩是至关重要的，而Matlab并不总是自动准确地计算秩。当使用平均参考时(秩减少1)，或者在ICA之前插值通道时(秩的减少由插入的通道数量决定)，数据的秩会降低。

7) 有几十种盲源分离方法可用，这些方法适合于不同的实验和数据。8) 垃圾输入和垃圾输出原则也适用于ICA，如果认为ICA是修复质量差的数据的灵丹妙药，那将是欠考虑的。总之，ICA可以充分地分解信号，但很少是完美的。如前所述，通过仔细考虑ICA假设和数据维数，或使用替代的盲源分离方法，对数据进行快速预处理后，分离性能可能会提高。

ICA对于消除刻板的脑电图伪影(如眨眼、眼球运动和肌肉活动(空间分布近似不变的伪影))特别有用。例如，假设一个信号由8-13Hz波段的功率与一个有眨眼产生的较慢的波(1-3Hz)相叠加。在这种情况下，脑电图是神经信号(8-13Hz活动)和伪影(眨眼)的混合。只要眨眼可以被充分捕捉，就可以从脑电图中减去这部分，得到无眨眼的脑电图(但8-13Hz的活动仍在脑电图中)。事实上，即使是经常与oddball范式的P300同时出现的眨眼，也与ICA是可分离的。因此，ICA可以用来分解神经和伪成分，研究人员可以分离和去除伪成分，同时保留时间上重叠的神经数据。事实上，从良好的ICA分解中去除伪影可以使脑电图数据没有眨眼、眼球运动和肌肉伪影，几乎没有神经活动的减少。然而，在ICA分解较差的情况下，重叠的神经和伪影数据也可能被丢弃。由于ICA很少能完美地分解信号，ICs可能包括混合伪影和神经信号。尽管由评估人员对成分进行分类(无论是使用表面信号还是ICs)是一种非常常见的方法，但也存在缺陷。研究人员通常通过视觉检查或定量分析成分时间过程、地形和频谱特征来包括或排除这一IC，然后将IC分类为伪迹或神经信号。有证据表明，IC的某些特征，特别是功率谱、头皮地形图和颅内来源复杂度，对于准确可靠地将IC分类特别有用。

2.4.2 利用AAAs(自动伪影校正算法)识别带有伪迹的IC

尽管有这些已知的特征，人类专家依赖内部回归权重的未知配置来识别这些特征(权重在个体内部和个体之间变化)，并且对给定的成分进行分类可能不可靠。评估者之间的可靠性在不同的研究中是可变的，如：

1)在某些时间间隔水平上对伪迹进行分类

2)只分类眼部伪影和不连续性信号

3)具有识别特定伪迹的经验

4)接受过IC分类培训。相反，当ICs是二分分类(神经或伪迹数据)，或者是神经和伪迹数据的混合时，评估者之间的可靠性较低。研究人员可能会投入大量的时间和精力对成分进行分类(100次记录乘以62个成分= 6200个成分进行分类)，并训练研究助理对成分进行分类。相比之下，AAAs是非常可靠的，而且对于研究人员来说，使用AAAs的时间更少。AAAs经常在一个实验设置或电极上“训练”，当算法在一个新的环境中使用时，性能可能会发生变化。通过比较，提出了一种新的自动伪影校正工具——多伪影剔除算法(MARA) -它使用一个适应的分类器，可以调整分类参数。MARA(一个EEGlab插件)使用IC的频谱、地形、时间和源特征来分类为神经或伪影，这些特征之前被观察到对检测伪影具有良好的预测有效性。当研究助理经过高度可靠的训练，或需要分类的成分较少时，MARA还能够进行半自动校正：潜在的伪迹被突出显示，分类特性的得分被显示，而评估者可以做出最终的分类。然而，考虑到AAAs优于人类评估者的可靠性，这种人工评审方法可能不会增强可靠性或删除伪影优于严格的自动化方法。基于时空特征联合的脑电信号伪影自动检测ADJUST是一个EEGlab插件，利用时间和空间属性来分类眼部伪影和不连续。ADJUST检测眨眼和不连续伪影，但不选择肌肉伪影或其他伪影。ADJUST评估IC的5个特征，当至少有一个时间和空间特征超过阈值时就将IC分类为伪迹。阈值是使用一种称为期望最大化的迭代贝叶斯方法创建的。重要的是，ADJUST识别眼伪影和不连续性具有极高的准确性(与人类相比精确度约为95%)。研究人员经常特别关注AAAs的假阳性(即，错误地将神经数据分类为伪数据)，但假阳性在许多AAAs中通常是罕见的，特别是针对MARA和ADJUST。当自动校正算法实际上产生假阳性时，它们通常是模糊的IC，对实际数据的贡献很少，人类评估者也很难对其进行分类。一项研究报告称，当去除所有模糊的ICs时，人类评估者产生了最好的数据，即使它们主要是相对于肌肉性活动来说的神经活动；然而，即使是在人类评估者移除伪迹IC之后，肌源性伪影在脑电图中仍然很明显。同样，Winkler等人删除60%的ICs后脑机接口性能变好。Mognon等人(2011)报告称，在他们的数据集中，仅眼动伪影就占了51%的方差，另一份报告发现，71个ICs中只有15个在参与者内部是稳定的(Artoni等人，2014)。似乎是这样的情况，神经源可能只占数据方差的25%（神经活动与伪影的比例(~25%)可能不能泛化到伪影更少或信噪比更高的实验设计；例如，瘫痪或麻醉患者的睡眠研究或脑电图记录可能有更大比例的神经活动），由于眼、肌肉和工频干扰伪影往往比脑电图信号的幅度大得多，并贡献了最大的方差。这些观察结果表明，研究人员在进行去除伪迹和分析选择时，可能需要考虑假阴性和假阳性。总体而言，人类的肉眼可能是伪影的不完全有效或可靠的分类器，而一些AAAs(特别是MARA和ADJUST)可以利用IC的最具鉴别性的特征，将IC分为具有高效度和非常可靠性的神经或伪影信号。如附录A和图3和4所示，MARA删除了高频额肌电图(EMG)活动和眼部活动；相比之下，ADJUST仅排除了眼部伪影，并在数据中保留了大部分可能是额肌活动的数据。在这两种情况下，alpha的分布似乎相对没有改变，这表明对alpha的假阳性删除很少(见图A4)。

图3 使用ADJUST算法进行基于IC的自动校正之前和之后，头皮上五个感兴趣的频带的功率谱。功率谱的计算采用FFT。

图4 使用MARA算法进行基于IC的自动校正之前和之后，头皮上五个感兴趣的频带的功率谱。

3.额叶不对称的概念化：统计方法和理论推论

除了记录、参考、伪影去除和功率提取等方法问题外，额叶不对称研究还可以从统计方法的仔细考虑中受益。理论应该推动概念模型的发展，理论驱动的研究应该扩展和挑战这些模型。额叶不对称在从情绪加工到精神病理学的模型中有着广泛的相关性，并经常被报道为预测变量、结果变量、中介或调节变量。因此，研究人员考虑任何给定模型中额叶不对称的作用以及这一作用将提供何种理论清晰度是很重要的。在研究设计的开始理解和考虑统计学方法将有助于研究人员通过设计旨在改善情绪、动机和精神病理学模型的研究来推进理论。

因此，在额叶不对称研究中最常用的统计方法概述如下，并考虑统计方法如何在特定模型的背景下确保额叶不对称的实用性。十年前，通过对预测变量和结果变量的区分，中介和调节变量的区分，额叶不对称的统计方法取得了重大进展。我们将提出这些重要区别的持续相关性，并简要介绍额叶不对称作为预测变量、结果变量、中介和调节变量的情况。
3.1 额叶不对称是一种心理和神经指标

正如上面所讨论的以及在一些评论中，额叶不对称的研究一般可以归纳为两种主要的研究方法。第一种方法是研究静息态的额叶不对称作为一个与各种心理结构和未来情绪行为或精神病理的预测相关的特征变量。第二种方法研究额叶不对称的状态相关变化作为当前情绪状态或行为的功能。

值得注意的是，这两种方法的绝大多数研究都将额叶不对称作为心理现象的指标(例如，趋近动机、幸福感、精神病理学风险)。然而，作为一种神经生理学指标，额叶不对称可以同时反映以下两方面：1)心理现象；2)反映潜在机制的神经活动。到目前为止，一些研究已经检查了头皮记录的不对称性的发生源，并涉及到左额叶和右额叶的不同区域。重要的是要记住，额叶中具有不同功能的不同区域会导致类似的下游过程，比如自我报告的情感；例如，奖励敏感性的增加与更多的左侧颅内活动有关，而行为抑制的增加与更多右侧颅内活动有关，任何一个系统的失常都可能导致类似抑郁的表现。需要进一步的研究来分离对导致不对称额叶alpha和增加抑郁风险的神经结构和机制。同步的脑电图-功能磁共振成像(fMRI)记录、脑磁图、源估计、时频分析、头皮水平的功能连通性指标可能都有助于揭示导致额叶alpha不对称的神经回路。最后，一个综合的模型应该检查作为心理和神经现象的指示器的额叶不对称。

3.2 额叶不对称作为一种简单的相关

额叶不对称文献的实证研究与评述经常将研究额叶不对称作为预测变量或结果变量，这可能会降低理论清晰度。虽然在大部分关注于识别额叶不对称的心理相关因素的文献中不能假设方向，但是在方向性模型中，不对称作为预测变量和结果变量有着重大区别。当将额叶不对称作为预测变量时，发现结果变量的概率取决于额叶不对称程度- P(结果测量|脑电图不对称)。另一方面，当将额叶不对称作为结果变量时，假设是某一特定额叶不对称得分的概率取决于预测变量的值- P (EEG不对称|预测变量)。例如，几乎所有将额叶alpha不对称与精神病理学风险联系起来的研究都将额叶不对称作为结果变量，事实上，引导研究的概念模型是额叶不对称作为预测因素的模型。额叶脑电图不对称作为一个简单的相关(结果)的发现与它作为预测变量的作用并不一致，但这些发现不足以支持额叶脑电图不对称作为预测变量的理论模型。当然，为了将其作为精神病理学的预测器，需要像Nusslock等人那样的资源密集型纵向设计，其中额叶脑电图的不对称性预测了在随后的三年内首次抑郁发作的发展。虽然额叶脑电图不对称作为一个简单的相关(结果)的发现与它作为预测变量的作用不一致，但这些发现并不足以支持额叶脑电图不对称作为预测变量的理论模型。因此，仍然需要在大样本中研究脑电图不对称是否是未来抑郁的风险指标还是既往精神病理的残留疤痕（scar）。在额叶不对称研究中增加对模型方向性的考虑可能会提供进一步的理论清晰度。

3.3 调节分析不对称的第三种情况是作为调节变量，可以通过解释为什么或在什么情况下，某一特定关系会存在来推进理论进展。更普遍地说，调节变量改变了预测变量和结果变量之间的关系(即交互作用)；如图4所示，调节效应表明结果变量和预测变量之间的关系作为第三个变量（调节变量）的函数。例如，在假设的情况下，额叶叶不对称将作为治疗反应的调节变量，在这种情况下，给定的心理治疗干预只对相对左侧额叶活动更强的个体减少抑郁症状，而对相对右侧额叶活动更强的个体没有作用。在所有参与者对治疗都有反应的情况下，也可能存在调节因子，但那些左额叶相对活动更强的参与者的反应比那些右额叶相对活动更强的参与者的反应明显更好。因此，额叶不对称调节分析通常检查关系的变化是否作为特质类静息“活动”的函数，但也可能检查额叶不对称的变化。虽然有大量的研究检验了额叶不对称作为情绪加工的调节变量，但只有少数研究检验了额叶不对称作为治疗反应的潜在调节变量；在抑郁症的认知行为治疗和药物治疗中，额叶不对称被认为是治疗反应的一个潜在调节变量，但研究发现它并不能调节行为活动对治疗反应的影响。虽然脑电图不对称作为治疗反应的调节作用的研究还处于初级阶段，但有一些一致的证据表明，在预测积极的临床结果方面，左额叶活动可能比右额叶活动更多地与药理学和认知干预相互作用。在统计上，调节变量被表示为第三个变量和预测变量之间的交互作用(图4)。虽然在结果变量上，调节变量和预测变量之间必须有统计上显著的交互作用，但调节变量和预测变量对结果变量可能有也可能没有独立的主效应(图5)。调节变量可以与协变量区分开来，协变量是第三个变量，通过调整与结果统计相关的第三个变量的影响来减少预测变量和结果之间关系的方差。真的协变量解释了结果中的方差，但不能解释预测变量(图4)。如果有第三个变量解释了结果和预测变量的方差，包括这样一个变量作为协变量可能导致模棱两可的结果。例如，由于已经发现一天的不同时间会影响额叶不对称，因此在检查额叶不对称时，调整一天的时间可能是有益的。然而，如果一天的时间也可以解释一个预测变量的方差(例如，所有替代治疗组都发生在早晨)，那么去除与一天时间相关的方差不仅会影响额叶不对称，而且还会影响结果变量。

图5 说明了第三个变量(调节变量、中介变量、协变量和混淆变量)之间的概念差异，采用了Baron和Kenny的图表。正如文中进一步详细描述的，调节变量是改变预测变量和结果变量之间关系的第三个变量。协变量不会改变，但可以通过调整第三个变量和结果之间的方差来阐明预测变量和结果之间的关系。另一方面，中介是预测变量改变结果变量的第三个变量。中介变量可能与混杂变量有所区别，混杂变量是具有相同统计关系的第三个变量，但不能合理地成为预测变量影响变化的原因。

3.4中介分析

可以通过中介来进一步了解流程如何发生，以及流程的模型。中介解释了预测变量和结果变量之间的关系(图4)。中介表明一个预测变量改变结果变量在多大程度上取决于(或部分取决于)另一个变量，通过这个变量，一个变化过程可能发生。重要的是，中介本身可能不是变化的机制，而是许多变量的更大代表。在额叶脑电图不对称是某种神经机制指标的假设下，这种区别可能尤为重要。因此，额叶不对称是指示神经变化的中介。例如，Allen等人使用生物反馈训练来改变额叶不对称得分，发现相对来说右侧额叶活动的增加导致正面情绪的减少；生物反馈训练对情感反应的影响是通过额叶不对称中介的。此外，一些研究已经将额叶不对称作为治疗的结果，在未来的研究中可能与症状变化有关。

虽然Baron和Kenny提出的多重独立回归模型方法仍然被广泛使用，但Sobel检验可能提供了一个更直接的中介效应检验。Sobel检验是一种特殊的t检验，它比较中介的效果和中介没有效果的原假设。中介的作用可以被认为是：1)中介路径预测变量；2)结果路径的中介。重要的是，中介变量与第三个变量，混杂变量有着相同的统计关系。然而，中间变量和混杂因素之间存在概念上的区别，因为混杂因素不能合理地成为预测变量影响结果的原因。在几乎所有的情况下，研究者都应该利用良好的判断和理论知识来识别中介变量；换句话说，仅仅依赖p值是会出错的，这可能导致将混淆变量识别为中介。这种区别突出了理论驱动研究的重要性；只有理论可以区分额叶不对称作为混淆变量还是中介变量。研究额叶不对称作为中介变量可能会极大地推进理论进展，让我们了解一个过程发生的潜在机制。

4.结论

尽管有越来越多的可用性和近40年的工作，人们还是希望对其记录和处理参数以及理论概念化取得更大的共识。本着这一精神，我们为试图标准化额叶alpha不对称研究的记录和解释的研究人员提出了几点建议：

1) 评估EEG准备前后的状态情绪可以提供是否存在无意识情绪操纵的指标。

2) 将在线参考转换为表面拉普拉斯(即CSD)可以减轻来自非额叶alpha能量(可能与动机/情绪状态和特征无关)的污染，并可以提高脑电图活动的定位。这可能是良好的分离额叶alpha不对称颅内来源的第一步。

3) 超越简单的静息状态记录，选择静息状态中的特定片段或通过使用情绪挑战来增加与情绪和动机过程相关的信号，可能会导致更可靠的额叶不对称指标和理想的更大的效应量。

4) 用基于ICA的方法严格清除眼动和肌源性伪影以及信号不连续，可以提高信噪比，并减轻混淆变量的影响，如肌肉张力对额alpha不对称的影响。自动伪影校正算法的使用可以提高伪影校正的可靠性。

5) 尝试将额叶脑电图不对称与心理结构联系起来，还与其他神经功能测量方法联系起来，可以识别额叶不对称背后的潜在机制，并揭示更多关于从不对称alpha功率到心理功能(即动机状态和特征)的通路。

6) 仔细考虑额叶alpha不对称作为结果或预测变量，并使用符合具体概念化的实验设计。在这方面，需要进行更多的前瞻性研究，以测试额叶不对称作为精神病理学的预测变量。

7) 在设计实验和检验假设时，仔细考虑额叶alpha不对称作为中介或调节变量。即使经过近40年的研究，至少有两个关于额叶alpha不对称的基本问题仍然存在：它来自哪里?它表明什么?记录和处理技术以及理论模型的改进加速了该领域的发展。正是本着这一精神提出了本综述，并希望这些建议将继续这一进展。