脑电实验设计(总结篇)

简介

脑电图(EEG)因其低成本、无创、便携以及毫秒级的高时间分辨率等特点,成为了研究大脑功能、异常和神经生理动力学的可靠且广泛使用的测量工具。在神经信号处理领域,EEG通常作为一种非侵入性的脑成像技术用于诊断脑部疾病,而正常EEG则用于研究脑功能。它使研究人员和临床医生能够研究大脑功能,如记忆、视觉、智力、运动想象、情绪、感知和识别,以及检测癫痫、卒中、痴呆、睡眠障碍、抑郁症和创伤等异常。EEG信号反映了大脑的神经元电活动,其中包含了有关大脑状态的有用信息。本文将总结脑电基本原理、脑电实验、伦理准则、样本量计算、实验设计、脑电设备、刺激呈现软件以及实验准备等脑电实验设计环节。

脑电波基础

自EEG问世以来,对不同脑振荡及其与不同脑功能关系的研究就一直受到研究人员的关注。Hans Berger发现脑电图中存在α波和β波。大脑振荡按频段分类,并与不同的大脑状态或功能相关联。本文接下来将对EEG频段进行简要说明。脑电波的典型例子如图1所示。

脑电实验设计(总结篇)_第1张图片

图1.脑电信号及相应频段。

①δ(高达4Hz)

脑电δ波是一种高振幅的脑电波,与深度睡眠阶段有关。δ波还与深度睡眠以外的不同大脑功能有关,例如,清醒被试的高额叶δ波与皮层可塑性相关。在认知过程中,尤其是与事件相关的研究中,δ波是一种重要的脑电波。EEG低频分量,尤其是δ频段,是事件相关电位(ERP)P300峰值的主要贡献者。P300是一个被广泛研究和熟知的认知加工指标。

②θ波(4-8Hz)

在昏昏欲睡状态下可以观察到θ波,在儿童中比在成人中更为常见。在清醒的成年人中,在没有进行任何注意/认知活动的情况下,高θ波活动被认为是异常的,并且与不同的脑部疾病有关,例如,高额叶θ波与抑郁症患者抗抑郁治疗无反应有关。然而,高θ波活动在注意加工和工作记忆中起着重要作用。在成人抑郁症和儿童阅读障碍等脑部疾病研究中也报告了θ波活动的变化。Pizzagalli等人的研究发现,对重度抑郁症(MDD)治疗反应较好的人在喙内侧扣带回(BA 24/32)中表现出高θ活动。而Klimesch等人的研究报告了阅读障碍儿童的θ波活动减少。

③α波(8-13Hz)

在正常成年人清醒和放松状态下,特别是没有心理活动时,可以自发地观察到α波。在闭眼状态下,α波在顶叶位置很明显。注意加工或认知任务会减弱α波。α波又分为低频α波和高频α波。在工作记忆的保持过程中,已经观察到α波活动会随着记忆负荷的变化而变化。此外,个体α峰频率是一般智力因素(也称为g因素)的一个指标。

④β波(13-25Hz)

β波的振幅低于α波、δ波和θ波。传统上,β波分为低频β和高频β。在活跃、焦虑思维、解决问题和深度专注时,可以在大脑的额叶和中央区域观察到增强的β波。Gola等人报告称,在执行空间辨别任务和视觉注意力的高表现参与者中,无论是年轻人还是老年人,枕部的β波能量都有所增加。Engel和Fries对β波活动进行了详细的综述,并给出了β频段活动参与认知加工和运动系统的证据。

⑤γ波(25Hz以上)

γ波是一种快速振荡,通常在有意识的感知过程中发现。与其他慢速脑电波相比,γ波由于其振幅小且受肌肉伪影污染严重而被低估,因而未得到广泛研究。时间位置的高γ活动与记忆过程有关。有研究报告表明,γ活动与注意力、工作记忆和长期记忆过程有关。γ活动也与精神疾病有关,如精神分裂症、幻觉、阿尔茨海默症和癫痫。

相关推荐:

干货分享 | EEG波形判别上手指南

如何判别高质量EEG波形?

实验设计的重要性

每项科学研究都以一个问题开始,以一个可能的解决方案结束。在实验研究中,特别是在大脑研究中,这个问题可能像“哪些脑区与抑郁和压力状态有关?”或“α波在压力和焦虑中扮演什么角色?”一般。实验问题促使研究人员做出一个研究假设,即关于给定操作如何改变某些测量的描述。研究假设可以是一般的,也可以是具体的。EEG研究中的一个假设示例可以是这样的陈述“抑郁症患者额叶皮层的脑电图α活动将减少”。在假设陈述中,研究人员可以进一步将假设具体化,例如“与左额叶相比,右额叶区域的EEG额叶α激活将更高。假设的科学特征是它应该通过实验来检验。高度具体的假设很容易被证伪,而且信息量更大。

在EEG研究中,需要大量的资源,包括设备成本、时间和人力资源(包括实验者、被试和研究助理)等方面。EEG设置过程通常需要一定的时间;数据收集过程根据试次数量或条件的不同而有很大差异。被试数量取决于要检验的效应大小和每名被试需要收集的试次数量。此外,原始EEG数据需要研究人员清除信号中存在的伪迹。因此,一个不完善的EEG实验设计会给研究人员带来很大的麻烦,因为它要么无法回答既定的假设,要么提供难以解释以得出结论的结果。因此会浪费大量的人力和物力资源。研究人员需要制定良好的计划,从被试招募到最终结果的解释,需要考虑到实验中的每个步骤,包括所有可能的风险、限制、混淆变量和资源。

脑电实验:伦理问题和指南

动物和人类实验在科学和医学文献中有着悠久的历史。在实验过程中使用人类被试对于科学进步和促进医疗福祉至关重要。然而,研究风险始终存在且不可避免。因此,在实验中使用人类被试,特别是在医疗保健领域,会引起伦理、法律、政治和人文方面的问题。尽管在文献中,无创头皮EEG记录中没有报告严重的健康相关问题,但在人类被试EEG实验中仍有许多问题需要考虑。

①伦理问题

最重要的问题是被试的知情同意,即被试是否有能力决定其参与。当儿童、患者或残疾被试参与研究时,这种情况需要尤其注意。知情同意书应包括哪些内容?有时,知情同意书中提供的信息并不充分。被试对实验缺乏了解可能会导致被试误以为自己不能胜任实验。

②伦理审批指南

以下是EEG研究中伦理批准要考虑的一般准则。

A.一般原则

伦理委员会的职责是确保实验研究的伦理标准,保护人类参与者的权利、尊严和福祉,保护研究人员免受不公正的批评。此外,伦理委员会还确保了研究对社会的益处。因此,每个涉及人类参与者的EEG实验在实验开始之前都必须经过标准授权的伦理委员会的伦理审查和伦理批准。如果需要在其他机构或大学外进行EEG实验,那么研究人员有责任获得当地伦理委员会的批准。研究人员设计的实验必须确保对社会有益,并在整个实验过程中遵循合理原则。主要研究者有责任确保所提议的实验工作中不存在利益冲突,包括发表、数据所有权、数据的后续使用和资金来源。

B.参与者的权利

每个参与者都有不参与实验的权利,研究人员必须尊重这一权利。大学教职工、学生和其他有依赖关系的人必须确保任何拒绝参与的决定不会影响他们的学业/就业进展。在整个实验过程中,应保护所有参与者免受精神、心理、身体、社会和法律风险的影响。所有研究人员和参与者必须充分意识到在实验过程中可能出现的任何潜在的危险或不舒服的情况。每个参与者都有权退出实验,无需任何理由或处罚。参与者有权提出任何问题,并且必须确保他们的隐私和身份受到保护。

C.知情同意书

知情同意书的目的是公开、透明地安排实验,不存在任何欺诈行为。因此,必须尽可能向参与者提供有关研究实验的完整信息,以便参与者或其父母/监护人(如果是儿童被试)明确决定他们是否参与研究。知情同意书必须明确说明在数据收集过程中使用的脑电图,并确保健康和安全问题。所有参与实验的研究人员都必须了解实验规程及其潜在风险。知情同意书应以书面形式提供,并附上一份单独的参与者信息表。实验开始前必须取得参与者的签名。如果参与者无法给予知情同意或未达到同意年龄,则必须获得父母/监护人的同意。伦理委员会应有关于儿童或残疾参与者同意的书面原则。同意书必须包含有关研究数据共享、结果发表和后期重复使用数据的明确描述。参与者应清楚地了解数据管理的隐私和保密程序的细节,包括访问、存储和使用。研究人员应向相关参与者提供一份已签署的同意书副本。

D.参与者招募和报酬

通过广告(例如社交网站、大学门户网站或任何其他数字媒体)招募人类参与者进行实验工作应包含在伦理审批中,并需要获得伦理委员会的许可。研究人员应提前明确告知参与者任何经济利益,例如时间补偿、费用或工资损失。但是,任何以金钱形式支付给参与者的报酬都需要获得伦理委员会的批准。

E.相关外部机构的伦理原则

研究人员必须遵守大学伦理准则以及任何控制或监督大学的外部管理机构,例如教育部和卫生与医疗委员会。如果实验是在合作伙伴或合作机构而不是在研究人员所在的大学进行,那么研究人员必须考虑合作伙伴或合作机构的任何伦理程序和监管原则。

样本量计算

样本量计算是神经科学、行为和临床研究的一个重要方面。实际上,任何研究都不可能包括整个人群。一个比较常见的问题是:“研究中应该包括多少人?”因此,从总体中选择一小部分个体,这些个体虽然在规模上较小,但在统计上足以代表目标人群。从经验上讲,研究的目标是从样本中得出对总体的推论。一般来说,研究没有固定数量的样本量。但是,在实践中,样本量是根据数据收集的成本确定的,并且应该足够大以具备足够的统计功效。本文给出了样本量计算的一般原则,以帮助相关学科的研究者明确样本量计算的先决条件并计算样本量。

①研究目的与假设

在确定样本量计算之前,明确研究的目的和假设是至关重要的。研究人员想要调查什么?明确的目标将使研究人员能够从之前的研究中提取相关信息,用于样本量计算,例如均值差异、方差、标准差和效应量。

②目标人群

目标人群是研究人员想要概括实验结果的整个人群、动物或对象,例如,所有患有重度抑郁症的女性,所有10岁以下有学习障碍的儿童,所有65岁以上患有痴呆的男性等等。如果目标人群在空间上分布广泛,不容易获取,那么要收集大样本的数据可能会花费很大的成本。

③样本量的统计属性

在计算样本量时,有几个重要的统计参数,例如统计功效、显著性水平、效应量和标准差。统计功效和显著性水平按惯例固定,但效应量和标准差需要从既往研究中进行计算。这些参数将在下面进行描述。

A.统计功效

统计功效(灵敏度)是当存在真实差异时,统计检验检测到差异的概率。换句话说,它是正确拒绝错误零假设的概率。在实验研究中,有时研究人员无法检测到差异,而实际上存在差异(假阴性)。这种假阴性率在统计学中用字母β表示,称为II型错误。从统计学上讲,功效等于1-β。如果实验研究的功效较低,那么该研究可能无法检测到真正的差异。统计中可接受的功效为80%。然而,超过80%的统计功效表示研究设计较好。

B.显著性水平

显著性水平(α水平)是拒绝零假设为真时使用的标准。α值通常设置为5%(0.05)。例如,由于偶然(而不是由于实验干预)观察到的结果的概率为5%是可以接受的。换句话说,当实际上不存在差异(假阳性或I型错误)时,可接受的差异检测是5/100。

C.效应量

效应量是指干预组和对照组中变量值之间的差异。Cohen认为,如果d=0.2,0.5和0.8,则效应量(简称d)分别被认为是小,中和大。这意味着,如果两组或条件的平均差小于0.2个标准差,那么即使差异具有统计学意义上的显著性,这种差异也将是微不足道的。效应量通常基于既往报道的研究,而且其对样本量值的影响较大。如果各研究组之间的效应量很大,则需要小样本来检测差异,如果各研究组之间的效应量很小,则需要大样本量来检测差异。

D.标准差

标准差反应了数据的分布。用希腊字母σ表示。σ的值通常采用以往研究的结果,并用于样本量的计算。如果数据呈正态分布,那么大约68%的数据点在一个标准差内,大约95%的数据点在两个标准差内,大约99.7%的数据点在三个标准差内。

④因变量和自变量的类型和数量

研究人员应定义因变量(DV)和自变量(IV)及其类型。IV是实验变量,由研究者有意地操纵和假设IV,以检验DV中的因果关系。在EEG/fMRI实验中,IV可以是一个刺激(例如,3D图像)、任务(oddball)、年龄或性别。在临床研究中,IV可以是安慰剂、新药、神经反馈疗法、抗抑郁药或抗癫痫药物。DV是研究者测量的可量化变量,以发现IV的效果。在fMRI实验中,DV的一个例子可以是大脑某个区域的BOLD信号。在EEG实验中,DV可以是θ功率、峰值α功率和峰值频率。在ERP实验中,DV可以是P300振幅或潜伏期、N170以及晚期正或负成分。DV的类型很重要,它可以是定量的,也可以是定性的。在EEG实验中,DV类型通常是定量的。

⑤组、条件和统计检验

任何研究中涉及的组或条件的数量应由研究人员确定。组或条件的确定将有助于研究人员决定应采用哪种统计检验进行分析。如果研究只涉及一个组,并且有两个条件(干预前和干预后),那么此为被试内设计,可用配对t检验进行统计分析。如果研究是在被试之间进行,例如,健康组与对照组。在这种情况下,IV是不同的被试群体,在分析时可以采用独立样本t检验。在任何研究中,具有两个以上的组或条件都需要进行高级统计检验,如方差分析(ANOVA)和重复测量方差分析。

⑥可用软件

这里给大家推荐几款计算样本量的软件:

G*Power软件,由德国杜塞尔多夫大学开发,是一款用来对模型功效测试以及统计的分析软件。它可以通过研究的效应量进而估计所需的样本量。使用该软件还可以进行F检验、t检验、z检验、回归分析、相关分析以及拟合优度分析等等。详见:www.gpower.hhu.de

Power Analysis and Sample Size(PASS)软件,该软件提供了样本量计算,可以对1100多个统计检验和置信区间场景进行功效分析。每个工具都通过已发表的研究工作进行了验证。详见:http://www.ncss.com/software/pass/

Power and Sample Size(PS)软件是一个免费的程序,用于在连续、生存响应和二分类测量中执行样本量计算。此外,它还可以探索功效、样本量和可检测备择假设之间的关系。详见:https://en.freedownloadmanager.org/Windows-PC/PS-Power-and-Sample-Size-Calculation-FREE.html

Biomath软件是哥伦比亚大学医学中心生物统计部门的一个在线程序,可以计算样本量大小。该程序有一个简单的界面,要求提供研究中使用的组数和统计检验的类型。详见:https://biomath.ugent.be/

HyperStat是一本在线统计书籍,该书籍提供了有关统计参数(包括样本量计算)的讨论,并提供了相关的资源(如统计检验)链接。详见:http://davidmlane.com/hyperstat/power.html

实验设计示例

实验设计是定义刺激并决定如何将刺激呈现给参与者的过程。这可以使用各种刺激呈现软件来完成。最受欢迎的演示软件之一是E-Prime。接下来将使用E-Prime软件逐步解释一个oddball范式的实验设计(一个著名的ERP任务)。本文介绍了程序的各个步骤和结构。

①目标

在任何演示软件中开始任何实验设计之前,都必须明确实验的目标。研究人员在开始实验之前应该回答这些相关问题:谁是目标参与者?(人、动物、青年人、老年人、儿童、男性、女性、健康人、患者等);研究的是哪一种心理过程?(工作记忆、决策、推理、信息加工、视觉反应等);涉及哪个大脑区域?(抑郁时为左额叶、记忆检索时为左颞叶等);使用哪种成像模式?(EEG、fMRI、fNIRS、MEG等)。一旦明确了实验目标,其余的步骤就很容易完成了。

②呈现给被试的指导语

在每个实验中,指导语因任务而异,但重要的是要以被试可理解的方式向其提供指令。以下为Oddball任务中的指导语示例:

***欢迎来到Oddball实验***

您将在屏幕上看到一个盒子或球体

盒子会频繁出现

当您看到球体时,必须按“0”键,看到其他物体时不按键。

按【空格键】开始实验!

③刺激和时间

应明确刺激的类型(例如,视觉或听觉),并设计刺激以诱发研究中假设的大脑神经元系统的预期变化。

示例:这里有两种视觉刺激(图2)。一个是3D盒子,一个是3D球体。视觉刺激呈现的持续时间为500ms。之所以将持续时间控制在500ms,是因为健康成年人大脑中的视觉信息可以在100ms内到达枕叶,顶叶在刺激开始后300ms左右做出反应。

脑电实验设计(总结篇)_第2张图片

图2.Oddball任务中的视觉刺激示例。

④试次(trials)、blocks和条件

每种刺激的试次数量和试次总数应在设计中明确定义。如果涉及不同的条件,那么block的数量可以不止一个,例如,如果需要向被试提供练习试次,则可以定义一个单独的练习block。图3使用E-Prime显示了Oddball任务的结构。“SessionProc”是每个基于E-Prime实验的主要组成部分。这里的“SessionProc”对象包含“指导语界面”,“结束语界面”和Net Station软件包的两个组件,即“NSinit”和“NSUnint”。

脑电实验设计(总结篇)_第3张图片

图3.E-Prime软件中Oddball任务的结构。

在Oddball实验结构的第二级层次中,有一个“BlockList”对象。在“BlockList”中,可以列出实验的所有blocks。在这个Oddball实验中,只添加了一个block,即“Oddball”block。在“Oddball”block中,有两个Net Station对象,“NSStartRecord”和“NSStopRecord”,以及一个“TrialList”对象。由于实验涉及到两种类型的刺激(标准刺激和目标刺激),因此每个刺激都需要单独的试次,以及要在对象“TrialList”中明确定义其他属性,如图4所示。标准刺激的权重为95,目标刺激的权重为40,大约是70/30的比例。“Nested”属性为空,因为标准试次或目标试次中没有子试次。

脑电实验设计(总结篇)_第4张图片

图4.Oddball实验的试次列表。

“Procedure”属性定义了“TrialProc”,对于标准刺激执行95次,对于目标刺激执行40次。“Stimulus”属性定义了刺激的实际名称,分别为1.png和4.png。“Answer”属性定义了对每个刺激的实际响应。正如指导语界面所提示的那样,只有目标试次(球体刺激)需要被试进行按键反应(按0键)。因此,在“Answer”属性中,只将目标试次定义为0。在“CellNumber”属性中,标准试次和目标试次被分配了一个唯一的标识符。该标识符可用于Net Station对EEG数据的分析,特别是在试次分段中。

在“TrialProc”对象中,实际事件包括注视点、刺激、ITI(试次间隔)、脚本(NSSendTrialEvent)和两个Net Station对象“NSTrialBegin”和“NSTrialEnd”,如图5所示。

脑电实验设计(总结篇)_第5张图片

图5.TrialProc对象。

⑤被试的响应

E-Prime允许通过在每次执行和完成E-Prime实验时创建一个数据文件来记录被试的响应。研究人员需要在刺激属性菜单中设置想要记录在E-Prime中的参数,例如设置某个键盘或鼠标按钮、反应时间和反应正确率等等,参见图6。

脑电实验设计(总结篇)_第6张图片

图6.刺激属性设置。

⑥与EEG的事件同步

为了在EEG记录中标记某些事件,E-Prime提供了一个编程选项来同步事件,例如注视点开始,刺激开始,刺激,偏移,被试的反应和试次信息。以下示例代码将发送注视和刺激信息,包括试次信息、起始、偏移和被试的反应。要获得更多E-Prime编程方面的专业知识,可以查阅E-Prime手册(https://www.pstnet.com/)。

'Send response event using  data collected from specified object

NetStation_SendRespEvent c,  Stimulus

'Send a trial event for each  presentation in the trial

NetStation_SendTrialEvent c,  Fixation

NetStation_SendTrialEvent c,  Stimulus

'Send the trial specific event

NetStation_SendTRSPEvent c,  Stimulus

⑦任务结束

在每次实验结束时,告知被试实验的完成情况,并给予进一步的指示(如果有的话);否则,将在屏幕上呈现结束语,如下所示:

***Oddball任务结束了***

非常感谢您的参与!

相关推荐:

干货分享|E-prime 3入门手册

脑电设备和软件

①脑电设备和数据采集软件

脑电数据采集比较耗时,需要有明确的目标和合理的规划来获取所需的脑电信号。目前,各大制造商提供了各种EEG设备,从低密度到高密度,干电极和凝胶电极,有线和无线放大器,以及数据记录以外的不同功能的采集软件。关于四大主流脑电系统制造商的介绍,可详见往期推文:如何采集人类高质量脑电波?| 脑电设备推荐

②演示软件

在特定的认知任务中进行EEG记录需要呈现刺激,这些刺激可以诱发神经元网络的变化。根据研究目的,刺激可能是视觉的或听觉的,但无论哪种情况,刺激呈现与诱发神经激活的同步是必须的。这种同步要求在实验任务中完全控制刺激操作。茗创科技往期的文章介绍了常用刺激演示软件的相关信息,点此阅读→常用心理学实验刺激呈现软件介绍在此基础上,这里再补充两款刺激演示软件:

Paradigm

Paradigm是一款用于刺激呈现和控制的软件。Paradigm的构建模块(Trials,Blocks和Stimulus)与其他实验设计软件相同。但是,它可以为移动应用程序设计实验。允许通过Python脚本接口访问触发器命令。有关实验设计的编程指南和文档可在  http://www.paradigmexperiments.com/上获取。

SuperLab

SuperLab软件是为研究人员而不是为程序员设计的。它允许在Mac或Windows上使用,支持多种刺激类型,如图片、电影、文本、声音、快速序列视觉呈现(RSVP)和自定义进度阅读。同时,支持多种输入设备,包括键盘、鼠标、触摸屏、麦克风、RB系列、lumina、SV-1和PST序列响应盒。有关SuperLab实验设计的更多详细信息,请参阅http://cedrus.com/superlab/manual/在线手册。

参与者准备

提前跟参与者约定实验时间,以便研究人员在参与者合适的时间进行实验。如果用于记录的脑电设备需要参与者先洗头,那么研究人员应在实验前确保参与者做好相应的准备。如果实验有任何其他前提条件,例如睡眠良好、避免饮用咖啡和含酒精的饮料等等,那么研究人员应与参与者沟通以满足相关前提条件。在实验开始之前,应充分告知参与者有关实验任务和实验程序的信息,避免在记录过程中出现不相关的动作、眨眼和抓挠等。更多详细内容可阅读此条推文→心理学实验必备 | 脑电实验流程及注意事项

小结

本文阐述了脑电信号和不同波的基础知识,以及它们在大脑功能中的作用。强调了脑电实验需要注意的伦理和设计问题。讨论了脑电研究中的一个重要方面,即样本量计算,并探讨了样本量计算中需要考虑的因素。为脑电初学者和中级研究人员提供了一些样本量计算的资源。提供了一个使用E-Prime软件的脑电实验示例。此外,还列出了著名的脑电设备和刺激演示软件。本文提供的所有资料可能不足以满足每个脑电实验,但是本文以期为参与脑电研究的新手和中级研究人员提供一定的指导。

参考文献:

1. Haufe S, Nikulin VV, Müller K-R, Nolte G. A critical assessment of connectivity measures for EEG data: a simulation study. Neuroimage. 2013;64:120–133.

2. Amin HU, Malik AS, Ahmad RF, et al. Feature extraction and classification for EEG signals using wavelet transform and machine learning techniques. Australas Phys Eng Sci Med. 2015;38(1):139–149.

3. Amin H, Malik AS. Human memory retention and recall processes: a review of EEG

and fMRI studies. Neurosciences. 2013;18(4):330–344.

4. Pizzagalli D, Pascual-Marqui RD, Nitschke JB, et al. Anterior cingulate activity as a predictor of degree of treatment response in major depression: evidence from brain electrical tomography analysis. A J Psychiatry. 2001;158(3):405–415.

5. Klimesch W, Doppelmayr M, Wimmer H, et al. Theta band power changes in normal

and dyslexic children. Clin Neurophysiol. 2001;112(7):1174–1185.

6. Tuladhar AM, Huurne NT, Schoffelen JM, Maris E, Oostenveld R, Jensen O. Parieto‐occipital sources account for the increase in alpha activity with working memory load. Hum Brain Mapp. 2007;28(8):785–792.

7. Grandy TH, Werkle-Bergner M, Chicherio C, Lövdén M, Schmiedek F, Lindenberger U. Individual alpha peak frequency is related to latent factors of general cognitive abilities. Neuroimage. 2013;79:10–18.

8. Gola M, Magnuski M, Szumska I, Wróbel A. EEG beta band activity is related to

attention and attentional deficits in the visual performance of elderly subjects. Int J Psychophysiol. 2013;89(3):334–341.

9. Engel AK, Fries P. Beta-band oscillations—signalling the status quo? Curr Opin Neurobiol. 2010;20(2):156–165.

10. Jensen O, Kaiser J, Lachaux J-P. Human gamma-frequency oscillations associated with attention and memory. Trends Neurosci. 2007;30(7):317–324.

11. Herrmann CS, Demiralp T. Human EEG gamma oscillations in neuropsychiatric disorders. Clin Neurophysiol. 2005;116(12):2719–2733.

12. Light GA, Williams LE, Minow F, et al. Electroencephalography (EEG) and EventRelated Potentials (ERPs) with human participants. Current protocols in neuroscience / editorial board, Jacqueline N. Crawley ... [et al]; 2010;CHAPTER:Unit-6.2524.

13. Smith JA. Qualitative Psychology: A Practical Guide to Research Methods. London: Sage; 2007.

14. Carter M, Shieh JC. Guide to Research Techniques in Neuroscience. Burlington, MA: Academic Press; 2015.

15. Ward J. The Student’s Guide to Cognitive Neuroscience. New York: Psychology Press; 2015.

16. Cohen J. Statistical Power Analysis for the Behavioral Sciences. Hillsdale, NJ: L. Erlbaum Associates; 1988.

17. Amin HU, Malik AS, Kamel N, Chooi W-T, Hussain M. P300 correlates with learning & memory abilities and fluid intelligence. J NeuroEng Rehabil. 2015;12(1):87.

18. Lantz G, Grave de Peralta R, Spinelli L, Seeck M, Michel CM. Epileptic source localization with high density EEG: how many electrodes are needed? Clin Neurophysiol. 2003;114(1):63–69.

19. Jurcak V, Tsuzuki D, Dan I. 10/20, 10/10, and 10/5 systems revisited: their validity as relative head-surface-based positioning systems. Neuroimage. 2007;34(4):1600–1611.

20. Mumtaz W, Malik AS, Ali SSA, Yasin MAM. A study to investigate different eeg

reference choices in diagnosing major depressive disorder. Paper presented at: Neural Information Processing; 2015.

你可能感兴趣的:(脑电,EEG,人工智能,python,机器学习)