经颅磁刺激与脑电图(transcranial magnetic stimulation with electroencephalography, TMS-EEG) 的同时使用作为一种评估各种皮质属性（如兴奋性、振荡和连通性）的方法，越来越受欢迎。然而，这种方法的结合在技术上具有挑战性，在记录和遵循典型的EEG分析方法时都会产生伪影，这可能会扭曲潜在的神经信号。在本文中，我们回顾了由于TMS造成EEG记录伪影，以及在分析过程中引入伪影(例如，对高频、大振幅伪影进行滤波的结果)的原因。然后我们讨论去除伪影的方法，以及设计分析流程，从而最小化分析相关伪影的方法。最后，我们介绍了TMS-EEG信号分析软件(TMS–EEG signal analyser, TESA)，这是EEGLAB的一个开源扩展，包括TMS- EEG分析的特定函数，如去除和插值TMS脉冲伪影，去除和最小化TMS诱发的肌肉活动，以及分析TMS诱发电位的函数。TESA的目标是为用户提供当前TMS-EEG分析方法的便捷途径，并鼓励直接比较这些方法和分析流程。希望提供开源函数将有助于改善和标准化TMS-EEG研究领域的分析。本文发表在Neuroimage杂志。（可添加微信号siyingyxf或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群）。同步经颅磁刺激(transcranial magnetic stimulation, TMS)和脑电图(electroencephalography, EEG)正在成为评估皮质属性(如兴奋/抑制、固有振荡活动和连通性)的重要工具。然而，这些模态的组合在技术上具有挑战性，会导致一些伪影，严重扭曲感兴趣的潜在神经信号。这些伪影对解释和分析TMS诱发的神经活动都提出了相当大的问题。此外，在某些TMS诱发的伪影存在的情况下，常用的EEG分析步骤(例如滤波)可能导致额外的分析相关伪影，进一步扭曲感兴趣的信号。近年来，已经开发了几种方法来最小化或消除不同的伪影信号，从而能够更准确地评估TMS诱发的神经活动。除了消除伪影的方法外，还建议使用特定分析流程，以最大限度地减少分析相关伪影的引入。这些流程中处理步骤的顺序必然与EEG研究中更常用的流程不同。虽然对这些方法的描述已经发表，但快速发展的TMS-EEG分析领域可能会给那些不熟悉或不擅长编写脚本/代码的人带来挑战，因为TMS-EEG分析所需的许多步骤在大多数EEG分析软件中都无法获得。因此，TMS-EEG研究需要开源和易于使用的分析方法。为了解决TMS-EEG分析的开源需求，我们引入了TMS-EEG信号分析(TMS–EEG signal analyser, TESA)的扩展包，它是在Matlab平台(Mathworks)上的开源EEG分析软件EEGLAB中实现的。TESA的目标是双重的。第一个目标是让没有脚本/代码编写背景的研究人员学习和执行TMS-EEG分析。为此，TESA提供了一系列可以通过EEGLAB图形用户界面(graphical user interface, GUI)访问的功能，因此不需要任何编码经验。这些功能大多是TMS-EEG分析专用的，在大多数商业EEG分析软件中是没有的。EEGLAB GUI已经被使用，因为它有助于学习如何在EEG结构中存储被调用函数的示例，从而开发脚本化的EEG分析流程，该GUI得到了EEGLAB社区的大量支持。GUI功能对其他开源TMS-EEG分析软件进行了补充和扩展，例如FieldTrip工具箱提供的软件。第二个目标是创建一个方法库，用于消除或最小化与TMS-EEG相关的伪影(如TMS诱发的肌肉活动)。消除TMS和生理伪影，同时最大限度减少潜在神经活动的扭曲，是分析和解释TMS-EEG数据的一个重要问题。TESA包括几个专门为解决这一问题而设计的不同方法。这些方法的有效性的证据是多种多样的。希望提供这些技术的开放访问将有助于方法之间的比较，并加速开发有效的方法来成功去除TMS-EEG记录中的伪影。此外，为TMS-EEG分析提供开源选项将提高整个领域的一致性。在本文中，我们首先回顾了TMS产生的EEG记录中伪影的来源。我们还讨论了用于去除/最小化某些TMS诱发伪影(如由肌肉活动引起的伪影)的各种不同方法的好处和成本。然后，我们描述了常见的EEG分析步骤(如滤波和独立分量分析(independent component analysis, ICA))所引入的附加伪影，并描述了如何通过适当的流程设计来避免这些伪影。最后，我们介绍了TESA中包含的功能，并为每种类型的分析提供了简要的背景介绍。TMS 产生的大磁场会在EEG记录中产生不同类型的伪影。我们将伪影定义为任何不感兴趣的信号(在这种情况下，TMS诱发的神经活动是感兴趣的信号)。这些伪影可能是由磁场和记录设备之间的相互作用(TMS脉冲伪影、电容充电伪影或电荷伪影)造成的，也可能是由生理系统的意外但不可避免的激活(TMS诱发的肌肉伪影、TMS诱发的感觉伪像、眨眼和/或运动，或由下颚紧闭/面部表情引起的持续肌肉活动)造成的。每种类型的伪影都需要不同的移除/最小化方法。其中一些伪影可以通过适当的实验安排在线最小化或预防，而其他伪影则需要离线去除。在下面的章节中，我们将概述由TMS产生的不同类型的EEG伪影，并介绍用于去除/最小化这些伪影的方法。对于这些方法的详细数学描述，读者可以参考原始论文。其他几篇文章也涵盖了与TMS-EEG记录相关的伪影和去除方法，建议额外阅读。本文从单个个体出发，给出了TMS-EEG伪影的实例和分析TMS-EEG数据的方法。这个示例数据可以从以下网站下载。 (https://figshare.com/articles/TESA_example_data_and_scripts/3188800)。该示例数据源自一名健康参与者。通过连接到Magstim 2002单元的8字线圈 (外径90mm) 给出单相TMS脉冲(大脑中电流从后向前流动) (英国Magstim公司)。请注意，在双相刺激后，伪影和分析结果是相似的，尽管单相脉冲会导致较大的衰减伪影和较小的偏移，并在脉冲后持续存在。在左侧上顶叶皮层 (MNI坐标:−20, −65, 65) 以0.2 Hz±25%的抖动频率施加150个TMS脉冲。TMS线圈的位置使用无框立体定位神经导航(Localite TMS Navigator, Localite, Germany) 确定，强度设置为第一背侧骨间肌的静息运动阈值 (最大刺激器输出的68%)。EEG记录使用62个TMS专用的C形环狭缝电极(EASYCAP, Germany) 和一个TMS兼容的EEG放大器(BrainAmp DC, BrainProducts GmbH, Germany)。所有通道的数据在线记录，以FCz电极为参考，以AFz电极为公共接地。EEG信号在5 kHz 进行数字化(滤波: DC-1000 Hz)，EEG电极阻抗保持在5 kΩ以下。离线分析使用开源工具箱EEGLAB和本文介绍的TMS-EEG信号分析仪(TMS–EEG signal analyser, TESA)扩展包，在Matlab 2015b (Mathworks, USA)上进行。原始的EEG数据是在TMS脉冲前后(−1000到1000 ms)分段的。然后对数据进行人工检查，移除肌肉活动过大的试验(如咬牙；~50µV或更大)(8个试验)，移除记录过程中断开的电极(3个电极)。在TMS放电后，线圈周围的大(达3 T)但短暂(~200 μs)的时变磁场在EEG记录中会产生非常大的脉冲伪影 (比神经活动大4-5个数量级)。这种伪影使老一代EEG放大器(例如2000年以前制造的放大器) 饱和，导致EEG信号恢复缓慢 (数百毫秒)，严重限制了TMS-EEG的同步性研究。采用了两种主要方法来处理TMS脉冲伪影。首先，开发了一种采样保持电路，在短时间内(2-10ms)将放大器隔离并固定在TMS脉冲周围，防止记录到TMS脉冲伪影。第二种方法源于EEG放大器硬件的改进，包括直流电(direct current, DC)耦合(相对于交流电)和采样率(> 5 kHz)、位分辨率(≤24 nV/bit)和记录范围(> 300 mV) 的增加。这些EEG放大器改进采样能力，防止了饱和，导致大脉冲或“振铃”伪影，这反映了放大器的阶跃响应(图1A)。防止饱和可以使EEG信号在最佳记录条件下在TMS脉冲的5-10毫秒内恢复到基线水平。消除TMS脉冲伪影最常见的方法是移除受影响的数据，并用线性或三次插值替换它。三次插值是有用的，可以最小化尖锐的过渡边缘，该边缘可以与滤波器相互作用。请注意，对于数据中的大幅度变化，如由TMS诱发的肌肉活动变化，可以通过在伪影周围拟合较小数量的数据来改进三次插值。如果三次函数不能充分建模数据，也可以使用线性插值，但可能会导致高频边缘。
图1 单次经颅磁刺激 (transcranial magnetic stimulation, TMS) 脉冲引起的脑电(electroencephalographic, EEG) 信号伪影。
A)分段和基线校正后，所有电极原始TMS诱发EEG活动的试验平均值。
B) 不同伪影TMS诱发活动的扩展视图。
C) 根据FastICA提取的独立成分(Independent components, ICs)。
在TMS脉冲之后，存储TMS所需电荷的电容器被再充电。再充电会导致额外的伪影，特别是在接触或靠近TMS线圈的电极上。这个伪影可能出现在TMS脉冲之后的另一个小尖峰(Magstim剌激器)，或指数衰减后的一个步骤(MagVenture 剌激器)。对于Magstim 剌激器来说，TMS脉冲后的充电时间取决于刺激器输出的强度，这意味着该伪影的时间会因个体参与者的不同而不同。对于MagVenture剌激器来说，电容充电的时间可以手动确定。请注意，在新一代MagVenture和PowerMag剌激器(MAG和More)中，如果电极阻抗较低且电极引线的排列进行优化，充电伪影就不那么严重。与TMS脉冲伪影一样，电容充电伪影通常被移除，缺失的数据被插值数据取代。另外，可以使用中值滤波器去除短尖峰充电伪影。TMS不仅会刺激下面的脑组织，还会刺激线圈附近任何具有高电导性的组织(如肌肉、外周神经)。TMS既可以直接刺激面部/头皮肌肉，也可以通过刺激支配肌肉的运动神经元来激活这些肌肉。这种刺激产生了复合肌肉动作电位，该电位在受刺激半球的同侧电极上，是峰值在4-5 ms和7-10 ms的双相信号 (图1A-B)。请注意，峰值的确切时间取决于采样率和滤波器设置，较低的采样率使肌肉峰值延迟，在某些情况下会导致早期峰值与TMS脉冲伪影混合。TMS诱发的肌肉伪影类似于从外周肌肉记录的反应，如外周神经刺激后的M波或TMS刺激运动皮层后记录到的运动诱发电位，振幅> 1 mV。这与紧颌或面部表情后观察到的肌肉活动形成对比，后者表现为高频信号的持续或短暂爆发(见图2)。TMS诱发的肌肉活动的尾部是一个指数衰减型信号，可能需要50毫秒以上才能恢复，抵消潜在的神经信号。通过将线圈定位在中线附近，使用聚焦式TMS线圈和较低的TMS强度，可以减少对头皮肌肉的刺激。
图2 在同步经颅磁刺激 (transcranial magnetic stimulation, TMS) 记录中观察到的其他常见脑电图 (electroencephalographic, EEG) 伪影。TMS脉冲产生的磁场与皮肤-凝胶-电极界面、电极和电极引线相互作用，导致电荷积累。这些相互作用会导致巨大的电压初始偏移，随着时间的推移而衰减，从而导致EEG信号的持久偏移。电荷充电引起的衰减伪影在线圈附近的电极中最大，并且持续5毫秒到几秒之间 (图1)。这种伪影可以通过仔细的EEG准备在线最小化，包括尽可能减小电极阻抗(< 5 kΩ)、使用TMS兼容的EEG电极(如烧结Ag-AgCl颗粒电极、C形环狭缝电极)，并将电极引线垂直于TMS线圈手柄，以最大化对伪影的共模抑制。使用以上EEG准备过程，并使用DC耦合放大器时，这些衰减伪影大多可以在5-10毫秒内恢复，然而，在某些条件下(如单相脉冲后)，小的偏移可能会持续存在。头皮上由TMS诱发的肌肉抽搐引起的电极移动也会导致运动伪影，这种移动伪影可以通过避免刺激头皮肌肉来减少。将TMS固定在电极上的压力也可能造成电极移动。这可以通过在线圈和电极之间放置一层薄薄的泡沫来减少。虽然通过优化实验安排来防止较大的早期伪影是更好的，特别是为了最小化电荷伪影，但这可能不适用于所有的实验安排。例如，研究中感兴趣的大脑区域可能位于头皮肌肉下面(例如背外侧前额叶皮层、Broca区)，因此不可能避免TMS诱发的头皮肌肉伪影。考虑到TMS诱发的神经活动发生在TMS脉冲后的前300毫秒内，已经开发了几种离线方法来去除这些伪影。然而，准确地恢复这种大振幅伪影(可能是> 1000 μV振幅)下的神经信号已被证明具有挑战性，并且目前是一个活跃的研究领域。在这里，我们简要概述了用于去除/最小化TMS诱发的肌肉、电荷和运动伪影的不同方法。实际上，很难区分这些伪影，因为每个伪影都会产生衰减型信号(如图1所示)。因此，许多论文并没有明确区分要去除的伪影类型。然而，大多数方法应该适用于任何大振幅伪影，它会随着时间的推移而衰减。2.8 主成分分析(principal component analysis, PCA)PCA是一种盲源分离方法，它从EEG数据中找到代表最大正交化信号的头皮地形图(即具有最大差异的头皮地形图)。因此，不同来源的信号(伪影和神经信号)用不同的分量表示。PCA可用于直接抑制/最小化TMS诱发的肌肉伪影，这一过程称为PCA抑制。在这种方法中，PCA被应用于与TMS诱发的肌肉伪影直接相关的数据周期(例如，与伪影尾部重合的约10 ~ 40ms)。在混合矩阵应用回整个数据集之前，最好地捕捉伪影的主成分(通常是前1-5个成分)被抑制，从而从数据中移除伪影。PCA也被用作预处理步骤，以帮助独立分量分析的分解(independent component analysis, ICA;见下文)。PCA可以用来降低数据的秩或维数，以更好地估计信号中包含的神经和伪影成分的真实数量。这也被称为“截断”或“压缩”数据。与独立成分一样，单个的主成分解释了数据中不同数量的方差，第一个主成分解释了最大的方差。由主成分解释的方差分布通常是由幂次定律捕获的，这意味着一小部分主成分占了数据中的大部分方差。压缩是通过只保留代表大部分数据的主成分来实现的(例如，在一个60个电极记录的60个主成分中，前25-30个主成分)，并假定去除的主成分代表噪声。执行压缩步骤的基本原理是为了防止ICA的过拟合，从而将代表单个源信号(例如，眨眼或神经信号)的成分分裂成多个成分。然而，需要准确估计潜在源的数量，以最佳地使用PCA，这对于EEG信号来说通常是未知的。因此，在ICA之前使用PCA进行压缩将把风险从过拟合转移到欠拟合(即将多个单一源信号混合到一个分量中)。准确提取TMS诱发的神经活动所需要的最合适的成分数量需要进一步的研究。另外，在Korhonen等人和Hernandez-Pavon等人提出的类似方法中，PCA压缩也可以用于去除肌肉伪影。还提出了几种与PCA相关的方法来去除TMS-EEG数据中的大伪影。Litvak等人采用了一种原本旨在纠正眨眼/运动伪影的伪影校正方法，该方法使用头皮地形图和源分析来消除神经信号中的伪影。在BESA软件中实现的这种方法中，构建了一个源模型，该模型由伪影和大脑地形图组成。然后从源模型构造一个线性逆算子，将数据分解为伪影和神经信号的线性组合。然后可以从数据中减去伪影信号。对于TMS-EEG数据，伪影地形图通过应用PCA对早期信号(< 15 ms)进行估计，该早期信号主要代表早期TMS诱发的肌肉伪影和电荷伪影。用多偶极子源分析估计脑地形图。使用这些估计的地形图，减伪影过程被迭代地重复，最初在伪影模型中使用第一个PC (它最有可能代表TMS诱发的伪影)，然后添加额外的PCs，直到这些伪影被充分移除，只留下神经信号。Maki和Ilmoniemi采用了一种相关的方法去除TMS引起的肌肉伪影，称为信号空间投射。这种方法估计包含伪影的信号子空间，并使用线性算子从测得信号中去除伪影。为了估计包含伪影的信号子空间，作者认为肌肉活动通常比神经活动频率更高，因此首先将信号低通滤波到100 Hz。然后使用PCA估计肌肉地形图，并从宽带数据中使用信号空间投影。这种方法的一个局限性是，刺激部位周围的信号被高度衰减。为了克服这一限制，Mutanen等人最近引入了第二步分析，称为源信息重建。使用信号空间投影去除伪影后，使用最小范数估计将数据投影到源空间，然后使用导联场矩阵和估计的源将数据重新投影到头皮表面。这一方法克服了仅与信号空间投影相关的信号衰减，并在TMS后的15ms内产生与受刺激皮层区域活动一致的TMS诱发电位。然而，在去除伪影后，可以观察到一些神经源的局部畸变。2.10 独立成分分析(Independent component analysis, ICA)ICA是另一种盲源分离技术，用于从线性混合信号中分离出统计上的独立分量，如EEG记录中的伪影和神经信号。PCA发现头皮地形图差异最大，ICA发现时间上的独立成分可能是非正交的 (即头皮分布非常相似)。分解之后，可以在重新计算信号之前减去代表伪影的独立成分，从而消除伪影。ICA通常用于从常规EEG记录中去除眼动和持续肌肉活动，一些论文已经扩展了这一用途，用于去除TMS诱发的肌肉、电荷和运动伪影。事实上，FastICA可能能够分离不同类型的大型伪影，这些伪影发生在不同的时间尺度上，并具有稍微不同的地形图，如TMS诱发的肌肉活动、电荷和电极运动的尾部(图1 C)。使用ICA处理TMS-EEG数据的主要假设是伪影在时间上独立于神经信号。另一种假设是，大振幅分量的地形图不像小分量那样容易失真，这可能会影响分解的精度。有几种不同类型的ICA算法，FastICA和infomax算法常用于TMS-EEG分析。关于哪种算法最适合EEG分析仍然存在一些争议；然而，这一讨论超出了本文的范围。2.11 增强型压缩法(Enhanced deflation method, EDM)另一种去除TMS诱发的肌肉伪影的FastICA方法是由Korhonen和同事提出的增强型压缩法(Enhanced deflation method, EDM)。该方法通过多次运行定点算法，并对负熵最大的成分(如最高组织)进行排序，克服了FastICA压缩法的不稳定性。具有最大负熵的独立成分通常代表TMS诱发的肌肉活动，可以半自动去除。去除衰减形状伪影(特别是与电荷相关的伪影)的另一种方法是通过拟合伪影模型(例如线性或指数函数)，然后从总信号中减去建模数据来“去除数据趋势”。基于这种方法的假设是，任何由储存的电荷、肌肉活动或电极运动引起的衰减伪影都可以用这些函数很好地解释，而TMS诱发的神经活动线性叠加到伪影活动上。请注意，在使用这项技术之前，TMS脉冲和TMS诱发的肌肉活动的峰值需要被移除。如下所述，传统的滤波方法会与TMS脉冲和大振幅伪影相互作用，从而引入额外的伪影，因此不推荐使用。然而，更先进的滤波器能够对TMS-EEG信号的非平稳成分建模，如卡尔曼滤波器，已被用于去除TMS产生的电荷伪影。然而，这种方法并没有被广泛采用。对于上述方法在去除与TMS诱发的肌肉活动、电荷和电极运动相关的大幅度伪影，同时保持潜在的神经活动方面的有效性，存在不同程度的证据。评估这些方法有效性的一个主要问题是生成一个适当的“基本事实”来与之比较(即已知的被TMS伪影(如肌肉活动)掩盖的神经信号)。解决这个问题的一种方法是模拟神经信号的时间序列和位置，然后在预处理前将这个模拟数据添加到实际的TMS-EEG数据中。然后，在去除伪影后评估已知的仿真信号的时间序列和地形图提取的成功性。这种方法在数据中存在较大伪影时被用于评估和比较PCA抑制方法。在PCA压缩之后，无论是单独的PCA抑制，还是用小波滤波(类似于信号-空间投影)的PCA抑制，在TMS脉冲后的15-40 ms之间，无论是在刺激位点还是远处位点，都能够准确地提取神经信号。然而，当神经信号更接近脉冲(10-35 ms)时，由于Broca区刺激产生的强伪影，这两种方法的准确性都较低。信号-空间投影与源信息重建相结合，还与接收TMS的大脑区域(运动皮层)的模拟源进行了比较，似乎能够在TMS后最早15 ms提取神经信号；然而，这些伪影是中等大小的。FastICA能够极大地抑制衰减伪影，从而产生与PCA抑制类似的干净信号。然而，FastICA精确提取潜在神经活动的能力还没有用模拟数据进行直接量化。多源伪影校正、去趋势和Kalman滤波等方法均能显著减小大振幅伪影的大小；然而，这些方法还没有在盲源分离方法或模拟数据中进行测试。需要进一步的研究，直接比较这些方法在存在大的肌肉伪影的情况下准确恢复TMS诱发的神经活动的能力，以确定最合适的方法。TMS脉冲可以通过感应电流直接激活大脑(有意的)，也可以通过与感觉系统的相互作用间接激活大脑(无意的，但不可避免的)。TMS放电伴随着响亮的咔嗒声，导致听觉诱发电位在脉冲后100和200 ms左右出现两个主峰。TMS脉冲也会激活躯体感觉系统，最有可能的方式是刺激头皮肌肉或穿过头皮的传入神经纤维(即TMS时的敲击感)。由躯体感觉输入产生的诱发电位出现在TMS刺激部位的对侧，并且在100和200 ms左右也有中心峰。当运动皮层被阈上运动电位刺激时，会出现额外的躯体感觉诱发电位，因为TMS会导致外周肌肉抽搐，为皮层提供重新传入的感觉刺激。这种与运动相关的躯体感觉诱发电位可能随着皮层和外周之间的传导延迟而发生时移，开始于TMS脉冲后的大约50-60 ms。通过耳机播放屏蔽噪声(通常是白噪声)，以及在线圈和头部之间放置一层泡沫，可以防止骨传导成分，从而在线最小化听觉诱发电位。离线最小化听觉诱发电位的方法包括：减去假刺激后的信号或使用ICA。然而，目前还不清楚这些方法是否能够完全消除听觉诱发的活动。头皮肌肉激活引起的躯体感觉诱发电位更难在线预防和离线识别。预防的主要方法是进行尽可能低强度的刺激，避免刺激头皮肌肉(这不是所有的实验设计都可以做到的)。目前还没有方法可以离线去除这种躯体感觉诱发电位。对于所有种类的感觉伪影，另一种去除伪影的方法是具有良好的控制条件，例如，在不影响假说的条件下，TMS以相同的强度刺激对照区域、试验类型、或一个试验内的时间点。这种方法可以将TMS诱发的神经活动的改变与感觉伪影分离开来。另一种解决方案是测试-操作-再测试的实验设计，其中刺激位点和参数保持不变。在这个设计中，TMS诱发的活动变化可以安全地归因于实验操作，而不是TMS引起的感觉伪影，感觉伪影应该保持不变。所有EEG实验中常见的各种其他类型的伪影也会影响TMS-EEG记录(图2)。由于强烈的角膜-视网膜偶极子，眼动(包括较大的水平和垂直运动以及较小的微眼跳)和眨眼会影响EEG信号。这对于TMS-EEG记录来说尤其有问题，因为TMS会导致某些人的时间锁定反射性眨眼，特别是当额部受到刺激时。咬牙、眯眼和其他面部表情会导致高幅度的阶段性或低幅度的强直肌肉活动，从而影响高频信号。电力设备的线路噪音也会干扰50或60赫兹的记录，具体取决于该国的电力线路/市电频率。当这些伪影很少出现时，丢弃受影响的数据是离线删除最常见的方法。然而，如果伪影持续时间较长，常用的方法也有ICA、PCA、滤波(对于本节列出的伪影，不包括眼睛相关伪影)和回归分析。最后要考虑的是TMS-EEG测试的时间长度，由于相当长的准备和设置时间，它比单独使用TMS或EEG的时间要长得多。时间长会导致参与者疲劳，这有可能极大地改变TMS诱发的神经活动(例如，在睡眠早期阶段)。事件相关电位EEG研究的典型分析流程包括几个步骤，如滤波、下采样、分段、基线校正、ICA和多段数据平均。TMS-EEG记录中某些伪影（如TMS脉冲伪影和TMS诱发的肌肉伪影）的独特性质，使得有必要通过专门的分析流程来去除伪影，才不会对数据造成不必要的失真。这已被证明是具有挑战性的，因为这些伪影与EEG分析中常用的清洗步骤(如滤波和ICA)相互作用。滤波通常是采集过程中或分析的第一步，从EEG信号中去除不需要的低频漂移(高通滤波)和高频噪声(低通滤波)。应用滤波器可以被认为是数据的可控失真，如果使用不当，可能会引入意想不到的伪影，如振铃或波纹伪影，或使感兴趣的神经信号失真。振铃/纹波伪影通常发生在数据的急剧变化时，例如在一段数据的边界处或在信号幅度的一个大跳变之后。TMS脉冲伪影的极大振幅和高频特性在滤波后引入了振铃和漂移伪影(图3A)。因此，在去除TMS脉冲伪影之前，应避免在线和离线滤波。使用放大器尝试捕获和充分表征伪影，避免数据采集过程中的滤波是特别重要的。这可以通过使用DC耦合（消除在线高通滤波）和高采样率> 5000 Hz（使低通滤波器在大多数系统中至少高达1000 Hz，该频率足以捕获可以在10 ms内快速恢复的伪影）来实现。在这里，低通滤波器和采样频率被设置为满足Nyquist定理，该定理规定采样频率必须至少是信号中感兴趣的最低频率的两倍。实际上，大多数放大器系统都采用比采样频率低4-5倍的低通滤波器。在DC耦合记录期间的DC漂移可能导致TMS脉冲伪影的“削波”(例如，当信号超出放大器的记录范围时)，甚至在某些实验安排中的信号饱和。在饱和的情况下，可能需要在实验合适的时间手动或自动触发DC校正。如果某些TMS相关伪影被充分去除，可以使用基于软件的滤波器移除DC漂移。
A) 经颅磁刺激(transcranial magnetic stimulation, TMS)后单个电极(T7)原始和滤波(零相位、四阶、带通Butterworth滤波器；1-100 Hz)后的脑电图(electroencephalographic, EEG)数据。 C) 通过去除TMS脉冲和TMS诱发的肌肉活动峰值( -2至10毫秒之间)，可以将抗混叠滤波器产生的振铃伪影降至最低。D) 下采样并去除TMS脉冲伪影( -2至10毫秒之间)后，未滤波和滤波后的数据(零相位、四阶、带通Butterworth滤波器；1-100 Hz)。以如此高的速率对数据进行采样会产生高分辨率数据，因此文件大小会变大，这通常远远超过所需的感兴趣神经信号的大小。由于这些文件较大，分析的另一个常见早期步骤是将数据采样到更合理的分辨率(通常为500-1000 Hz)。下采样可能会导致混叠伪影，这种伪影会由于数据点移除而在数据中引入假信号。在下采样之前，可以在下采样频率分辨率的一半(或更低)的频率下应用低通滤波器(例如，如果下采样到1000 Hz，则应用500 Hz的低通滤波器)来满足Nyquist定理，从而避免混叠。值得注意的是，有些软件会自动应用具有下采样功能的抗混叠滤波器，例如EEGLAB重采样功能。在TMS脉冲伪影存在的情况下，低通抗混叠滤波器也会产生小的振铃伪影，随着采样率的大幅降低，其持续时间会增加(图3B，红色轨迹)。通过比较原始信号和下采样信号，可以很容易地识别这些伪影的开始和结束。为了避免/最小化由抗混叠滤波器造成的振铃效应，需要去除数据中的大阶跃和陡峭梯度。这可以通过去除TMS脉冲伪影和TMS诱发的肌肉伪影的峰值(如−2到10 ms)，并在下采样之前插值缺失的数据来实现(图3C，红色轨迹)。成功避免振铃伪影取决于低通滤波器的截止频率(由新的采样率决定)和真实数据和插值数据之间的梯度陡度(由残余大振幅伪影的大小决定)。因此，在此步骤之后应仔细检查数据，以确保振铃伪影已降至最低。由于需要避免数据中的尖锐边缘和阶跃，三次插值是一个很好的选择。请注意，对于大幅度伪影，将拟合数据限制到移除信号边缘周围的小窗口(例如，±1 ms)，可以提高三次函数的性能。如果三次函数不能充分模拟大的衰减伪影，线性插值是另一种选择；然而，这可能会导致高频边缘。即使在TMS脉冲伪影和TMS诱发的肌肉伪影的大振幅峰值已经被去除并且丢失的数据被插值之后，残留的衰减伪影(例如，来自TMS诱发的肌肉伪影和电荷伪影的尾部)仍然可以导致数据中的高幅度阶跃，这对于EEG分析频率下的带通滤波(例如，1-100 Hz)是有问题的。图3D(红色轨迹)显示了存在这种伪影时，由带通滤波引入伪影的例子。滤波引入的慢漂移伪影在TMS脉冲之前特别明显(注意这反映了滤波器的零相位；该滤波器先向前应用，然后向后应用以防止相移)。因此，在离线带通滤波之前，去除残余的大振幅伪影也很重要。由于电荷衰减产生的伪影可以持续几百毫秒，简单地删除这些数据将导致丢失整个感兴趣信号，因此不是可行的选择。在不扭曲感兴趣的潜在神经信号的情况下，最小化或去除这些高振幅伪影是极具挑战性的，已经提出了几种不同的方法(见下文)。高振幅伪影（如颅区TMS诱发的肌肉伪影）造成了TMS-EEG分析中的另一个潜在问题：削弱了ICA准确揭示神经EEG信号的能力。ICA常用于EEG分析，以去除眼动、低水平持续肌肉活动、线噪声等人工信号，也用于TMS-EEG分析，去除TMS诱发的中等大小肌肉活动。然而，大于感兴趣的神经信号数量级的EEG信号（例如高伪影区域的TMS诱发的肌肉活动产生的EEG信号），会扭曲代表神经信号的独立成分的空间分布(图4)。去除失真的伪影成分将产生具有精确时间属性的“干净”信号，但会误导空间属性。因此，使用PCA等方法抑制高振幅的TMS诱发的肌肉伪影对于准确地将数据分离成独立成分非常重要。
图4 大振幅经颅磁刺激(transcranial magnetic stimulation, TMS)诱发的肌肉伪影引起的独立成分(independent component, IC)地形图失真。
A)一个可能代表TMS后神经活动的独立成分(IC)。
B) T7电极数据显示剩余TMS诱发的肌肉伪影(蓝色轨迹)的尾部幅度较大。
C) A中肌肉伪影抑制后的相同神经成分。
还有几个因素可以影响ICA清除伪影的结果(图5)。首先，代表伪影的独立成分必须由实验者选择移除，这给分析带来了固有的主观性。因此，实验者之间甚至实验者内部不一致的成分选择可以从根本上改变最终的EEG信号。已经引入了一些自动化和半自动化方法，在不同程度上提高了成分选择的可靠性(图5B)。其次，在同一数据集上重复运行多次后，ICA分解本身会产生不同的解(图5A)。这是因为ICA的统计独立性是从每次运行的数据中学习的，而且大多数ICA算法都是随机启动的。ICA返回可靠分解结果的能力受到几个因素的影响，如预处理(图5C)、数据量(图5D)和数据等级(图5E)。一些ICA算法对低频漂移很敏感，通过在ICA之前进行高通滤波可以去除这些漂移，从而得到改进。然而，滤波可能并不总是导致更加一致的ICA分解(见图5C)。分段后的基线校正(例如，从整段数据减去一个确定的刺激前基线期的平均值)是EEG分析中常见的预处理步骤；然而，这可能会降低某些ICA算法的可靠性。例如，Groppe等人发现，对数据进行去均值(例如，从该段数据的每个时间点减去整段数据的平均值)与删除100 ms基线周期相比，ICA可靠性有所提高(图5C)。注意，去均值(也称为中心化)是ICA的一个重要预处理步骤，EEGLAB在ICA之前自动去均值。然后将平均值添加回ICA之后的数据中。因此，没有必要手动去均值，但这对于删除DC偏移量以可视化数据很有用。另一个常见的预处理步骤是将数据重参考到所有电极的平均值(在移除断开的电极后，如果不在平均重参考之前移除，将污染所有电极)；然而，这是否会提高ICA的可靠性还不太清楚(见图5C)。一个重要的警告是，在平均重参考之前移除电极可能会导致电极在头皮上的不对称分布，这违反了基于平均参考的理论假设。在ICA之前不建议插入缺失电极(以确保平均参考的对称分布)，因为这会降低ICA的可靠性。因此，另一种方法是在ICA期间使用头皮参考，然后插值缺失的通道，并在ICA后重参考。除了预处理外，数据量(即试验次数)对ICA可靠性也有重大影响(图5D)，数据等级也有重大影响 (图5E)。综上所述，预处理步骤的选择和这些步骤的应用顺序会对TMS-EEG数据清洗的准确性和可靠性产生重大影响。
图5 影响独立成分分析(independent component analysis, ICA)分解可靠性的因素。A) 在同一数据集上运行20次ICA后，P3电极的平均信号。B) 与使用tesa_compselect函数的自动成分选择相比，手动成分选择的ICA变异性。C) 某些预处理步骤减少了重复ICA运行期间电极内部和电极之间的变异性。D) 增加试验次数可减少电极内部和电极之间在重复ICA运行中的变异性。E) 降低数据的秩减少了电极内部和电极之间在重复ICA运行中的变异性。基线校正是一个典型的EEG预处理步骤，它包括从一段数据 (epoch) 的所有时间点减去预定义基线周期的平均值。
其中St是来自给定电极的EEG信号，t为时间指数，b1和b2 (>b 1)是表示基线周期的时间点，
是校正后的EEG信号。
数据去均值 (demeaning)包括从epoch中的每个时间点减去整个epoch的平均值
其中N是时间点的总数。
如果您对脑电等数据处理等感兴趣，欢迎浏览思影科技课程及服务（可添加微信号siyingyxf或18983979082咨询）：
第二十七届脑电数据处理中级班（南京，6.1-6.6)
第十五届脑电数据处理入门班（重庆，7.12-17)
第十六届脑电数据处理入门班（北京，6.10-15)
第二十八届脑电数据处理中级班（北京，6.20-25)
第十届眼动数据处理班（北京，6.27-7.2)
第十三届近红外脑功能数据处理班（北京，7.18-23)
第三届脑电机器学习数据处理班（上海，6.25-30）
第十二届近红外脑功能数据处理班（上海，6.15-20)
第九届脑电信号数据处理提高班（上海，7.8-13)
第二十九届脑电数据处理中级班（上海，7.16-21)
第十七届脑电数据处理入门班（上海，8.1-6)
数据处理业务介绍：
思影科技近红外脑功能数据处理服务
4. EEGLAB扩展包TESA (TMS–EEG signal analyser) 的分析流程TMS脉冲、TMS诱发的肌肉和电荷伪影与不同EEG分析步骤的相互作用，需要一个特定的顺序来避免引入与分析相关的伪影。此外，需要几个专门的步骤来消除/最小化由TMS产生的脉冲和肌肉/电荷伪影。表1总结了一个这样的流程示例。处理流程顺序有几个值得注意的特点：首先，只有去除TMS脉冲和大振幅TMS诱发的肌肉/电荷伪影，才能进行带通和带阻滤波，以防止产生振铃伪影。其次，在滤波(例如带下采样或带通/带阻滤波的抗混叠滤波器)之前，在TMS脉冲周围数据去除前和去除后之间进行插值，以减小数据中的大阶跃，这也会导致滤波后的振铃伪影。第三，在使用FastICA清除其他伪影(眨眼、眼动、持续肌肉活动、电极噪音)之前，最大限度地减少/消除大幅度TMS诱发的肌肉伪影，以提高FastICA准确恢复成分拓扑的能力。有几种方法已经被开发/应用，以消除TMS产生的这些大幅度伪影，同时将潜在神经活动的失真最小化，其中几种方法包括在这个流程中。最后，与基线校正相比，数据被去均值，以提高FastICA的可靠性。在这个流程中，我们使用FastICA来清洗伪影。与其他ICA算法相比，FastICA的优点是收敛速度更快。然而，哪种ICA算法对EEG数据表现是否最好仍存在争议，其他的ICA算法可以通过EEGLAB获得。表1 清洗和分析同步经颅磁刺激 (transcranial magnetic stimulation, TMS) 和脑电图(electroencephalographic, EEG) 数据的示例流程（包括TESA函数）
这里描述的流程与我们之前发表的流程类似。该流程也类似于FieldTrip用户手册(http://www.fieldtriptoolbox.org/tutorial/tms-eeg)所描述的；然而，有几个不同之处：第一，我们有两个单独的步骤来移除伪影；第一种方法是用几种不同的方法(ICA, EDM, PCA, detrend)之一去除高振幅的早期伪影（如TMS诱发的肌肉和电荷伪影），第二种方法使用FastICA去除其他伪影，如眨眼、眼动、持续肌肉活动和电极噪声。在Fieldtrip流程中，所有这些伪影都将在一轮ICA中删除。采用这两步方法的原因是，当用于恢复神经活动或去除其他伪影时，振幅较大的伪影（如TMS诱发的肌肉伪影）会影响ICA分解的准确性。此外，去除大振幅伪影允许进行带通滤波，这可能进一步改善ICA分解，这一步骤在ICA分解之后也应用于FieldTrip流程中。注意，仅当数据中存在较大幅度伪影时(例如TMS诱发的肌肉、电荷伪影)，才需要第一个伪影去除步骤。第二，我们对数据进行下采样，并在ICA之前删除不好的试验和电极。这些步骤在Fieldtrip流程中的ICA之后应用。下采样有助于降低对高速率(> 2 kHz)采样数据的ICA的计算需求，但确实需要去除TMS脉冲并插值缺失的数据，以防止抗混叠滤波器的振铃。清洗不好的试验和电极也可以改善ICA分解，特别是当数据中存在大量不重复的伪影时(如咬紧牙关、抓头)。第三，我们用等幅数据(零或基线平均值)替换删除的数据(例如TMS脉冲周围的伪影)，而不是在数据中留下间隙。向数据中添加信息(例如插入丢失的通道或时间点)可以改变ICA的性能，因此应该在ICA之前避免。在FieldTrip中，跨时间删除数据会导致时间序列中的间隙，然而EEGLAB数据结构不允许时间间隙。因此，我们用等幅数据来代替这些数据，这样就避免了添加信息，所以类似于留了一个间隙。请注意，在下采样和滤波之前，需要对等幅数据进行插值，以避免数据中可能导致振铃伪影的阶跃(图2)。然而，在随后几轮ICA之前，这种插值数据应替换为等幅数据，以避免相关数据(见表1)。虽然文献中详细描述了TMS-EEG的分析步骤，但大多数EEG分析软件通常不包括这些步骤。此外，去除/最小化大幅度伪影(如TMS诱发的肌肉和电荷伪影)的方法正在积极开发中，对于恢复TMS诱发的神经活动的最准确方法还没有明确的共识。因此，我们为EEGLAB编写了一系列函数——TESA (TMS–EEG signal analyser)。TESA函数包括清洗TMS-EEG数据和执行TMS诱发电位(TMS-evoked potential, TEP)的峰值分析；然而，清洗流程和函数也适用于TEPs的时频分析(已经在EEGLAB中提供)。TESA函数可以直接从EEGLAB GUI运行（无需任何编码），也可以从命令行或脚本中调用该函数。重要的是，EEGLAB允许流程设计的灵活性，能够比较不同的流程顺序和不同的数据清洗方法。其他函数可以很容易地添加到TESA。表1总结了特定分析步骤的TESA函数，图6给出了这些函数的示例结果。
图6 使用EEGLAB中的TESA扩展包实现清洗和分析功能的示例
TESA扩展包可以下载(http://nigelrogasch.github.io/TESA/)，还包括使用TESA的在线用户手册(https://www.gitbook.com/book/nigelrogasch/tesa-user-manual/details)。本文使用的示例数据也可以下载(https://figshare.com/articles/TESA_example_data_and_scripts/3188800)，TESA扩展提供了一个分析流程的示例脚本(example_script_from_manual.m)。下面提供了TESA功能的概述。在Matlab r2015b上使用EEGLAB 13_5_4b对TESA进行测试。
4.1 寻找TMS脉冲
由于各种原因，标记TMS脉冲的触发器可能不准确，或者没有正确地记录在EEG信号中。应该确保实验安排尽可能避免这种情况。然而，对于触发器丢失或不准确的情况，TESA提供了三种函数，利用TMS脉冲伪迹的大振幅和高频率，在每个TMS脉冲上插入标记一致时间点的触发器。每个函数都需要TMS脉冲伪影，所以它们不适用于采样保持电路或去块化以避免记录TMS脉冲伪影的系统(例如，Nexstim系统)。所有的函数都能够发现和标记单个、成对和重复的TMS脉冲。
第一个函数tesa_findpulse使用连续数据的一阶导数来搜索超过给定阈值的变化率。由于TMS脉冲伪影的频率和振幅比其他信号(如神经活动、持续性肌肉活动或眨眼)大4-5个数量级，因此很容易区分该伪影的起始。“不应期”也被定义，它防止算法在脉冲伪影的剩余期间标记另一个脉冲。
第二个函数是tesa_findpulsepeak，
它使用一系列函数(http://www.its.caltech.edu/~daw/teach.html)来寻找TMS脉冲伪影的正负峰，这些正负峰高于连续数据的99.9%。正峰或负峰都可以用来定义TMS脉冲的时间。如果两个脉冲非常接近，不允许有足够长的不应期(例如< 2ms)，这个函数是有用的。tesa_ findpulsepeak函数还包括一个用户界面选项，用户可以交互地选择将哪些峰值标记为伪影。这对于选择一些刺激器可能产生的较小尖峰伪影是有用的。
第三个函数是tesa_fixtrigger，用于分段数据，旨在纠正不准确的触发器位置或标记成对的条件。该函数使用与tesa_findpulse相同的导数方法。
4.2 移除TMS脉冲伪影
tesa_removedata函数删除TMS脉冲周围的数据，并用等幅数据(可以是零或用户定义的刺激前周期的平均值；图6)替换该数据；用等幅替换数据，避免了在数据中添加信息，这发生在插值数据时，类似于在数据中留下间隙。通过插值的方式向数据中添加信息会影响ICA的性能，因此在ICA之前应避免使用。要删除的数据长度可以由用户自行定义。删除数据的长度和时间存储在EEG.tmscut下的EEGLAB EEG结构中。被删除数据的内插包含在第二个函数中，允许灵活选择何时执行内插。
4.3 缺失数据插值
tesa_interpdata函数将线性或三次模型拟合到由tesa_removedata函数定义的移除窗口的任一侧，然后将内插数据插入到该窗口中(图6)。对每段数据和每个通道分别进行数据插值。线性模型拟合去除窗口任一侧的第一个和最后一个数据点，而三次模型拟合去除窗口任一侧的额外数据，其长度由用户定义。tesa_interpdata函数要求首先运行tesa_removedata函数，然后插值该函数删除的所有数据。
4.4 移除TMS诱发的肌肉、电荷和运动伪影
到目前为止，TMS-EEG分析中最具挑战性的方面是去除/最小化由TMS诱发肌肉活动、电荷和电极运动引起的大振幅衰减伪影，同时保留感兴趣的潜在神经信号不变。TESA提供了几种不同的方法来处理这些类型的伪影(图5)。正如我们重申的那样，目前对于纠正这些伪影的最佳方法还没有达成共识。
4.5 FastICA
FastICA是一种常用于TMS-EEG数据的ICA算法。各种不同的ICA算法（包括infomax和FastICA）已经通过runica函数在EEGLAB中使用；然而，FastICA算法需要一个单独的工具箱，下载：(http://research.ics.aalto.fi/ica/fastica/code/dlcode.shtml)。此外，TESA还包括一个包装函数(tesa_fastica)，该函数使用TMS-EEG推荐的几种设置，通过EEGLAB runica函数调用FastICA。FastICA和任何ICA算法的任务是估计一个权重向量的分离矩阵，给出独立分量。对于FastICA，有两种不同的方法来寻找权重矩阵，一个是压缩方法，一个是对称方法。在压缩方法中，通过第一个找到的权重向量与第二个向量正交的方式一个接一个地找到权重向量来形成权重矩阵，以此类推，直到找到所有的权重向量并且用它们形成权重矩阵。相反，在对称方法中，权重向量是同时搜索整个权重矩阵的。据报道，对称方法更可靠，对过度学习不太敏感，因此推荐用于TMS-EEG。由于权重矩阵一般不能以封闭形式求解，所以求解基于损失函数，也称为目标函数或对比函数。对比函数概念简单，计算速度快，而且鲁棒性很强。ICA权重矩阵的解是在这些函数的极小值或极大值处找到的。几个可能的ICA损失函数被用于计算FastICA，包括“tanh”，“gauss”和其他几个。当使用FastICA去除TMS诱发的肌肉活动时，“tanh”和“gauss”对比函数的表现没有差异。注意，在FastICA之前，数据会自动中心化并白化；这是ICA分解需要的两个预处理步骤。
4.6 EDM(增强型压缩法)
除了FastICA，在TESA中还利用tesa_edm函数实现了EDM方法。然后，使用类似于tesa_compselect的算法从原始数据中半自动地删除代表TMS引起的肌肉伪影的成分。EDM的实施在TESA略有不同，在原始论文中，EDM应用到单一试验数据，而不是平均数据。然而，除了额外的计算时间外，这不大可能显著改变该技术的有效性，因为在单个试验数据而不是平均数据上使用ICA对任何ICA算法都更有利，因为样本数量更大。
4.7 PCA压缩
TESA在tesa_pcacompress函数中实现了PCA预处理步骤和PCA压缩，该函数对PCA采用单值分解，允许用户选择保留主成分的个数。
4.8 PCA抑制
为了使用PCA将衰减伪影降至最低，TESA采用了PCA抑制技术，该技术通过tesa_pcasuppress函数使用奇异值分解实现。用户需要根据数据修正的好坏，手动识别要剔除多少主成分。在TESA中实现PCA校正算法的一个区别是，PCA应用于所有分段试验，而原始论文中PCA应用于所有试验的平均数据。这具有保留单一试验数据的优势，可以用于对TMS诱发的活动进行额外的分析。值得注意的是，Hernandez-Pavon等人分析的数据是从Broca区记录的，这些数据的振幅比大脑信号大3个数量级；然而，在具有中度伪影(~100µV)的数据中，有可能在TMS脉冲后立即抑制伪影。
4.9 去趋势
除了盲源分离方法，TESA还包括一个detrend选项，该选项是通过tesa_detrend函数实现的。用户可以对TMS脉冲后的数据拟合或减去线性、指数或双指数模型。线性模型(使用Matlab的polyfit函数)分别对每个通道的每个试验拟合模型，指数和双指数模型(使用Matlab的fit函数)分别对试验的平均值拟合模型。需要注意的是，指数法和双指数法需要Matlab Curve Fitting工具箱。
4.10 移除由TMS引起的其他伪影
除了去除大振幅伪影外，ICA还被用来去除其他伪影，如眼动和眨眼、持续肌肉活动和电极噪声。ICA的一个限制是用户必须手动选择代表这些伪影的成分。该决策是由不同的成分属性决定的，如成分时间序列的大小和时间，时间序列的频率分布和拓扑权重。例如，TMS诱发的肌肉活动的特征是在接近TMS脉冲的成分时间序列中有一个大的振幅偏转(图1)；眨眼和横向眼球运动的特征是分别在额和侧电极上加权的成分拓扑结构(图2)；持续性肌肉活动的特征是在较高频率下具有更多活动的成分时间序列(> 30 Hz;图2)；噪声电极的特征是成分拓扑加权于单个电极(图2)。对于选择伪影成分，已经提出了几种不同的自动化和半自动化方法。TESA包括tesa_compselect函数，该函数使用一组启发式阈值规则将成分分类为神经、TMS诱发的肌肉伪影、眼球运动(眨眼或侧移)、持续肌肉活动或电极噪声。然后，用户可以手动检查和修改分类。这种基于规则的选择旨在提高给定数据集中成分选择的一致性，从而提高评分者内部和评分者之间的可靠性。如Rogasch等人所述，通过设置特定伪影类型特有的特征阈值来实现成分分类。在分类之前，首先根据每个时间序列对总方差的贡献对成分进行排序。通过将TMS脉冲附近定义的窗口中的平均绝对时程振幅除以已知的TMS诱发肌肉活动的尾部（默认值为11到30 ms）除以该段数据的其余部分（默认值是8），可以对TMS诱发的肌肉成分进行分类（图7A）。当距离眼睛最近的两个电极(默认为FP1和FP2)的平均z-score校正后的拓扑权重大于定义值时(默认阈值为2.5;图7 B)，可以检测到眨眼成分。当z-score校正前额外部两个电极(默认是F7和F8)的拓扑权重大于或小于给定阈值时(默认阈值2)，可以检测到横向眼动成分。通过将一个定义的频率窗口内的时间序列的平均频率(通过单独试验计算)除以所有频率的平均值(默认阈值为0.6)，可以分类出持续性肌肉成分(图7C)。如果一个电极的绝对z-score校正拓扑权重大于定义的阈值(默认阈值为4)，则检测到电极噪声成分。为了评估不同阈值对成分分类的影响，我们比较了tesa_compselect和手动成分选择法，这两种方法在先前对30名被试左背外侧前额叶皮层进行的TMS-EEG研究的数据上进行。考虑了三类伪影：TMS诱发的肌肉活动；眨眼；以及噪声(包括持续的肌肉活动和电极噪声)。我们首先比较了手动分类和一系列tesa_compselect阈值范围下选择去除的成分数量。然后我们评估了手动和自动成分分类之间的相关性，包括成分分类的数量，和这些成分解释的总时间序列方差(图8)。对于TMS诱发的肌肉伪影，阈值> 8的分类和手动分类得到的成分数量相同，成分方差之间的相关性高(r > 0.95)。对于眨眼，阈值在2.5到3之间分类的成分数量与人工分类相似，成分方差之间有良好的相关性(r > 0.75)。对于持续的肌肉活动和电极噪声，阈值0.6和4分别达到了与人工分类相似的结果，成分方差之间有良好的相关性(r > 0.7)。请注意，阈值可能需要根据不同的实验参数(电极数量、刺激部位等)针对不同数据集进行优化。提供了一个反馈选项，它为命令窗口中的每个成分输出一个用于给定伪影类型设定阈值的值。阈值应该在使用该函数的出版物中报告。TESA用户手册提供了更多的tesa_compselect示例(https://www.gitbook.com/book/nigelrogasch/tesa-user-manual/details)。
图8 TESA自动成分选择和手动成分选择的比较
使用tesa_compselect函数，应用以下规则将独立成分分类为伪影。在以下情况下，一个成分被归类为TMS诱发的肌肉伪影
其中，St为各试验平均的成分时间序列，t为时间指数，b1和b2(> b1)为时间点（表示预期TMS诱发肌肉活动的时间段），T为阈值。
其中
是一个成分所有头皮电极的平均权重，σw是所有头皮电极权重的标准差，we1和we2是最靠近眼睛的两个电极。
在以下情况下，一个成分被归类为横向眼动伪影。对于任意两个电极we1和we2，
其中Yf是时域成分信号的傅里叶变换，x1和x2 (>x1) 是预期的持续性肌肉活动之间的频率。
一旦TMS脉冲和肌肉伪影被充分去除，带通滤波器和带阻滤波器通常用于去除EEG信号中的低频偏移、高频噪声和残余线噪声。除了EEGLAB提供的滤波选项，TESA还包括一个零相位Butterworth滤波器(带通和带阻；使用Matlab的butter和filtfilt函数)，使用tesa_filtbutter函数实现。如前所述，滤波可能会对事件相关电位(如TMS诱发电位)产生意想不到的后果，应谨慎使用。然而，滤波也可以提高ICA的性能，增加成分的偶极性、信噪比，以及使用自动分类器进行神经分类。TESA还允许用户使用tesa_filtmedian函数实现一个中值滤波器。中值滤波器的工作原理是用来自给定样本数的中值(即滤波器阶数)替换该值。这种类型的滤波器对于消除短的、高频事件是有用的，例如充电伪影，以及由TMS机器中的电路引起的EEG数据中的小尖峰。用户应该意识到，类似于插值，滤波窗口内的神经数据不会被保留，并且会丢失。因此，中值滤波器只能用于一小部分数据(例如几个样本)。在TESA中，用户可以指定中值滤波事件前后的时间窗口和滤波阶数。TESA包括几个基本选项，使用感兴趣区域(region-of-interest, ROI)法(即来自单个电极的数据或对选定的电极子集进行平均)或全局平均场振幅(global mean field amplitude, GMFA)法分析干净的TMS诱发电位(TMS-evoked potentials, TEPs)。首先使用tesa_tepextract函数对单个试验数据进行平均计算TEPs。用户可以定义分析类型(ROI或GMFA)和包含在ROI分析中的电极；可以是单个、多个或全部。重要的是，对于成对脉冲研究，tesa_tepextract函数提供了一种方法，可以从测试脉冲中减去正在进行的调节脉冲活动，从而最大限度地减少测试脉冲TEPs中这种活动的潜在混淆。TEP数据存储在EEG.ROI或EEG.GMFA结构中。请注意，可以同时存储多个不同的ROIs。在TEP提取之后，可以使用tesa_peakanalysis函数确定感兴趣的峰值。用户定义正/负峰值的延迟时间(如N40、P60等)和检测的时间窗(如30-50 ms、50-70 ms)。如果在指定的时间窗中检测到多个峰值，用户可以定义使用哪个峰值，要么是最接近定义的峰值延迟(centre)，要么是窗口中最大的峰值(largest)。如果在窗口内未检测到峰值，则不记录峰值延迟。峰值信息储存在EEG.ROI或EEG.GMFA结构中。最后，峰值振幅和延迟信息总结在Matlab工作窗口的输出表和tesa_peakoutput函数生成的图形中。用户可以定义输出振幅是峰值处的绝对振幅还是峰值两侧数据点的平均值(例如±5 ms)。曲线下面积也可用于GMFA分析。如果未检测到峰值，则在“latency”列中返回NaN值。使用tesa_peakoutputgroup函数，还可以在一组参与者中获得ROI和GMFA分析的输出。ROI和GMFA分析仅代表了可以量化TEPs的一小部分方法。用户可以使用其他更高级的EEGLAB分析功能(如时频分析)或将干净的TEP数据输出到其他开源程序，如FieldTrip或SPM中，以进行更原理性的分析(如基于聚类的方法或统计参数映射)。TESA还包括tesa_plot函数，用于绘制试验间平均的TMS诱发数据。在分析过程中，tesa_plot函数有助于直观地显示不同分析步骤对数据的影响。使用tesa_tepextract和tesa_peakanalysis函数后，tesa_plot可以显示识别的峰和检测到峰的窗口(图6)。此外，还可以为单电极TEPs或ROI分析绘制阴影的95%置信区间图，表明各试验诱发电位的一致性。还可以使用tesa_plotgroup函数获得一组参与者的平均图。TMS-EEG是评估皮质回路和全局脑网络的重要工具。然而，从众多与TMS-EEG相关的伪影中恢复TMS诱发的神经活动是具有挑战性的。TESA扩展建立在现有的EEGLAB功能上，为清洗和分析TMS-EEG数据提供了一个基本框架。重要的是，该扩展包提供了几个最先进的方法来去除大振幅肌肉和衰减伪影，同时恢复潜在的神经活动。TMS-EEG分析领域正在迅速发展。通过开放源代码，我们希望提高不同脑刺激场下TMS-EEG数据分析步骤的一致性和透明度。我们还邀请其他研究人员通过在TESA分享他们的代码，为处理和分析TMS-EEG数据贡献新的和改进的方法(代码贡献可以使用github: https://github.com/ nigelrogasch/TESA)。经颅磁刺激(transcranial magnetic stimulation, TMS)和脑电图(electroencephalography, EEG) 同步使用会导致一些伪影，严重扭曲感兴趣的潜在神经信号。本文介绍了由于TMS使用造成EEG伪影，以及在分析过程中引入伪影的原因。基于此，讨论了去除或最小化伪影的方法，以及常见的TMS-EEG分析流程。重点介绍EEGLAB的开源扩展包——TESA，该工具包涵盖了TMS- EEG分析的特定函数，用于去除大振幅肌肉和衰减伪影，同时恢复潜在的神经活动。该扩展包有助于TMS-EEG研究的分析流程一致性和透明度。
