文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。

导读

目前文献中分析EEG超扫描数据的方法通常认为交互生理系统之间的人际神经振荡是一种时不变属性。这种方法掩盖了关于交互系统之间的振荡是如何长时间建立和保持关键信息的。在这里，研究者描述并展示了相应的计算算法，以期填补该领域的空白。研究者关注测量振荡的两种不同的方法，即并行测量（例如，功率相关性、锁相）和顺序测量（例如，格兰杰因果关系），如何应用于大脑信号的三个方面：振幅、功率和相位。通过使用模拟数据来让读者了解如何利用这些方法测量脑间振荡的变化。对于每个方面，研究者的目的是在研究早期社交互动过程中的神经振荡时，提供关于这些分析的详细解释和应用。

引言

有关行为证据表明，社会因素会影响婴儿早期的注意力和学习方式。但目前关于这些人际影响是如何在大脑中具体体现的却知之甚少。超扫描是一种同时从两个或多个个体身上获取神经活动的方法，这样我们能够很好地深入了解这些问题。超扫描方法通常与“自然主义”研究设计相并行，以记录现实生活互动中的大脑活动，而不是研究通过计算机执行的重复性和非生态的、基于试次任务的神经反应。

最近，利用fNIRS和EEG对非人类动物和成人的研究，以及对儿童/婴儿的研究，已经开始使用超扫描技术来揭示社会互动过程中大脑间振荡(IBE)的复杂模式。基于儿童/婴儿的EEG研究表明，婴儿和成人神经活动的双向格兰杰因果影响在相互注视时刻的theta(3-6Hz)和alpha(6-9Hz)频带比非相互/转移注视时刻更大。当成人在社会互动中模仿积极情绪时，在theta和alpha频带中的IBE模式要比模仿消极情绪时更高。这些发现表明，与IBE模式在长时间尺度上的fNIRS研究一致，用EEG进行研究，IBE也可以在更精细的亚秒级尺度上被识别出来。

然而，迄今为止使用的所有这些方法都有一个基本的限制。超扫描研究人员通常要计算在整个实验条件下观察到的两个互动伙伴之间的平均IBE量。比较不同条件下的IBE值，或将IBE估计值与结果变量相关联。例如，Leong及其同事比较了在5分钟的社交互动中，直接注视和转移注视时观察到的振荡量：他们将所有数据压缩为每个信号频带的单个IBE值。Perez及其同事(2017)采用了相似的方法，比较不同频带和地形图上的IBE值，但同样没有考虑IBE是如何随时间变化的，以及在互动过程中是如何发展的。

因此，这些方法有效地产生了一个IBE指数，其中包括关于振荡如何随频率和头皮地形变化的信息，但不包括关于IBE如何随时间波动的信息。研究者认为，这种信息遗漏从根本上阻碍了我们理解婴儿-成人在现实社会互动过程中大脑所发生的真正变化。大多数成人群体的超扫描研究同样如此，对当前方法存在的局限性提出了类似的观点。

（缺失的）时间维度的重要性

使用事件相关电位(ERPs)的研究表明，即使是婴幼儿的大脑对明示信号也表现出毫秒级的敏感性。但是这项研究都是单向的：它考察了明示信号的接受者是如何受到信号“发送者”的影响的。很少有研究从双向的角度来检验早期社会互动的精细时间动态：通过研究明示线索如何影响伙伴双方大脑活动之间的相互关系。

例如，一项早期的研究发现，在3-9Hz范围内，相比于间接注视，一方的神经活动在直接注视时更能预测另一方的神经活动。但是，两个大脑在这种精细时间尺度上是如何相互影响的呢？为了回答这个问题，我们需要了解IBE在直视时间内是如何随时间变化的。这将有助于我们理解IBE是如何产生和维持的：

Ⅰ.首先，在社会互动过程中，某些共同的行为事件，如直视时间的开始，可能会导致IBE的变化。因此，IBE的变化可能是由社交线索的“发送者”和“接收者”的脑内光谱功率和/或相位的短暂变化引起。例如，这种机制可能类似于言语的神经振荡，即刺激/行为事件的开始使大脑的相位发生了变化，并导致振荡量的增加。除了言语之外，相互注视或触摸也可以在多个大脑中产生反应，导致与事件相关的IBE增加。根据这个模型，IBE是高度事件锁定的，在行为事件发生后立即达到峰值，随后下降。IBE事件锁定的变化范围也可能受到其他因素(包括注意力、理解力和环境因素(如对对方的熟悉程度))的影响。

Ⅱ.第二，社交互动中的话轮转换可能会导致IBE的变化。因此，反应准备(预期)或相互感觉运动预测可能导致双方功率或相位发生短暂变化，从而导致IBE可能在这些“转换”时刻达到峰值，并在转换前后下降。这种机制也可能受到诸如话轮转换的次数和（感知到的）质量等因素的影响。

Ⅲ.第三，有可能是连续的、确定性的大脑内部变化，而不是离散行为事件锁定(依赖于周围环境中的动态、渐进的变化)导致了IBE的渐进和持续性变化。这种机制可能是由大脑内部对共享认知或心理表征的反应所驱动的。例如，Simony及其同事认为，当参与者对一个故事有共同的理解时，IBE会增加。这种机制也可能采取直接的“神经拟态”形式。例如，Kingsbury等人使用了vivo电生理记录显示，背内侧PFC中的细胞群在执行一个动作时表现出与观看他人执行这个动作时相似的活动。同样，这些变化可能以功率变化的形式出现：整个事件中频谱功率的增加会提高信噪比，并导致连续的IBE变化。或者，频率的逐渐变化，如神经振荡的峰值频率的调整，可能会导致同步IBE的增加。例如，任务要求可以调节峰值alpha频率，最近的研究表明，刺激开始时的跨频谱频率调整可能是ERPs产生的机制。

区分这些假设和其他假设对于理解IBE是如何实现和维持的至关重要。本文的目的是提出一些算法，使研究人员能够更好地解决这个问题。在第1.2节中，研究者概述了在进行超扫描发展研究时，儿童和成人EEG之间的关键差异。在第2节中，研究者提出了几种估计并行（2.2.1，2.2.2）和顺序（2.2.3，2.2.4）IBE的测量方法。然后，在第3节中，举例说明了每个测量使用模拟数据捕获IBE的性能。

儿童和成人EEG的主要差异

研究人员在分析婴儿和儿童的EEG记录，以及使用自然主义范式记录的EEG时，与使用基于屏幕实验范式的成人EEG相比，面临着一些额外的挑战。

首先，由于在数据记录过程中的动作会更多，如微笑、发声、眼球运动，以及对这些行为的神经加工，将以一种复杂的方式影响头皮EEG。虽然源分离的问题对EEG研究来说比较常见，但众所周知，单靠ICA无法分离包含大量运动相关活动数据的不同源成分。这种效应随着婴儿ICA分解而增强，与成人EEG数据中的ICA分解相比，婴儿ICA分解通常更难识别哪些成分主要包含伪迹信号，哪些成分主要包含神经信号。例如，即使是简单的伪迹，如眨眼伪迹，在成人数据中也能更清楚的进行区分，因为这些动作(眨眼)在成人的波形中更加典型或相比于婴儿的振幅会更高。这对于自然主义数据来说更成问题，与参与者基于屏幕任务范式中产生的眼球运动相比，自然主义范式数据中的眼球运动并不那么典型。

其次，实验者设计的传统实验范式中，以实验的事件来验证神经反馈。尽管有证据表明，传统的实验者设计范式中伪迹仍然存在，并与实验事件相关，但事实上，实验（以及这些伪迹）遵循一致的结构，这意味着伪迹相对更容易处理。但是在自然主义范式中，这些事件（例如注视开始）往往与数据中的伪迹不太相关，因为自发事件和特定的伪迹之间没有清晰一致的时间结构。未来使用自然主义范式的IBE研究将需要控制非神经信号对EEG的影响。它也可以将这些非神经信号视为数据源，通过观察这些运动相关信号之间的振荡，例如，与面部表情和发声相关的EMG之间的振荡。

另一个挑战是儿童/婴儿与成人EEG活动的内在差异。例如，我们知道大脑处理信息的速度取决于其成熟程度，儿童/婴儿EEG的典型频带通常比成人的EEG慢。例如，与alpha活动相关的成人功率密度谱峰值通常在8-12Hz范围内，而1岁大的婴儿则在6-9Hz范围内，且更小的婴儿中更低。这为研究婴儿和成人EEG的相位振荡的研究人员提出了一个特有的问题。解决这个问题的一个方法是使用交叉频率振荡方法，例如交叉频率的相位耦合。众所周知，婴儿EEG中较慢振荡的振幅大于成人，这可能会影响振幅-振幅或振幅-相位的耦合。

识别婴儿和成人EEG数据****之间不同类型振荡的方法

在本节中，研究者概述了测量IBE的不同方法（第2.1节），并描述了如何将它们应用于大脑信号的不同方面（振幅/功率和相位）（第2.2节）。在第3节（应用方法）中，将使用模拟EEG超扫描数据来指导读者应用这些方法。

计算脑间振荡(IBE)的不同方法：综述

虽然术语“振荡”有时只用于描述两个信号之间的顺序关系，但这里将用它来描述两个信号之间的时间同步关系。脑间振荡(IBE)可以用两种方法来测量。首先，并行IBE(见图1)表示零滞、同步关系：“当A高时，B也高”，或者（负相关关系）：“当A高时，B降低”。并行IBE通常使用术语“同步”来指代。第二，顺序IBE表示一个滞后或有向的时间关系：“A的变化正向预测B的变化”。顺序IBE是有向的，因此，与并行耦合不同，它可以是不对称的：A正向预测B，但B不一定正向预测A，反之亦然。IBE也可以在时域和频域上进行测量，因此可以测量大脑信号的多个方面：振幅、功率和相位(如图1)。功率与振幅的平方成正比，因此这两个测量是密切相关的。然而，这里描述的一些测量（例如，功率相关性）可以同样应用于振幅或功率，而其他测量（例如，时域格兰格因果关系）是应用于振幅而不是功率，因此研究者认为区分这两者是很重要的。目前，大多数fNIRS和fMRI超扫描研究测量信号振幅的共同波动——根据这些不同的方法，可以测量血液氧合/脱氧(fNIRS)、BOLD信号(fMRI)或电压(EEG)。目前，大多数的EEG超扫描研究都是验证IBE的相位，然而，这些趋势在未来一定会发生转变。

图1.示意图。本文中提到的两种振荡测量方法，以及测量大脑信号的三个方面：振幅、功率和相位。

计算振幅和功率的并行IBE：相关性

通过相关性来验证并行IBE是最简单和最灵活的方法之一。零滞并行IBE可以简单地通过计算两个时间序列之间的相关系数来测量。Spearman相关由于其对非正态分布和离散数据的恒定性而备受青睐。同样的分析也可以应用于大脑信号的振幅或特定频带的功率。本节所附代码允许研究人员在电极对(如，参与者1和2的Cz点)之间的每个时频点计算单个试次的相关性(Spearman's rho)。

计算相位的并行IBE：ITC和锁相值(PLV)

锁相可以通过三种方法来检测瞬态相位变化/偏移，或跨时间的稳定相位耦合。首先，在单个大脑中，可以通过时间和电极点来估计重复事件之间的点相位一致性(例如，试次间一致性，ITC)。这产生了每个时间点的相位一致性估计，它代表了该时间点跨试次的相位分布，适用于检测瞬态或离散事件锁定的相位变化。

第二个点锁相可以根据以下方法进行估计：

其中N是试次数量，ϕ(t，k)表示试次k在通道ϕ和时间t上的相位，ψ(t，k)表示试次k在通道ψ和时间t上的相位。这就产生了每个时间点的相位一致性估计，表示该时间点跨试次的相位锁定，适用于检测瞬态或高度事件锁定的锁相变化。PLVn在0到1之间变化，其中1表示试次完全锁相，0表示试次无锁相。

第三，在定义的时间窗内的单个试次中计算锁相值。这有助于估计两种振荡在该窗口内是否具有稳定的相位耦合。某个时间窗内的锁相值可根据以下方法计算：

其中，T是窗口内的观测样本数或时间样本数，ϕ(t，n)表示在观测n，通道ϕ和时间t上的相位，ψ(t，n)表示在观测n，通道ψ和时间t上的相位，。PLVt在0和1之间变化，其中1表示在一段时间内完全锁相，0表示无锁相。这两种测量方法都可以在单个大脑和具有伪周期结构（例如，言语）的外部刺激之间进行计算，或者在两个或多个大脑之间的人际水平上进行估计。本文所附代码允许对滑动窗口和跨试次进行锁相分析。这使研究人员能够观察到IBE是如何随时间变化的。

关于功率和PLV的附注：诱导反应与诱发反应

当分析EEG功率或基于相位的振荡过程中的任何事件锁定变化时，考虑这些变化是诱发反应还是诱导反应是很重要的。诱发反应是叠加在背景/正在进行的EEG上的附加信号；诱导反应是指在背景/正在进行的EEG中发生的功率或相位变化。换句话说，诱发反应是与背景振荡活动无关的瞬态变化，而诱导反应则完全依赖于背景振荡对传入刺激的调节。虽然由刺激锁定诱发的信号导致的功率/相位变化可能会使两个大脑之间的振荡增加，但这与由于诱导神经活动驱动振荡增加所引起的潜在变化的解释是完全不同的。例如，如果两个信号的频谱功率增加是由于诱发而非诱导反应，那么将相位重置看作是IBE背后的潜在机制是不正确的，以及用神经IBE这个术语来指代这些机制也是不正确的。

这个问题更加复杂，因为正如Muthukumaraswamy及其同事(2011)的研究表明，瞬态功率的增加可以降低相位估计的误差，并可能出现高度锁相。将功率的增加与真正的锁相增加分开是困难且存在争议的。因此，研究人员使用事件相关锁相的最佳方法是始终显示功率图，并同时检查功率和相位。

关于交叉频率PLV的附注：处理不同的典型频率

其中，N为试次数量，Δϕ_k(f_n、f_m、t、k)的计算如下：

其中n和m是两个信号的中心频率，应该满足方程m∙f_n=n∙f_m的整数值，ϕ(f_m，t)是试次k在通道ϕ和时间t上的相位角，ψ(f_n，t)试次k在通道ψ和时间t上的相位角。注意，PLV可以应用于试次或给定试次的时间窗中。这同样适用于交叉频率PLV，尽管这里只描述了在试次上估计交叉频率PLV的方程。交叉频率锁相与标准锁相具有相同的底层逻辑。在特刊文章中(Kayhan等人，2021出版中)，研究者提供了用于计算滑动窗口和跨试次的交叉频率锁相的完整流程。

测量振幅和功率的IBE--格兰杰因果关系(GC)

测量顺序IBE的最简单方法是重复执行Spearman相关性，同时将一个时间序列相对于另一个时间序列向前或向后移动。例如，如果我们发现当时间序列x相对于时间序列y向后移，两个时间序列x和y之间的相关性更强，与同步（“零滞”）相比，这表明x的变化可以预测y的变化。

格兰杰因果关系与这种方法密切相关，但除了观察两个时间序列之间的时滞关系外，还通过考虑一个时间序列如何在一段时间内正向预测自身（称为自相关）来提高预测灵敏度。给定两个时间序列x和y，格兰杰因果关系是测量时间序列x被y预测的程度，以及时间序列x能够被先前样本x预测的程度。GC是通过双变量和单变量回归模型之间的误差项比值的对数来定义的，公式如下：

其中，e_x为单变量自回归模型拟合得到的误差项，e_xy为双变量回归模型拟合得到的误差项。同样的方法也可以用来观察大脑信号的振幅，或频带内的功率。时频（频谱）GC涉及计算回归系数和复正弦波之间的点积（类似于傅里叶变换），然后通过传递函数将这些结果应用于误差方差。

最后，部分定向相干性(PDC)是GC的频域公式，由上述自回归建模所得到的测量系数。PDC也被用于研究者成人-婴儿之间的IBE。PDC和其他基于自回归建模的频域振荡方法可以使用扩展的多元自回归建模工具箱来实现。

附注：关于EEG数据平稳性和GC

平稳性是指数据的统计特性是否随时间而变化。例如，包含低频的EEG数据随时间偏移会导致数据变得不稳定，因为数据的均值会随时间变化。非平稳性可能有多种形式。一种形式是通过单位根表现出来——其中数据可能呈现随机趋势或“随机偏移”。许多平稳性测试(包括在MVGC工具箱中实现的KPSS测试)只测试单元根平稳性。但也存在“结构变化”的非平稳性，这可能在ERP或任务相关数据中更为常见。格兰杰因果关系本身可能会随着时间的变化而改变。GC在神经科学中的整体平稳性是一个持续存在的问题。目前解决EEG数据非平稳性的常用方法包括多项式去趋势化或从单个试次数据中减去平均ERP，但这些方法都存在一定的局限性。另一种解决非平稳EEG数据的方法是将数据分割成更短的时间窗，在这些时间窗内，数据是足够平稳的，以便于进行GC分析，尽管这种方法需要更多的实证检验。

附注：关于模型阶次和GC

在使用GC分析时，需要考虑的一个关键参数是模型阶次。模型阶次决定了将用于（双变量）自回归模型拟合中时间序列的先前样本数量。例如，如果数据的采样率是1000Hz，那么模型阶次为5意味着该模型将使用数据前5ms的加权和。所使用的模型阶次将在一定程度上决定GC频谱估计的频率精度。在只使用5ms数据的例子中，只能根据4Hz活动周期的1/50th来估算GC。因此，为了更好地捕获低频动态情况，在分析之前对数据进行降采样是有用的。例如，如果将数据从512Hz降采样至128Hz，仍然使用5模阶，表示现在考虑的是模型拟合前39ms的数据。或者，可以增加模型阶次，但高阶模型通常需要更长的时间段和更多的试次，因为需要估计的参数更多。模型阶次会对GC估计产生重要的影响。有些方法有助于模型阶次的估计，最常见的是贝叶斯信息准则(BIC)和Akiake信息准则(AIC)。两者都是在MVGC工具箱中实现的。

附注：关于频谱功率和GC

频谱功率和频谱GC之间的关系仍然不确定，例如，目前还不清楚频谱功率的变化是如何影响GC估计的，有人认为频谱功率和GC之间的相关性很普遍。实证研究表明，ERPs对应的事件锁定频谱功率的增加与频谱GC的增加同时发生，但这些功率的变化是否导致了GC的变化，目前尚不确定。因此，充分探索这一关系对未来的研究具有重要意义。例如，GC的强度是否与频谱功率大小呈线性关系？这个关系是如何受到采样率、信噪比等影响的呢？计算相位的IBE—相位传递熵(PTE)
相位传递熵(PTE)允许研究人员测量相位的顺序IBE，其计算公式如下：

其中θ(t)是信号X(t)的相位，t'=t-δ，θ_x(t')和θ_y(t')是x和y时间序列相位角的先前状态，给定滞为δ。给定两个时间序列x和y，如GC，传递熵(TE)估计包括了x的先前状态影响预测时间序列y的能力，反之亦然。然而，与GC不同的是，TE是通过比较条件概率来实现这一点的。由于传递熵基于与GC相同的基本原理，而且已经证明了使用GC和PTE得到的结果与高斯变量相同。因此，相位传递熵分析的结果可以解释为两个相位角时间序列之间的有向信息流。

虽然相位传递熵在认知神经科学中尚未广泛应用于分析两个系统间的振荡模式，但它有许多优点和特性。例如，熵可以根据时间和试次计算，而其他测量，如PLV只能根据时间或者试次计算，而不能同时根据两者计算。同时根据时间和试次计算是有优势的，因为与其他基于时间窗的振荡测量相比(例如，GC)，熵可以在更短的时间窗内计算出来，从而使数据在保留原始时间精度的同时仍然具有足够高的信噪比。

注意时间尺度的重要性

以上描述的许多指标都对分析的时间尺度高度敏感。例如，如果在两个信号(x和y)中观察到频谱功率的瞬间增加，其中y的峰值在x峰值后几百毫秒出现。当使用较窄的时间窗时，检测不到同步IBE变化，但如果使用一个更大的时间窗可以观察到同步IBE的变化。这是因为，尽管降采样在某些分析中可能是一个有用的步骤，但降采样也可能会通过此刻信号传播而产生伪迹，从而导致检测到伪振荡。

模拟和应用测量IBE和区分事件锁定与非事件锁定变化的方法

在本节中，研究者将模拟两个时间序列在给定条件下的关系。然后，计算上面描述的指标，以评估每个指标反映这种关系的程度。研究者这样做的目的是让我们更好地了解各种指标的应用情况。

儿童-成人神经振荡过程中的事件锁定变化****振幅和功率

在所附代码中，研究者提供了计算同步振幅/功率振荡的流程。然而，在本节的其余部分，将重点关注GC，它是评估EEG数据振荡的一种更合适的复杂测量方法：如前所述，它不仅能够评估一个信号对另一个信号随时间变化的影响，而且还考虑了每个信号之间的自相关性。

为了说明事件锁定的神经反应是如何引起顺序振幅/功率IBE的变化的，研究者模拟了两个类ERP信号(x和y)（见图2）。信号y是由先前的x加噪声样本产生的。从这个模拟中可以看出，在原始数据(图2a)中观察到的x和y之间的顺序IBE表现为强烈的x->y GC影响，而不是y->x GC影响，这与预期一致(图2d)。当对信号的功率进行相同的分析时(图2b，2c)，可以观察到同样的结果。可以在一个较低的频率范围内观察到频谱x->y GC的影响(图2e)，但没有观察到频谱y->x效应(图2f)。本节所附代码中，研究者为用户提供了实现时域和频谱GC的方法，用于计算EEG超扫描数据中的事件锁定变化。用户还能够轻松地指定更高级的参数，例如用于时变GC估计的时间窗大小和模型阶次。

图2

相位

为了说明事件锁定的神经反应如何引起基于相位的并行IBE的变化，研究者对事件后同步相位重置/调制+200ms的两个锁相信号(x和y)进行了100个试次的模拟(见图3a)。可以看出，在+200ms操作后的时间窗内，两个时间序列的相位角均按预期那样收敛(图3a)。两个时间序列的锁相值也与预期一致(图3c)。

为了说明顺序相位IBE，研究者再次以同样的方式对x和y进行了100个试次的模拟，但这里y的相位调制比信号x晚200ms(见图3b)。由此可以看出，当一个信号的相位调制比另一个信号中的相位调制晚/早时，这些调制是相关的，那么这种关系可以用有向相位IBE方法来描述，如相位传递熵，可以通过x和y相位调制时间窗内(~+200-400ms)PTE的增加来说明(图3d)。注意，当y在+400ms时变成锁相，这将导致PTE从y增加到x。这是因为这两个信号都是由纯正弦波加噪声产生的，所以当y在+400ms时会变成锁相，此时y也可以预测x的活动。

本节所附代码中，研究者为用户提供了个体间、时频PLV和PTE的完整操作流程。

图3

非事件锁定变化

振幅和功率

为了说明振幅/功率IBE的逐渐变化是如何产生的，而这些变化并非锁时的，研究者模拟了两个信号(x和y)间的振荡，其中y是由先前的x加白噪声样本生成的(见图4a)。正如预期的那样，x->y GC影响在时间窗内增加，但是在y->x GC中没有发现变化。

本节所附代码中，研究者给我们展示了如何利用上一节中的相同代码来研究有关脑间IBE中的非事件锁定变化问题。

图4

相位

为了说明相位IBE的逐渐变化是如何产生的，而这些变化并非在事件开始时是锁时的，研究者模拟了两个信号(x和y)间的振荡，其峰值频率随时间而偏移(见图5)。关于如何模拟这些数据和时频分解的完整过程可参见补充材料。从这个模拟中可以看出，信号的峰值频率越接近，相位角随时间的变化就越一致，因此x和y之间的锁相值就越大。

图5

时间尺度的重要性

为了说明时间尺度如何影响并行IBE估计，研究者模拟了两种信号，它们显示了事件锁定的频谱功率的瞬时增加，信号y比信号x的频谱功率峰值延迟了300ms(图6a，6b)。为了计算并行IBE，研究者分别计算了时间序列x和y在每个时频点的功率之间的Spearman相关(见图6e)。其次，在重复相同的分析(图6f)之前，研究者使用0.5s的滑动窗口对数据进行降采样，连续的窗口之间有200ms的重叠(图6c，6d)。当使用较窄的时间窗时，没有检测到并行IBE的变化，但当使用更大的时间窗时，能够检测到这种变化(图6f)。这很好地说明了在IBE分析之前对数据进行预处理是如何改变结果的。

图6

量化儿童-成人神经振荡中的事件锁定变化

振幅和功率

GC的显著性变化可以通过F统计检验来评估，F统计可在MVGC工具箱中实现。统计学显著性也可以通过非参数置换检验获得，它可以应用于功率相关性、时域和频谱GC。对于测量高度锁时/事件锁定的GC变化，通常建议在试次中对时间段进行排序，而不是在整个时间段上对试次排序。

相位

假设ITC和PLV的冯·米塞斯分布（循环数据的正态分布）的统计显著性可以根据p值进行评估，使用Circstat工具箱进行Rayleigh检验以拒绝零假设。统计显著性也可以通过ITC/PLV阈值来评估，超过该阈值的值被认为是显著的。另外，ITC和PLV以及PTE时频的显著性也可以使用非参数置换检验来评估。

在测量父母-孩子神经振荡的变化时，采用多重比较校正

在分析EEG数据时，通常感兴趣或关注的是给定的效应如何随时间、频率和地形的变化而变化。这使得探索性EEG分析容易受到多重比较问题的影响。有几种方法可以纠正该问题。例如，如果只测试有限数量的感兴趣区域/频率，则适合使用Bonferroni校正法。对于涉及大量通道和时频点的更复杂的比较，此时用Bonferroni校正是不合适的。在这些情况下，应该使用基于像素或基于聚类的置换统计检验进行多重比较校正。

结论

本文为动态社会交互的神经过程提供了有价值的新见解，不仅涵盖在EEG超扫描研究中采用的通用/标准方法，而且还增加了许多新的内容。希望本文强调和描述的这些方法，能够有助于未来的研究对神经活动丰富的时间动态进行更深入地分析，让我们更接近大脑功能的真正复杂性。

原文：Measuring the temporal dynamics of inter-personal neural entrainment in continuous child-adult EEG hyperscanning data.

https://doi.org/10.1016/j.dcn.2022.101093

本文相关代码及算法可见网址：

https://github.com/Ira-marriott/Using-dual-EEG-to-analyse-event-locked-changes-in-child-adult-neural-entrainment-.git

微信加群

需要原文资料的小伙伴，可以添加茗创科技周翊工程师的VX：MCKJ-zhouyi或致电17373158786。另外，茗创科技创建了文献互助群，为大家提供免费帮忙下载文献服务、技术咨询、前沿研究和电子书等海量学术资源分享。长按下方二维码，添加工程师微信，邀请您进群。

需要原文资料的小伙伴，可以添加茗创科技周翊工程师的VX：MCKJ-zhouyi或致电17373158786。另外，茗创科技创建了文献互助群，为大家提供免费帮忙下载文献服务、技术咨询、前沿研究和电子书等海量学术资源分享。