論文題目：

A resource for assessing dynamic binary choices in the adult brain using EEG and mouse-tracking
中文翻譯：使用腦電圖和鼠標追蹤評估成人大腦動態二元選擇的資源

期刊：Nature scientific data

影響因子：

• 2-year impact factor: 6.444

• 5-year impact factor: 9.051

發表時間：2022年7月

作者：Kun Chen, Ruien Wang, Jiamin Huang, Fei Gao, Zhen Yuan, Yanyan Qi & Haiyan Wu

發表網址：https://doi.org/10.1038/s41597-022-01538-5

摘要：

我們提供了一個結合高密度腦電圖（HD-EEG，128通道）和鼠標跟蹤的數據集，旨在作為檢查人腦中語義和偏好選擇的動態決策過程的數據資源。該數據集包括從 31名被試（年齡：18-33歲）獲得的靜息狀態和任務相關（食物偏好選擇和語義判斷）腦電圖。除了數據集，我們還提供了靜息狀態腦電圖的初步微狀態分析以及任務相關腦電圖的ERP、拓撲圖和時頻圖。我們相信，同步進行鼠標跟蹤和腦電圖記錄將能破解二元選擇的核心組成部分，并進一步解釋決策和反應遲緩的時間動態過程。

實驗方法：

31名大學生（18-33 歲，平均：20.68 歲；14 名男性）參加了本實驗。

實驗步驟

被試坐在可調節的椅子上，其眼睛距離顯示器約 60 厘米（dell，分辨率：1,920 × 1,080像素，垂直刷新率：60Hz）。然后進行簡單的決策任務。所有三個任務都分為三個block，在中間休息階段，實驗者可以檢查電極的阻抗并在必要時補充生理鹽水，以保證實驗電極阻抗達到實驗要求。

刺激呈現和手動響應測量由PsychoPy Standalone (2020.2.3) 所呈現和記錄，EGI PyNetstaion庫用于連接 PsychoPy 和 EGI Netstation。

實驗有靜息任務和三個決策相關任務，如下圖所示：

實驗任務的示意圖

數據記錄：

所有數據均可在 OpenNeuro 平臺下，以腦成像數據結構 (BIDS) 格式公開訪問 ( https://openneuro.org/datasets/ds003766 )

腦電圖數據收集

實驗采集如下圖所示，EEG數據是使用基于標準 10/20 系統和EGI腦電系統的 128通道帽采集的。EEG電極布局如圖所示。采樣率為 1000 Hz，以E129（Cz）電極為在線參考。在實驗期間，每個電極的電極阻抗保持在50k Ω 以下。原始 EEG 數據在 Mac OS 上以 .mff格式保存。

數據采集示意圖

數據分析

數據預處理后，使用EEGLAB中的Microstate插件來分析靜息態 EEG 數據。我們進行了微狀態分析并確定了四種穩定微狀態，如下圖。根據采樣數據結果，地形狀態穩定，各個地形狀態與四個大平均地形狀態重疊。

微狀態示意圖

選擇任務腦電圖

食物任務期間左右選擇的比較，以及電極Cz上圖像選擇和單詞選擇任務的有無生命屬性的比較

組級別平均了三個任務的時頻圖。

使用 EEG 進行解碼選擇

使用支持向量機分類器（具有SVC的功能），在 MNE-Python 結合Scikit-learn進行解碼分析。三個任務（即食物選擇任務、單詞選擇任務和圖像選擇任務）的準確度分別為0.67 ± 0.08、0.73 ± 0.09 和 0.77 ± 0.1。下圖左或右選擇的地形圖隨著時間的推移也表現出不同的模式。解碼結果也評估了數據用于未來解碼的潛力。

在三項任務中，刺激開始前 -100 ms、200 ms、500 ms 和 800 ms 的平均地形分布

數據和代碼易用性：

大多數用于分析這些數據的軟件或軟件包都是免費提供的。用于預處理數據和繪制結果的代碼可在 GitHub ( https://github.com/andlab-um/MT-EEG-dataset ) 上公開獲得。有關代碼使用的更多詳細信息，請參閱 GitHub 存儲庫。

參考文獻：

Chen, K., Wang, R., Huang, J. et al. A resource for assessing dynamic binary choices in the adult brain using EEG and mouse-tracking. Sci Data 9, 416 (2022). https://doi.org/10.1038/s41597-022-01538-5

以上部分內容參考以上文獻，更多內容請參考原文獻，本內容僅供參考，如有疑問，請后臺聯系我們！