Autoreject：面向MEG与EEG数据的自动伪迹剔除方法
应用统计
2017-07-14 v3
摘要
我们提出了一种自动化算法，用于统一剔除和修复脑磁图(MEG)与脑电图(EEG)信号中的坏试次。该方法利用交叉验证结合稳健的评估指标，来估计最优峰峰值阈值——该量常用于识别M/EEG中的坏试次。随后，该方法被扩展为一种更精细的算法，为每个传感器估计该阈值，从而得到逐试次的坏传感器。根据坏传感器的数量，通过插值修复该试次，或将其从后续分析中排除。算法的所有步骤完全自动化，故命名为Autoreject。为评估该算法的实际意义，我们在包含200多名受试者MEG和EEG记录的四个公开数据集上，进行了广泛的验证并与当前最优方法进行了比较。比较既包括纯定性工作，也包括针对人工监督和半自动化预处理流程的定量基准测试。该算法使我们能够自动化预处理人类连接组计划(HCP)的MEG数据，直至计算诱发响应。我们方法的自动化特性最大限度地减少了人工检查的负担，从而支持了现代神经科学数据分析所要求的可扩展性和可靠性。
引用
@article{arxiv.1612.08194,
title = {Autoreject: Automated artifact rejection for MEG and EEG data},
author = {Mainak Jas and Denis A. Engemann and Yousra Bekhti and Federico Raimondo and Alexandre Gramfort},
journal= {arXiv preprint arXiv:1612.08194},
year = {2017}
}