来源：心拓视点 编辑：心拓视点 发布时间：2022-07-19
论文题目：
期刊：Nature scientific data
影响因子：
2-year impact factor: 6.444
5-year impact factor: 9.051
发表时间：2022年7月
作者：Kun Chen, Ruien Wang, Jiamin Huang, Fei Gao, Zhen Yuan, Yanyan Qi & Haiyan Wu
发表网址：https://doi.org/10.1038/s41597-022-01538-5
摘要：
我们提供了一个结合高密度脑电图（HD-EEG，128通道）和鼠标跟踪的数据集，旨在作为检查人脑中语义和偏好选择的动态决策过程的数据资源。该数据集包括从 31名被试（年龄：18-33岁）获得的静息状态和任务相关（食物偏好选择和语义判断）脑电图。除了数据集，我们还提供了静息状态脑电图的初步微状态分析以及任务相关脑电图的ERP、拓扑图和时频图。我们相信，同步进行鼠标跟踪和脑电图记录将能破解二元选择的核心组成部分，并进一步解释决策和反应迟缓的时间动态过程。
实验方法：
31名大学生（18-33 岁，平均：20.68 岁；14 名男性）参加了本实验。
被试坐在可调节的椅子上，其眼睛距离显示器约 60 厘米（dell，分辨率：1,920 × 1,080像素，垂直刷新率：60Hz）。然后进行简单的决策任务。所有三个任务都分为三个block，在中间休息阶段，实验者可以检查电极的阻抗并在必要时补充生理盐水，以保证实验电极阻抗达到实验要求。
刺激呈现和手动响应测量由PsychoPy Standalone (2020.2.3) 所呈现和记录，EGI PyNetstaion库用于连接 PsychoPy 和 EGI Netstation。
实验有静息任务和三个决策相关任务，如下图所示：
实验任务的示意图
数据记录：
所有数据均可在 OpenNeuro 平台下，以脑成像数据结构 (BIDS) 格式公开访问 ( https://openneuro.org/datasets/ds003766 )
实验采集如下图所示，EEG数据是使用基于标准 10/20 系统和EGI脑电系统的 128通道帽采集的。EEG电极布局如图所示。采样率为 1000 Hz，以E129（Cz）电极为在线参考。在实验期间，每个电极的电极阻抗保持在50k Ω 以下。原始 EEG 数据在 Mac OS 上以 .mff格式保存。
数据采集示意图
数据分析
数据预处理后，使用EEGLAB中的Microstate插件来分析静息态 EEG 数据。我们进行了微状态分析并确定了四种稳定微状态，如下图。根据采样数据结果，地形状态稳定，各个地形状态与四个大平均地形状态重叠。
微状态示意图
食物任务期间左右选择的比较，以及电极Cz上图像选择和单词选择任务的有无生命属性的比较
组级别平均了三个任务的时频图。
使用支持向量机分类器（具有SVC的功能），在 MNE-Python 结合Scikit-learn进行解码分析。三个任务（即食物选择任务、单词选择任务和图像选择任务）的准确度分别为0.67 ± 0.08、0.73 ± 0.09 和 0.77 ± 0.1。下图左或右选择的地形图随着时间的推移也表现出不同的模式。解码结果也评估了数据用于未来解码的潜力。
在三项任务中，刺激开始前 -100 ms、200 ms、500 ms 和 800 ms 的平均地形分布
数据和代码易用性：
大多数用于分析这些数据的软件或软件包都是免费提供的。用于预处理数据和绘制结果的代码可在 GitHub ( https://github.com/andlab-um/MT-EEG-dataset ) 上公开获得。有关代码使用的更多详细信息，请参阅 GitHub 存储库。
参考文献：
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
以上部分内容参考以上文献，更多内容请参考原文献，本内容仅供参考，如有疑问，请后台联系我们！