婴儿社会神经科学和纵向脑电研究的14个挑战及其解决方案

使用脑电图(EEG)研究婴儿大脑发育是一个日益增长的趋势。除了研究神经、认知和行为功能发展的经典纵向设计外,脑电图的新应用领域也在不断涌现,如使用婴儿-成人双脑电记录的新型社会神经科学范式。然而,大多数实验设计、分析方法以及脑电硬件最初都是为成人单人研究开发的。当应用于婴儿发展研究时,基于成人的解决方案常常带来独特的问题,这些问题可能会被忽视。在此,我们确定了婴儿脑电研究人员在设计新实验、收集数据和进行数据分析时可能遇到的14个挑战。与实验设计相关的挑战是:(1)样本量小和数据流失,以及(2)较小婴儿觉醒状态的变化。与数据采集相关的挑战是:(3)确定参考电极和接地电极的最佳位置,(4)使用高密度海绵电极帽时阻抗的控制,(5)标准脑电帽难以适应多变的婴儿头部形状,以及(6)在双脑电采集过程中确保放大器和记录设备之间高度的时间同步。与纵向和社会神经科学数据集分析相关的挑战是:(7)头部解剖结构的发育变化,(8)婴儿肌源性伪迹的普遍性和多样性,(9)缺乏基于ICA数据清洁所需的眼动立体定型拓扑,(10)较年轻群体脑电反应的个体间变异相对较高。双脑电数据分析的其他挑战是:(11)典型脑电节律的发育性变化,以及难以区分真正的人际同步与由于(12)信号的共同内部特性和(13)共享外部扰动而产生的虚假同步。最后,(14)缺乏婴儿脑电的重测信度研究。我们描述了每一个挑战并提出了可能的解决方案。虽然我们特别关注社会神经科学和纵向研究,但我们提出的许多问题与婴儿脑电研究的所有领域都相关。本文发表在Infant Behavior and Development杂志。（可添加微信号19962074063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，思影提供脑影像数据分析及课程，如感兴趣也可添加微信咨询)。

亮点：

• 成人研究中开发的脑电解决方案并不总是适用于婴儿测试。

• 新兴的婴儿-成人双脑电研究需要独特的解决方案。

• 与研究设计相关的挑战是数据流失和觉醒状态的变化。

• 数据采集需要最佳的电极放置和设备同步。

• 不断变化的头部解剖结构、肌源性伪迹和脑电节律给数据分析带来挑战。

关键词：

婴儿，脑电图(EEG) ，纵向设计，方法论，社会神经科学

1. 引言

     近几十年来,使用脑电图(EEG)研究婴儿大脑发育的研究缓慢但稳步增加。在PubMed中以"新生儿/早产儿/新生儿/婴儿/幼儿"和"EEG/脑电图/ERP/事件相关电位"为题目或摘要检索,返回了1998年发表的36项研究,2008年发表的90项研究,以及2018年发表的197项研究。婴儿脑电研究的悠久历史可以追溯到20世纪30年代,当时Smith(1938a, 1938b, 1938c, 1939)开展了关于正常婴幼儿清醒和睡眠脑电节律(包括α波)发展的开创性研究。20世纪60年代和70年代,婴儿脑电研究得到巩固,正常婴儿EEG发育的基础研究(如Hagne, 1968, 1972)扩展到早产儿EEG的检查(如Parmelee et al., 1968; Weitzman & Graziani, 1968)。而在随后的几十年里,婴儿EEG研究大多是临床性的,例如旨在评估癫痫发作的病因(Clancy & Legido, 1991)或成瘾物质暴露的影响(Legido et al., 1992),最近的研究开始关注心理学和认知神经科学主题,如语言发展(Kühn-Popp et al., 2016)和注视监控(Hoehl et al., 2014)。

      发展社会神经科学中的EEG研究使用了一系列范式(见图1)。历史上大多数是事件相关电位(ERP)研究,通常检查婴儿对静态面孔图片的神经反应。经过深入研究的对比包括:面孔与非面孔刺激的差异性神经反应(如Halit, Csibra, Volein, & Johnson, 2004);直视镜头或视线转移的面孔(如Farroni, Csibra, Simion, & Johnson, 2002);以及不同情绪表情的面孔(如Nelson & De Haan, 1996)。  

图1. 婴儿社会神经科学研究中使用的各种脑电图范式。

a)呈现直视和视线转移的静态图像;

b)呈现不同情绪表情的静态图像;

c)真人实验员与屏幕呈现刺激相结合的互动;

d)双人脑电记录下的真实桌面互动。

      这些范式的优势在于高度可重复性,但局限性在于缺乏生态效度。考虑到这一点,其他研究也检查了对直视和转移视线的差异性ERP反应,但包括真人,通过计算机控制的电子快门显示真实面孔来控制刺激出现和消失(Pönkänen, Peltola, & Hietanen, 2011)。其他研究呈现了演员对着镜头讲话的动态视频(Jones, Venema, Lowy, Earl, & Webb, 2015)或真实的实时互动(Reid, Striano, & Iacoboni, 2011),并使用基于傅立叶变换的分析来检查社会和非社会条件下不同频率的拓扑活动变化。还有研究使用这样的条件:真人实验员先注视婴儿的脸,然后注视一个计算机显示的新异物体,同时测量婴儿对该物体的神经反应(Hoehl, Michel, Reid, Parise, & Striano, 2014; Striano, Reid, & Hoehl, 2006)。

      虽然生态效度更高,但这些研究的另一个局限是,通过一次只记录一个被试,它们无法捕捉社会互动过程中两个互动伙伴之间信息共享的人际动力学(Schilbach et al., 2013)。为了解决这个问题,研究人员最近开始借鉴成人研究中的方法创新(Lachat & George, 2012; Liu et al., 2018),这些创新允许在互动过程中同时记录婴儿和成人社交伙伴的双人脑电图。研究的互动类型包括与不熟悉成人的半结构化互动(Leong et al., 2017)以及与父母的桌面游戏或其他合作活动(Wass et al., 2018)。分析通常集中在测量婴儿和成人的脑活动与注意力之间的格兰杰因果关系(Granger, 1969)或同步性(Lachaux, Rodriguez, Martinerie, & Varela, 1999)。

       婴儿研究人员普遍面临的一个问题是,大多数硬件和分析方法以及EEG硬件最初都是为成人研究开发的。将基于成人的解决方案应用于婴儿发展研究时,常常会出现一些可能被忽视的独特问题。此外,一些较新开发的技术,如双人脑电记录,也带来了迄今为止很少讨论的特定方法学挑战。在此,我们确定了婴儿EEG研究人员在设计新实验、收集数据和进行数据分析时可能遇到的14个挑战。我们在下文中描述的几个方法问题和可能的解决方案是针对双人脑电分析的,而其他则与婴儿脑电研究的所有领域相关,包括纵向和横断面设计。鉴于我们的目的是说明已确定的问题并提出可能的解决方案,而不是全面回顾婴儿脑电研究,因此我们将有选择地引用婴儿脑电文献。下文中使用的关键术语在表1中介绍,包括建议的更多信息参考文献。

表1. 与脑电图数据采集和分析相关的关键术语

术语 描述

双人脑电图： 同时从两个不同个体获取脑电信号,通常目的是获得人际同步化的测量指标。这种方法也被称为hyperscanning(Babiloni & Astolfi, 2014)。

电极放置： 根据预先确定的解剖学标志(如距枕骨的距离)将脑电电极置于头皮上。电极放置可以通过计算每个电极的位置手动进行,或者更常见的是使用具有固定电极位置的适合年龄的脑电帽/网(Fisch & Spehlmann, 1999)。 

事件相关电位： 与特定感觉刺激或运动反应时间锁定的典型脑电压波动模式。由于与刺激无关的背景脑电活动幅度较高,通常需要重复数十次或数百次试验才能可靠估计事件相关电位(Luck, 2014)。

格兰杰因果关系： 一个时间序列(x)在考虑了另一时间序列(y)的自预测过去值后对其进行前向预测的方向性度量(Granger, 1969)。

接地电极： 用于共模抑制的电极:它接收所有电极读取的信号,如电源线噪声(50/60 Hz),并将其从脑电记录中消除。在成人研究中,它通常放置在前额或面颊上(Nunez & Srinivasan, 2006)。

阻抗： 交流电(AC)流的反对程度,由电阻和电抗的综合效应产生。通常,头皮上脑电电极的阻抗越高,该电极记录到的信号幅度越小。电极接触阻抗通常保持在10 kΩ以下,尽管使用高密度EGI测地传感器网时,更高的阻抗值(<100 kΩ)是可以接受的(Nunez & Srinivasan, 2006)。

相位耦合： 两个脑电时间序列(如由不同电极或不同个体记录)的持续振荡相位之间关联的度量。相位耦合可以通过多种指标来评估,如相位锁定值(PLV)、相位滞后指数、互信息等(Cohen, 2014)。

参考电极：每个电极记录的脑电信号是电极本身测量的信号与另一个"参考电极"之间的差异。在单极接法中,参考电极通常放置在顶点、鼻子或乳突上。在双极接法中,每个数据通道都有一个单独的参考电极(Nunez & Srinivasan, 2006)。

静息态： 一种神经影像范式,参与者被指示在不参与主动任务的情况下放松和保持静止。在婴儿中,静息态记录模拟最小运动活动的安静清醒期(Anderson & Perone, 2018)。

节律： 脑电信号部分由神经振荡组成,这些振荡可以在不同的频率范围内进行功能分离,通常被称为脑电节律或频带。一个经典例子是α节律(成人为8-12 Hz,婴儿为6-9 Hz),在闭眼放松清醒状态下,其幅度在枕区通道达到峰值(Buzsaki, 2006)。

源定位： 从脑电信号(或信号的一个元素)起源的脑内源的识别。它涉及从神经源模型预测脑电电位(称为正问题)和从脑电电位估计神经源(称为逆问题)(Michel & Brunet, 2019)。

频谱功率： 神经信号的平方幅度,通常在一定范围的信号频率上积分。通常使用快速傅立叶变换(FFT)计算。频谱功率通常在连续脑电数据集中测量(Cohen, 2014)。

2. 实验设计

2.1. 婴儿神经影像研究的样本量和数据损耗

2.1.1. 问题

      与成人研究相比,由于婴儿不合作和与运动相关的伪迹对信号的污染,婴儿神经影像研究通常遭受更高的数据损耗率(Bell & Cuevas, 2012)。虽然可以指示成人避免运动,但这种策略对儿科人群无效。参加实验的一部分婴儿要么太烦躁或易怒,无法佩戴脑电帽,要么在佩戴脑电帽时变得太不安,这意味着在收集数据之前必须立即将其取下(参见De Haan, 2013, pp 17-18)。此外,对于一些婴儿,他们的无运动伪迹数据量可能不满足数据分析的最低要求。例如,在静息态范式中,建议每个被试至少需要40-60秒的可用数据才能获得一致和可靠的结果(Lund, Sponheim, Iacono, & Clementz, 1995; Salinsky, Oken, & Morehead, 1991)。因此,未能提供这一最低无运动数据量的婴儿将不得不完全排除在分析之外。这导致每个被试的可用数据比例较低,并且可能导致可用数据集较少(例如,如果无伪迹数据持续时间或可用试次方面的数据分析最低要求未得到满足)。对于自然主义范式(如自由游戏)以及需要两个伙伴同时贡献无伪迹数据片段才能计算同步性度量的双人方案,数据损耗问题更加严重。如表2所示,即使婴儿在观看引人入胜的屏幕刺激(如卡通或童谣)时,婴儿运动(包括面部、四肢和姿势运动)仍然出现在60-70%的时间里。在自然主义自由游戏范式中,运动几乎是连续存在的。这种高运动污染率强烈推动了数据清洗稳健算法的开发,以及对不同类别运动对神经信号的特定影响的更好理解(有关这些要点的进一步讨论,请参见第4.2节)。

表2. 在四种不同实验范式下,婴儿运动占总实验时间的百分比。

注释：前三个实验是基于屏幕的（即婴儿分别观看卡通片段、自然语言或人造语言），而最后一个实验涉及在桌面上与母亲自由玩耍。每种范式期间，婴儿都被录像，录像中的片段会手动编码，筛选出没有任何肌肉运动的片段。我们在此报告了所有婴儿参与者的平均（across all infant participants）执行任务时同时移动的时间。

2.1.2 解决方案 

      可用的婴儿神经数据的比例将取决于多种因素，包括实验范式的性质（例如，基于屏幕或基于互动）、婴儿参与者的年龄（年龄较大的婴儿能够进行更广泛的运动）、录音设备对运动的敏感性（以及去除运动伪迹的效果）和神经效应的兴趣的频谱和地形特性。在涉及婴儿的EEG双向互动范式的情况下（例如，Leong 等人，2017年，Leong 等人，2019年；Wass 等人，2018年），我们之前注意到数据损耗率约为50％。这表明，研究可能需要招募和测试的参与者（双向对）数量是基于标准功效计算所需的两倍。未来，随着下一代脑成像系统如光学泵浦磁力计（OPM）MEG系统（Boto等人，2018年）的出现，这些系统具有更高的信噪比和对运动伪迹污染的更强韧性，以及更好的运动伪迹清除方法（见第4.2节），即使在真实世界的自然范式中也能允许高保真和较低损耗的神经数据收集。

2.2 在较小婴儿中变化的唤醒状态

2.2.1 问题

      纵向和双EEG数据可能受到婴儿唤醒状态变化的影响。婴儿行为可以在几分钟内从高度激动的状态（过度唤醒）变为平静休息甚至睡眠。由于新生儿和婴儿睡眠和清醒时间的比例相对较高，以及与新生儿典型的唤醒期间的运动活动（如吮吸、哭泣、排便和移动四肢）相关的许多EEG伪迹（见第4.2节），新生儿的大多数EEG测量都在“安静”非快速眼动（NREM）睡眠期间进行。然而，尽管在睡眠期间的记录改善了EEG的信噪比，获得的结果可能不易于直接解释。在成人中，即使轻微的唤醒程度下降也会使大脑进入与清醒时不同的处理模式，影响EEG ERP、频谱功率和连接度测量（Ogilvie，2001）。因此，在嗜睡或睡眠期间获得的EEG结果不能直接解释为清醒时的大脑功能。早期在婴儿中的研究表明，唤醒状态（清醒、NREM睡眠和REM睡眠）不影响新生婴儿ERP特征（Hirasawa、Kurihara 和 Konishi，2002年；Martynova、Kirjavainen 和 Cheour，2003年），这为在嗜睡和安静睡眠期间对婴儿进行测试提供了理由。然而，随后的研究很快就证明了这些效应，包括在安静睡眠期间与清醒期间相比，8周大健康婴儿的听觉ERP幅度显著增加（Friedrich、Weber 和 Friederici，2004年；见图2），以及警觉状态功能下错配反应的地形变化（Otte 等人，2013年）。

图2. 8周大婴儿在安静睡眠状态下与清醒状态相比，听觉差异波（偏离值减去标准值）的幅度增加。

      因此，当与高唤醒期间收集的数据集相比时，应谨慎解释在低唤醒水平期间获得的婴儿EEG发现。对于比较年幼的睡眠婴儿与年长的清醒婴儿的纵向或横断面EEG研究来说，睡眠混杂尤其是一个问题。在这种情况下，作为年龄功能识别的EEG变化可能仅仅反映了不同唤醒水平之间的EEG差异。在所有年龄组期间进行的睡眠EEG记录不一定能解决问题，因为睡眠EEG的特征在生命的第一年中会发生显著变化，例如，在新生儿睡眠期间经常观察到多灶性尖波，但在较大婴儿中则不会（Hagne，1972）。同样，如果双方EEG测量中的一个伴侣比另一个伴侣更易激动或更昏昏欲睡，也可能导致混淆。鉴于唤醒水平的变化可能会将背景EEG活动转向更快或更慢的频率，这可能会降低大脑间同步指数。

2.2.2 解决方案 

      通过运行一系列短暂的1-3分钟实验模块，并根据需要进行休息以将婴儿的唤醒水平调整到所需水平，可以维持婴儿唤醒水平的稳定。此外，对于刺激呈现和数据获取的实验脚本能够根据婴儿行为和唤醒状态的变化以应变方式交付，这也是至关重要的。最后，应谨慎分析包含高唤醒或低唤醒状态的数据，要么将其删除，要么将其分入唤醒状态箱并单独进行分析。

      当在纵向或横断面研究中仅在清醒期间进行数据获取不可行时，例如在测试新生儿时，可以通过手动评分婴儿行为的视频记录和/或从EOG和EEG记录中评分唤醒水平（清醒、NREM睡眠、REM睡眠）来评估唤醒水平。Grigg-Damberger等人（2007年）总结了婴儿和儿童唤醒和睡眠的视觉评分指南。在儿科研究中，也越来越多地使用基于活动测量的自动化评估睡眠/觉醒模式（Meltzer、Montgomery-Downs、Insana 和 Walsh，2012年）。获得的唤醒指数可以作为协变量输入统计模型中，以测试实验假设。

3.数据获取

3.1 确定参考电极和接地电极的最佳位置 

3.1.1 问题 

      选择婴儿EEG获取的参考电极和公共接地电极（如适用）位置时，有两个主要考虑因素。第一个考虑因素（更多与公共接地电极相关，如果所用系统采用此类电极的话）是稳定性——选择一个对运动引起的位移最不敏感的位置。第二个考虑因素（更多与参考电极相关）是被研究效应的地形和与先前文献中预测效应的位置和极性的可比性。这些考虑因素对成人EEG同样适用，但成人参与者可以遵从指令（例如保持静止）并且更容易容忍电极附着在不同位置（例如鼻子、乳突和耳垂）。此问题在婴儿群体中因发展变化而更加复杂。

3.1.2 解决方案 

      关于公共接地，电极在参与者身上的确切位置相对来说影响不大（Light等人，2010年），只要电极牢固地附着，不容易因为移动而位移即可，例如当放置在头部或颈部背面的椎骨上。如果使用EEG帽，有时会牺牲一个记录通道用作公共接地，这在低密度系统中可能不理想。在这些情况下，颈部背面的椎骨是一个可以接受的替代选项，只要注意稳固地附着它，避免在记录期间松动。为此，不应该放置得太高，因为这会使其易受头部运动的影响，也不应该放置得太低，那样可能会捕捉到呼吸和心跳等生理运动。还应仔细考虑导线的长度，它应该有足够的余地，使婴儿能够向前倾斜而不影响电极的实际附着。重要的是，与成人不同，对于婴儿（甚至新生儿）来说，鼻子是一个不佳的选择位置，因为其高度可见性和可能的干扰性。

       参考电极的最佳位置在文献中引发了热烈的讨论。大多数放大器不区分记录电极和参考电极（Nunez & Srinivasan，2006年）——相反，它们放大头皮位置对之间的差异，且所得放大电位与该差异成比例。由于这种操作是线性的，在大多数系统中可以恢复在线参考，并且可以在离线时重新参考记录。此外，由于EEG记录的是电位差，在理想状态下，参考电极应与所有其他通道对称间隔，并且不应记录大脑活动，以便在参考过程中不会减去任何大脑活动。因此，对于成人，鼻子、耳垂和乳突（虽然它们位于头部，但颞骨后的骨头更厚，与头皮上的其他传感器相比，它们与大脑的距离更远）是首选位置（Op de Beeck & Nakatani，2019年）。然而，这些位置对婴儿来说不易容忍，不同的年龄段更能容忍不同的位置，这在双EEG设计中立即带来了问题，因为在双向对的每个伙伴处放置不同位置的参考电极会以不同的方式影响EEG数据。乳突位置在记录时容易容忍，但在去除时常常使婴儿感到不适，因为用于牢固附着电极的粘贴贴片很容易粘附长发。因此，在为婴儿移除乳突位置的电极时，应仔细考虑安全和快速移除。

      也许最常用的解决方案是使用Cz作为参考通道（Hoehl & Wahl，2012年）。其位置相对于所有其他通道是对称的，它是一个相对受保护的位置，不易受到运动伪迹的干扰，并且特别是使用帽子时，设置和移除的时间较短。然而，这种解决方案有三个潜在的缺点。首先，它牺牲了一个记录通道，在低密度系统中这是不可取的。其次，如果婴儿头发较浓密，获得良好的连接和低阻抗可能会很困难。最后，中心位置对某些形式的大脑活动具有最大值，这种活动将在参考过程中被减去。显然，在选择婴儿EEG的参考通道位置时没有完美的解决方案。决策应基于如设置（高密度或低密度）、参与者年龄、实验问题和设计（是否为双EEG研究）以及最重要的已发布文献——更改参考位置可以改变被测量的偶极体的方向和效应的地形。

3.2 在使用高密度海绵电极网进行测试时控制阻抗 

3.2.1 问题

       对于希望记录婴儿EEG的研究者，可用的不同设备设置中有一个重要区别是盐水和凝胶系统之间的差异。对于基于凝胶的系统（如Biosemi、Neuroelectrics和Biopac所使用的系统），每个电极必须在应用网或帽并开始记录之前手动注入电解质凝胶。对于基于盐水的系统（如EGI系统），每个电极包含一个小海绵，整个网在应用于婴儿头部之前需要浸泡在电解质中。这些系统的优势在于，由于每个电极不需要手动注入电极凝胶，因此可以从不耐烦长时间应用高密度网的婴儿那里获取高密度记录（例如，使用128个电极及以上）。

      基于盐水的系统的一个缺点是，电极与头皮之间的连通性依赖于盐水溶液的存在。随着记录的进行，盐水溶液蒸发，阻抗可能随时间增加，系统性地降低记录会话末尾的数据质量。

3.2.2 解决方案

       首先，使用基于盐水的网的记录会话(session)应保持简短（例如，每个连续会话不超过约20分钟）。如果需要更长时间的记录，可以中断测试并重新应用盐水溶液，使用移液管逐个电极添加，无需取下网。其次，如果计划在不同条件下进行比较，确保在参与者之间对条件的呈现顺序进行平衡，以避免测试会话后期系统性较高的阻抗可能影响结果的可能性。最后，如果计划的分析将聚焦于一部分电极，确保通过在测试前和期间查看阻抗来手动检查这些电极。

3.3 标准EEG帽对婴儿头部形状变化的适应性差 

3.3.1 问题

      对年幼婴儿进行测量时，标准EEG帽适应性差是一个常见问题。这部分是因为婴儿早期颅骨间的囟门（连接组织而非骨组织形成的“软缝隙”）仍然具有可塑性，因此婴儿的头骨（因此，头部）形状在生命的第一周尤其可能发生剧烈变化（Baum & Searls，1971）。此外，早产儿在生命的最初几周头部形状的变化可能是非线性的（Souza, Ross, & Milner，1976；见图3）。这在纵向研究设计中可能是个问题，当婴儿在出生时和稍后生命中的某个时刻再次接受测试时，使用标准帽的电极的确切位置可能会因年龄而略有不同。这可能会也可能不会根据研究问题对效应地形的敏感性而构成问题。囟门通常从大约3个月开始缓慢闭合，这一过程持续到18个月甚至更长时间（Duc & Largo，1986；Hansman，1966），但这些逐渐的变化很小，只有在非常低密度设置下才可能构成问题，即少于8个记录通道。

图 3. 早产儿在经分娩出生后第一个月头部形状的百分比变化（y轴），胎龄为26-35周。

3.3.2 解决方案

       在临床环境中，准确的地形和电极位置至关重要，EEG的最常见使用只涉及一个或两个记录通道（加一个参考/公共接地）。这些电极使用导电膏单独粘贴在头皮的特定位置，不受婴儿头部形状的影响（例如，用于监测癫痫）。

       在新生儿和早期婴儿研究中，低密度（通常在3-32通道之间）设置比高密度设置（32-128通道）更实用，也更可能被使用（DeBoer, Scott, & Nelson, 2007）。由于需要附加的通道数量较少，它们可以单独应用，尽管需要花时间和注意力准确识别每个通道的位置，这取决于设置和婴儿的状态/心情，可能更实用或不那么实用。通道的手动应用可能比帽子的应用更容易出现人为错误。然而，鉴于3个月以下婴儿头部形状的高度变异，如果实验者训练有素且经验丰富，并且通道的确切位置而非大致位置至关重要，则可能规定单独应用通道。然而，在高密度系统中，这种做法根本不实用。在6个月以上的婴儿中，通常更倾向于使用高密度（32+通道）系统，而且在成年人中几乎没有更大的头部形状变异性，使用弹性帽是适当的标准做法。

3.4 确保放大器和记录设备之间的高度时间同步 — 双EEG采集

3.4.1 问题 

      双EEG数据的数据分析要求使用的不同记录设备具有非常高的时间同步性。例如，在测量10 Hz的大脑活动时，一个完整的振荡持续100毫秒，即使是几十毫秒的变异记录误差也可能在估计信号相位时造成损害。类似的考虑也适用于视频记录与EEG数据之间的时间同步。我们的经验表明，某些EEG记录系统和许多摄像机在记录过程中可能会周期性地跳过短段数据，特别是在数据采样率高和系统的内存/硬盘写入速度受限的情况下。

3.4.2 解决方案 

       首先，尽可能确保使用一个放大器而不是两个单独的放大器进行EEG数据采集。这样可以消除确保两个（或更多）EEG数据流之间准确同步的问题。如果这种解决方案不可行，例如在将EEG数据与外部视频摄像机同步时，则可以发送定期的TTL脉冲（来自单独的计算机），这会将周期性事件插入到EEG记录中，并同时发送信号（例如通过点亮LED灯）以便视频摄像机可见。通过手动编码首次可见LED灯的帧来确保EEG与视频的同步。而不是仅同步一次，这个过程应在整个记录过程中重复，以防记录途中短暂数据缺失（例如丢帧）。

4.1 发展变化对头部解剖影响

EEG源定位 

4.1.1 问题 

      在建模婴儿期EEG信号源的神经发育变化方面，计算方法正在取得重大进展（例如，Reynolds & Richards, 2009; Xie & Richards, 2017）。然而，这一任务颇具挑战性，因为在生命的头几年中，头部解剖会发生显著变化，这些变化影响头骨的导电性和在头皮上测量到的电信号的传播（Odabaee等人，2014）。出生后的几个月里，新生儿的颅骨并未完全融合。相反，颅骨由囟门（柔软的膜状缝合线）分开，这些囟门可以适应分娩期间以及大脑随后生长过程中发生的拉伸和变形（Weickenmeier, Fischer, Carter, Kuhl, & Goriely, 2017）。在分娩期间，囟门最初相对较小，但在生命的最初几个月可以扩展到3−4厘米宽（Pedroso, Rotta, Quintal, & Giordani, 2008; Popich & Smith, 1972）。在健康儿童中，前囟门（位于两个额骨和两个顶骨之间的最显著的菱形膜状空间）通常是最后闭合的（因为颅骨的骨骼开始钙化）。前囟门在出生后大约18个月甚至几年内仍然存在（Hansman, 1966）。囟门会影响伴随主要电流的体积电流的流动。模型数据表明，囟门的影响类似于成人颅骨中的孔洞（Bénar & Gotman, 2002）和高导电性区域（Ollikainen, Vauhkonen, Karjalainen, & Kaipio, 1999）。具体来说，Roche‐Labarbe等人（2008年）在其源定位分析中报告说，当婴儿囟门被模型化为较薄的抗性颅骨区域时，这会导致偶极子朝向囟门区域的适度偏移。

      随着从出生时的1到2毫米到成年早期的几毫米的颅骨厚度的增加，其导电性相应降低（Gibson, Bayford, & Holder, 2000; Hansman, 1966）。在成人中，颅骨导电性具有高度个体差异（Gonçalves等人，2003），这表明婴儿的颅骨导电性也可能在参与者之间有相当大的差异。婴儿源定位模型研究已经表明，颅骨层导电性的变化往往比其方向更大程度地影响偶极子的大小和位置（Lew等人，2013; Roche‐Labarbe等人，2008）。

4.1.2 解决方案 

      目前，大多数可用的婴儿源定位技术并未补偿颅骨厚度、密度及囟门闭合等因素。尽管高密度EEG阵列可能为估计婴儿神经活动的来源提供了有希望的潜力，但建议将源定位的尝试与强有力的理论和解剖预测相结合，并受其约束。特别是，开发适合发育的头部模型的尝试（例如，Lew等人，2013）可能会在未来提高婴儿源定位的可行性。Azizollahi, Darbas, Diallo, El Badia, 和 Lohrengel (2018) 最近开发了针对EEG源定位正向解的有希望的头部模型，考虑了囟门的可变导电性；需要后续研究来测试在不同囟门闭合阶段所提出的解决方案。

4.2 婴儿肌源性伪迹的普遍性和多样性 

4.2.1 问题 

      对于儿科人群，实验记录过程中几乎不可避免地会有运动。在EEG中，肌源性伪迹对婴儿的测量比成人测量更具问题性，因为非自主的生理活动（如心跳和眨眼）不够典型，因此更难以使用通常适用于成人EEG的去噪程序来识别和移除（Fujioka, Mourad, He, & Trainor, 2011）。婴儿突然和频繁移动的倾向进一步增加了复杂性，这会造成头皮上通道的暂时位移（Bell & Cuevas, 2012; Fujioka等人，2011; Hoehl & Wahl, 2012）。

      正如第2节（2.1）表2所示，在任务进行时的运动普遍性可能高达95％以上，特别是在自然互动范式中。肌肉活动可以分为头颈面部运动和身体肢体运动两大类。我们通常发现前者在普遍性和对EEG信号的宽带伪迹影响方面更为问题重重。

      值得一提的第一类代表是眼部和下颌运动。这些运动从出生时就开始（即眨眼、吮吸反射、哈欠、寻根反射、哭泣）并在实验条件下持续到18个月甚至更长时间。这些运动的肌伪迹与EEG电极的接近性及其重复性质使它们对EEG研究者尤为棘手。尽管文献中对眼部眨眼对EEG的影响研究得相对较多，并且可以通过专用通道或眼动仪检测到（Plöchl, Ossandón, & König, 2012），但下颌运动的检测和校正更具挑战性，并且已知会降低与认知相关的神经信号的信噪比（Brooker & Donald, 1980）。

在身体肢体运动类别中，我们发现上肢运动（手臂和手）在自然游戏中的12个月龄组婴儿EEG中产生最多的伪迹频谱特征（见图4）。这些运动伪迹的一个问题特征是，它们并不一定在原始EEG中产生明显的伪迹活动——即电极轨迹的振幅和时间特征与婴儿（尽管成人也是如此）看似静止时相比可能没有太大变化。因此，这些形式的肌肉活动造成的污染可能无法通过自动预处理程序检测到，甚至在手动伪迹拒绝过程中也可能检测不到（见图5）。

图 4. 面部运动或肢体运动与静息状态之间显著差异的头皮地形图（Cohen's d值）。在每个子图中，只显示观察到显著功率差异的头皮区域（Benjamin-Hochberg FDR校正，p<.05），并以颜色表示。灰色=结果不显著；红色=运动期间功率较高；蓝色=静息状态功率较高。共有14名婴儿参与了这项研究。该组中有6名男孩和8名女孩，平均年龄为338.85天（标准差=59.59）。由于烦躁，两名婴儿产生的静息状态数据不足，因此被排除在分析之外。剩余的12名婴儿包括5名男孩和7名女孩，平均年龄为325.5天（标准差=51.77）。面部运动由6名婴儿代表，手和手臂运动由8名婴儿代表，脚和腿运动由10名婴儿代表。该研究已经得到剑桥心理研究伦理委员会的批准，父母代表其子女提供了书面知情同意。作者数据（Georgieva等人，2018年）

图 5. 连续记录中的婴儿原始EEG（过滤并平均重新参考）片段。所有图形显示了连续记录中的5秒，分别是a) 婴儿静息状态，b) 婴儿手部运动，c) 婴儿手臂运动，以及d) 婴儿讲话/语音活动。注意，运动发生的时间点（标记为垂直线）并未在EEG信号中产生容易识别的变化。

     在电信号轨迹位移不像眨眼那样典型的情况下，可以尝试通过比较其频率谱与静息状态活动的频率谱来分离信号失真。然而，在解释肌肉生成的伪迹活动时，使用婴儿“静息状态”活动作为黄金标准本身就是有问题的。很难确信婴儿的EEG记录是无运动的；即使看起来没有明显的运动。例如，可能会有轻微持续的吮吸行为发生在大约2-4 Hz，这将增加颞部电极区域的delta或theta功率。这种活动如果不使用额外的颌部EMG电极几乎无法检测到——而这些在婴儿EEG研究中几乎从未使用。

4.2.2 解决方案

      由于没有有效的方法可以在EEG实验中消除婴儿的运动，因此理解以下几点至关重要：（1）典型婴儿运动对EEG信号的特征影响；（2）在关注的年龄段最可能表现出的运动；（3）在实验范式中最可能存在的运动；（4）运动对不同EEG指标（例如连通性或频谱测量）的影响。

      为了解决成人EEG数据中与运动相关的伪迹问题，研究人员传统上通过采用严格的拒绝阈值来排除受伪迹污染的数据段。然而，当应用于婴儿时，伪迹排除方法可能会导致相当大的数据损失（Fujioka等人，2011年），且越来越多的研究对于那些能够在不严重损害神经活动完整性的前提下，准确识别和去除婴儿EEG中伪迹的校正程序表现出兴趣（Fujioka等人，2011年；Gwin, Gramann, Makeig, & Ferris, 2010年；He, Hotson, & Trainor, 2007年）。虽然各种方法可以减轻因伪迹拒绝而导致的数据损失问题，并且这些方法已经在多项研究中作为数据预处理的清理策略被使用（Agyei, van der Weel, & van der Meer, 2016年；Corrigall & Trainor, 2014年；Folland, Butler, Payne, & Trainor, 2014年；Slugocki & Trainor, 2014年；Trainor, Lee, & Bosnyak, 2011年），这些策略仍然依赖于将EEG信号的一部分成功分类为伪迹，这本身就是一个不简单的任务。

       为了评估伪迹活动可能会放大或减少研究者正在测试的效应，应对特定运动伪迹如何扭曲婴儿EEG数据进行系统控制分析。我们在一项研究中成功采用了这一策略，研究中一位成人为婴儿唱童谣，同时记录了她在语音产生期间的EEG（Leong等人，2017年）。我们量化了童谣产生的频谱和地形特征，并将这些特征与静默静息状态进行比较，以量化语音产生伪迹对我们感兴趣的测量（连接模式）的影响。此外，在最近的工作中，我们试图编录婴儿产生的最显著运动及其对EEG记录的伪迹影响的详细描述性库（Georgieva, Lester, Yilmaz, Wass, & Leong, 2018年）。因此，我们调查了它们与静息状态EEG在主要感兴趣的频率带（1-20 Hz）的拓扑和频谱特征。虽然这个库绝非详尽无遗，但我们希望它能进一步发展为一个工具，以识别EEG信号中哪些维度最容易受到肌肉活动伪迹引入的偏见。

4.3 婴儿眼动的非典型地形学缺失，难以进行基于ICA的数据清理

4.3.1 问题 

      鉴于婴儿无法被指导在刺激呈现的关键时期避免眨眼，婴儿任务相关的EEG数据可能会受到与成人EEG相比更大比例的眼动相关噪声的污染。这为需要可比较的信噪比以准确估计跨大脑同步的双EEG研究带来了数据可比性问题。典型的EEG伪迹，如由眨眼和眼球快速移动引起的，可以通过独立成分分析（ICA）有效地从信号中识别并去除，ICA将多变量信号分解为几个EEG通道中线性混合的加性子成分（Makeig, Bell, Jung, & Sejnowski, 1996; Vigário, 1997）。在成人EEG研究中，基于ICA的信号分解可能是最常用的数据清理方法，婴儿研究中使用ICA的情况也在增加。然而，尽管ICA在识别成人群体中与眼动相关的伪迹方面非常有效，但它常常无法识别由婴儿的眨眼和眼球快速移动驱动的成分（见图6）。在婴儿EEG的其他一些ICA案例中，眼动噪声会扩散到大量的成分中（Fujioka等人，2011），因为它在时间和空间上不像成人那样局限。此外，鉴于婴儿背景EEG活动频率相对较慢但振幅较高（Bell & Wolfe, 2008），其频谱和空间模式可能与眼动引起的模式重叠，进一步阻碍了基于ICA的信号分解。

图 6. 同一双胞胎中婴儿（9.5个月）和母亲（32岁）数据集的前五个独立成分的地形表示，按EEG信号解释的幅度从大到小排序。母亲数据集的前两个成分代表眼动（眼球快速移动和眨眼），而婴儿数据集的ICA分解中缺少与眼动相关的成分。

4.3.2 解决方案 

      尽管大多数使用ICA进行数据清理的EEG研究依赖于Runica（Makeig等人，1996年）或FastICA（Hyvärinen & Oja，1997年）算法，但信号处理文献中有大量研究其他ICA解决方案的文章，其中一些可能对婴儿数据的处理更为有效。例如，Miljković, Matić, Van Huffel, 和 Popović（2010年）比较了RobustICA、SOBI、JADE和BSS-CCA算法提取新生儿EEG信号中的ECG伪迹的效率，并发现它们的灵敏度在0.73到0.85之间，其中SOBI和BSS-CCA方法比RobustICA和JADE更有效。需要类似的系统研究来比较不同ICA方法清理婴儿和成人EEG数据集的效率。最后，当基于ICA的算法失败时，应采用其他伪迹清除方法，例如Artefact Blocking算法，它可以有效处理婴儿和成人数据集（Fujioka等人，2011年；Mourad, Reilly, de Bruin, Hasey, & MacCrimmon, 2007年）。该算法通过乘以一个阻塞矩阵来处理观测数据矩阵，该矩阵能消除高幅度伪迹，如眨眼、眼球快速移动或头部运动，同时对其他EEG源进行最小失真的线性变换。

4.4 较年轻群体中EEG反应的相对高个体间变异性 

4.4.1 问题 

       在婴儿的EEG研究中，存在两个固有的问题：必须使用较短的数据记录期，并且由于伪迹的增多，这些记录期间的数据质量更为变化。此外，另一个问题是，婴儿的神经反应的个体内变异性本质上较高（De Haan, 2013）。这种较高的变异性源自多种因素，包括变化的唤醒状态（见2.2节）、运动伪迹和不合作行为（见4.2节）以及大脑结构的快速发育成熟（见3.3节和4.1节）。这种高变异性意味着必须采集更多的样本以获得准确的平均值。最后，由于发展和大脑成熟速度的差异，年轻群体中EEG反应的个体间变异性也更高。综合这些问题，婴儿EEG研究面临严峻的信噪比挑战。

4.4.2 解决方案 

      可以采取的实际步骤包括：i) 设定较少的条件，从而为每个条件收集更多（因此更准确）的数据；ii) 尽可能将数据收集分散到多个不同的较短会话中，或者在实验条件之间穿插引人入胜的电视剪辑，以最大化数据保留。可以采取的分析步骤包括将收集的数据量作为统计分析的协变量。

5.1 发展中的规范EEG节律变化 

5.1.1 问题 

        在儿童早年，大脑活动会发生迅速的发展变化（Haartsen, Jones, & Johnson, 2016），并且规范EEG节律随着发展而变化（Anderson & Perone, 2018; Hagne, 1968）。例如，Stroganova, Orekhova, 和 Posikera（1999）发现，婴儿期的alpha活动比早年和以后的生活阶段更慢（见图7A），尽管在功能上和地形上与成人的后部alpha波相对应，同时theta活动也更慢（Orekhova, Stroganova, Posikera, & Elam, 2006）。Marshall, Bar-Haim, 和 Fox（2002）同样发现，从5个月到4岁，相对6-9 Hz功率发生了变化，峰值频率从5个月时的4 Hz（覆盖顶叶和枕叶部位）和7 Hz（覆盖中央和额叶部位）增加到2岁时的约8 Hz以及4岁时的9 Hz（广泛分布于头皮）（见图7B）。他们还观察到从10个月到4岁的相对α功率在个体间保持稳定的差异（但从5个月到10个月则不然）。

图 7. (A) 从8个月（实线）到11个月（虚线）年龄段观察到的 alpha 频率范围的发展性变化。

(B) 五个年龄组的参与者数量以垂直条形图表示，其峰值频率位于4-9 Hz范围内的特定1 Hz区间，记录自左前额电极F3。可以观察到峰值频率从5个月的5 Hz变化到51个月的9 Hz。

      这种EEG节律的发展性变化给婴儿-成人双EEG分析带来了问题，因为用于研究大脑间连通性的大多数分析算法，如相位锁定值（PLV；Lachaux等人，1999）或加权相位滞后指数（wPLI；Vinck, Oostenveld, Van Wingerden, Battaglia, & Pennartz, 2011），估计的是从两个时间序列中提取的相同频率的相位耦合。考虑到婴儿的振荡节律峰值频率比成人慢，这样的分析可能会评估双胞胎伙伴之间不同频带的相位耦合。例如，8个月大的婴儿与其母亲之间的6 Hz耦合可能估计的是婴儿的alpha振荡与母亲的theta振荡之间的同步。鉴于不同频率范围可能具有不同的功能作用，这种耦合可能不适合识别功能上重要的大脑间同步。

5.1.2 解决方案 

      作为单频耦合的替代方案，可以使用跨频率耦合技术来评估大脑间连通性（Canolty & Knight, 2010; Cohen, 2014）。在相位-幅度耦合分析中，一个时间序列中的振荡相位与另一个时间序列中的振荡幅度相关。重要的是，两个时间序列之间的振荡频率不需要匹配，这使得不同频率区间之间的耦合成为可能，例如婴儿的6 Hz alpha相位与母亲的10 Hz alpha幅度。同样，两个时间序列（婴儿和母亲）之间不同频率区间的功率可以在幅度-幅度耦合中相关。作为依赖于狭窄频率区间分析的跨频率耦合方法的替代，大脑间连通性可以使用不限于单一狭窄频率区间的连通性指标来评估。例如，加权符号互信息（wSMI; King等人，2013）估计两个时间序列中符号信号模式共同出现的概率，其频率特异性相对较低。虽然由三个间隔32毫秒的元素形成的符号在8 Hz有最高的敏感性，它们表示约2-11 Hz的频率范围，可以涵盖婴儿和成人的alpha峰（King等人，2013）。

5.2 区分人际同步与由信号内在属性导致的虚假同步

5.2.1 问题 

      双重神经成像研究通常以两种模式之一来检查同步。第一种是同时同步（“当X高时，Y也高”），可以通过测量信号的幅度或功率的协方差，或通过测量信号的相位（例如相位锁定值；Lachaux等人，1999）来评估。第二种是顺序同步（“X的变化预测Y的变化”）（通常称为格兰杰因果关系；Granger, 1969），同样可以基于信号的幅度、功率或相位来评估（例如部分定向相干性；Baccalá & Sameshima, 2001）。

      研究人员在测量同步时面临的一个挑战是，神经活动本身具有某些共同属性。例如，两个成年人，每个人都有一个主导的10 Hz alpha节律，即使他们之间没有交流，也可能显示出他们alpha节律之间相当一致的相位关系。考虑到振幅和功率的变化时，共同的振荡活动可能归因于其他来源（如心跳；Shmueli等人，2007）。

5.2.2 解决方案 

      由于这个固有问题，大多数双脑扫描研究不仅仅测量个体间的相位耦合，而是比较不同实验条件下耦合的程度。理想情况下，除了感兴趣的特定参数（例如社交互动的存在与否）外，两种条件应尽可能保持不变。

    其次，从分析角度来看，研究人员（Burgess，2013）认为，尤其是对于EEG，其中分析往往侧重于振荡成分，简单的一致性相位差异可能是同步性定义过于包容的表现，而像部分定向相干这样的格兰杰因果测量可能会产生较少的假阳性结果（Burgess，2013）。

      推荐的分析解决方案是执行一种自举分析，其中双胞胎的对应时期在彼此之间进行时间错位（“打乱”），并多次重新计算同步性，以评估观察到的成对数据集中同步性出现的可能性是否偶然。在执行此操作时，应注意使用足够大的时期，以确保不会扭曲较低频率的信息（这在婴儿数据集中可能具有挑战性，因为可用的较长数据段可能很少）。

5.3 区分人际同步与由共享外部扰动导致的虚假同步

5.3.1 问题 

        研究人员在测量人际同步时面临的第二个问题是，神经活动也受到环境中共同外部扰动的影响，例如实验室中的声音或视觉刺激。例如，神经活动与言语的时间结构同步（Giraud & Poeppel, 2012），因此，在EEG记录期间发出的任何话语都可能通过触发双方伙伴中相似的神经反应来增强虚假同步。将神经人际同步与由共享外部扰动引起的同步区分开来可能不是一件简单的事（Fairhurst & Dumas, 2019）。在自然主义范式中尤其如此，因为诸如声学输入之类的因素无法在参与者之间完全控制。

       类似的考虑也适用于检查与事件相关变化的分析。Burgess表明，如相位锁定值之类的测量对于期望相位的边际分布方差的变化是敏感的。因此，与刺激时间锁定的相位重置可能会造成相位同步增加的假象，即使实际并非如此（Burgess, 2013）。

5.3.2 解决方案 

       在哪些环境输入在时间上不一致或在不同双胞胎组之间不一致的情况下，通过在双胞胎内部随时间或在不同双胞胎之间转移数据块的自举分析并不能控制这种混淆。在无法充分控制外部刺激的情况下，解决这个问题并非易事（Fairhurst & Dumas, 2019）。如同上面第5.2节所述，理想的实验设计不仅要测量同步本身，还要研究同步相对于不同实验条件的变化——例如，在社交互动的存在或缺失下。理想情况下，这些条件之间的外部刺激水平应该是恒定的。此外，可以进行单独的分析来识别每个伙伴单独受外部扰动的影响（例如，实验中一个或两个伙伴在说话时的语音-大脑同步）。然后，可以单独进行分析，显示语音-大脑同步在任一个体1或个体2的不同条件下没有差异，但大脑间同步确实存在差异。

6.婴儿EEG测量的测试-重测信度

6.1 问题 

      测试仪器随时间的稳定性和可靠性是可重复实验研究的关键要求之一。为了应对认知科学领域的复制危机，认知神经科学家们开始对他们的范式和大脑测量的测试-重测信度表现出日益增长的兴趣，近期有几项研究评估了婴儿EEG测量的测试-重测信度。

   Munsters, van Ravenswaaij, van den Boomen, 和 Kemner (2019) 报告了在低频或高频条件下呈现的中性、恐惧和快乐面孔引发的ERP在9-10个月大的婴儿（N = 31）中的测试-重测信度，这些婴儿在两周内进行了两次测试。最早的N290组分的幅度观察到了较高的可靠性（类内相关系数（ICC）= 0.76），而P400和Nc组分的幅度观察到了适中的可靠性（ICC = 0.58和0.57）（见图8A）。这些发现表明，早期感觉潜能的可靠性可能普遍高于反映更复杂和多变认知过程的后期潜能的可靠性。

图8.(A)9-10个月大婴儿对面孔刺激的ERP区域平均值显示,在第二次实验中,后期成分的幅度降低更大。

(B)10个月大婴儿的平均PLI连接图(最强的12%连接)表明两次实验之间非常相似。

       van der Velde, Haartsen和Kemner (2019)估计了10个月大婴儿(N=60)的脑电连接性和网络特征的重测信度,他们在间隔一周的时间内接受了两次测试,同时在计算机屏幕上观看视频。θ和α频段(3-12 Hz)的全局相位滞后指数(PLI)的可靠性非常好(组内相关系数(ICC)=[0.84-0.91]),δ、β和γ频段的可靠性中等至良好(ICC=[0.60-0.72])。类似地,从PLI矩阵计算得出的图论指标(平均聚类系数和特征路径长度)在θ和α频段的重测信度非常好(ICC=[0.84-0.91]),在δ、β和γ频段的信度中等至良好(ICC=[0.53-0.73])。然而,对于所有频段,小世界指数的可靠性要低得多(ICC=[0.13-0.67])。因此,10个月大婴儿的脑电连接性和网络特征可以可靠地评估(见图8B),尽管可靠性强烈依赖于频段和特定的图论指标。

       总的来说,这些研究表明,在主动和被动任务中,特定脑电图测量的可靠性都很高。然而,鉴于ICC在所有ERP成分、频段和图论指标中并非同等高,因此任何新的或未经测试的脑电图测量的可靠性都不能从相关测量的可靠性推断出来。此外,尽管平均ERP数据的可靠性相对较高(Munsters et al., 2019),但特定的实验操纵表现出较低的可靠性。特别是,即使存在面部情绪和情绪x空间频率交互作用的显著ERP效应,这些实验操纵的可靠性非常低(ICC=[-0.33-0.15]),这表明心理操纵的可靠性可能远低于纯神经生理测量的可靠性。

6.2 解决方案 

      理想情况下，引入新的实验操纵和/或新的EEG分析方法应伴随着其测试-重测可靠性的估计。这对于评估复杂的统计交互作用和新的研究领域，例如婴儿和成人之间的双EEG互动，尤为重要。

7 结论

      大多数EEG采集和分析技术都是为研究成人而开发的，因此它们适用于婴儿研究时应始终仔细审查。随着使用婴儿EEG的纵向和社会神经科学研究日益复杂化（例如使用双EEG范式），将继续识别出新的独特方法学挑战。这要求婴儿EEG实验室投入时间和资源来建立技术和信号处理专业知识，而这些专业知识并不总是在致力于发展心理学研究的研究中心中可用。随着人类认知神经科学变得越来越专业化以及在技术和计算上的挑战增加，婴儿EEG实验室与以方法为导向的实验室之间的紧密合作是可取的，甚至是必要的。

如需原文及补充材料请添加思影科技微信：19962074063或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。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，原文也会在群里发布，如果我们的解读对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技的支持，感谢！