lmeEEG:EEG数据的质量线性混合效应建模与交叉随机效应
Antonino Visalli1, Maria Montefinese2, Giada Viviani3
1IRCCS San Camillo Hospital, Venice, Italy.
Journal of neuroscience methods
|October 26, 2023
概括
线性混合模型 (LMM) 现在适用于电脑学 (EEG) 质量单变量分析,使用了新的lmEEG策略. 这种方法显著降低了计算成本,使神经科学研究中能够进行更强大的分析.
科学领域:
- 神经科学是一个神经科学.
- 认知科学 认知科学
- 心理语言学 心理语言学
背景情况:
- 混合效应模型是行为研究的标准,但在神经成像中计算密集.
- 质量单变量分析与排列测试在EEG中很常见,但缺乏混合模型的力量.
- 当混合模型与质量单变量分析相结合时,现有的方法面临计算挑战.
研究的目的:
- 引入和验证一种新的分析策略,lmeEEG,用于将线性混合模型 (LMM) 集成到电脑学 (EEG) 数据的质量单变量分析中.
- 克服应用LMM对大规模神经成像数据集的计算局限性.
- 为了提高EEG数据分析的统计能力和准确性.
主要方法:
- 开发了lmeEEG策略,以使LMM与交叉随机拦截在质量无变量EEG分析中.
- 通过在删除随机效应贡献后分析边际EEG数据来实现计算捷径.
- 通过绩效评估验证了该方法,重点关注统计能力和假阳性率.
主要成果:
- 在统计能力和假阳性率方面,meEEG表现出色.
- 该lmeEEG方法显著降低了计算成本,比现有方法快300倍以上.
- 该战略成功地将LMM集成到质量无变量EEG分析中.
结论:
- lmeEEG克服了标准方法的计算负担,使LMM成为EEG质量单变量分析的可行性.
- 预计这种方法将增加LMM在神经科学研究中的采用和重要性.
- 可访问的数据和代码促进了IMEEEG战略的使用和进一步发展.


