散文網(wǎng) » 科技 »學(xué)習(xí) » 含教程 | 時間導(dǎo)數(shù)分布修復(fù)(TDDR)：fNIRS運動校正方法

含教程 | 時間導(dǎo)數(shù)分布修復(fù)(TDDR)：fNIRS運動校正方法

2022-09-29 09:29 作者:茗創(chuàng)科技 0人讀過 | 我要投稿

導(dǎo)讀

功能近紅外光譜(fNIRS)是一種光學(xué)神經(jīng)成像技術(shù)，它作為一種研究皮層活動的工具受到了廣泛的關(guān)注。由于在頭部放置光極，頭部運動產(chǎn)生的偽影相對來說比fMRI要小。然而，在數(shù)據(jù)處理過程中仍需刪除運動偽影。研究者提出了一種新的基于魯棒回歸的運動校正方法(即，時間導(dǎo)數(shù)分布修復(fù)(TDDR))，該方法有效地消除了基線偏移和峰值偽影，而且不需要用戶提供任何參數(shù)。模擬結(jié)果表明，該方法比其他5種運動校正方法具有更好的激活檢測性能。在對7-15歲兒童樣本的工作記憶任務(wù)實證驗證中，該方法產(chǎn)生了比其他任何方法更強(qiáng)、更廣泛的激活。TDDR校正方法增強(qiáng)了fNIRS作為功能性神經(jīng)成像方式的可行性，可用于不適應(yīng)fMRI研究的人群。

前言

fNIRS作為一種研究皮層活動的光學(xué)神經(jīng)成像技術(shù)，近年來引起了人們的廣泛興趣。由于fNIRS光電裝置放置在參與者的頭皮上，fNIRS對頭部運動產(chǎn)生的偽影不像功能性磁共振成像(fMRI)等固定傳感器方法那么敏感。然而，運動偽影的存在可能仍然是有問題的，特別是在頭部運動較多的人群中，如嬰幼兒。在測試具有較高頭動水平的群體的非典型神經(jīng)活動模式的研究中尤其如此，如自閉癥譜系障礙、注意缺陷/多動障礙和癲癇。如果不加以控制，由頭部運動產(chǎn)生的偽影可能在神經(jīng)活動模式中產(chǎn)生虛假的差異，從而掩蓋了真實的差異。因此，盡管fNIRS對頭部運動相對不敏感，但仍然有必要采用預(yù)處理策略來消除過度頭動造成的偽影。

雖然針對fNIRS數(shù)據(jù)已經(jīng)開發(fā)了幾種運動校正算法，但它們都存在一些缺陷。例如，基于小波的方法很好地處理了運動峰值，但加劇了基線偏移偽影。其他方法如運動偽影減少算法(MARA)和目標(biāo)主成分分析(tPCA)依賴于偽影檢測，這需要用戶提供幾個參數(shù)。這些參數(shù)在不同儀器、參與者或腦區(qū)之間不一定相同，這給用戶帶來了很大的負(fù)擔(dān)。tPCA和基于相關(guān)性的信號改善(CBSI)方法分別對主成分大小、含氧血紅蛋白和脫氧血紅蛋白之間的關(guān)系做出的假設(shè)并不總是成立的?？紤]到現(xiàn)有方法的這些局限性，本研究的目標(biāo)是開發(fā)一種方法，可以有效地去除這兩種類型的運動偽影，無需調(diào)優(yōu)參數(shù)，并對被校正的數(shù)據(jù)進(jìn)行最少的假設(shè)。

在這里，研究者介紹了一種新的偽影校正方法，時間導(dǎo)數(shù)分布修復(fù)(TDDR)。通過模擬來評估該方法的相對性能，其中任務(wù)激活管道在數(shù)據(jù)上執(zhí)行，這些數(shù)據(jù)包括：1)無運動偽影，2)未校正的運動偽影，或3)使用TDDR方法或5種比較方法之一校正的運動偽影。為了在真實數(shù)據(jù)上證明這種方法的可行性，研究者在兒童樣本中進(jìn)行了一項實證研究，因為該群體通常比成年人群體有更高的運動。研究者讓7-15歲的兒童參與者執(zhí)行了工作記憶任務(wù)，因為大量的fMRI和fNIRS研究一致表明，工作記憶能夠有效激活兒童前額葉皮層，使其成為驗證本研究算法的理想認(rèn)知過程。然后，使用TDDR方法評估任務(wù)激活，并與5種現(xiàn)有的運動校正方法進(jìn)行比較。

方法

理論

測量的fNIRS信號(x)可以表示為時間(t)的函數(shù)，其中信號是所有先前實時波動(y)的時間積分。

這些波動包括反映認(rèn)知或運動處理的血流動力學(xué)反應(yīng)(主要感興趣的信號(h)，與系統(tǒng)(生理)調(diào)節(jié)相關(guān)的血流動力學(xué)活動(例如，心臟和呼吸振蕩和邁耶波)；這些信號有助于記錄來自頭皮和頭骨等組織表層的信號)(p)、運動偽影(m)和儀器噪聲(ε)信號。

由于儀器噪聲具有隨機(jī)性和寬頻性，在預(yù)處理中很難用任何分析方法去除，因此必須在硬件層面上進(jìn)行處理。本研究假設(shè)εt可以忽略不計。由于系統(tǒng)生理信號是相對窄帶和擬穩(wěn)態(tài)的，因此可以用許多現(xiàn)有的校正方法去除它們，如獨立成分分析。此外，由于這些信號主要是來自表層的信號，它們可以通過放置在靠近源的其他探測器記錄下來，然后從感興趣的信號中進(jìn)行回歸。該算法旨在減少運動偽影(mt)。這里概述的方法依賴于三個假設(shè)：

①非運動波動(即非運動相關(guān)活動的導(dǎo)數(shù))近似正態(tài)分布。

②大部分波動不包含運動偽影。

③當(dāng)運動偽影存在時，與運動偽影(即它們的導(dǎo)數(shù))相關(guān)的波動比非運動波動的幅度大得多。

如果這些假設(shè)得到滿足，來自運動的信號具有振幅大且不頻繁的特點，因此駐留在信號波動的正態(tài)分布的遙遠(yuǎn)尾部。解決該問題的一個可能方法是減少異常大波動的權(quán)重。

其中w是范圍為[0，1]的權(quán)重函數(shù)。一個明顯的選擇是使用基于Chauvenet準(zhǔn)則的固定閾值：

當(dāng)信號波動的幅度大于均值(μ)的α個標(biāo)準(zhǔn)差(σ)時，將其設(shè)置為零，其中α通常為3-5左右的某個值。雖然可以通過這種方式為包含異常值的個體波動的分類設(shè)置一個界限，但其實也帶來了閾值選擇的負(fù)擔(dān)，而閾值選擇可能因人群、個體或腦區(qū)而異。相反，研究者提出了一種類似魯棒回歸中使用的迭代重加權(quán)方案。

最常見的魯棒估計量是m估計量(指所有用通過找到最大化/最小化某個目標(biāo)函數(shù)的參數(shù)的總稱，也叫極值估值法)。這些估計量被定義為使表達(dá)式最小化：

其中di是預(yù)測值和觀測值之間的尺度偏差，ρ是一個權(quán)重函數(shù)。m估計量是極大似然估計量的概括，最小二乘解是一個特定的非魯棒情況：

。在魯棒m估計的情況下，權(quán)重函數(shù)將較低的權(quán)重放在較大的偏差上。一個常見的魯棒估計是Tukey雙權(quán)函數(shù)：

dt是每個觀測值的比例殘差。該函數(shù)將較低的權(quán)重放在遠(yuǎn)離均值的觀測值上，極端偏差減少到零。對于該估計量和許多其他估計量，有必要采用迭代重加權(quán)方案，其中參數(shù)、殘差和觀測權(quán)重都要迭代重計算，直到參數(shù)估計收斂于一個值。使用這種迭代重加權(quán)方法，可以產(chǎn)生一組權(quán)重，以縮小通常與頭部運動相關(guān)的過大波動(例如，|dt|≥1)。

實際考慮

圖1A展示了這種方法在真實數(shù)據(jù)中的效果。由于TDDR利用了信號的時間導(dǎo)數(shù)，因此它基本上取決于該信號的采樣率。這是因為采樣周期與時間導(dǎo)數(shù)值的大小直接相關(guān)。此外，該算法依賴于對時間導(dǎo)數(shù)方差的估計來計算魯棒權(quán)值。由于這個原因，高頻(HF)成分的存在(無論是由于儀器/測量噪聲還是生理原因)夸大了估計的方差，從而降低了其有效性。為了解決這些問題，本研究首先檢查采樣率是否足夠高，以至于會出現(xiàn)過多的高頻成分(＞1Hz)。如果是這樣，則應(yīng)用0.5Hz截止的低通(LP)濾波器并保留濾波器殘差，將信號分為低頻和高頻成分(圖1B)。然后將TDDR算法應(yīng)用于信號的低頻成分，再將其添加回未校正的高頻成分。從圖1C中可以看出，HF成分的時間導(dǎo)數(shù)的方差遠(yuǎn)遠(yuǎn)大于即使是較大的運動偽影。這種LP濾波過程有效地緩沖了核心算法中采樣率過高和高頻成分存在的問題。

圖1.在真實數(shù)據(jù)上演示TDDR。

雖然這種算法本質(zhì)上是迭代的，但它仍然非?？臁＿@是因為每次迭代只涉及到計算信號導(dǎo)數(shù)的加權(quán)平均值，然后計算新的權(quán)重集。所有操作在計算上都相對簡單。為了說明這一點，一個模擬的10min掃描，32個通道以20Hz采樣，在2.40GHz工作站上以單線程模式應(yīng)用TDDR大約需要0.13s。在本研究的模擬和實驗數(shù)據(jù)中，權(quán)重通常在不到20次迭代中收斂。實現(xiàn)TDDR算法的源代碼可以在https://github.com/frankfishburn/TDDR上訪問。

模擬驗證

數(shù)據(jù)集生成：模擬的fNIRS信號是使用一個隨機(jī)生成的自回歸模型。32個通道的信號以20 Hz的頻率產(chǎn)生，空間協(xié)方差為0.33。任務(wù)結(jié)構(gòu)包括10min的掃描，再細(xì)分為固定時長的block，隨機(jī)選擇1到60s，block之間的間隔為10-60s。通過將任務(wù)boxcar與典型血流動力學(xué)響應(yīng)函數(shù)進(jìn)行卷積得到模擬的任務(wù)響應(yīng)。然后將任務(wù)響應(yīng)添加到一半通道的自回歸噪聲中，振幅為噪聲標(biāo)準(zhǔn)差的0.5-25倍。通過產(chǎn)生正弦波，將系統(tǒng)生理振蕩添加到由此產(chǎn)生的血紅蛋白信號中，正弦波的頻率來自心臟(mu 1，sigma 0.1)、呼吸(mu 0.25，sigma 0.025)和邁耶波(mu 0.1，sigma 0.01)噪聲的正態(tài)分布。使用標(biāo)準(zhǔn)差為0.1 rad/s的正態(tài)分布將累積相位漂移添加到每個信號。然后將這些血紅蛋白濃度信號轉(zhuǎn)換回原始強(qiáng)度。然后以每分鐘2個峰值和2個基線偏移的頻率生成峰值和基線偏移運動偽影。峰值被建模為指數(shù)增長曲線(x(t)=bt/τ)，從標(biāo)準(zhǔn)差為25倍輸入信號標(biāo)準(zhǔn)差的正態(tài)分布中隨機(jī)選擇一個正增長因子(b)，并選擇時間常數(shù)(τ)產(chǎn)生最終峰值持續(xù)時間0.1-10.0s?；€偏移被建模為隨機(jī)的正或負(fù)偏移，振幅選擇的方式與峰值相同。以這種方式生成了10000個文件。使用NIRS Brain AnalyzIR工具箱進(jìn)行模擬。圖2顯示了一個沒有偽影、未校正偽影和通過TDDR校正偽影的模擬時間進(jìn)程樣本。

圖2.在模擬數(shù)據(jù)上演示TDDR。光密度顯示為無運動偽影信號(藍(lán)色)，未進(jìn)行偽影校正的相同信號(紅色)，以及使用TDDR校正偽影后的信號(綠色)?？梢钥吹?，校正后的信號與無運動偽影信號大致相同。

分析#1：采樣率和濾波的影響

預(yù)處理。原始強(qiáng)度信號被轉(zhuǎn)換為光密度。然后將信號重采樣至120Hz。然后，重采樣的光密度信號要么直接應(yīng)用TDDR，要么使用TDDR只校正信號的低頻部分。然后使用修正的Beer-Lambert定律將校正后的光密度信號轉(zhuǎn)換為血紅蛋白濃度。為了避免采樣率直接改變激活檢測的性能，然后將所有信號重采樣至1Hz。

激活。使用GLM評估激活程度。為了考慮信號中的低頻漂移，模型中包含了離散余弦變換矩陣項，最大頻率為1/128Hz。使用受試者工作特征(ROC)曲線評估激活檢測的性能。為了在ROC曲線上生成邊界，10000次迭代(總共32000個通道)的結(jié)果被劃分為100個bin，并在曲線上計算均值和標(biāo)準(zhǔn)差。對于全局性能指標(biāo)，曲線下面積(AUC)通過梯形積分計算。為了驗證所選擇的迭代次數(shù)，每個測試的結(jié)果(例如，每個采樣率和預(yù)濾波)被隨機(jī)分成100次，AUC中的均方誤差(MSE)用

計算。每次檢驗的AUC均方誤差均小于10-5。

分析#2：方法比較

預(yù)處理。模擬的fNIRS信號使用TDDR和5種不同的比較方法進(jìn)行校正，在Homer2中實現(xiàn)。然后根據(jù)修正的Beer-Lambert定律將信號轉(zhuǎn)換為血紅蛋白濃度，重采樣至1Hz。

比較方法。基于相關(guān)性的信號改善(CBSI)依賴于以下假設(shè)：氧合血紅蛋白和脫氧血紅蛋白呈強(qiáng)負(fù)相關(guān)，而運動偽影在這些測量值之間呈正相關(guān)。本質(zhì)上，脫氧信號被縮放到與氧合信號相同的方差，然后從氧合信號中減去。其基本原理是，信號的正相關(guān)特征(即運動)將被減法抵消，而負(fù)相關(guān)特征(即血流動力學(xué))將被增強(qiáng)。值得注意的是，該方法不需要用戶指定閾值。函數(shù)hmrMotionCorrectCbsi用于執(zhí)行此操作。

運動偽影減少算法(MARA)——MARA是一種校正方法，通過評估短時間窗口的振幅變化或標(biāo)準(zhǔn)差超過用戶指定的閾值來檢測偽影。發(fā)現(xiàn)包含偽影的時間窗被加寬，然后用平滑樣條近似偽影，然后減去它以得到運動校正信號。函數(shù)hmrMotionArtifactByChannel用于檢測運動時間段，而hmrMotionCorrectSpline用于校正。使用了Cooper等人(2012)的參數(shù)：tMotion=0.5，tMask=2，STDEVthresh=20，AMPthresh=0.5，pSpline=0.99。

目標(biāo)主成分分析(tPCA)——第一個被廣泛應(yīng)用的去除fNIRS信號偽影的方法是PCA。該方法將fNIRS通道集提交到PCA（一種特征分解算法，將輸入信號集轉(zhuǎn)化為主成分的正交集）。然后排除那些占最大方差的成分，并從假定的非偽影成分重建信號。該方法的擴(kuò)展版為目標(biāo)主成分分析，是后來創(chuàng)建的，只在檢測到偽影的短時間段上應(yīng)用原始的PCA方法。這是使用hmrMotionCorrectPCArecurse函數(shù)實現(xiàn)的。使用的運動檢測參數(shù)與MARA方法相同，原文使用到的其他參數(shù)包含nSV=0.97和maxIter=3。

峰度小波(kWavelet)——小波濾波是對輸入信號進(jìn)行離散小波變換，剔除幅值超過閾值的小波系數(shù)，再對信號進(jìn)行重構(gòu)的校正方法。該工作后來的擴(kuò)展使用了小波系數(shù)的峰度來自動設(shè)置閾值。使用函數(shù)hmrMotionCorrectKurtosisWavelet，并將峰度閾值參數(shù)設(shè)置為原文推薦的3.3。

樣條Savitzky-Golay(Spline-SG)——Spline-SG方法是一種多步驟校正過程，旨在通過減少用戶提供的參數(shù)數(shù)量和增加一個單獨的去除快速峰值的過程來擴(kuò)展MARA。該方法首先使用Sobel濾波器提取信號的梯度，從中識別包含運動的時間段為超過1.5倍的四分位區(qū)間。然后，該方法嘗試識別基線偏移和慢峰值，并使用MARA中的樣條方法校正這些時間段。接著用Savitsky-Golay平滑濾波器去除快速尖峰。函數(shù)hmrMotionCorrectSplineSG使用的參數(shù)為：p=.99和FrameSize_sec=10。

激活。然后，按照如前所述(分析#1中的激活)的相同方式評估每種方法的激活性能。每次檢驗的AUC均方誤差均小于10-5。

實驗驗證

被試：23名典型發(fā)育的參與者參與了本次研究，年齡7-15歲(M=11.72歲，SD=2.13歲)。參與者排除標(biāo)準(zhǔn)包括：(1)用韋氏兒童智力量表(WISC-IV)或韋氏簡化智力量表(WASI)測量的全量表智商低于80；(2)神經(jīng)診斷(如癲癇)，以及基于父母的報告；(3)基于兒童和青少年癥狀量表-4R的精神病學(xué)診斷。

任務(wù)程序：實驗環(huán)節(jié)包括一個7分鐘的n-back任務(wù)。研究人員向參與者展示了一系列單一的輔音字母，并指示他們在呈現(xiàn)的當(dāng)前字母與之前呈現(xiàn)的第n個字母相同時，用慣用手進(jìn)行按鍵反應(yīng)。n=0、1和2，分別是0-back、1-back和2-back block。0-back條件要求參與者只在看到“X”時進(jìn)行按鍵反應(yīng)，此時不會占用工作記憶。采用改進(jìn)的拉丁方陣對刺激呈現(xiàn)的順序進(jìn)行偽隨機(jī)化。每個block包含9個試次，每個試次持續(xù)3000ms，其中字母呈現(xiàn)500ms后，會有2500ms空屏。每個block為27s，block之間的間隔時間固定為14s，這樣能夠使血流動力學(xué)反應(yīng)恢復(fù)到基線水平，然后給出5s的提示，即提示下一個block即將開始。在掃描之前，被試練習(xí)了每個任務(wù)條件的兩個練習(xí)block。

成像程序：用雙波長(690和830nm)連續(xù)波CW6(TechEn，Inc.，Milford，MA)成像系統(tǒng)記錄光信號。以50Hz的采樣率從探測器收集數(shù)據(jù)。56個光通道由16個光源和29個探測器組成，并安裝在彈性纖維帽上(EASYCAP，Brain Products GmbH，Germany)。將帽子放置在頭部模型上，連接EEG系統(tǒng)以確定標(biāo)準(zhǔn)10-20空間的光極坐標(biāo)。然后使用AtlasViewer程序?qū)⒐鈽O和通道位置配準(zhǔn)到Colin27大腦模板(圖3)。

圖3.探測器的布局。

分析

預(yù)處理。使用NIRS Brain AnalyzIR工具箱進(jìn)行預(yù)處理和激活分析。然后將信號重采樣至5Hz。

激活。通過創(chuàng)建工作記憶負(fù)荷依變回歸來量化任務(wù)激活。如前所述，通過創(chuàng)建一個加權(quán)任務(wù)boxcar函數(shù)，其中每個條件(0-、1-和2-back)都有對應(yīng)于其相對負(fù)荷(分別為1、2和3)的振幅。然后將加權(quán)的boxcar與正則血流動力學(xué)響應(yīng)函數(shù)(HRF)進(jìn)行卷積，并輸入到一般線性模型。為了考慮血流動力學(xué)響應(yīng)函數(shù)的變化，模型中包括了時間導(dǎo)數(shù)和離散導(dǎo)數(shù)。通過在模型中包含離散余弦變換項來解釋低頻漂移，最大頻率為1/128Hz。通過Abdelnour和Huppert(2011)描述的基于正則化表面的圖像重建，使用AtlasViewer在探測器配準(zhǔn)過程中生成的靈敏度矩陣進(jìn)行組水平分析。

結(jié)果

模擬#1：采樣率和低通濾波的影響

模擬評估了采樣率和低通濾波(LP)對TDDR性能的影響，發(fā)現(xiàn)當(dāng)使用無預(yù)濾波的核心TDDR算法時，性能高度依賴于輸入數(shù)據(jù)的采樣率，以2Hz為最佳(圖4)。然而，在所有高于1Hz的采樣率下，添加低通預(yù)濾波步驟完全恢復(fù)了算法的性能。

圖4.采樣率和低通濾波對TDDR性能的影響。

模擬#2：方法比較

評估激活檢測性能的ROC曲線如圖5A所示。TDDR(0.775)的AUC均值最接近無運動偽影的數(shù)據(jù)(0.869)，大于CBSI(0.733)、MARA(0.563)、tPCA(0.591)、kWavelet(0.513)、spline-SG(0.652)和uncorrected(0.516)。各方法AUC值的均值和標(biāo)準(zhǔn)差如圖5B所示。

圖5.TDDR與其他校正方法的性能比較。

實驗

每種方法對含氧血紅蛋白數(shù)據(jù)產(chǎn)生的激活圖譜如圖6所示。在測試的方法中，與CBSI(3.02)、MARA(2.96)、tPCA(3.79)、kWavelet(3.96)、spline-SG(3.68)和未校正(3.67)相比，TDDR產(chǎn)生了最大的激活t統(tǒng)計量(4.88)。此外，與CBSI(903)、MARA(924)、tPCA(891)、kWavelet(935)、spline-SG(1153)和未校正(1560)相比，TDDR產(chǎn)生的正顯著網(wǎng)格頂點數(shù)量最多(2399)(p＜.05)。

圖6.不同方法激活結(jié)果的比較。

結(jié)論

本研究設(shè)計了TDDR運動校正方法。由于該方法基于魯棒估計量，它沒有調(diào)諧參數(shù)，可以有效地去除峰值和基線偏移。通過模擬和實證數(shù)據(jù)集的驗證表明，該方法的性能優(yōu)于目前的其他校正方法。這種方法增加了fNIRS應(yīng)用于功能性神經(jīng)成像的可行性，如應(yīng)用于嬰幼兒群體，以及那些因順應(yīng)性或交流限制而難以限制頭部運動的智力障礙人群。

TDDR操作步驟（示例）

本研究提出的TDDR校正方法的操作步驟示例如下(該腳本由Robert Luke提供，基于python運行)。

import osimport mnefrom mne.preprocessing.nirs import (optical_density,? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? temporal_derivative_distribution_repair)

①加載數(shù)據(jù)

這里將使用fNIRS motor數(shù)據(jù)(該數(shù)據(jù)集來自麥考瑞大學(xué))。重采樣數(shù)據(jù)以使索引時間更快捷。然后，將數(shù)據(jù)轉(zhuǎn)換為光密度，以對這些信號進(jìn)行校正和繪制。

fnirs_data_folder = mne.datasets.fnirs_motor.data_path()fnirs_cw_amplitude_dir = os.path.join(fnirs_data_folder, 'Participant-1')raw_intensity = mne.io.read_raw_nirx(fnirs_cw_amplitude_dir, verbose=True)raw_intensity.load_data().resample(3, npad="auto")raw_od = optical_density(raw_intensity)new_annotations = mne.Annotations([31, 187, 317], [8, 8, 8],? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ? ["Movement", "Movement", "Movement"])raw_od.set_annotations(new_annotations)raw_od.plot(n_channels=15, duration=400, show_scrollbars=False)

OUT：Loading /home/circleci/mne_data/MNE-fNIRS-motor-data/Participant-1

Reading 0 ... 23238 = ?????0.000 ... ?2974.464 secs...

可以看到40、190和320s左右的運動中有一些小的偽影。但此數(shù)據(jù)相對干凈，因此接下來將添加一些額外的偽影進(jìn)行演示。

②向數(shù)據(jù)中添加偽影

NIRS數(shù)據(jù)中兩種常見的偽影類型是尖峰和基線偏移。當(dāng)一個人移動，并且光極相對于頭皮移動然后返回其原始位置時，通常會出現(xiàn)尖峰。如果光極相對于頭皮移動并且不返回其原始位置，則會發(fā)生基線偏移。這里，在數(shù)據(jù)中添加了100s的尖峰類型偽影和200s的基線偏移。

corrupted_data = raw_od.get_data()corrupted_data[:, 298:302] = corrupted_data[:, 298:302] - 0.06corrupted_data[:, 450:750] = corrupted_data[:, 450:750] + 0.03corrupted_od = mne.io.RawArray(corrupted_data, raw_od.info,? ? ? ? ? ? ? ? ? ? ? ? ? ? ? first_samp=raw_od.first_samp)new_annotations.append([95, 145, 245], [10, 10, 10],? ? ? ? ? ? ? ? ? ? ? ["Spike", "Baseline", "Baseline"])corrupted_od.set_annotations(new_annotations)corrupted_od.plot(n_channels=15, duration=400,show_scrollbars=False)