Where Does EEG Come From and What Does It Mean?

脑电（EEG）在认知、脑功能和功能障碍等研究中发挥了重要作用。但是，脑电信号从何而来，它们有何意义？事实上我们对这个问题知之甚少。著名脑电领域学者Michael X Cohen在Trends in Neurosciences发文，试图回答这一问题。神经振荡可能是EEG用以锚定的最佳特征，因为神经振荡在多物种的、跨时空尺度的大脑中广泛的得以观察和研究，并涉及广泛的认知和神经计算。

理解EEG的来源与意义

要理解EEG的意义先要理解产生特定地形分布的脑内激活位置是什么。解剖学定位在厘米范围内相当准确，且被广泛地应用于认知电生理学领域，这种办法能帮助我们理解大脑是如何工作的。但是识别XYZ坐标能帮助我们理解大脑是如何工作的吗？在某种程度上，答案是“是”，即解剖学定位很重要。但请考虑图1B，其中 EEG 地形图可以由两个位置之一的偶极子解释。研究者会根据这两种可能性对大脑功能做出根本不同的声明吗？很可能不是。换言之，解剖定位中的数学、物理实际情况等都不能告诉我们EEG的来源与意义到底是什么。

图1. EEG数据在时间，频率和空间结构上的特征

为了了解大脑是如何工作的,我们需要了解神经回路的功能和解剖信息，如不同类别细胞内和细胞间、皮质内和皮质间不同层的动态变化。正是它们产生了多样的空间的、频谱的和时域的EEG特征，而这些特征又与认知加工过程相关。需要明确的是，我们关注的问题是如何解释EEG信号的特定模式与认知加工的一致性关系，如相位扰动、基于相位或功率的连接、跨频耦合等。因此，我们知之甚少的是EEG信号中的这些内容，而不是其中所存在的电磁波。

EEG振荡与神经生理学的紧密联系

神经振荡(Neural oscillations)是EEG数据最突出的特征，过去几十年无数的研究已经证明知觉、认知、运动和情绪加工与神经振荡的特定模式存在紧密的联系。神经振荡遍及各种神经系统，而且能跨空间、跨时域，甚至跨物种。总之，振荡在漫长的进化中仍旧保留着重要功能。此外，神经振荡已经在体外、体内和硅技术中被广泛研究，使人们对振荡的原理和意义有了更深入的了解。研究神经振荡的动机了解关于感知、认知和运动的神经计算原理以及这些神经计算的时间精度和局限。

然而，“神经振荡”是一个总括性术语，主要泛指某些现象集合。神经振荡可以产生于不同的生物物理机制，因此，不同微电路以及不同认知情境中的神经振荡可能具有不同的计算意义和认知含义。

EEG的来源

从生物物理学的角度来看，人们对局部场电位(local field potential, LFP)和EEG的起源有很多了解。“标准模型”认为LFP和EEG主要来源于数千到数百万个锥体细胞突触后电位平行排列的胞外电流。标准模型解释了EEG的存在，而不是EEG信号的内容；前者是后者的先决条件，而后者在认知电生理学中更为重要。

现有研究表明，EEG特征的起源是复杂的。例如，Snyder和同事发现空间整合和EEG功率之间的关系是非线性的，使得spike-count相关性较高时可预测高和低EEG幅值，而较低的spike-count相关性只有在EEG幅值处在中级时才能观察到。另一项研究显示，LFP功率和电极间同步对EEG功率提供了统计上的独立贡献。有趣的是，利多卡因（一种局部麻醉剂）降低了LFP功率，但增加了EEG功率，这种分离是电极间同步增强所致。电极间相干性并不总是显著地与alpha波段(10Hz)中的EEG功率相关。因此，EEG和LFP能够对大脑功能提供独特视角，并且空间整合(spatial integration)可能与EEG在不同频段的复杂活动有关。

需要强调一、两个特定EEG特征：

(i) α波。一般认为α波涉及神经网络抑制中时间波动的调节。建模和实证研究均表明，几种不同的机制都可能产生α振荡，包括丘脑皮质环、节律放电锥体细胞、局部中间神经元间以及突触输入与不同时间常数的交互作用。α的振荡特征（如振幅、时间进程和峰值频率），可能会因认知任务、皮层区域和皮质层的不同而变化，这也支持了大脑中存在许多独立的α波发生器的这一结论。不同α波发生器具有不同的计算方法，突出了神经振荡在脑功能中的重要性，但它也阻碍了对统一理论的尝试，并排除了从EEG到神经微电路结构的简单逆推。

(ii) γ波。γ波(30-80Hz)参与主动感知加工，而且γ振荡已经用于解释gamma-band spike-timing 相关和LFP波动。然而，基于细胞机制产生的可测量的大尺度γ振荡的直接实验数据是很少的。

这些例子表明，我们可将EEG特征与潜在的神经电路动力学及其计算联系起来。最有希望的进展来自宏观(EEG数据和认知神经科学理论)、微观(神经生物学)和计算(理论和模拟)等研究领域的交叉区域。然而，即使是一些应用最广泛的EEG特征也存在相当大的不确定性和模糊性。这种不确定性强调了:

(i) 对一个或少数神经元的详细研究;

(ii) 从非侵入性电生理学中获得的大规模模式之间的解释的差距。

EEG的来源与意义

三个方面发展的结合为我们探究EEG特征的起源和意义提供了机会。第一个发展是记忆、知觉、情绪、语言、行为和其他认知过程的EEG文献暴涨。第二，关于神经微电路的组织和操作的神经生理学文献蓬勃发展。微电路结构和功能的模型已经存在了几十年，但直到最近这些模型的某些方面才通过清醒行为动物实验得以阐明。这些新的神经科学发现得到了第三个发展的推动，即科技创新提供了测量和操纵小动物（如啮齿类动物）大脑的新方法。电极变得越来越小，越来越密集，使得数十到数百个测量点贯穿到大脑皮层足够的深度，并跨越多个皮层和皮层下区域。同时，丰富的光遗传学技术能够将大尺度电生理学与分子标记识别的神经元亚类相结合。

那还有哪些瓶颈还阻碍着我们更深入地了解EEG的来源和意义呢？一个瓶颈是把正确的资源放在正确的地方：拥有必要设备和专业知识的实验室往往不专注于将神经生理学与EEG联系起来，而研究人类EEG的实验室通常缺乏测量神经生理学的设备和专门知识。因此，关于如何解释EEG特征的重要发现将来自于说服以人为研究对象的研究者，拓展他们的研究到动物电生理学实验室，以及说服电生理学实验室（和资助机构）认为这个课题值得花时间、精力和金钱。

数据类型

理想数据应包含数百个微电极，并能跨越多皮质层和多个皮层区域，且需要与颅骨或头皮上的EEG结合。EEG应具有足够的密度（理想情况下>30个电极），以便创建地形图和进行基于空间成分或基于源定位的分析。神经成像技术的发展使fMRI能够与EEG结合，从而可以确定特定皮层的血液动力学活动与EEG特征之间的关系。虽然这些研究普遍侧重于EEG功率与每个体素血液动力学之间的关系，但它提供了研究血液动力学活动与EEG活动的空间协方差结构。全脑范围研究比动物研究有这样一个优势，使我们能够研究基于血氧水平成像(BOLD)与EEG的关系在脑空间和脑电地形图上是如何变化的。

然而，对EEG的理解并不仅仅涉及对皮层或神经元类别间的测量；一些生理数据也可以与EEG数据结合进行分析。例如，如果脑电活动的振荡特性与认知有关，那么相位作为时间和神经状态波动的指标，应该与认知或神经动力学有关。要理解脑电数据的各种线性和非线性特征，需要仔细的分析和智慧的思考，而不是昂贵的设备。计算模型也是重要的。建模可以研究连接模式、不同神经化学物质的比率、神经元大小、传导延迟等。计算模型已能够对各种EEG现象进行生物物理学和现象学的解释。生物物理模型可以更丰富地融入脑电研究。

数据分析

与标准EEG分析技术相比，对上述数据进行适当分析可能需要新颖或至少不同的分析方法（图2）。首先，大多数时频分析在数百毫秒的时间尺度上的正弦活动。然而，神经振荡有节律，但它们是正弦的吗？这并不清楚。许多振荡是动态的并且淹没在噪声信号中，因此需要离线信号处理。当信号处理涉及使用正弦滤波器时，即使在噪声中也会观察到类正弦活动（图2B）。因此，常用的信号处理方法难以区分正弦振荡和非正弦振荡。

要明确的是，正弦性的假设也是“足够有效的”，足以产生大量关于脑功能的知识。小波变换和傅里叶变换等分析技术不会过时。相反，这些标准技术可以视作是第一层过滤的分析工具，因其在大范围的可能性上识别出波峰和波谷，同时也可以被看作是数据子空间的指针，在该子空间中可以应用更多的生理性分析方法。

生理性分析可以采取多种形式，既可将分析限定在生物学天马行空的假设中，也可明确地将神经生理学原理纳入数据分析。生理学定义的模板可能需要针对每个大脑区域或认知过程，因此可能还需要针对每个个体。它们要么是从（潜在的噪音）数据中估算出来的，要么是从生物物理模型中得到的，这些模型有时依赖于未经证实的假设。

如果有同时记录神经元、LFP和EEG的“多尺度数据集”，则可以使用不同的分析方法。将这些数据存储为矩阵，有助于基于矩阵分解、源分离方法和机器学习算法进行分析。例如，可以尝试基于单个单元和LFP活动对EEG特征进行解码（图2C）。同时，源分离技术可确定区分单个单元和LFP的最佳线性加权，例如区分高与低EEG α功率或区分瞬时与持续性的θ功率。

图2. 可能性分析。

模型A, 深层和浅层产生了不同的LFP波形，可以作为模型使用。除了具有更强的生理学解释性外，这些模型还可以通过波形敏感性降低假阳率。

B, 使用1/f功率谱的随机噪声数据可说明这一点。

C,多变量分析可能涉及在同一矩阵中有多个空间尺度的数据，这将有助于基于分解或分模块的分析，以及降维、源分离和分类技术。协方差矩阵是多元分析的出发点。

Abbr：DIM，dimension；LFP，local field potential。

研究挑战

虽然在神经科学中并不强调物种间的差异，但在将啮齿类动物和人类研究中的发现进行概括的话仍具有很大困难。知觉和认知策略在不同物种中的变化程度也存在争议，因此，EEG的神经相关在差异较大的物种之间是存疑的。此外，EEG与微电路之间的关系并不明确，甚至可能几乎没有或根本没有明确的联系。换言之，这种联系可能是多到多，少到多或一对一的映射。不同的脑电特征告诉我们关于大脑认知机制，而我们的工作是确定这些东西是什么。

研究的重要性

对科学的益处：了解EEG特征背后的微电路动力学将使研究人员处于更有利的位置，利用EEG对人类认知的神经机制做出根本性的发现。此外，这些知识将成为人类EEG与非人类神经生理学之间的桥梁。

对临床的益处：脑电图正被作为病理生理学的生物标志，并预测治疗方案和成功可能性。理解脑电的来源可以提高EEG诊断大脑疾病和预测治疗结果的成功率，也可以提高脑机交互的成功率。

对计算的益处：前面描述的实验数据类型跨越了大脑空间尺度上的几个数量级：单个神经元、LFP（数百至数千个神经元）和EEG（数十万至数百万个神经元）。这些数据集可以用来验证或完善计算模型，并开发新的分析方法来理解跨尺度的相互作用。

结束语

将人类脑电振荡与认知联系起来的文献很多，而且发展迅速。跨空间和跨测量尺度的大脑动力学是21世纪神经科学面临的重大挑战之一。

原文：

Cohen, & Michael, X. . (2017). Where does EEG come from and what does it mean?. Trendsin Neurosciences, 40(4), 208-218.