经典综述|EEG源空间功能连接—致力于实现时-空间上高分辨率脑网络分析

《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》

一、写在前面 这是2018年发布于信号处理领域权威顶级杂志《IEEE Signal Processing Magazine》上的一篇综述文章，该文章对于如何进行EEG源空间功能连接研究提供了详尽和权威的指导。 与其他成像方法相比，EEG具有超高时间分辨率、设备便宜等优点，但是EEG最大的问题似乎是其空间分辨率比较低（头皮记录的EEG空间分辨率是cm水平，而MRI成像技术的空间分辨率是mm水平的）。那么如何提高EEG的空间分辨率呢？基于EEG产生的电生理机制，从设备研发这个角度去提高EEG的空间分辨率似乎潜在空间不大（当然，增加EEG通道数可以从一定程度上增加EEG空间分辨率，但是这种方法仍然不能解决像体积传导效应等问题），因此，研究者从方法学上出发，提出了EEG溯源分析的方法，即把记录到的头皮EEG信号通过一定的方法得到皮层脑区电信号。正如该篇文章的副标题所阐述的，EEG源空间的功能连接分析旨在保留EEG超高时间分辨率的优势之外，弥补低空间分辨率的缺点，最终实现时间和空间高分辨率的脑网络分析。从目前的研究来看，这种方法似乎还是挺有效的（至少目前已经发表了不少EEG溯源方面的论文），但是也有不少研究者对EEG溯源这种方法并不十分认可（EEG发挥好自己超高时间分辨率的优势就行了，不要在空间分辨率这方面勉强，这方面还是让MRI来~~）。不管如何，该篇文献可以作为EEG溯源空间功能连接研究的指导手册，笔者在这里对这篇综述进行解读，解读并非一字一句翻译，部分加入了自己的见解，如有不当，敬请谅解。

二、背景 在过去的几十年中，神经科学的研究已经证明大脑功能特别是高级认知功能依赖于空间上分离的脑区组成的大尺度脑网络，伴随而来的是网络科学和图论与神经科学的深度结合，从而产生了一个称之为网络神经科学（network neuroscience）的领域。网络神经科学使得研究者能够从宏观、整体上去研究大脑的认知功能和异常变化。目前能够用于研究脑网络或网络神经科学的神经成像技术主要包括EEG、MEG和MRI。与其他成像方式相比（主要是和MRI技术相比），EEG最突出的特点是超高时间分辨率。EEG的这个特点特别适合用于研究高级认知过程中（这个过程往往持续数百毫秒）脑功能网络的快速动态变化。 目前，大部分基于EEG的脑功能网络研究都是利用头皮EEG信号来构建脑功能连接，但是这其中有一个致命的问题是EEG存在严重的体积传导效应（Volume conduction effect，这个问题下面会说）。体积传导效应进一步导致的一个问题是计算得到的功能连接中掺入很多虚假成分。解决这个问题的一种方法就是利用EEG溯源算法从头皮EEG信号推导出皮层脑区的电信号。但是，从头皮EEG信号到皮层脑区电信号的溯源过程是一个没有唯一解的逆问题（ill-posed inverse problem）。你可以想象一下，利用只有比如说64导联的头皮EEG信号，怎么可能求解出皮层上成千上万个等效偶极子的信号。为了解决这个问题，研究者对求解过程施加了很多的限定条件，使得这个问题可以得到最优解。

三、体积传导问题 体积传导问题的示意如图1所示，X表示头皮电极记录的EEG信号，S表示相应电极下方的脑区（信号源），理想情况下（图1a，在没有体积传导问题的情况下），电极X1、X2分别只测量到其下方脑区S2和S1的电信号，这样的话，我们利用头皮EEG信号，计算X1和X2之间的功能连接确实能够反应相应脑区之间的联系。理想很丰满，但现实很骨感，实际情况却如图1b所示，在头皮记录到的X1和X2都会包含脑区S1和S2的信号贡献，这样一来，直接计算X1和X2之间的功能连接就不能反应出脑区S1和S2之间的联系了。

在这里插入图片描述

四、从头皮EEG到皮层网络 整个流程和步骤如图2所示。 1.数据记录和预处理 做溯源分析的话，一般采用的EEG通道数是64-256，所以如果要做溯源分析至少64通道的信号。很多研究表明，至少128通道的信号才能够产生满意的结果。除了采集EEG信号，还建议采集每个被试的T1结构相数据，当然可以采用通用模板，但是溯源准确度可能不会那么高。 EEG的预处理采用标准的处理流程即可，包括滤波、ICA去噪等，这里笔者就不再赘述，总之，进行溯源的EEG数据必须是处理干净的。

在这里插入图片描述

2.EEG溯源分析 进行EEG溯源分析需要如下数据： 1）上述预处理干净的EEG数据； 2）每个电极在被试头部的3D坐标位置信息； 3）头模型，一般是利用边界元方法（BEM）或有限元方法（FEM）把被试的T1数据分割成颅骨、灰质/白质等，并提供不同脑组织的电学参数； 4）源模型，主要是提供灰质上包含的等效偶极子的数量、方位等信息。 简单地说，EEG的溯源分析过程如下公式所示：

在这里插入图片描述

其中X(t)表示头皮EEG信号矩阵（如64通道10000数据点），S(t)表示源空间上等效偶极子的信号矩阵（如1500偶极子10000数据点），根据矩阵乘法，W应该是一个如150064的矩阵。而所谓的EEG溯源分析实际上就是通过各种方法和限制条件来求解这个矩阵W。 目前应用最为广泛的两种求解W的方法是加权最小模估计法（Weighted minimum norm estimation,wMNE）和聚束滤波法（beamforming filter），这两种方法施加的限定条件不同。关于这两种方法的原理详细说的话很复杂，感兴趣的可以查看原文。 总之，利用加权最小模估计法或者聚束滤波法可以求解W，W求解出来之后，就可以把头皮EEG信号映射到皮层每个偶极子上，得到每个偶极子的时间序列信号。接着，利用基于皮层的模板，如Desikan–Killiany atlas,里面包含68个ROI脑区，可以提取这68个脑区的时间序列信号。 3.功能连接和有效连接分析 基于上述步骤，可以得到皮层上N个ROI脑区的信号。顺着这个思路，接下来就是利用各种功能连接或有效连接指标构建上这N个ROI脑区之间的脑网络了。 什么是功能连接，什么又是有效连接？关于这个的科普可以参考公众号之间推送的一篇文章《大脑中的结构连接、功能连接和有效连接》。 功能连接指标包括最简单的相关、互信息、PLV、PLI等；有效连接指标主要包括DTF、PDC等。关于这方面，我们公众号之前也推送过专门介绍各种功能连接和有效连接的文章，感兴趣的可以查看《系统梳理EEG中常用的功能连接指标—系列1》、《系统梳理EEG中常用的功能连接指标—系列2》。 4.图论分析* 利用功能连接或有效连接指标，可以构建N*N的功能/有效连接矩阵（N表示皮层ROI脑区的数目）；有了这样大尺度的网络，就可以利用图论的方法分析网络的一些具体客观的指标：度、聚类系数、特征路径长度、全局效率、局部效率、模块化等。

在这里插入图片描述

5.工具与软件 上述EEG溯源和图论分析的过程十分复杂，自己编程似乎不太现实（个人而言）。借助现成和成熟的工具软件似乎是不错的选择。目前，可用的相关工具如图4所示，感兴趣的可自行查阅下载。

在这里插入图片描述

上述这些所有的分析内容，悦影科技皆可定制！

五、小结 其实整个EEG溯源空间上的脑网络分析步骤和过程如上面所述。在这篇综述中，作者还花了大篇幅内容列举说明EEG源空间脑网络分析在神经和精神疾病研究中的应用，由于篇幅太多，笔者这里就不再对这部分进行解读，感兴趣的朋友可以自行查阅原文详细了解。