EEG和MEG稳态和动态静息态网络比较

使用神经影像技术对静息态网络（RSN）进行表征，极大地促进了我们对大脑活动组织的理解。先前的研究已经证实了RSN的电生理基础和其动态性质，揭示了大脑网络的瞬时激活，时间尺度为毫秒级。虽然先前的研究证实了由脑电图（EEG）识别的RSN与由脑磁图（MEG）和功能性磁共振成像（fMRI）识别的RSN之间的可比性，但大多数研究采用了静态分析技术，忽略了大脑活动的动态性质。通常，这些研究使用高密度EEG系统，限制了它们在临床环境中的适用性。针对这些差距，我们的研究使用中密度EEG系统（61个传感器）研究RSN，并将其静态和动态脑网络特征与高密度MEG系统（306个传感器）获得的特征进行比较。我们评估了由EEG推导的RSN与MEG推导的RSN在定性和定量上的可比性，包括它们捕捉年龄相关效应的能力，并探索了模态内和模态间动态RSN的可重复性。我们的研究结果表明，MEG和EEG提供了可比的静态和动态网络描述，尽管MEG在某些情况下具有更高的敏感性和可重复性。这种RSN及其在两种模态之间的可比性在定性上保持一致，但在数据无主体特定结构MRI图像重建时，在定量上存在差异。

1. 简介

静息态网络（RSNs）于 20 世纪末在功能磁共振成像（fMRI）和正电子发射断层扫描中被首次发现，后来又在脑磁图（MEG）和脑电图（EEG）中被独立识别出来。一项研究为 RSNs 的电生理基础提供了有力证据，该研究对 MEG 振幅包络进行了时间独立成分分析（ICA），结果表明 MEG 中脑网络的空间模式与之前通过 fMRI 识别的 RSNs 相似。虽然早期对 RSNs 的描述基本上是静态的（即时间平均），但进一步的研究表明，它们可以被很好地描述为以一种瞬时的方式激活，不同的网络在不同的时间点激活。

RSNs 的电生理贡献通过其功能重要性得以凸显。MEG 和 EEG 研究已经能够将RSNs 与亚秒级快速的感觉运动功能，以及一系列涉及工作记忆和语言理解的认知任务联系起来。对神经精神疾病的研究也阐明了 RSNs 在各种病理条件下的功能相关性，包括阿尔茨海默病、重度抑郁症和精神分裂症，凸显了它们在理解脑功能障碍方面的效用。从技术角度来看，对 RSNs 的电生理分析为频谱和时间领域提供了无与伦比的洞察力。由 M/EEG 得出的功能网络允许对其频谱内容进行研究；实证证据表明，神经活动可以被分割成不同的全局同步波动状态，每个状态都具有特定的振荡频率。此外，电生理方法具有较高的时间分辨率，这有助于详细研究静息态和基于任务的网络的瞬时动态。例如，先前的研究表明，由 M/EEG 得出的 RSNs 在比通过fMRI 识别的更快的时间尺度（100 - 200 ms）上激活。

到目前为止，研究电生理 RSNs 的相关研究，特别是那些基于大脑区域振幅时间进程的研究，已经证实了 EEG RSNs 与它们的 MEG 或 fMRI 对应物具有合理的可比性。然而，这些研究依赖于静态分析（这里指的是它们没有提供大脑区域之间相互作用的时变描述），例如空间 ICA 或基于种子的相关性分析。最近，一项研究评估了 306 通道 MEG 和 256 通道 EEG 数据之间 RSNs 的对应关系。这项研究表明，虽然在静息状态下，静态功能连接（FC）模式在不同模态之间通常是一致的，但动态 FC 的一致性较差。然而，他们的动态 FC 方法使用了滑动窗口和聚类方法，这些方法在很大程度上依赖于用户定义的超参数，并且损害了时间分辨率。最后，到目前为止的研究通常使用高密度 EEG 系统（>100 通道），这有利于在大脑空间中计算 RSNs，因为在大脑空间中可以更恰当地控制空间泄漏，并且网络更具可解释性。然而，这忽略了低密度 EEG 系统更广泛的可用性和临床实用性，对于低密度 EEG 系统来说，能够可靠地估计大脑空间中的 RSNs 将是一项宝贵的资产。

认识到这些局限性，本文旨在确定 EEG 在提供类似于从 MEG 和fMRI 在大脑空间中获得的静态和动态功能网络视角方面的有效性，并且不需要高密度数据，而是使用一种最先进的动态建模技术 —— 时延嵌入隐马尔可夫模型（TDE - HMM）。根据现有文献，我们假设 EEG 和 MEG 将提供可比的静态和动态 RSN 描述，并且预计动态特征在不同模态之间的一致性较差。我们以 MEG RSNs 作为评估快速振荡网络的基准，将静态和动态网络描述与从 EEG 得出的描述进行比较，目的是建立一组可以用中等密度 EEG 数据（61 通道）识别的 EEG RSNs 基础集合。此外，我们还研究了从没有受试者特定结构 MRI（sMRI）图像重建的数据中得出的 M/EEG RSNs 是否能够产生与使用受试者 sMRI 图像获得的相似的网络描述，并且不损失质量。

这项研究旨在证明 MEG 和 EEG 提供相似且可靠的网络描述，从而使得在健康和疾病状态下对大脑振荡网络的研究能够利用 EEG 的易获取性和成本效益。此外，这项工作提供了一组公开可用的 M/EEG RSNs，并配有用于生成精确网络推断的脚本，从而有助于我们全面理解 MEG 和 EEG 在脑网络研究中的互补潜力。

2.材料和方法

2.1 数据集

在本研究中，我们分别使用了公开可用的静息态 EEG 和 MEG 数据集，即莱比锡身心情绪交互研究（LEMON）数据集和剑桥衰老与神经科学中心（Cam - CAN）数据集。这两个数据集均来自健康成年人，记录是在参与者坐着时进行的。两个数据集经过匹配，具有相同的年龄分布和受试者数量。具体来说，每个数据集都被划分为 5 年年龄间隔的子集，对于两个数据集的每个子集之间的不平衡，从较大的子集中随机抽取受试者以确保平衡。年龄匹配的数据集总共包括 96 名受试者，其中包括 60 名年轻人（年龄在 20 到 35 岁之间）和 36 名老年人（年龄在 55 到 80 岁之间）。在 EEG 数据中，年轻组包括44 名女性和 16 名男性，老年组包括 23 名女性和 13 名男性。在MEG 数据中，年轻组包括 25 名女性和 35 名男性，老年组包括 19 名女性和 17 名男性。与数据收集相关的协议和人口统计学信息在 Babayan 等人（2019）对LEMON 的描述以及 Shafto 等人（2014）对 Cam - CAN 的描述中有详细介绍，这里部分重复以保持清晰。

2.2 数据预处理和源重建

预处理和源重建过程大致遵循 Gohil 等人（2023）中概述的流程。由于每个数据集固有的独特数据特征，应用于 M/EEG 数据集的流程步骤略有不同。然而，它们尽可能地保持一致，以减少这些步骤差异可能产生的未知方差。在应用该流程之前，使用时间信号 - 空间分离方法对 MEG 数据进行Maxfiltered，以将大脑内神经活动的记录与任何外部噪声源分离。整个预处理和源重建过程是使用 OHBA 软件库（OSL）包进行的。

2.2.1 预处理

LEMON 和 Cam - CAN 数据首先被裁剪，以排除记录的前 30 秒，以考虑受试者对测量设备的适应和稳定。这些数据使用五阶 IIR 巴特沃斯滤波器在 0.5Hz 到 125Hz 之间进行带通滤波，随后在 50Hz 和 100Hz 进行陷波滤波以去除市电伪迹（对于 Cam - CAN，还在 88Hz 进行陷波滤波以去除尖峰伪迹）。然后将数据下采样到 250Hz。使用自动广义 - 极端学生化偏差算法去除方差显著较高的不良片段和通道。对于 Cam - CAN，对不同传感器类型（即磁强计和梯度计）分别应用不良片段和通道检测程序。通过对 M/EEG 数据应用快速独立成分分析（FastICA）分解，进一步对数据进行去噪，分别将信号分解为 64 个和 54 个成分。去除与眼动伪迹（即眨眼和扫视）相关的成分，对于 Cam - CAN，还额外排除与心电图相关的伪迹。在进行 ICA 分解之前，识别 EOG 记录中的不良片段，以防止由于 M/EEG 和 EOG 中同时存在噪声伪迹而无意中去除相关的 M/EEG 信号。最后，为了使数据维度在受试者之间保持一致，使用球形样条插值从 ICA 清理后的数据中对之前检测到的任何不良通道进行插值。

2.2.2 源重建

M/EEG 数据使用 OSL 中的仿射变换算法与 sMRI 图像和数字化头部点进行配准。对于 LEMON，采用具有头皮、颅骨和皮质表面三层的边界元模型（BEM）作为头部模型；对于 Cam - CAN，采用具有单一层头皮表面的 BEM。使用 FSL 的 BET 工具从 sMRI 数据中提取头皮、内颅骨和大脑的表面。在配准步骤中不包括鼻子，因为 sMRI 图像已去脸。

配准后，预处理后的传感器数据在 1Hz 到 45Hz 之间进行带通滤波，并使用线性约束最小方差（LCMV）体积波束形成器重建到 8mm 各向同性网格上。用于计算波束形成器权重的数据协方差矩阵的秩设置为 50，这对协方差估计进行了正则化，并且远低于 MEG（经过 Maxfiltering 后）和 EEG 数据的秩。然后将体素分割成 38 个解剖学定义的区域。通过对这些体素级数据应用主成分分析（PCA）获得源重建信号，其中每个分区的时间序列将是解释分区内所有体素大部分方差的第一主成分（PC）。应用对称多元泄漏减少技术以最小化所有分区之间的虚假相关性，并减少源 / 空间泄漏，包括所谓的 “继承” 或 “幽灵相互作用”。最后，LCMV 体积波束形成器和用于分区时间序列计算的 PCA 的组合意味着估计的分区时间序列的符号在受试者之间是任意变化的。因此，使用 Vidaurre，Hunt 等人（2018）中描述的随机翻转算法在受试者之间匹配每个通道的符号。

使用标准蒙特利尔神经学研究所（MNI）T1 结构脑图像而不是受试者特定的 sMRI 图像重复源重建过程。我们采用这种方法来探索是否可以使用标准脑结构图像（即不使用受试者 sMRI 文件）识别出类似的 M/EEG RSN 特征，以及在这些条件下 MEG 和 EEG 之间的可比性是否仍然存在。除非另有说明，本文中呈现的所有结果均基于使用受试者特定 sMRI 图像重建的数据。

2.3 隐马尔科夫模型

一旦数据进行了源重建，下一步就是识别动态 RSNs 并确定它们激活的时间段。TDE - HMM 是一种生成模型，可以将时间序列数据划分为一系列称为状态的反复出现的功能性脑网络。每个状态代表一个具有独特时空频谱内容模式的 RSN。TDE - HMM 的基本结构如图 1 所示。

图1 网络特征分析总览

HMM 通常包括两个主要组件：一组隐藏状态和每个状态的观察模型。我们的观察模型是一个多元正态（高斯）分布，每个状态都有一个独特的协方差矩阵。关键的是，HMM 拟合到 TDE 数据，这通过包含原始时间序列的时间滞后版本的额外通道来扩充分区时间序列。使用 TDE 使状态特定的协方差矩阵对原始时间序列中的振荡功率和频率敏感，并导致每个分区和相干网络具有独特的功率谱的状态。

HMM 参数使用变分贝叶斯（VB）推断进行推断。这种方法将推断过程重新表述为一个优化问题，其目标是最小化变分自由能。使用 VB 方法允许模型将参数估计中的不确定性学习为概率分布。为了将学习过程扩展到大型数据集，我们使用了从 Vidaurre，Abeysuriya 等人（2018）改编的 VB 方法的随机版本。结果，HMM 输出一个后验概率的时间历程，它表示每个时间点上一个状态激活的概率。通过对这些概率应用 argmax 操作提取所有状态中的最大后验概率，我们可以生成一个维特比路径，或一个状态时间历程，描绘每个时间点上最可能但相互排斥的状态。训练过程如下所述。关于 TDE - HMM 的设计和实现的更多细节，读者应参考 Vidaurre，Hunt 等人（2018）和 Gohil等人（2023）。

2.4 网络特征分析

为了比较两种模态的 RSNs，我们首先必须提取它们的静态和动态网络特征。这些特征包括 PSDs、功率图和 FC 网络，它们是通过对整个记录持续时间进行平均或根据状态时间历程计算状态特定描述来获得的（如图 1 所示）。这些特征在不同模态之间进行定性比较，并评估它们在组水平上捕捉年龄相关效应的有效性。此外，对于年龄分类任务（见 2.7 节），我们专门计算 TDE - PCA 协方差矩阵和汇总统计作为输入网络特征。本小节中概述的网络特征计算主要采用自 Gohil 等人（2022），并使用OSL Dynamics 工具 box 进行。

在解释这些网络特征时，需要注意的是我们用于源重建的方法（即单位噪声增益不变性 LCMV 波束形成器）意味着从传感器记录中丢失了绝对振幅信息。这一步是必要的，以解决源重建中的深度偏差，但它使我们无法直接比较不同模态之间的绝对网络特征。此外，在计算网络特征之前，我们在受试者之间对数据进行了标准化（即 z - 变换），这消除了个体之间的振幅信息。这个过程使我们能够比较不同模态和受试者在每个频率带中的相对网络特征。因此，本文中使用的所有网络特征都是相对于每个传感器和受试者的时间平均的测量值，而不是绝对测量值。

2.5 统计分析

提取了静态和动态 RSN 特征后，我们接下来检查两个年龄组之间的统计差异，以探究每种模态如何表示年龄相关效应。我们对所有相关的脑网络特征使用非参数置换检验，使用 t - 统计量作为置换统计量。对于 PSDs，我们使用双尾聚类置换检验确定组水平的显著性。聚类是在频率上形成的，聚类形成阈值设置为 3。对于功率图，我们使用双尾最大 - t 置换检验评估组水平的显著性。 对于这两种置换检验，首先将感兴趣的指标拟合到如前所述的组水平 GLM 中。从拟合的 GLMs 中，我们计算 COPEs（即平均组差异）及其方差，从中可以计算 t - 统计量。将组回归变量置换 5000 次和 10000 次，分别为聚类置换检验和最大 - t 置换检验构建零分布。然后我们从这个零分布中选择一个显著性阈值用于统计测试。

由于不同非参数置换检验的多样性，我们使用 Bonferroni 校正对频率带和状态之间的多重比较进行调整。关于我们考虑的频带和状态的数量，请参考图注以获取更多细节。这种校正应用于 MEG 或 EEG 数据集内部；跨模态重复的测试不被视为同一统计家族的一部分。

2.6 可重复性

为了衡量从 EEG 和 MEG 数据中得出的静态RSNs 是否可重复，我们将每个数据集分成两半，并分别在每一半上推断网络。对于每一半，我们在模态内部和跨模态比较静态 PSDs、功率图和 FC 网络。PSDs在受试者和分区之间平均，而功率图和 FC 网络在 1.5 - 20Hz 频率范围内在受试者之间平均。

在 2.3.4 节中提到，HMM 容易收敛到局部最优解，导致模型可能以不同的参数估计达到相似的变分自由能。因此，除了初始化方法和最佳运行的选择之外，我们还实施了一个额外的验证步骤，以评估在分割 - 半数据集上的可重复性。具体来说，将 LEMON 和 Cam - CAN 数据集各自分成两半，在每个子集上分别训练单独的 HMM。对于每一半，一个模型训练 10 次。

我们通过三个措施评估网络动态的可重复性。首先，我们通过比较从每个分割 - 半数据中得出的状态特定功率图来检查模态内部和跨模态的功率空间分布。接下来，我们通过计算成对矩阵的 RV 系数来量化模态内部和跨模态的组水平状态协方差矩阵的相似性。最后，我们通过计算詹森- 香农（JS）距离来评估模态内部和跨模态推断的转移概率矩阵的一致性。选择这个指标是因为它具有对称性质和有限值，使其适合比较概率分布。计算转移概率矩阵每一行的 JS 距离，并对所有行进行平均。这种方法将每一行视为一个不同的概率分布，将从一个状态到其他每个状态的转换视为单独的实体，并考虑这些分布之间的整体相似性。

需要注意的是，功率图和 RV 系数是使用具有最低变分自由能的最优 HMM 运行计算的。另一方面，JS 距离是使用所有 10 次运行计算的。对于模态内部和跨模态的每一次比较，从两个分割 - 半数据集的 10 次 HMM 运行的置换对中获得JS 距离的分布。我们还额外测试了 EEG 和 MEG 内部的 JS 距离是否来自相同的分布，在检查正态性和方差同质性假设之后，使用威尔科克森秩和检验。

2.7 年龄组分类

最后，为了评估从 MEG 和 EEG 得出的网络描述的有意义程度，我们通过使用带有 L2 正则化的逻辑回归分类器来评估它们在预测年龄组方面的效用。该任务包含三个不同类别的输入特征：静态、动态和两者的组合。静态特征包括静态 TDE - PCA 协方差，而动态特征包括动态 TDE - PCA 协方差以及代表网络动态的汇总统计。这些输入特征在训练分类器之前进行连接。

分别使用嵌套交叉验证方法为每个类别输入特征训练分类器，该方法涉及两个层次的交叉验证。在这个框架中，内部交叉验证专注于超参数优化，而外部交叉验证估计在多个测试集上的泛化误差。在外部循环中，输入特征随机打乱并进行五折交叉验证。从这个外部循环中划分的训练集在内部循环中进行另一次五折交叉验证。对于内部交叉验证，我们在拟合任何分类器之前对数据进行标准化并应用降维（即带有白化的 PCA）以提高预测准确性。通过在内部训练折上对 10、20 和 30 个 PC 进行网格搜索来确定最佳 PC 数量。

从内部循环中选择最佳性能的分类器，并在外部循环中的测试集上进行评估，以计算其整体预测准确性。这里，测试集使用在训练集上拟合的相同标准化和 PCA 参数进行处理，以确保数据分割之间的一致性并保持公平的模型评估。这个整个嵌套交叉验证过程重复 10 次。我们计算并报告累积测试准确性的均值和标准差，以提供分类器在 M/EEG 网络特征上性能的全面概述。

为了确定测试准确性是否超过仅由随机机会预期的水平（即 50%），使用单尾、一单样本 t 检验。我们使用双尾、两样本 t 检验来评估 MEG 和 EEG 之间预测分数是否存在显著差异，以及检查预测分数是否根据数据重建方式（即使用受试者 sMRI 数据在源重建中）而变化。所有测试的显著性根据 Bonferroni - 校正阈值进行评估，针对三个类别输入特征进行调整。在进行这些测试之前，验证正态性和方差同质性假设。当等方差假设被违反时，使用韦尔奇 t 检验作为标准两样本 t 检验的替代。

3.结果

3.1 静态分析

3.1.1 不同模态间静态 RSN 特征在定性上相似

如引言中所述，MEG 和 EEG 的静态功能性脑网络特征之间的可比性已被先前的文献所证实。为了确定这种与中等密度 EEG（61 通道）的相似性，我们检验了这些模态之间静态 RSN 特征在定性上的比较情况（图 2）。EEG 和 MEG 的受试者平均宽带（1.5 - 20Hz）功率图均显示额叶、顶枕叶和感觉运动皮层有明显激活。MEG 表现出更高的信噪比，其功率值高于 EEG。受试者平均宽带 FC 图也表明模态间存在相似性，其中在顶枕叶区域连接最强。在这里，EEG 显示出更强的连接强度，而 MEG 的 FC 更集中在顶叶皮层。同样，跨受试者和分区平均的 M/EEG PSDs 显示出可比的频谱分布，在 α 频率带有明显的单峰，但它们的非周期性活动有所不同，EEG 在遵循 1/f 模式后衰减更陡。所有这些趋势在使用标准脑结构图像而非受试者特定 sMRI 图像重建的 M/EEG 数据中也很明显（图 A3）。

图2 EEG和MEG稳态静息态网络对比

为了确定从 M/EEG 得出的静态 RSNs 及其整体可比性是否可重复，我们从分成两半的 EEG 和 MEG 数据集中提取了相同的静态 PSDs、功率图和 FC 网络，并评估了它们在模态内和跨模态的可重复性（图 3）。定性比较表明，静态频谱、功率和连接性分布在每个模态内保持一致。在 EEG 和 MEG 中，每一半都突出显示了具有高功率和连接性值的相同大脑区域，同时也展示了相似的PSD 形状（图 3a,b）。跨模态比较两个半数据集的结果与完整数据集的观察结果相似。也就是说，MEG 的功率高于 EEG，而 EEG 的 FC 强于 MEG，MEG 相对更强调顶叶皮层。就此而言，静态 RSN 特征在每个模态内的可比性高于两个模态之间的可比性。

总之，EEG 和 MEG 在所有静态网络特征上表现出定性对应，尽管存在一些差异。这种可比性在使用标准脑结构图像重建的数据中也能观察到，并且我们可以观察到两个模态之间相同的差异。当进行定性对比时，这些网络特征在模态内和跨模态都表现出良好的可重复性。

图3 模态内和模态间稳态网络特征可复制性

3.1.2 MEG 和 EEG 在静态网络特征中显示出可比的年龄效应

为了研究 MEG 和 EEG 是否提供同样有意义的静态网络描述，我们检验了它们的静态 RSN 特征所捕捉到的年龄相关效应。两种模态在 PSDs 中都显示出可比的年龄相关效应，在 Δ、Θ 和 β 频段识别出年龄组之间的统计学显著差异（图 4a,f）。然而，在较高频率（30 - 45Hz）注意到一些差异。地形图突出显示了 α 峰值 PSD 差异、低频功率差异和β 频段的功率差异；这些地形模式在两个模态间也显示出定性相似性。

对窄带（Δ、Θ、α、β）功率空间图中年龄相关效应的进一步分析表明，年龄组之间功率差异的总体趋势（无论是年轻参与者比老年参与者功率更高，还是反之）在两个模态中都是统计学显著的（图 4b - e,g - j；右侧）。然而，它们的具体空间分布仍然显示出一些差异。在 Δ 功率图中，年轻组在额叶和颞叶皮层，特别是在 MEG 的感觉运动区域表现出更高的功率（图 4b,g）。在 Θ 功率图中，年轻组在额叶和感觉运动区域功率增加，只有 EEG 在顶叶区域显示出更高的功率（图 4c,h）。显著的年龄相关 α 效应仅在 MEG 的枕叶皮层内观察到，而 EEG 未识别出任何具有显著年龄效应的区域（图 4b - e,g - j；左侧）。在 β 功率图中，年龄相关效应在 MEG 中更为突出，MEG 在顶叶、额叶和感觉运动皮层识别出效应，尽管两个模态都在顶叶区域识别出效应（图 4e,j）。组间静态功率差异的总体趋势在年龄效应的定性表示中更为明显（图 4b - e,g - j；左侧）。

观察到的年龄相关效应在使用标准脑结构图像重建的 M/EEG 数据中保持一致（图 A4）。然而，也识别出一些显著差异，包括 EEGβ 功率图中顶叶和颞叶皮层区域内空间模式的微小偏差（图 A4e），以及 MEGα 功率图中年龄相关效应的缺失（图 A4b - e,g - j；左侧）。

总之，尽管年龄相关效应的一些空间细节有所不同，但 MEG 和EEG 经常捕捉到相似性质的组级差异。它们的可比性即使在使用标准脑结构图像重建数据时也持续存在。尽管如此，MEG对年龄相关变化有更敏感的趋势。

图4 EEG和MEG揭示了可比较的稳态网络年龄相关效应

3.2 动态分析

3.2.1 MEG 和 EEG 之间动态 RSN 特征在定性上相似

在静态分析之后，我们检验了两种模态之间动态 RSN 特征的比较情况。图 5 展示了受试者平均 PSDs 和宽带（1.5 - 20Hz）功率图以及每个状态的 FC 网络，展示了 EEG 和 MEG之间的对齐情况。值得注意的是，功率分布的空间模式在模态间显示出显著的相似性。然而，特别是在状态 2（视觉网络）和 6（感觉运动网络）出现了差异，在这些状态下对应性相对较低。这些状态在模态间表现出不同的激活或去激活较强的区域；例如，状态 2 在 EEG 中显示枕叶活动升高，而在 MEG 中观察到非枕叶区域更明显的去激活。

同样，状态特定的 FC 网络和 PSDs 在 EEG 和 MEG 之间大体上保持高度的可比性，同时也存在更详细的差异。这些差异在状态 1（一个假定的前默认模式网络）和 2（视觉网络）最为明显，在这些状态下，相对于所有状态的平均值可视化时，前 5% 的相干值和 PSDs 分别突出显示了不同的大脑区域和频谱模式。

两种模态的动态网络特征的可比性在使用标准脑结构图像重建的数据中也有所体现（图 A5）。重要的是，之前观察到的差异仍然存在，在功率图中状态 2 和 6 显示出较低的对应性，在FC 网络和 PSDs 中状态 1 和 2 显示出较低的对齐性。

图5 EEG和MEG动态静息态网络定量比较

模态间差异的一个可能来源可能是受试者之间的变异性以及不同模型运行之间的差异。为了确保从 EEG 和 MEG 得出的动态 RSNs 的整体一致性是可重复的，尽管存在这些微小差异，我们评估了 HMM 状态在模态内和跨模态的可重复性（图 6）。我们首先比较了从分成两半的 EEG 和 MEG 数据集中生成的状态特定功率图。我们的定性比较表明，空间功率分布在每个模态内保持一致（图 6a,b）。在模态间功率图也有显著的相似性，状态 6 是这一趋势的唯一例外。

HMM 状态的可重复性也通过推断的 HMM 参数来衡量。特别是，我们计算了两个分割 - 半 M/EEG 数据集的协方差矩阵之间的 RV 系数，RV 系数是平方皮尔逊相关系数的一种推广。正如预期的那样，同一模态内比较的 RV 系数通常更高（更可重复），而跨模态比较的 RV 系数则较低。对于除状态 6 之外的所有状态，任何给定比较的 RV 系数都超过 0.65，尽管对于状态 1（一个假定的前默认模式网络）和 6（感觉运动网络），该指标在不同类型比较中的变异性相对较高。值得注意的是，MEG 内的 RVs 通常高于 EEG 内的 RVs。

随后，我们将两个分割 - 半数据集的转移概率矩阵之间的差异量化为 JS 距离（图 6d）。这个距离在MEG 内比较时更低（更可重复），而在 EEG 内或跨模态比较时则较高。特别是，MEG 内的 JS 距离明显小于 EEG内的 JS 距离。跨模态比较的 JS 距离中位数与 EEG 内的中位数相似，尽管 EEG 内的方差更大，包括相对较低的距离。这种相似性部分作为额外证据表明，EEG 和 MEG RSNs 在涉及推断的状态转移概率方面是可比的。

图6 模态内和模态间动态网络特征可复制性

总之，EEG 和 MEG 在动态网络特征上大体相似，同时也显示出一些差异。它们的可比性以及差异在使用标准脑结构图像重建数据时也持续存在。此外，我们测量了这些网络特征以及 HMM 参数在模态内和跨模态的可重复性。这表明状态 6（感觉运动网络）是最不可重复的，并且 EEG 比 MEG 的可重复性更低。

3.2.2 MEG 和 EEG 在动态网络特征中显示出可比的年龄效应

MEG 和 EEG 得出的动态 PSDs 和功率图中的年龄相关效应如图 7 所示。需要注意的是，对于每个动态测量，我们计算 “对状态特定的动态贡献” 测量，导致任何动态效应都高于静态效应。例如，在一个特定频率带中的一个状态的功率是该状态在该频率带中的静态功率之外的功率。

对于两种模态，动态 PSDs 中的年龄相关效应（图 7a,c）大体出现在与静态 PSDs 相同的频率带中。具体来说，（图 7a,c）显示在所有状态下，年龄组之间在 Δ 和 Θ 频段存在显著的光谱差异。然而，在 β 频段和较高频率上，这些差异的一致性不太明显。虽然状态 4、5 和 6 在这些频率上显示出重叠效应，但状态 1、2 和 3 没有。在状态特定的宽带（1.5 - 20Hz）功率图中，除状态 1 外的所有状态都显示出大致相当的年龄相关效应，年轻组比老年组显示出更高的功率（图 7a,c）。然而，状态 2、4 和 6 在大脑区域之间呈现出重叠模式，而状态 3 和 5 在不同模态间显示出显著的功率差异。

在使用没有受试者特定结构MRI（sMRI）图像的标准脑结构图像重建的M/EEG数据中，观察到的年龄相关效应保持一致，尽管与静态分析相比程度较低（图A6）。特别是，在较高频率下的年龄效应在EEG的状态2和4的功率谱密度（PSDs）中发生了改变（图A6a）。在状态特定功率图上，这些差异更为明显。一般来说，当使用标准结构图像时，显著的功率空间分布呈现出不同的模式。EEG和MEG的状态1分别在枕叶和顶叶皮层突出显示了显著的年龄相关效应，而在这种情况下，MEG状态6的显著性降低了（图A6b，d）。

图7 EEG和MEG揭示了可比较的年龄相关的动态效应

3.3 年龄组分类任务

我们对 MEG 和 EEG 如何在静态和动态RSN 特征中捕捉年龄相关效应进行了比较分析，结果表明两种模态都提供了大致可比的网络描述。为了以定量的方式进一步扩展此分析，我们旨在估计这些网络特征在准确将受试者分类为不同年龄组时的预测能力。利用三组不同的输入特征 —— 静态、动态以及两者的组合 —— 我们采用了带有 L2 正则化惩罚的逻辑回归分类器（见 2.7 节）。 我们针对 10 次重复的分类任务，根据测试数据集评估预测分数，图 8 展示了年龄预测的准确性结果。两种模态的预测结果都超过了仅由随机概率所预期的结果（即50%）；在使用静态和动态输入特征时，MEG 的平均预测准确率（在 10 次重复中平均）显著高于 EEG（图 8a）。尽管在使用组合特征时未观察到这种统计差异，但 MEG 相比于 EEG 仍有更优预测的明显趋势。

接下来，我们使用未使用受试者特定 sMRI 图像重建的数据进行相同的分析。对于 EEG，当使用动态和组合特征时，预测分数显著下降，而对于 MEG，使用静态特征时预测分数显著下降（图 8b，c）。无论是否具有统计显著性，当仅提供标准 MNI 模板用于重建时，EEG 和MEG 的所有三种输入特征类型的预测分数均较低。

图8 EEG和MEG静息态网络特征年龄组分类预测精确性

4. 讨论

使用来自 Cam - CAN 数据集的 MEG RSNs 作为评估快速振荡活动脑网络的基准，我们研究了 EEG 衍生的 RSNs，以确定两种模态是否都能产生有意义的网络描述，并确定它们之间的可比性。结果表明 MEG 和 EEG 在表示功能性脑网络方面具有定性和定量的可比性，并表明隐马尔可夫模型（HMM）相对于传统的 EEG 网络推断方法（例如微状态、滑动窗口方法）具有一些优势。我们的研究结果强调了以下几个要点：

4.1 EEG RSNs 的基础集合

如本文开头所述，本研究提供了一组从 EEG LEMON 数据集衍生的 RSNs 基础集合，以及它们来自 MEG Cam - CAN 数据的对应物。这个基础集合是使用中等密度 EEG 构建的，因此适用于后续使用类似 EEG 系统的研究。特别是，我们提供了用于 M/EEG 数据预处理、源重建和分析的脚本，以及最优 HMM 运行的推断模型参数（例如，状态协方差、转移概率、状态概率的时间历程）。这些数据和资源是公开可获取的，在 GitHub 存储库中提供了软件安装和数据下载的详细指南（见 2.9 节）。

静态和动态 EEG RSNs 的基础集合分别如图 2 和图 5 所示。将这些 EEG 网络指定为基础集合是有理由的，原因如下：在静态和动态分析中，EEG RSNs 不仅与从 MEG 数据衍生的网络相似，而且在两种模态之间表现出可比的年龄相关效应。此外，它们的网络特征在模态内和跨模态是可重复的，尽管动态 RSNs 中的状态 6 除外。最后，与MEG 类似，EEG 基础集合中的网络描述在年龄预测中表现出稳健的性能，显著超过随机概率。

尽管 EEG 和 MEG 具有可比性，但需要承认的是，与 EEG 相比，MEG 表现出更好的可重复性、更高的预测准确性以及对年龄相关效应更敏感。这种差异是可以预期的，考虑到 MEG 具有更高的传感器数量，因此具有更高的空间分辨率。先前的研究表明，具有更多传感器的 EEG 数据集也可以与 MEG 数据达到一定程度的可比性。然而，相对于 EEG LEMON 数据集，传感器数量不同的 EEG 数据与 MEG 数据相比如何，尤其是在从最先进的方法衍生的动态 RSNs 方面，仍有待阐明。在几个潜在的应用中，这个基础集合可用于研究高、低密度 EEG 系统中的 RSNs，开发有效结合 M/EEG 与 fMRI 的方法，以及比较从各种模态（如光泵磁强计）推断的 RSNs 基础集合。

4.2 局限性

我们研究的主要局限之一是样本量相对较小（n = 96 名受试者）。这一局限意味着虽然两个数据集的受试者可以进行年龄匹配，但基于性别或简易精神状态检查表分数的进一步匹配是不可行的。同样，未匹配的人口统计学属性、记录地点以及其他认知或生理状态可能会给我们感兴趣的效应引入未考虑到的方差。在我们的分类任务中，小样本量限制我们只能对年龄组进行二元分类（年轻与老年），因为在 k - 折交叉验证框架下很难适当地细分我们的样本。由于年龄在 LEMON 数据集内是按区间分类的，因此从一开始就必须排除预测数值、连续年龄值。其他局限包括在年龄匹配过程中使用随机抽样，这可能会给我们对 LEMON 和 Cam - CAN 的比较带来额外的受试者变异性。

值得注意的是，EEG 和 MEG 不同的数据采集方法可能对它们的 RSN 描述和相关年龄效应产生了一定的差异。EEG 数据是以 1 分钟为块，在闭眼和睁眼条件之间交替记录的，而 MEG 数据是在参与者整个过程中闭眼记录的。尽管 EEG 分析仅限于闭眼时期，但间歇性的睁眼可能会改变 EEG 采集过程中的大脑状态（例如，使参与者平均更警觉）。相反，由于可能出现的困倦，MEG 会话后半段的大脑状态可能与前半段不同。这些数据采集的差异可能影响了 EEG 和 MEG 中潜在的大脑动力学，导致两种模态中观察到的效应出现一些差异。

我们预处理流程的另一个值得注意的方面是，我们使用了一个具有 38 个解剖区域的分区图谱来重建 EEG 和 MEG，这已被证明对MEG 数据有效。然而，使用更少或更粗糙的分区可能会提高 EEG 和 MEG 之间的可比性。即使在这种情况下，一些差异可能仍然存在，例如，如果局部年龄效应与所采用的分区对齐。同样，改变分区形状也可能提高模态间的可比性，如果分区边界是以减少 EEG 和 MEG 之间差异的方式定义的。探索不同分区图谱对 EEG 和 MEG RSNs 的影响将是未来研究的一个有趣方向。

4.3 展望与未来工作

先前的研究表明 MEG 和 EEG 在捕捉脑网络的时间动态方面具有一定的可比性。他们提出这种不良对应性的原因主要有两个方面。从生理角度来看，推测 MEG 和 EEG 检测到的是瞬时神经活动的不同成分，特别是在高于 1Hz 的快速振荡波动中，这些波动来自负责产生磁场和电场的不同神经群体。从方法学角度来看，承认滑动窗口方法，再加上缺乏空间泄漏校正，可能会导致较大的统计误差。因此，在较短时间尺度上动态 RSN FC 的估计可能无法从与静态分析技术相关的平滑效应中受益，如低通滤波或振幅包络分析。

尽管我们认为方法学上的局限是合理的，但我们的研究结果并不支持生理方面的解释。当我们应用时延嵌入隐马尔可夫模型（TDE - HMM），一种在各种 MEG 数据集上经过验证的更先进的动态建模技术时，我们发现两种模态在静态和动态 RSNs 中存在以前未观察到的相似性，即使是使用低维度的 61 通道 EEG 系统和 38 个分区的大脑区域。因此，虽然人们认为 MEG 和 EEG 对人类大脑的动态功能网络组织产生互补的观点，但我们的结果表明两种模态都能识别相同的网络轮廓，至少在静息状态下是这样。

因此，我们的数据表明，不是假设它们测量大脑功能的不同方面，而是相同的功能网络支撑着大脑活动，无论模态如何。这表明 RSNs 可能不太是特定测量模态的特征，而是与认知和行为相关的神经基质，在神经影像模态中是常见的。可以想象，不同模态可能会突出 RSNs 的特定方面，如通过对年龄效应的统计测试所证明的；然而，总体的空间模式保持一致。通过应用能够提高时空精度的稳健统计方法，如动态网络模式，我们可能会更清楚地看到 MEG 和 EEG 中相同的 RSNs。

我们的结果因此支持这样的观点，即先前已知的 MEG 和fMRI RSNs 的属性可能转化为 EEG。此外，虽然MEG 和 EEG 在时间分辨率上都优于 fMRI，但它们的可比性使我们考虑在未来的功能性脑网络研究中优先使用 EEG，考虑到其低成本和更广泛的可用性。如果高密度 EEG 系统与先进的统计建模方法相结合，我们预计在这些模态之间可识别的动态网络特征会有更大的一致性。

到这个程度，未来的工作应该旨在验证与 MEG 和 fMRI RSNs 相关的认知、行为和临床表型是否也能在 EEG 中识别。鉴于神经精神疾病的动态 RSN 表型主要在 fMRI 和MEG 研究中报告，在这方面探索动态 EEG RSNs 将是至关重要的。MEG 和 fMRI RSNs 之间已建立的对应关系意味着通过这些模态识别的生物标志物可能在 EEG 数据中被检测到。另一个研究方向可以聚焦于使用同时的 M/EEG 记录来更准确地评估动态 RSN 特征和其中的年龄相关效应在模态之间的变化。这种方法将提供关于多模态电生理技术的有效性和必要性的见解。此外，检查 RSNs 在 MEG、EEG 和 fMRI 之间的可比性是否延伸到其他测量设备，如可穿戴功能性近红外光谱仪或基于光泵磁强计的 MEG 系统，将证实我们的研究结果的有效性。

5. 结论

在本文中，我们证明了 MEG 和 EEG 产生可比的静态和动态网络描述，这些描述在突出年龄相关效应和预测年龄组方面是有意义的。然而，MEG 在检测年龄相关效应方面比 EEG 更具可重复性和敏感性。这种可比性以及模态之间的相关差异在使用标准脑结构图像重建数据集时也能观察到，尽管程度较低。我们的结果表明 MEG 和 EEG 共享相同的功能性脑网络，可能与通过其他模态（如 fMRI）检测到的网络相似。

参考文献：Comparison between EEG and MEG of static and dynamic resting-state networks.