利用来自单个传感器的信号,在传感器空间中直接分析脑电(EEG)和脑磁图(MEG)的非侵入性记录,是处理这类数据的一种方便和标准的方法。然而,容积传导给传感器空间分析带来了相当大的挑战。虽然脑电图/脑磁图中由于容积传导导致的信号混合的一般思想已经被认识,但其含义还没有明确的例证。在这里,我们展示了不同类型的活动如何在单个传感器的水平上重叠。我们在alpha节律的背景下展示了空间混合,已知alpha节律在大脑的不同区域有发生器。通过对逼真的3D头部模型的模拟和大型静息态脑电数据集的导程电场和数据分析,我们表明,通过计算传感器复杂度测度,电极信号可以受到空间混合的不同影响。枕部alpha节律显著导致后部电极的空间混合不均匀,而中心电极则表现出多样性的节律。这使得个人的贡献,如感觉运动节奏和时间alpha节奏,很难从支配的枕alpha中分离出来。此外,我们还展示了强烈的枕部节律如何影响前额通道的大部分活动,这可能会影响仅在传感器空间进行的分析。我们还概述了信号混合在基础研究和神经反馈应用中经常使用的功率评估、功率比和连接特性的具体后果。通过这项工作,我们希望以一种具体的方式来说明容积传导的影响,这样提供的实用插图可能有助于脑电图研究人员,以评估传感器空间是否适合他们的研究。本文发表在Neuroimage杂志。
1. 介绍
alpha节律(8-13Hz)是人类无创电生理记录的一个显著特征。在这一波段中发现了不同类型的节律,发生器位于枕叶、顶叶、颞叶和感觉运动皮层。不同的alpha节律表现出功能特异性,感觉运动节律因运动动作而发生事件相关的去同步,枕骨alpha节律因睁眼或闭眼而发生强烈的调制。在每一种节律类型中,可能存在更精细的组织程度,通过手和脚的运动对感觉运动节奏进行差异调制,或通过视野不同部位的刺激对枕alpha节律进行差异调制。此外,alpha节律已被证明与注意力有关,在应该抑制神经元活动的皮层区域显示出更强的振幅。
在分析和解释脑电图(EEG)或脑磁图(MEG)记录的信号时,一个基本的挑战是容积传导。容积传导导致来自不同发生器的信号在空间和时间上重叠。这种重叠对于传感器或空间分析尤其成问题,在这种分析中,来自传感器的信号是直接使用的,通过一个标准参考,例如,共同平均值,连接乳突或鼻子参考。然而,尽管容积传导带来了失真,传感器空间分析仍然是脑电图/MEG信号分析的流行方法。MEG研究使用传感器空间作为第一遍分析,例如定义感兴趣的区域,然后使用源分析技术进行主要分析,而对于EEG,传感器空间通常是分析数据的唯一方法。传感器空间分析的广泛应用当然是由于程序的便利。相对于传感器空间,源分析需要:
1)在逆模型和理解其参数方面的数据分析训练;
2)逆模型算法需要更多的计算资源;
3)在统计分析方面需要更多的训练,因为需要对不同来源的多重比较进行修正;
4)可能需要花费更多的资源来获取单个解剖-磁共振成像数据。然而,尽管传感器空间分析可以相对容易地进行,但它可能会模糊神经元节律对行为的空间特异性的任何细微程度,特别是在脑电图研究中。因此,更详细地评估传感器空间中的分析如何模糊不同类型节奏的贡献是有意义的。
本文中,举例说明了空间混合对神经节律的影响,在传感器空间水平上比源水平。许多研究已经评估了在容积传导和线性混合方面的连通性度量领域中传感器与源空间测量的一致性和灵敏度。但这里我们关注的是神经元节律的单变量特性,主要是alpha波段节律的带功率。虽然以往的许多研究都承认在传感器空间中脑电图/脑磁图分析的容积传导问题,但据我们所知,还没有报告直接显示单独的组件/源实际上是如何在传感器水平上混合的。我们在这篇论文中使用了特别的alpha节律,而主要结论可以推广到其他振荡和诱发反应。
以下文章的主要贡献是在传感器空间水平上量化节律的空间混合。首先,我们讨论了一种易于使用的方法来评估提取的节律的起源和空间传播的标准传感器方案,通过空间模式的计算和实际应用。然后,我们使用空间模式来评估神经节律的空间混合在传感器或空间水平与源水平的情况,在真实的头部模型和脑电图静息状态节律的大型数据集的模拟。在这里,我们说明了在单个传感器的alpha波段中不同节律的组成波段功率贡献。此外,由于振荡的动态特性,神经元节律的高变幅调制,影响特定节律的相对贡献,我们展示了当使用振荡的比率测量时,空间混合是如何更有问题的。我们希望我们的插图为基础和临床研究人员提供直观,以便评估传感器空间分析是否适合于他们的用例。
2. 方法
2.1 实验数据
分析使用python和MNE版本0.23进行实证分析。再现分析和图形所需的分析代码可以在这里获得:https: //github.com/nschawor/meg- eeg- leadfield- mixed。虽然我们在下面展示了单个参与者的示例,但也可以使用提供的代码为所有其他参与者生成这些类型的绘图。
脑电图数据收集自216名志愿者,他们没有神经系统疾病史,也没有使用中枢神经系统药物。由于文件缺乏事件信息、采样率不同、头文件不匹配或数据质量不足,13个参与者的数据被排除。此外,还有18名参与者的数据也被排除在外,因为其alpha波段的信噪比较低。除此之外,还有一个参与者被排除在外,因为我们怀疑其通道名称的顺序错误,导致空间模式被破坏。最终产生了来自181名参与者的数据集(117名男性,64名女性,年龄范围:20-77岁)。
204名志愿者的脑磁图数据均为无神经系统疾病史。有6个参与者没有休息状态数据。此外,还有57名参与者的数据被排除在外,原因是alpha波段的低信噪比,最终产生了来自141名参与者的数据集(75名男性,66名女性,年龄范围:18-29岁)。
2.2 数据处理
预处理简要描述如下:将原始数据从2500hz到250hz进行下采样,并在1-45hz的频率范围内进行带通滤波。肉眼检查原始活动痕迹,排除电压频率偏移和信号质量较差的异常电极。为了降低脑电信号的维数,采用主成分分析方法来保留解释总方差95%的主成分。然后,基于Extended Infomax算法进行独立成分分析。所有反映眼球运动、眨眼、肌肉活动或心跳相关活动的成分均被去除。剩余的独立成分(平均数量:21.4)被投影回传感器空间。重要的是,带有alpha峰的成分通常没有被去除。因此,剩下的成分代表了大量与alpha相关的活动。
由于这里的重点是alpha频段的振荡活动,我们只包括在alpha频段超过信噪比的参与者。为确定alpha波段的信噪比,采用Welch方法(汉恩窗,2s窗长,50%重叠)计算频谱。为了从频谱中减去1/f贡献,我们使用频谱参数化。使用的设置为:最大峰值数=5;非周期模式=固定,峰宽极限=(0.5,12),最小峰高=0;峰值阈值=2,拟合频率范围=2-35hz。在整个记录长度内,如果在中线上至少有一个电极在alpha波段显示>5dB振荡峰值,参与者被纳入。
我们使用了空间-频谱分解(SSD),这是一种经过充分验证的技术,允许我们提取特定频段内具有最大信噪比的神经元活动。该方法基于传感器间协方差矩阵的广义特征值分解,使某一分量在指定频段的振荡功率最大化,同时使侧翼频带的振荡功率最小化,得到具有最高信噪比的振荡分量。
为了研究不同成分如何在选定的传感器上混合,我们分析了与SSD(空间-频谱分解)空间过滤器相关的空间模式系数。总体流程如图1所示。空间模式以线性的方式描述源S对传感器X记录的活动的贡献:X = AS, A为空间模式矩阵,有时也称为混合矩阵。在我们的约定中,矩阵的列包含单个源的空间模式,矩阵的行包含单个传感器对每个源的贡献。在Haufe et al的基础上,在alpha波段滤波的活动协方差乘以SSD获得的空间滤波器。由于广义特征值分解方法具有极性不变的特点,因此返回的空间模式的符号依赖于初始化,因此在评价各电极节律贡献比例时,我们分析了空间模式的绝对值。我们计算了Nikulin等人定义的空间模式的绝对余弦距离,从数据计算到最拟合的前沿场模型(如下所述)。这种方法可以评估获得的空间模式与单极子模型的接近程度。我们计算了所有参与者的测量值,我们根据alpha波段的低绝对余弦距离和信噪比为图6和图7选择了样本参与者。
图1 分析量化独立节律对传感器活动的贡献
A.两组数据包括睁眼和闭眼时62通道静息状态EEG记录和睁眼时275通道静息状态MEG记录。
B.空间滤波器和模式是通过空间频谱分解(SSD)计算的。
C.提取每个传感器的空间模式条目并归一化,取绝对值计算每个传感器的传感器复杂度。
为了评估节律对每个传感器的影响,我们随后计算了一个量化偏离情况的方法,在这种情况下,所有成分对给定传感器的信号的贡献都是相等的功率。这种测量方法在下文中被称为传感器复杂性,它允许我们评估每个源对所观察到的脑电图活动的相对贡献:
归一化空间格局系数:
传感器的复杂性:
2.3 仿真
在模拟中,我们在一个真实的3D头部模型中,在alpha波段的特定皮层位置分布了几个节律源。然后,我们提取了每个脑电电极的前导场系数,并计算了每个传感器的传感器复杂度,这使我们能够研究每个传感器基础上的节律空间混合。
我们使用了Huang等人和Haufe等人的一个逼真的预计算场模型New York Head。完整的细节在上述文章中给出。简单地说,该模型的解剖学基础是详细的ICBM152头部模型,基于152个成人大脑的平均值,通过磁共振成像得到。针对该头部模型,给出了分布在皮层表面网格上的231个标准电极位置和75000个节点的有限元场解。我们提取的场入口,偶极子方向是假设垂直于皮层表面。对于图4中的演示,我们使用了MNE提供的“fsaaverage”示例数据和头部模型。在MEG模拟中,我们对头部模型使用了与脑电图相同的ICBM152基础。将脑磁图传感器的坐标与头部模型对齐。
图4 改变中心alpha源的偶极子方向会影响前额电极上的传感器空间活动
A .三维灰质模型显示了不同的偶极子方向。颜色与B.中地形的颜色相对应。
C.在不同偶极方向下,一个感应电极的绝对引线场贡献。传感器的活动高度依赖于偶极子方向。
D.和C一样,但是用的是正面电极。
根据Hindriks等人的研究,在每个半球放置了16个邻近位置的源。我们考虑了6个枕部、2个顶下、3个体感和5个颞alpha源。偶极方向垂直于最接近所选偶极位置的三角面表面。对位置进行调整,使偶极指向反映出相关的空间模式的多样性,例如,感觉运动节律具有更径向和更切向偶极的混合。众所周知,生理节律有不同的振幅,例如,更明显的视觉alpha节律,不同的节律类型乘以指定的增益因子,如表1所示,枕部、顶叶和感觉运动源的功率较高,颞源的功率较低。由于源位置的参考表明,颞皮层的源比感觉运动皮层的源更多,因此我们选择了一个较低的增益因子来平衡它们与感觉运动源的总功率。此外,我们模拟了眼睛从睁开到闭上的状态变化,在此期间,枕区源的强度增加,而其他源保持不变。
表1 alpha活性源类型的因子,表明它们的相对强度和状态变化特性。
3. 结果
3.1 空间模式作为研究空间相关性的工具
首先,我们讨论空间模式的概念。通过观察不同传感器之间的相关性,空间模式是评估与某个特定传感器或空间滤波器信号相关的活动空间分布的一种简单方法。在EEG/MEG分析中,由于容积传导,相邻传感器之间总是存在很大程度的相关性。空间模式显示了大脑中源/成分的神经元激活如何映射到脑电图/脑磁图传感器。
为了计算空间模式,首先需要定义一个空间filter。空间filter是一个与传感器一样多的向量,每个传感器有一个数值权重值。每个传感器在空间filter矢量中都有一定的权值,这些权值也可以为零。参考可以看作是空间filter与数据的矩阵乘法,它产生活动跟踪。同样,对于公共平均参考和拉普拉斯参考,可以很容易地构建一个空间filter向量(见图2a)。空间模式与头皮电位地图不同,因为空间模式反映了源自特定空间滤波向量的活动的空间分布,所以在单个传感器的最简单情况下,头皮电位地图反映了特定时间点所有活动的叠加。
图2 空间模式有助于评估节点和提取传感器信号的来源
A.三种不同参考场景的空间filter:参考电极FCz(信号采集时的参考);共平均参考,filter权重= 1/N, N为传感器数量;拉普拉斯参考。
B.演示如何通过不同的参考方案来减弱活动扩散。参考类型从左到右,如A中所示。与参考电极FCz或共同平均参考相比,用拉普拉斯filter在电极C3周围提取的活性显示感兴趣区域周围的空间扩散减少。
C.展示了即使是一个拉普拉斯也不能提取活动中心下方的活动,这个参与者的枕叶alpha活动如此强烈,以至于枕叶活动出现在拉普拉斯参考电极C3中。
D.演示theta波活动如何显示一个让人联想到眼球运动类型活动的地形,而不是更多的额叶中部分布。
然后,通过将特定的空间滤波向量与跨传感器活动的协方差矩阵相乘来计算空间模式。在此过程中,根据空间filter权重的极性和强度加入协方差项。如果传感器的活动是不相关的,协方差矩阵是一个单位矩阵,那么空间filter就等于空间模式。但对于脑电图/脑磁图数据却不是这样,因此我们需要将空间filter转换为空间模式,以便对提取的信号的位置做出声明。例如,对于一个非重新参考的传感器的空间模式将恰好是该传感器对其他传感器的协方差,反映了信号在传感器之间的传播。信号活动通常是带通滤波,然后计算协方差矩阵。可以使用不同的约束来计算空间模式,例如,当需要强制空间模式的稀疏性时,可以使用正则化。一般来说,当使用SSD(空间-频谱分解)返回的源时间序列来拟合数据时间序列时,空间模式可以被视为最小二乘系数。
空间模式可以帮助验证和检查感兴趣信号的位置,例如,帮助检查是否存在适当的振荡,以提高测量的有效性。在图2b中,我们展示了与左侧感觉运动皮层上的电极C3相关的空间模式,这有三种不同的参考方法:使用FCZ参考(信号采集时的参考),共同平均参考和拉普拉斯参考,频段选择为8-13Hz。可以看到,信号的焦点变化,取决于各自的参考。在理想情况下,远离所选区域的区域的贡献应最小化,空间格局系数的值应接近0。可以看出,在FCZ参考的情况下,空间扩散比较广泛,而在Laplacian的情况下,空间扩散更加集中。尽管总体上改进了拉普拉斯引用的聚焦性,但在所有使用拉普拉斯引用的情况下,信号不会有一个局部原点。在图2c中,我们展示了一个参与者的例子,该参与者在电极C3上应用拉普拉斯filter,确实产生了起源于感觉运动皮层附近的信号,但后部活动的贡献最强。在上述情况下,与感觉运动节律相比,后alpha活动非常强烈,而感觉运动节律在这个特定的参与者身上并没有被真正检测到。图2d展示了一个示例,目的是使用正面传感器提取4-7hz频带的theta波活动,但没有对眼动伪迹进行足够的数据清理。因此,从反映眼球运动的地形图可以明显看出,theta波段中提取的活性被伪迹污染了。
综上所述,空间模式可能是一种易于使用的脑电分析数据探索工具。请注意,图2中提出的所有这些考虑通常适用于不同频率范围的神经元活动,因此这些例子可以推广到其他波段,即delta、theta、beta和gamma波段的节律。
3.1 模拟:不同的alpha节律对传感器信号的贡献
之前我们研究了与特定组成部分相关的空间模式,接下来我们将说明如何通过分析多种空间模式来评估节奏的空间混合。为此,我们使用逼真的头部模型进行模拟。根据Hindriks等人的研究,我们将16个源放置在每个半球的皮层位置,见图3A,对应的场绘制在图3B中。这里的自由参数是源的数量以及每个源相对于其他源的强度。
图3 不同的alpha节律影响每个传感器记录的活动
A.头部和皮层灰质三维模型,配有脑电图电极和对应alpha源的位置(蓝色:枕区alpha源,橙色:顶叶alpha源,绿色:颞区alpha源,红色:感觉运动源)。
B.每种alpha源的场图,显示每种alpha源的每个电极的正极性(红色)和负极性(蓝色)对信号的贡献。
C.模拟每个传感器的节律贡献,眼睛睁开的情况。如图B所示,所显示的比例是根据节律类型着色的,颜色越浅表明来自右半球的来源,颜色越饱和表明来自左半球的来源。
D.闭眼状态下,对单个传感器的节律贡献,枕骨alpha贡献增加。
在图3C中,我们通过显示从场中获取的绝对空间格局系数来可视化每个节律的贡献。对于每个传感器,我们绘制一个图,图的位置根据各自传感器的坐标。所有alpha源对一个特定传感器的贡献产生了图的整个区域,如图3b所示,由绝对场值的总和测量。不同类型的alpha源的贡献以特定的分类颜色显示,根据源的半球起源以更饱和和更微弱的颜色细分。这里没有显示的一个维度是绝对的alpha功率,在最突出的节律起源的后部电极中,alpha功率较大,而在没有局部alpha功率贡献的额电极中,alpha功率较小。
在图3C中可以注意到几个观察结果:
首先,相当数量的信号来自于对半球,这可能会使侧化效应的评估复杂化;
第二,可以看到,大部分在额传感器的alpha活动来自传播的后部alpha源。在很大程度上,这是由于偶极子的取向,以及存在更多的后alpha源而不是中央源(每个半球6个vs 3个)。
第三,在中部传感器上,只有一小部分alpha波段的活动是由感觉运动源贡献的。在图3D中,我们展示了通过增加后alpha节律的强度来改变一种类型的节律(后alpha节奏)的信噪比的影响。例如,这可能发生在闭眼的情况下,后alpha源的功率急剧增加。可以看出,视觉alpha活动的相对贡献增加,构成了alpha波段的大部分信号。
为了进一步说明改变中心alpha源的方向如何改变正面传感器的贡献,我们提供了图4。在这里,我们在图4A中展示了位置和三种不同的可能的偶极子方向,在图4A中展示了对应的场地形,在图4C和D中展示了每个偶极子方向的绝对场系数。可以看到,虽然对于偶极子径向方向,对正面传感器的贡献最小,但对于偶极子切向方向,贡献增加。
图5显示了MEG与图3对应的仿真。虽然脑磁图的空间传播不那么广泛,但前额通道的传感器空间活动仍然显示出潜在alpha源的大量贡献。
图5 不同的alpha节律影响每个MEG传感器记录的活动
A.头部和皮层灰质的3D模型,带有MEG传感器和对应alpha源的位置(蓝色:枕区alpha源,橙色:顶叶alpha源,绿色:颞区alpha源,红色:感觉运动源)。
B.每种alpha源的场地形图,显示每种alpha源的每个MEG传感器信号的正极性(红色)和负极性(蓝色)贡献。
C.模拟每个传感器的节律贡献,眼睛睁开的情况。每个图代表一个MEG传感器。如图B所示,所显示的比例是根据节奏类型着色的,颜色越浅表明来自右半球的来源,颜色越饱和表明来自左半球的来源。
D.闭眼状态下,对单个传感器的节律贡献,枕alpha贡献增加。
获得的节奏贡献传感器的比例取决于使用的参考方案,在我们的情况下是共同平均参考,因为标准化的leadfield是在这个配置中提供的。改变参考点将改变空间模式的空间分布,如图2b所示,这反过来将导致对特定电极的不同贡献。在给定的传感器附近,能够最大限度地发挥源作用的基准类型将取决于偶极子的方向以及其他节律的存在。在进行传感器空间分析并确定参考方案时,建议对感兴趣的传感器计算图2b中不同参考的空间模式。
3.3 静息状态数据:不同的alpha节律对传感器信号的贡献
为了说明alpha波段的节律在经验数据中的传感器上是如何在空间上重叠的,我们在图6中展示了两个个体参与者的数据。这幅图的构造类似于图3C和D所示的模拟图。由我们使用一种基于空间频谱分解(SSD)的统计方法来估计成分和空间模式。图6a所示为成分的示例拓扑结构,按alpha频段的信噪比排序。可以看到反映典型枕alpha和感觉运动节律的成分。在图6B中,显示了每个成分对单个传感器的贡献,以带功率的方式进行评估。图6C和D是不同参与者的模拟图。生成的图形是固定数量的成分(N = 10)。
图6 不同的alpha节律影响感知空间活动,以两个参与者为例
A.前十个SSD(空间频谱分解)空间模式在alpha波段的情况。每个节律都被分配一个颜色,与下一个子情节中的颜色相对应。
B. 10个SSD成分在每个脑电电极上的比例,通过相对贡献来评估。虽然感觉运动区域的传感器显示出最高比例的感觉运动节律,源自枕骨区域的alpha节律也影响了这些传感器记录的活动。
C和D是对不同参与者的A和B的模拟。
与模拟相似的是,很明显,对于额部传感器而言,alpha波段的大部分活动来自于对枕部和顶叶传感器贡献最强的后alpha分量。在感觉运动传感器中,枕骨alpha活动也是传感器空间alpha活动的重要组成部分。我们在图7中展示了alpha节律对MEG传感器的贡献。此外,在这里,存在的alpha节奏导致复杂的相对贡献传感器。由于空间模式是一个估计过程的结果,比例可能会根据用于分解的方法而改变。但总体结果与模拟结果是一致的,这暗示了在EEG中某些节律和现象可能更容易被检测到。这也应该取决于脑电或脑磁图传感器的配置,以及脑电图中的双极性衍生或脑磁图中的平面重力直径,它们可能检测到来自远程源的较小的场传播。
图7 不同的alpha节律影响脑磁图传感器空间活动,以一个参与者为例
A.一名MEG参与者在alpha波段的前十个SSD空间模式。每个节律都被分配一个颜色,与下一个子情节中的颜色相对应。
B.每个MEG传感器上10个SSD成分的比例,根据相对贡献进行评估。
3.4 静息状态数据:参与者之间的空间混合
在证明了单个参与者的空间混合的定性效应之后,我们的目标是看看我们是否能看到不同参与者的空间混合的共性。例如,我们能否识别不同节律混合特别明显的传感器或位置,从而对电生理结果的解释提出挑战。我们计算了所有脑电图电极和不同状态(眼睛睁开/闭上)的传感器复杂性度量,以量化空间混合的程度。
图8A和B表示EEG在睁眼和闭眼两种情况下的平均传感器复杂度。闭眼状态下枕骨alpha源的功率更大,而枕骨-顶骨传感器的功率则有较大的偏离。这是意料之中的,因为只有少数几个源贡献了alpha波段的很大一部分功率。对于中枢感觉运动传感器来说,有一个相对较高的复杂性,因为这里有感觉运动的节律和枕部的alpha节律的贡献。在眼睛睁开的情况下,情况改变了,因为枕叶源现在更弱,我们在中央传感器上看到更少的空间混合。在脑磁图数据中(图8C),睁眼状态下,复杂性图在量级和地形分布上与脑电图眼睛睁开情况相似。此外,我们还在图8D和图8E中分别展示了枕部和感觉运动脑电传感器的个体参与者的复杂性值,以证明参与者之间空间混合的高可变性。
图8 参与者的平均脑电图传感器复杂度表明后部通道的空间混合较少
A.闭眼条件下参与者的平均传感器复杂度。在闭眼状态下,感觉运动传感器的复杂性更高,表明空间混合程度更高。
B.睁眼条件下参与者的平均脑电图传感器复杂度。
C.在睁眼条件下,参与者的平均MEG传感器复杂性。
D.枕部电极Oz和E.感觉运动电极Cz的传感器复杂性。
3.5 再加一个维度脑电图alpha节律的时间波动
到目前为止,我们的计算是不考虑时间波动的,按时间计算平均功率。但神经元振荡在快时间尺度和慢时间尺度上也显示出显著的波动。因此,在下面的图9A和B中,为了展示个体节律对不同脑电电极随时间变化的贡献,我们简要地说明了个体参与者随时间的振荡波动。相应的地形图如图9C所示,显示了感觉运动节律和后alpha节律。当将SSD成分的alpha功率表示为SSD组件#2与组件#1的比值时,可以看到成分之间的功率比随时间变化的范围,见图9D和E。注意,在不同的时间段,不同节律的比例/比率可能会发生变化。如果一个传感器在一个频带内检测振幅的变化,这种变化可以反映不同的底层空间。例如,只有一个源在变化,或者多个源同时变化。这可能取决于不同的因素,从振幅包络相关性的强度或其他时域特性,例如,节奏是出现在爆发还是具有更连续的性质。
一般来说,给定传感器上的空间混合越强,就越难以从特定的单脑电图电极上记录的活动中推断出特定的节律。当我们在这里展示一个参与者的例子时,alpha节律振幅的动态变化是一个普遍的现象,并且在某种程度上存在于所有其他参与者中,如果他们在alpha波段显示振荡节律。
4. 讨论
通过这篇文章,我们旨在提高人们对空间混合对脑电图/脑磁图检测到的alpha节律的影响的认识。本文首先阐述了利用空间模式来分析脑电活动的焦点和来源。利用这个工具,我们评估了不同的alpha节律对脑电图电极和脑磁图传感器的贡献。首先,我们在真实头部模型中模拟了不同的alpha发生器,并利用相应的前导场计算了它们的贡献。模拟分析与两个大型数据集的实证数据分析相补充,其中我们分析了SSD提取的alpha节律的空间模式系数。定义了单个传感器水平的复杂度量,并用于说明alpha源如何根据状态映射到脑电和脑磁图传感器。
4.1 影响
4.1.1 节律振幅和alpha不对称测量
迄今为止,许多脑电图/脑磁图的研究都是在传感器空间进行的。这种方法的一个明显优势是它在技术上相对简单,不需要使用生物物理或统计约束进行源分析(例如使用独立成分分析或SSD)。典型的例子包括频谱分析、幅度动力学,如与事件相关的去同步/同步、微状态、多种复杂性测度、近似熵和样本熵。这类研究的典型方法是根据传感器的空间位置来定义感兴趣区域,如额区、中央颞区、顶叶区和枕叶区。这样做通常是希望这些感兴趣区域的传感器捕捉到的活动能反映出这些传感器附近产生的皮层过程。然而,如图3所示的脑电图和图5所示的脑磁图所示的模拟可以看出,额部传感器检测到的很大一部分活动可以来源于枕部源。这种情况对于根据脑电图电极F3和F4的传感器空间活动计算的alpha源推断特别重要。
此外,使用真实数据,图6显示许多枕部和中央源影响了额部脑电图电极的alpha节律。一方面,研究alpha不对称是有可能的——尝试不同的电极对,以表明主要是前额电极的不对称最符合接近/回避特征的行为量化。然而,这样的结论并不一定是正确的,因为与额叶节律相比,枕叶节律的混合可能更复杂/不同,因此额叶区域外的alpha源的不对称仍然是额叶电极的alpha不对称的主要因素。一般情况下,我们建议用独立分量分析或SSD对alpha源进行简单的分解,以计算出具有明显中央和枕部特征的分量占正面电极总功率的比例。如果这一比例超过50%,在解释额alpha不对称时应谨慎。即使记录由大约20个脑电图电极组成,这种分解也可以进行,因为成分的空间模式可以被识别为具有中央源、额源或枕源。
类似的逻辑可以应用于电极的其他位置和其他现象,振荡的功率或他们的不对称性应该被推断。例如,对于感觉运动节律,两个半球之间的循环能力差异可以表明两个半球之间的兴奋/抑制平衡的不对称性,据此可以制定一定的经颅磁刺激治疗方案。在这种情况下,如果使用标准参考方案,如基于普通平均、连接乳突等,仔细评估alpha波段混合复杂度也很重要。再次强调,对于更精细的空间估计,首选源分析。对于MEG来说,由于MEG分析中很少有单独的传感器空间分析,因此在解释第一次通过的传感器空间活动时,主要需要考虑MEG传感器上的空间混合,例如对感兴趣区域的选择。
4.1.2 传感器空间中的神经反馈
另一个利用在传感器空间中获得的alpha能量的重要例子是神经反馈。在这里,主要的想法是在特定的传感器位置上有意识地上调或下调振荡的功率。主要的前提是,alpha功率的变化很可能与相应神经元网络的功能变化有关。通常,alpha节律的功率与产生这些alpha节律的空间受限神经元网络之间存在某种关系。然而,我们的模拟表明,给定传感器的功率反映了不同大脑区域发生器的活动。重要的是,传感器空间脑磁图被用于神经反馈的应用中,因此,上述对脑电图神经反馈的所有考虑仍然与脑磁图有关。此外,不同SSD(空间-频谱分解)成分的功率比随时间的变化而变化(见图9),从而进一步模糊了alpha节律变化与潜在神经元处理之间的关系。这种空间混合的复杂性必然会导致学习神经反馈效果的下降。这可能是观察到许多参与者不能有效学习神经反馈的原因之一。事实上,基于我们的结果,我们假设alpha节律空间复杂性较低的参与者在神经反馈过程中表现更可靠。这可以在未来的研究中直接验证。由于神经反馈通常需要多个会话,这是一个耗时的过程,作为一个实用的建议,我们建议使用大量传感器(例如脑电图60个)进行至少一次记录,以量化不同传感器的alpha节律的存在和空间复杂性。然后,我们可以确定足够低复杂性的传感器,或者在参与者的空间复杂性较高的情况下,我们可以继续使用更多的电极,以实现与空间受限的神经元活动相对应的空间模式的可视化,以验证范式。
图9 相对alpha节律对传感器空间活动随时间变化的贡献。在PO8电极上测量alpha功率时,不同节律产生的时间分辨alpha功率变化,颜色对应于C子图中颜色编码的地形。调整y轴限制以突出alpha功率的变化。
B.与A相同,但为中枢感觉电极C3。
C.成分的形貌,颜色编码如A和B所示。不同的SSD成分#2和SSD成分#1的振幅贡献随时间的比值。
E.相同,但是是SSD成分#3和SSD成分#1。传感器空间活动的相对功率贡献随时间变化很大。
4.1.3 空间复杂性和连通性
先前的研究已经探索了基于相干性或锁相值的容积传导对连通性关系计算的影响。在这里,当相同的神经元源映射到许多传感器时,可以检测到虚假连接,因此高连接值并不反映功能的相互作用,而是反映了相同的神经元轨迹映射到不同的传感器,从而导致高相干锁相。显然,容积传导也是本研究中获得复杂空间格局的原因。虽然我们不会在这里描述克服假相互作用检测的策略,因为它已经在以前的研究中做了,我们想强调与我们的发现相关的另一个重要方面。传感器,反映了不同成分的高度空间混合,也可能反映神经元相互作用的丰富结构,即使在容积传导控制下,也可以通过不同的图理论度量来获取。因此,我们建议,如果连通性研究是基于传感器空间分析,可以计算互补空间传感器的复杂性,以评估获得枢纽结构的可能性,尤其是在传感器复杂度最高的传感器中。
4.2 局限性
对于实证数据分析部分,我们使用了一种简单的方法进行源重建。就像任何其他分解技术一样,不可能分离所有单独的alpha节律。毕竟,我们只记录了60个脑电图电极的数据。因此,分解将具有非偶极结构的特征成分,即通过分解算法将高度共活的多个源组合成一个源。虽然可以通过使用更复杂的源重建算法在这方面进行改进,但我们的一般性陈述不依赖于我们使用的特定源重建方法:单个EEG电极的活动将反映alpha波段的多个源,其贡献将随时间动态变化。一般来说,基于统计的源分离技术的存在,如SSD(空间-频谱分解),使得在源/成分空间节律的研究很容易,并允许分离个体节律的贡献,而不需要解剖头部模型,以最好地利用电生理数据的信息。在目前的分析中,选择SSD作为分解算法是因为其参数少,易于计算,以及对窄带节奏的特别关注,应该被理解为一种对抗容积传导效应的可能性。一般情况下,源重构算法的选择取决于研究的目标。关于源重构的实际考虑在各自软件包的配套论文中给出关于如何使用基于通用特征值分解技术(如SSD)的具体建议参见Cohen(2022)。这些技术的主要优点是计算速度快,只需要峰值频率和带宽,不需要解剖信息。出于神经反馈的目的,根据具体的任务,可以选择枕顶叶或感觉运动起源明确的SSD成分,因为这些模式通常很容易识别,不需要进行反向建模。如果对源的区域来源有限制,利用这些目标的技术可能是有益的,例如波束形成。
5. 总结
由容积传导引起的空间混合是由脑电/脑磁图记录的数据所固有的。在这里,我们展示了不同alpha节律的空间混合程度,并从活动贡献的角度阐述了传感器空间活动的后果。为了检测EEG/MEG信号和行为之间的关系,需要仔细考虑可用的信噪比。虽然突出的其他节律在传感器空间中表现出较少的空间混合,但对于更小振幅的感觉运动和时间alpha节律来说,情况更加复杂,这可能会影响仅在传感器空间中进行的分析。我们希望提供的实际示例可以对脑电图研究人员评估传感器空间是否足够他们的研究课题。