EEG源定位的线性分布逆解

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注

导读

本研究旨在比较最小范数、加权最小范数、低分辨率电磁层析成像(LORETA)、局部自回归平均(LAURA)、标准化LORETA和精确LORETA，这6种线性分布反演方法在间歇性癫痫放电EEG源定位中的空间精度。基于204通道脑电图，回顾性比较了30例癫痫手术患者切除脑区平均间歇性放电的最大源，从而评估空间精度。此外，在计算机模拟中评估了逆解(或称脑电逆问题，是由大脑皮层电压推断大脑内活动源的信息，即通过脑电图数据去反演可以反映脑电活动等效偶极子源的参数信息)的定位误差，在传感器空间和源空间的信号中加入不同水平的噪声。研究结果发现，在临床评估中，使用LORETA或LAURA时，50-57%患者的最大源位于切除的脑区内，而其他逆解的表现明显较差(17-30%)。在模拟研究中，当噪声水平超过10%时，LORETA和LAURA的定位误差比其他逆解小得多。LORETA和LAURA在临床和模拟数据中提供了最高的空间精度，同时对噪声具有较高的稳定性。因此，在测试的不同线性逆解算法中，LORETA和LAURA可能是间歇性EEG源定位的首选算法。

前 言

脑电图(EEG)源定位(ESL)旨在通过头皮EEG电极的电位差来识别大脑内的神经活动源。ESL最相关的临床应用是在局灶性癫痫患者的术前诊断评估中。在其他定位工具中，ESL常被用于确定间歇性癫痫EEG放电的来源。由此确定的大脑区域作为理论致痫区域的估计。原则上，ESL是基于一个生物物理的头部模型或正解，即EEG信号是由大脑内一个给定的源活动产生的，以及一个逆解，即源活动的模式是引起给定EEG信号的原因。在过去的50年里，针对ESL提出了大量的头部模型、逆解和软件工具箱，而ESL结果的准确性在很大程度上取决于逆解的选择。

分布式源模型是基于数千个定向固定的偶极源，它们有规律地分布在三维(3D)大脑空间或皮层表面。源的激活被描述为电流密度分布。分布式模型的一个优势是，不需要对特定头皮电压图下活跃偶极子的数量进行先验假设。在分布式源模型中，‘线性’模型是基于任意EEG电极记录的电位是活跃脑源强度的线性组合的假设，因此线性代数技术可以解决逆问题。线性分布逆解被广泛应用于局灶性癫痫患者术前评估的间歇ESL。然而，目前还没有一个系统的比较来确定哪一个在术前癫痫评估中产生最准确的间歇ESL结果。在这里，本研究旨在评估6种不同的、临床上重要的线性分布逆解的准确性。最小范数(MN)算法在1994年被提出来估计源电流分布作为一个替代单或多偶极子模型。由于MN倾向于错误定位更深的源，加权最小范数(WMN)方法可以通过一个加权矩阵来弥补这一点。低分辨率电磁层析成像(LORETA)旨在找到EEG活动分布的最平滑的MN解，而局部自回归平均(LAURA)将生物物理假设和纯数学约束整合到MN算法中。为了实现零误差的定位，标准化的LORETA(sLORETA)通过使用分辨率矩阵的协方差对MN给出的当前密度估计进行标准化，而精确LORETA (eLORETA)使用迭代加权来实现在无噪声条件下的精确定位。

ESL准确性的临床验证通常基于估计源与最终切除的脑区之间的距离，或者基于估计源和切除(子)叶的一致性。为了便于与其他研究进行比较，研究者分别评估了这两种方法的临床准确性。目标是在计算机模拟的帮助下复制临床发现，并研究主动源的数量和不同水平的噪声如何影响不同的逆解的精度。为了模拟间歇性癫痫放电的情况，研究者模拟了少量不同强度的活跃脑源，并比较了逆解矩阵确定最大强度源的能力。由于大脑中总是存在神经元背景活动(生物噪声)，所以研究者将不同水平的伪源活动作为噪声添加到了源空间中。此外，在传感器空间中加入了相同水平的噪声，以模拟EEG记录过程中不可避免的技术噪声。

方 法

患者群体：筛选的304例患者中，45例符合纳入标准。其中30例患者中，19例进行过前颞叶切除术，14例杏仁核-海马切除，11例颞外切除。

EEG记录与预处理：在术前癫痫评估中获得1-20小时的高密度EEG记录(257个电极；未滤波采集，采样率500-1000 Hz)。不考虑前一次放电后1秒内所发生的放电。如果患者有多个放电簇，选择发生频率最高的，同时符合临床焦点假设。剔除包含放电周围生理伪影的epoch。在术前评估期间，epoch以放电峰值为中心，使用Cartool软件进行平均。利用MATLAB R2016a去除脸颊和颈部电极，在Cartool 3.80版本6164中，使用4阶巴特沃斯滤波器在[1-70]Hz的区间内对epoch进行滤波，再加上50 Hz的陷波滤波。检查EEG波形和表面电压图来识别被技术伪影干扰的通道，并进行插值校正。最后，将平均后的epoch降采样至250 Hz。

图1.方法示意图。MRI记录与头部建模：头部模型是基于结构T1或MPRAGE MRI重采样的1 mm3各向同性分辨率，使用三次插值。为了控制大脑灰质的源空间，研究者使用FreeSurfer生成了一个3D灰质掩模。通过使用开源的Connectome Mapper 3，将该灰质掩模分成38个子区域(每个半球19个)，不包括脑干和小脑，以便评估ESL的准确性。对于间歇ESL，LSMAC被证明与更复杂的头部边界单元模型和有限元模型具有相似的精度。在Cartool中实现的MN算法是基于L2的(最小二乘法)。临床ESL准确性评估：ESL空间精度半定量评价的方法有两种：(1)在三个正交平面中的任意一个上，最大源与切除边界的最短距离；(2)与38个子区有关的精度水平。模拟数据：类似地，基于204个EEG电极、LSMAC、5018个解点和Cartool软件，在计算机模拟中测试了6个逆解的定位精度，作为源数和噪声水平的函数。对于任意给定数量的源和每个逆矩阵，执行了20072次随机试次。源的方向是随机的，其定位也是随机的。在源空间和EEG空间同时加入输入数据的0%、10%、20%、30%、40%和50%的高斯噪声(图1B)。模型中不包含噪声协方差，因此，不存在超参数调优。对于每个模拟，定位误差被评估为由逆解给出的源最大值与真实源最大值之间的欧氏距离。统计分析：将所有逆解与癫痫中心目前的ESL默认方法LAURA进行了比较。非参数数据采用双侧Wilcoxon检验，连续数据(定位误差)采用双侧T检验。采用Benjamini-Hochberg方法对p值进行校正，假定错误发现率为0.05。

结 果

使用LORETA或LAURA，最大源位于被切除脑区内的比例分别为57%或50%，而所有其他逆解的表现明显较差(17-30%；与LAURAp＜0.01相比；图2)。在子叶一致性方面，LAURA结果的正确率为83%，而其他逆解的正确率为53-73%，但差异不存在统计显著性。LORETA和LAURA得到的个体结果彼此相似，MN和WMN得到的结果也相似，而sLORETA和eLORETA得到的结果相似程度较小。一般来说，平均单次放电次数越多，ESL结果越准确。

                                              图2.使用不同逆解的ESL临床空间精度。

模拟数据：在这个特定的集群中，eLORETA和sLORETA总是以零误差对活跃源进行定位，而LORETA和LAURA的平均定位误差均在16 mm左右，且MN和WMN＞23mm(图3A，B)。最大源定位误差随着活跃源数量的增加和噪声水平的提高而增加。在零噪声的情况下，sLORETA和eLORETA仍然是所有源测试中最精确的解决方法。然而，当噪声水平高于10%时，LORETA和LAURA在所有测试的逆解中的定位误差最小，不考虑活跃源的数量(图3)。

                            图3.ESL的模拟空间精度取决于源数量和噪声水平。

当合并所有测试源数(1-5)和所有噪声水平(0-50%)的模拟结果时，LORETA的中值定位误差为27 mm，LAURA的中值定位误差为32 mm，所有其他逆解的中值定位误差均高于50 mm。

                         图4.ESL的模拟空间精度在所有源和噪声水平上的测试。

结 论

通过定位人类间歇性癫痫活动的“真实”源和计算机模拟的大脑源，研究者评估了6种不同的线性分布逆解的空间精度。这两种类型的分析一致地表明，在测试的算法中，LORETA和LAURA能够提供最高的空间精度。此外，计算机模拟结果表明，逆解的性能在很大程度上取决于大脑中活跃源的数量和添加到信号中的噪声水平。本研究强化了这样一种观点，即根据信号类型和噪声水平，应谨慎地选择ESL的逆模型。对于噪声小于10%(即信噪比>10)的数据，可以考虑使用sLORETA或eLORETA。对于间歇性癫痫放电的ESL，LORETA和LAURA等更强的抗噪性逆解可以提供更为准确的ESL结果。

原文：Linear distributed inverse solutions for interictal EEG source localisation.

https://doi.org/10.1016/j.clinph.2021.10.008

更多资讯看下图