EEG-fMRI融合技术在静息态中的应用

秦鹏民， 韩俊荣， 王玉芝， 吴昌卫， MENG Ming

EEG-fMRI融合技术在静息态中的应用

秦鹏民， 韩俊荣， 王玉芝， 吴昌卫， MENG Ming

静息态下大脑的自发脑活动规律，对理解其对认知活动的影响以及潜在临床应用具有重要意义。同时，由于EEG与fMRI各有其缺点，对探索脑活动有各自的限制。因此，EEG-fMRI融合技术通过结合两者的优势，具有高时间和空间分辨率的特点，能更全面地研究静息态下的脑活动机制。国内外的EEG-fMRI同时技术仍处于发展阶段，加上多模态分析有其难点，例如信号噪音因人而异难以去除、融合分析方法繁多复杂、实验限制太多等，使大多研究者对其望而却步。EEG-fMRI同时技术在静息态下有不同的数据处理方法，包括特殊的伪迹去除以及数据的三种融合方法。在伪迹去除方面，梯度伪迹可以通过平均伪迹模板减法(AAS)和fMRI伪迹切片模板去除(FASTR)去除，而心电伪迹则可以通过平均伪迹模板减法(AAS)、最优基础选择(OBS)和独立成分分析(ICA)去除。在数据融合方面，总结出EEG与fMRI独立对比分析、EEG-informed fMRI和fMRI-infomed EEG三种方法；其中EEG-informed fMRI是较为常用的处理方法，一般利用EEG的三种信号指标与BOLD信号做相关分析，包括功率谱(Power Spectrum)、全脑域同步(Global Field Synchronization)和微状态(Microstate)。

EEG-fMRI同时技术 静息态 数据处理方法

脑电图(Electroencephalogram，EEG)在90年前由Hans Berger发明出来，他提出大脑不单只在有刺激时活动，在静息时神经元也同样具有同步化活动之概念。[1]之后，功能性磁共振成像(functional magnetic resonance imaging，fMRI)和正电子发射型计算机断层显像(Positron Emission Computed Tomography，PET)等脑成像技术也揭示了大脑在静息状态下的活动，特别是fMRI的血氧依赖水平(Blood Oxygenation Level Dependent,BOLD)信号，反映出静息态中大脑各区域之间的新陈代谢动态，这些由脑内各区域的互动组成的网络称为静息态网络(Resting state network，RSN)。RSN是一种自发、大振幅、低频(<0.1Hz)的特殊功能网络，它与行为调节、感知或认知过程等都有密切关系。[2,3]同时，越来越多的证据显示，神经病学或精神病学的疾病都与RSN的活动有关。[4]可以说，RSN的自发BOLD信号活动反映出大脑生理上更基础的一面。[5]所以，研究静息态下大脑的自发脑活动规律，对理解其对认知活动的影响以及潜在临床应用具有重要意义。

EEG拥有很高的时间分辨率，能够捕捉到脑的瞬时活动，时间范围在毫秒级别。但EEG空间分辨率较低，难以描绘出深层的脑活动。相反，fMRI拥有很高的空间分辨率，能采集到清晰的脑活动图像，但是时间分辨率以秒为单位，无法采集到即时的脑活动信息。这两种方法测量了神经元活动的不同方面，若能把EEG的高时间分辨率和fMRI的高空间分辨率结合起来，就能相对全面地了解脑活动的规律。于是，有人提出和使用EEG-fMRI同时技术来探究人类的脑活动机制，早期使用EEG-fMRI同时技术的研究者包括Ives[6]、Lemieux[7]、Krakow[8]、Goldman[9]和Laufs[10]。

如上所述，EEG-fMRI同时技术的优势十分明显，但是，欲结合两者的优势存在技术难点。[11]第一，由于数据是多模态的而且是同时收集的，因此信号会互相干扰，且噪音难以去除。例如，核磁扫描仪会在EEG中造成梯度伪迹和心电伪迹。[12,13,15]第二，分析EEG的信号指标有好几种，例如功率谱(Power Spectrum)、全脑域同步(Global Field Synchronization)、微状态(Microstate)等，不同信号指标之间的差异很大。由于目前没有公认的数据融合方法，造成其分析方法繁多复杂，因此如何选择合适的融合方法也是难点之一。

目前，国内外的EEG-fMRI同时技术还处在发展阶段，应用此技术的研究在国内是欠缺的，大多研究者可能因为其复杂性而望而却步。但是想要更深入了解脑活动机制的时间和空间信息，弄清楚静息态下的大脑活动机制，现阶段EEG-fMRI具有无可比拟的优势。因此，本文主要通过综述目前EEG-fMRI同时技术在静息态研究中的应用研究为国内应用此新技术提供参考。

一、EEG的伪迹去除

在进行EEG-fMRI融合分析前，需对EEG的伪迹进行去除。除了需要进行一般的EEG数据预处理外，在MRI扫描仪中进行生理电记录时，主要有两种伪迹需要特殊处理，即梯度伪迹和心电伪迹。梯度伪迹是由MRI的磁场快速切换引起的，这种信号的振幅一般是EEG信号的100—1 000倍，而且它的频率在EEG范围内，因此难以完全去除。[13]心电伪迹是在高磁场的条件下心跳和主动脉弓处血流冲击所产生的伪迹。它会随着时间而变化，例如它的波形、数值和空间分布。[12,15]

对于梯度伪迹，一般通过两种方法进行去除：(1)平均伪迹模板减法(Average Artifact Subtraction，AAS)。[13]它是通过减去梯度伪迹模板进行处理。首先在原始的EEG中找出梯度伪迹开始的时间，并在每个梯度伪迹出现的时间上提取出伪迹，经过叠加平均构成一个伪迹模板。之后，在EEG信号中减去这个模板，以此去除伪迹。这个方法可在BrainVision Analyzer-II (Brain Products, Germany)中执行。(2)fMRI伪迹切片模板去除(fMRI Artifact Slice Template Removal，FASTR)。[14]每个切片伪迹的起始时间都会在EEG数据中标出，并从所有切片伪迹的窗口中计算出一个平均伪迹模板，再从中间的切片伪迹中减去此模板。对剩下的数据进行分段，与切片时间对齐并运行主成分分析(Principal Component Analysis，PCA)。最后，对剩余的伪迹执行可选自适应噪音去除(Optional Adaptive Noise Cancelation，ANC)。[13]此方法可在EEGlab中执行。

对于心电伪迹，主要通过三种方法进行去除：(1)平均伪迹模板减法(Average Artifact Subtraction，AAS)。[15]记录心电伪迹出现的时间，在此基础上平均心电的同步信号，得到所有电极上的心电伪迹模板，最后从数据中减去心电伪迹模板。此方法同样在BrainVision Analyzer-II (Brain products, Germany)中执行。(2)最优基础选择(Optimal Basis Selection，OBS)。[14]通过主成分分析(PCA)选出数个主要成分组成伪迹模板，并从每个样本数据中减去这个模板。此方法可在EEGlab中执行。(3)通过独立成分分析(Independent Component Analysis，ICA)把EEG信号分离为独立成分，观察每个独立成分的空间分布，手动去除心电伪迹。[16,17]此方法可在EEGlab中执行。

二、静息态下的EEG-fMRI数据融合方法

(一)EEG与fMRI独立对比分析

EEG与fMRI独立对比分析是指分别对EEG和fMRI的数据进行独立分析，分析出EEG或fMRI各自的数据结果，不对两者进行相关分析，两种数据之间的关系是相对独立的。目前，在静息态下，EEG与fMRI独立对比分析的研究目的主要是分析不同觉醒状态水平的功能网络情况。因为EEG是跟踪觉醒状态以及睡眠开始时间和深度最客观的方法，[18]所以在同时采集的情况下，能先利用EEG数据分离出不同的觉醒状态，然后对fMRI数据进行功能网络分析，利用两种数据解释同一时间的个体状态。

EEG脑电信号在被试的不同觉醒状态下会呈现不同的信号，根据研究目的对觉醒状态进行不同层次分类，按照从清醒到睡眠进行划分，对比不同觉醒状态下脑网络功能的差异。一般来说，可根据alpha、delta、theta、睡眠纺锤波和k-complexes的情况对觉醒状态进行分类：(1)枕部的alpha波通常会出现在闭眼后，频率在9—12Hz之间，它标志着清醒的放松状态；(2)前额的alpha波会在清醒放松状态后的几分钟出现，且alpha波的频率峰值会稍微降低；(3)在更低的觉醒状态下，alpha波会消失，低电压的EEG信号会更明显，而且其振幅类似于睁眼状态；(4)当人的困意不断上升时，delta(1—4Hz)和theta(4—7Hz)的强度会同时上升；(5)进入睡眠状态时，睡眠纺锤波和K-complexes会出现。利用以上的EEG信息，就能够对人的觉醒状态进行分类。

之后，可以对不同觉醒静息状态下的fMRI数据进行脑网络分析。Taira Uehara利用EEG信号把被试的觉醒水平分为清醒和睡眠阶段1，各为5分钟，利用“图论分析”来重建脑网络。[19]其中，“节点”(node)代表一系列的兴趣域(ROIs)或者体素(voxel)，“连线”(edge)代表不同“节点”之间的功能连接。此研究把AAL(Automated Anatomical Labeling)灰质模板分为3 781个节点，覆盖了全部皮层和皮层下的灰质。每个节点为6*6*6mm3的ROI，包括27个体素。每个fMRI信号时间段的节点时间进程从预处理后的EPI像中提取，对每个被试ROI内体素的时间进程进行平均。所有配对节点之间都求出皮尔森相关系数，导出3 781*3 781的相关矩阵。设定相关阈值，排除低相关，估计脑功能网络的地图。连接密度K设定为超过相关系数阈值的连线除以全节点间的连线，即可观察不同连接密度(0.01≤K≤0.2, 增量为0.01)的大脑网络特性。在进行网络分析时，通过Brian Connectivity工具箱计算以下脑功能组织特征参数：特征路径长度L、聚集系数C、模块性Q、物理连接距离D和节点效率Ei。通过以上参数可以了解网络功能连接的效率。结果显示出默认模式网络(DMN)在清醒和睡眠状态间的功能网络存在差异，证实DMN和其他脑区域的有效交流对于清醒意识状态来说是重要的，是在意识清醒的状态下整合全脑不可或缺的网络，它在产生意识觉知中扮演重要角色。[19]

另外，Altmann的研究发现，不仅EEG能对不同觉醒状态水平进行分类，利用fMRI的数据也能做到同样的事。他们的研究介绍了一种利用fMRI数据信号来对觉醒水平进行划分的算法：Linear Support Vector Machine(SVM)。利用SVM可以直接建立分类模型，帮助区分觉醒水平间连接模式。[20]首先，利用EEG数据对觉醒状态进行分类。以其中一种觉醒水平行为占总时间85%以上的标准来筛选EEG数据，确认其中一个数据集有可用的时间段，包括清醒(SO)、睡眠1(S1)、睡眠2(S2)和慢波睡眠(SW)。之后，对于SVM分类器的表现，可以用接受者操作特征(Receiver Operating Characteristics，ROC)曲线下的区域面积(AUC)来测量。SVM分类器提供了决定分数，并且能选择在两个状态之间转换的阈值。这个阈值导致不同的敏感度和整个数据集分类的特异性。在所有预知的情况下，ROC曲线简单描绘了一个分类器的敏感度和特异性。AUC对整个曲线来说是一个方便的简要测量方法，AUC的范围为0.0到1.0。1.0的值意味着存在这样一个阈值可达到完美的分类(在100%特异性上100%敏感度)，而0.5的值意味着随机表现，AUC可以解释为从第二级随机选择的例子的可能性。一个高的AUC值意味着一个更好的类别分离，即更好的分类表现。结果显示，在接受者操作特征曲线(AUCs)接近1的区域下，SVM能很好地区分睡眠和清醒状态，以及睡眠的各个阶段。fMRI数据的应用窗口约从70秒开始能提供可靠的分类。[20]而且，皮层下的连接以及枕叶内的连接组织拥有最强烈的区分信息。总体来说，功能网络分析能有效区分非眼动睡眠状态。

(二)EEG-informed fMRI

EEG-informed fMRI数据处理方法，是目前EEG-fMRI同时技术领域应用最广泛的方法。EEG-informed fMRI的数据分析是指从EEG脑电信号出发，分析EEG不同的信号指标与fMRI中BOLD信号的联系，以此探寻脑电信号的脑活动区域，发现EEG信号的脑活动机制。

一般来说，考虑到血流动力学反应的延迟，需要把EEG不同信号指标的平均功率时间序列与血氧动力学响应函数(Hemodynamic Response Function，HRF)进行卷积。[21]之后，利用一般线性模型(General Linear Model，GLM)探索卷积后的功率时间序列与fMRI中体素的BOLD信号之间的关系，[22]进而发现与EEG信号有关的脑活动区域。这是基于fMRI信号源自于神经讯息之假设来分析同步数据的思路；但在实际研究当中，因为研究目的不同或实验条件不同等原因，研究者会采用不同的EEG信号指标进行分析。

纵观静息态的EEG-fMRI同步研究文献，可概括出以下常用的EEG信号指标：功率谱(Power Spectrum)、全脑域同步(Global Field Synchronization)、微状态(Microstate)。接下来，本文会详细叙述每种信号指标的提取以及其如何与fMRI数据融合。

1.功率谱(Power Spectrum)

功率谱是功率谱密度函数的简称，是单位频带内的信号功率。它表示信号功率随着频率的变化情况，即信号功率在频域的分布状况，是最常用的静息态EEG参数。EEG的功率谱通常能够通过傅里叶转换(Fourier transform)计算得到。由于研究目的不同，研究者会选择计算全脑域(Global)或兴趣域(ROI)的功率谱。

在全脑域的功率谱计算中，所有电极上EEG的谱功率都会在典型的EEG频带和时间窗口中计算均值。其中，时间窗口需要跟fMRI的脉冲重复时间(Time of Repetition,TR)一致。由此，每个频带中每一个时间窗口都会产生一个值。这些数值组成一个序列，代表该频带的平均谱功率。典型的频带包括 δ (1.5—3.5 Hz或1.5—6.0 Hz ), θ (3.5—7.5 Hz或6.5—8.0 Hz), α (7.5—12.5 Hz), β (12.5—20 或30 Hz) 以及 γ (20—35 到40—80 Hz)。在计算出全脑域各频带在每个时间窗口的平均谱功率后，即可获得每个电极上各个频带的功率时间序列。像上面提及的一样，由于血流动力学反应的延迟，需要把EEG的平均功率时间序列与HRF进行卷积。为了与fMRI的BOLD信号进行融合，卷积后的时间序列都需要降采样率和标准化。之后，对每个体素(voxel)的BOLD信号与各频带卷积后的平均功率时间序列进行回归分析，探索EEG频带对应脑区域的BOLD信号反应，确认其脑网络活动区域。[23—26]另外，有部分研究只对某区域的频带活动的脑活动机制感兴趣，会选择某几个特定电极的范围作为ROI，并计算其平均功率时间序列，与BOLD信号进行相关分析，如枕叶区域的alpha波[27,28]和顶枕区域(p7-o1,o1-p3,p8-o2,o2-p4，10/20系统)的alpha波[29]。

在全脑水平上，S. I. Goncalves用一般线性模型(GLM)对每个体素的BOLD信号与全脑alpha波的平均强度时间序列进行相关分析，发现在闭眼状态下，三个被试枕叶、顶叶和前额叶区域的alpha波与BOLD信号呈负相关，丘脑区域的BOLD信号则与alpha波呈正相关。[23]Siyang Yin在探究中央和中央顶叶电极上mu场节律(8—12Hz)的脑活动区域时，计算与HRF卷积后的mu功率时间序列和所有体素的BOLD时间序列之间的零延迟交叉相关(zero-lag cross correlation)，再进行Fisher转换。通过在体素水平上进行独立样本t检验，找出在组水平上mu-BOLD显著相关(p<0.05)的脑区域，发现在闭眼状态下，mu场节律与感觉运动网络、注意控制网络、假定镜像神经系统的BOLD信号呈负相关，与来自突显网络(salience network)，包括前扣带回和前脑岛的BOLD信号呈正相关。[25]Lüchinger 同样利用GLM方法研究了BLOD信号与delta, theta, alpha1, alpha2, beta1, beta2的关系。[24]

在ROI水平上，由于alpha波在睁眼和闭眼两种状态的活动差异很大，所以一般认为alpha波与静息态下的脑活动机制之间关系十分密切，因此经常研究alpha波与静息态下脑活动的关系。[22,26—28,30,31]其中，因为alpha波在顶枕区域的活动十分活跃，一般选择顶枕区域作为alpha波的ROI。例如，Eti Ben-Simon选择谱功率最强的五个电极的alpha波(一般是枕叶区域)作为兴趣频带，并分别把睁眼和闭眼状态下alpha波的平均功率时间序列与HRF卷积后，作为回归量，与BOLD信号进行回归分析，发现alpha波的回归量跟行为范式(睁眼闭眼)高度相关，且两个条件下发现的功能网络高度相似。[26]Jue Mo选择三个枕部电极O1、O2和OZ的alpha波为兴趣频段，将其功率时间序列与HRF卷积后，与全脑所有体素的BOLD信号时间序列进行相关分析，并对比在睁眼和闭眼状态下的差异。结果显示，在睁眼情况下，视觉alpha波与默认网络(Default-mode Network, DMN)的BOLD活动是正相关的，而闭眼情况下是没有的。[27]

另外，RSN代表着静息态下一些独特的功能网络，这些功能网络显示出低频BOLD信号波动的暂时性同步。其中有数个稳定出现的RSN值得一提：默认模式网络(Default Mode Network, DMN)，背侧注意网络(Dorsal Attention Network, DAN)，视觉网络(Visual Network)，听觉网络(Auditory Network)，感觉运动网络(Sensorimotor Network)，自我参照网络(Self Referential Network)。[29,32]在全脑体素分析的基础上，有一种基于静息状态下功能网络(RSN)的分析，即独立成分分析(Independent Component Analysis, ICA)，以数据驱动方式自动提取静息状态下的RSN。[29,33—36]在获得RSN成分后，可通过下列两种方法深入分析EEG脑电信号与RSN的关系：(1)观察通过EEG数据估计出的脑活动区域与RSN成分的空间重叠部分；[29](2)对EEG频带的时间序列与RSN成分做相关分析，得到脑电节律与RSN的时序相关关系。[35]然而，这些静息态网络的电生理机制目前尚未厘清，未来可对某些感兴趣的RSN与EEG脑电信号的关系进行深入分析，探索RSN的电生理机制。

2.全脑域同步(Global Field Synchronization)

全脑域同步(Global Field Synchronization，GFS)由Koenig在2000年首次提出[37]，并由Jann应用于EEG和fMRI同时性技术中[30]。Koenig提出，全脑域同步是一种测量EEG同步化的方法，它反映在全脑域上所有电极中一个特定频率的相位锁定的活动中，显示了某频带在全脑域上的同步程度。GFS的绝对值反映了容积导体情况和脑内电位同步化程度，但是由于容积导体假设不变，所以GFS的变化只能解释为神经元同步。另外，GFS是一种全脑域的测量方法，而且没有提供同步活动的位置信息。因此，如果希望确定某频带在全脑域上同步的位置信息，就需要结合fMRI来进行，EEG-fMRI同步技术恰好能满足这一要求。

在EEG-fMRI融合研究中，RSN也会在不同的脑区域显示出同步震荡。因此，存在这样一种假设：RSN可能会被不同的EEG节律调节。如果某频带的全脑域同步(GFS)对应的BOLD信号区域与特定RSN重合，就可以证明以上假设。Jann等人通过EEG-fMRI同时技术发现，与alpha波GFS相关的BOLD信号区域跟具体的DMN有重合，证明了以上假设，说明了GFS对于静息态下EEG-fMRI同时技术研究也是一个可利用的信号指标。[29]

对于GFS的计算，详细可参考Koenig等人的研究。[38]GFS的值的范围是0到1之间，0代表最小同步值，1代表最大同步值。在每一个时间段和频带都可以计算GFS，而且把每个时间段内该频带的GFS值平均后，可得到该频段GFS值的时间进程，与HRF卷积，之后在体素水平上把GFS作为GLM的回归量进行计算，可得到与GFS相关的脑活动区域。Jann先把alpha高频段(8.5—10.5Hz)和低频段(10.5—12.5Hz)的GFS值和其时间序列计算出来，再根据以上方法算出了与alpha高频段和低频段GFS值相关的脑活动区域。[30]该研究发现，与Alpha波GFS相关的BOLD信号区域跟具体的RSNs有重合，如DMN和DAN。另外，至少在alpha频带中，其长远距离的同步化组织了具体的RSNs。这都支持了其研究假设，即RSN可能会被不同的EEG节律调节。

3.微状态(Microstate)

EEG信号的微状态为间断出现的特定空间分布，它的出现时间在毫秒级别，通常在60—120 ms之间，而且相对稳定，与自发的BOLD活动有潜在电生理联系。[39]这样一个准静态的电场位分布，就叫做“微状态”(Microstate)。[40]微状态能影响认知和觉知，[41]把自发想法的性质特征化，[42]这意味着微状态能指出不同的思维处理类型。它们可被看做是“建立认知的砖块”或“想法的原子”，可成为自发的意识认知活动的基础。[43]通过EEG-fMRI融合技术，学者发现微状态与RSN瞬时自发出现的BOLD信号波动存在对应关系。[33,38]这种方法提供了一个新视角，探究人在静息态下产生自发的想法时的脑活动机制。

微状态的计算方法目前有两种：(1)基于组间微状态地形图差异的最大化，把微状态从EEG中分离出来；(2)使用一种数据驱动方法，即独立成分分析(ICA)，从EEG中提取微状态。以下会简述两个提取微状态的方法的研究，以及如何对它们与RSN进行相关分析。

在Juliane Britz的研究中，首先计算出全脑域功率(Global field power，GFP)。将所有GFP峰值的地图都提取出来，用Atomize-Agglomerate Hierarchical(AAHC)算法把数据放至修改过的空间进行聚集分析，确认最具优势的地形图。利用交叉验证(cross-validation)的方法确定模板地图的最佳数量。把每个被试的模板地图都放进第二个AAHC聚集分析中，确认所有被试的主要集群。之后，计算组水平的模板地图，以及每次扫描(Run)中每个被试的模板地图之间的空间相关关系。接着，计算EEG和每个模板地图之间的空间相关，就能得出微状态的时间进程。随后，将每个微状态的时间进程与HRF卷积，并建立一般线性模型(GLM)。最后，计算由微状态估计出的脑活动图和由ICA得出的RSN之间的相关关系。结果显示，四个微状态和四个RSN分别存在相关关系。[39]

在Han Yuan的研究中，首先算出EEG的全脑域功率(GFP)，然后用原始的微状态在GFP峰值的位置推导出EEG拓扑结构。之后，用ICA将微状态分解为几个源，这些源的时间进程都最大限度地跟其他源区分开来。在原始微状态从多电极EEG数据中衍生出来后，将它们的拓扑结构在不同的时域(session)和被试间串联起来(像fMRI数据一样串联)，然后进行单组ICA分析。微状态中独立成分的数量与fMRI的空间独立成分要配对，利用背面放映合成(back-projection)来获得与每个独立成分有联系的地图，也就是主要微状态。因此，对于每个空间独立成分来说，地图对应了具体微状态的空间拓扑结构，微状态的强度反映在独立成分的时间痕迹上，而且与其他空间独立成分独立开来，以此确定微状态空间位置。相同的分解矩阵也应用在连续的EEG数据上，得出每个独立成分在每个时间点的强度值。检查每个独立成分和它们的波形，把那些无关的活动剔除，剩下13个独立成分，也就是13个时间独立的微状态。由于EEG信号的震荡特质，只有独立成分的绝对强度值才是微状态的时间进程，以此确定微状态的时间进程。最后，通过一般线性模型(GLM)分析与微状态的时间进程相关的BOLD信号，得出微状态的脑活动区域，并将其脑活动区域与RSN做比较，即可发现每个RSN都与一个或几个微状态有联系。[34]

然而，微状态为EEG信号的瞬时空间集合，与fMRI的RSN长达数分钟的功能连接仍然存在概念上的差异；微状态是否为功能性连接的生理基础仍属未知，彼此之间的对应关系仍有待后续探讨。

(三)fMRI-informed EEG

目前，除了EEG-informed fMRI的数据处理方法外，fMRI-informed EEG是相对较新的数据处理方法，其数据处理思路与EEG-informed fMRI相反。EEG-informed fMRI是根据EEG数据的不同信号指标，估计其时序信号指标与fMRI中BOLD时序信号的相关性，以此推断出与EEG信号指标对应的BOLD信号，确定与EEG活动有关的脑区。这种办法依靠EEG的时序数据，容易受EEG数据的伪迹影响，所以需要对EEG数据进行更多的预处理，如梯度伪迹去除和心电伪迹去除。而fMRI-informed EEG则是利用fMRI的激活区域作为先验信息，建立源空间，再在源空间中提取该源在EEG中的时间进程。因为这种方法是直接根据fMRI数据的空间信息寻找EEG电生理的源空间，避免依赖EEG数据衍生出源空间，所以相对于EEG-Informed fMRI来说，fMRI-informed EEG能减少EEG中容积导体的影响。[44]

fMRI-informed EEG的数据处理细节可参考Matthias Christoph Meyer等人研究中的“源频率功率相关”部分。[44]这个方法使用了FSL、Freesurfer mesh generation(Freesurfer imageanalysis suite)和Neuroelectromagnetic Forward Head Modeling Toolbox(NFT)三个软件。用Freesurfer和NFT得到个体T1图像的组织表面网络(Tissue Surface Meshes，TSMs)。头皮、颅内外和脑的TSMs都放进NFT中的Boundary Element Method(BEM)。通过TSMs建立源空间，这些fMRI衍生的源放进NFT的正演模型中，结合电极模板计算出引导场矩阵(Lead Field Matrix)。之后，利用Moore-Penrose pseudo inverse倒转引导场矩阵，此矩阵可把EEG数据转化为源的时间进程，得到每个RSN的EEG时间进程。[44]把RSN的EEG时间进程跟标准血流动力学函数卷积，与有关的RSN做部分相关分析(Partial Correlation)，并对相关值做Z转换和排序。

整体而言，在静息态的研究中，以上三种数据处理方法的特点如下：(1)在EEG与fMRI独立对比分析中，利用EEG对觉醒状态水平进行分类，再对不同状态下的fMRI数据进行功能网络分析。使用这种方法只需分别对两种数据进行处理，但两种数据的关系不紧密，两者没有直接联系。(2)在EEG-informed fMRI中，对EEG不同信号指标与fMRI的BOLD信号做相关分析。这种方法中两种数据的关系更紧密，可以利用EEG的不同信号指标研究不同的自发脑活动机制，是相对成熟且较为常用的融合方法，但是容易受EEG的心电和梯度伪迹影响，需要更谨慎地处理。(3)在fMRI-informed EEG中，通过fMRI建立源空间，在源空间中提取出该源在EEG中的时间进程。这能避免由EEG数据衍生出源空间而产生的问题，相对于EEG-informed fMRI来说，fMRI-informed EEG减少了EEG中容积导体的影响，减少了伪迹影响，特别是心电伪迹。

三、结 论

综上所述，EEG-fMRI融合技术发挥其高时间空间分辨率的优势，在静息态的研究上有新的突破。但是，目前这方面的研究依然相对较少，有待进一步发掘。另外，本文对EEG-fMRI融合技术的研究范围限定在正常人静息态的数据处理方法上，实际上它还能拓展至医学和认知等方向。目前，它应用在癫痫症患者中的研究尤其丰富，例如，R.Giannina[45]、Alberto Leal[46]、Umair[47]、Sandhya Mangalore[48]等人的研究都关注癫痫症患者的脑活动机制。在认知方面，探索不同认知过程的脑机制的研究也十分丰富，如Daesung Kang[49]、Jordan Muraskin[50]、Sebastian Puschmann[51]等人在此方面的研究。总之，EEG-fMRI融合技术在未来的大脑研究中具有巨大的发展潜力和发挥空间。

[1] H. BERGER. Über das Elektrenkephalogramm des Menschen. European Archives of Psychiatry and Clinical Neuroscience, 1934, 101(1):452—469.

[2] M. BOLY, E. BALTEAU, C. SCHNAKERS, et al.BaselineBrainActivityFluctuationsPredictSomatosensoryPerceptioninHumans. Proceedings of the National Academy of Sciences, 2007, 104(29):12187—12192.

[3] G. HESSELMANN, C. A. KELL, E. EGER, et al.SpontaneousLocalVariationsinOngoingNeuralActivityBiasPerceptualDecisions. Proceedings of the National Academy of Sciences of the United States of America, 2008, 105(31):10984—10989.

[4] A. FORNITO, E. T. BULLMORE.WhatCanSpontaneousFluctuationsoftheBloodOxygenation-Level-DependentSignalTellUsaboutPsychiatricDisorders?. Current Opinion in Psychiatry, 2010, 23(3):239—249.

[5] H. YUAN, V. ZOTEV, R. PHILLIPS, et al.SpatiotemporalDynamicsoftheBrainatRest-ExploringEEGMicrostatesasElectrophysiologicalSignaturesofBOLDRestingStateNetworks. Neuroimage, 2012, 60(4):2062.

[6] J. R. IVES, S. WARACH, F. SCHMITT, et al.MonitoringthePatient'sEEGduringEchoPlanarMRI. Electroencephalography & Clinical Neurophysiology, 1993, 87(6):417—420.

[7] L. LEMIEUX, P. J. ALLEN, F. FRANCONI, et al.RecordingofEEGduringfMRIExperiments:PatientSafety. Magnetic Resonance in Medicine, 1997, 38(6):943—52.

[8] K. KRAKOW, P. J. ALLEN, M.R. SYMMS, et al.EEGRecordingduringfMRIExperiments:ImageQuality. Human Brain Mapping, 2000, 10(1):10.

[9] R. I. GOLDMAN, J. M. STERN, J. ENGEL, et al.SimultaneousEEGandfMRIoftheAlphaRhythm. Neuroreport, 2002, 13(18):2487.

[10] H. LAUFS, K. KRAKOW, P. STERZER, et al.ElectroencephalographicSignaturesofAttentionalandCognitiveDefaultModesinSpontaneousBrainActivityFluctuationsatRest. Proceedings of the National Academy of Sciences, 2003, 100(19):11053.

[11] K. NISHIDA, N. RAZAVI, K. JANN, et al.IntegratingDifferentAspectsofRestingBrainActivity:AReviewofElectroencephalographicSignaturesinRestingStateNetworksDerivedfromFunctionalMagneticResonanceImaging. Neuropsychobiology, 2015, 71(1):6—16.

[12] S. DEBENER, A. STROBEL, B. SORGER, et al.ImprovedQualityofAuditoryEvent-RelatedPotentialsRecordedSimultaneouslywith3-TfMRI:RemovaloftheBallistocardiogramArtefact. Neuroimage, 2007, 34(2):587—597.

[13] P. J. ALLEN, O. JOSEPHS, R. TURNER.AMethodforRemovingImagingArtifactfromContinuousEEGRecordedduringFunctionalMRI. Neuroimage, 2000, 12(2):230.

[14] R. K. NIAZY, C. F. BECKMANN, G. D. IANNETTI, et al.RemovalofFMRIEnvironmentArtifactsfromEEGDataUsingOptimalBasisSets. Neuroimage, 2005, 28(3):720—737.

[15] P. J. ALLEN, G. POLIZZI, K. KRAKOW, et al. Identification of EEG Events in the MR Scanner: The Problem of Pulse Artifact and a Method for Its Subtraction. Neuroimage, 1998, 8(3):229—239.

[16] C. BÉNAR, Y. AGHAKHANI, Y. WANG, et al.QualityofEEGinSimultaneousEEG-fMRIforEpilepsy. Clinical Neurophysiology Official Journal of the International Federation of Clinical Neurophysiology, 2003, 114(3):569—580.

[17] M. MOOSMANN, K. HUGDAHL.AssessingtheSpatiotemporalEvolutionofNeuronalActivationwithSingle-TrialEvent-RelatedPotentialsandFunctionalMRI. Proceedings of the National Academy of Sciences of the United States of America, 2005, 102(49):17798.

[18] J. A. HOBSON. A manual of standardized terminology, techniques and scoring system for sleep stages of human subjects. Electroencephalography & Clinical Neurophysiology, 1969, 26(6):644—644.

[19] T. UEHARA, T. YAMASAKI, T. OKAMOTO, et al.Efficiencyofa"Small-World"BrainNetworkDependsonConsciousnessLevel:AResting-StateFMRIStudy. Cerebral Cortex, 2014, 24(6):1529—1539.

[20] A. ALTMANN, M. S. SCHRÖTER, V. SPOORMAKER, et al.ValidationofNon-REMSleepStageDecodingfromRestingStatefMRIUsingLinearSupportVectorMachines. Neuroimage, 2015, 125:544.

[21] G. H. GLOVER.DeconvolutionofImpulseResponseinEvent-RelatedBOLDfMRI. Neuroimage, 1999, 9(4):416.

[22] K. J. WORSLEY, C. H. LIAO, J. ASTON, et al.AGeneralStatisticalAnalysisforfMRIData. Neuroimage, 2002, 15(1):1—15.

[23] S. I. GONÇALVES, J. C. de MUNCK, P. J. POUWELS, et al.CorrelatingtheAlphaRhythmtoBOLDUsingSimultaneousEEG/fMRI:Inter-SubjectVariability. Neuroimage, 2006, 30(1):203.

[24] R. LÜCHINGER, L. MICHELS, E. MARTIN, et al.BrainStateRegulationduringNormalDevelopment:IntrinsicActivityFluctuationsinSimultaneousEEG-fMRI. Neuroimage, 2012, 60(2):1426—1439.

[25] S. YIN, Y. LIU, M. DING.AmplitudeofSensorimotorMuRhythmIsCorrelatedwithBOLDfromMultipleBrainRegions:ASimultaneousEEG-fMRIStudy. Frontiers in Human Neuroscience, 2016, 10(e32532):364.

[26] B. FEIGE, K. SPIEGELHALDER, A. KIEMEN, et al.DistinctiveTime-LaggedResting-StateNetworksRevealedbySimultaneousEEG-fMRI. Neuroimage, 2016, 145:1—10.

[27] E. BENSIMON, I. PODLIPSKY, A. ARIELI, et al.NeverRestingBrain:SimultaneousRepresentationofTwoAlphaRelatedProcessesinHumans. Plos One, 2007, 3(12):e3984.

[28] J. MO, Y. LIU, H. HUANG, et al.CouplingbetweenVisualAlphaOscillationsandDefaultModeActivity. Neuroimage, 2013, 68(3):112—118.

[29] K. OMATA, T. HANAKAWA, M. MORIMOTO, et al.SpontaneousSlowFluctuationofEEGAlphaRhythmReflectsActivityinDeep-BrainStructures:ASimultaneousEEG-fMRIStudy. Plos One, 2013, 8(6):e66869.

[30] K. JANN, T. DIERKS, C. BOESCH, et al.BOLDCorrelatesofEEGAlphaPhase-LockingandthefMRIDefaultModeNetwork. Neuroimage,2009, 45(3):903—916.

[31] C. CHANG, Z. LIU, M. C. CHEN, et al.EEGCorrelatesofTime-VaryingBOLDFunctionalConnectivity. Neuroimage, 2013, 72(10):227—236.

[32] D. MANTINI, M. G. PERRUCCI, G. C. DEL, et al.ElectrophysiologicalSignaturesofRestingStateNetworksintheHumanBrain. Proceedings of the National Academy of Sciences of the United States of America, 2007, 104(32):13170—13175.

[33] H. LAUFS, J. L. HOLT, R. ELFONT, et al.WheretheBOLDSignalGoesWhenAlphaEEGLeaves. Neuroimage, 2006, 31(4):1408.

[34] H. YUAN, V. ZOTEV, R. PHILLIPS, et al.SpatiotemporalDynamicsoftheBrainatRest-ExploringEEGMicrostatesasElectrophysiologicalSignaturesofBOLDRestingStateNetworks. Neuroimage, 2012, 60(4):2062.

[35] J. H. BALSTERS, R. G. O’CONNELL, A. GALLI, et al.ChangesinRestingConnectivitywithAge:ASimultaneousElectroencephalogramandFunctionalMagneticResonanceImagingInvestigation. Neurobiology of Aging, 2013, 34(9):2194—2207.

[36] X. LEI, Y. WANG, H. YUAN, et al.NeuronalOscillationsandFunctionalInteractionsbetweenRestingStateNetworks. Human Brain Mapping, 2014, 35(7):3517—3528.

[37] T. KOENIG, F. MARTILOPEZ, P. VALDESSOSA.TopographicTime-FrequencyDecompositionoftheEEG. Neuroimage, 2001, 14(2):383—390.

[38] T. KOENIG, L. PRICHEP, T. DIERKS, et al.DecreasedEEGSynchronizationinAlzheimer’sDiseaseandMildCognitiveImpairment. Neurobiology of Aging, 2005, 26(2):165—171.

[39] J. BRITZ, D. V. D. VILLE, C. M. MICHEL.BOLDCorrelatesofEEGTopographyRevealRapidResting-StateNetworkDynamics. Neuroimage, 2010, 52(4):1162—1170.

[40] D. LEHMANN.Past,PresentandFutureofTopographicMapping. Brain Topography, 1990, 3(1):191.

[41] J. BRITZ, T. LANDIS, C. M. MICHEL.RightParietalBrainActivityPrecedesPerceptualAlternationofBistableStimuli. Cerebral Cortex, 2009, 19(1):55—65.

[42] D. LEHMANN, W. K. STRIK, B. HENGGELER, et al.BrainElectricMicrostatesandMomentaryConsciousMindStatesasBuildingBlocksofSpontaneousThinking:I.VisualImageryandAbstractThoughts. International Journal of Psychophysiology, 1998, 29(1):1—11.

[43] T. KOENIG, D. STUDER, D. HUBL, et al.BrainConnectivityatDifferentTime-ScalesMeasuredwithEEG. Philosophical Transactions of the Royal Society B Biological Sciences, 2005, 360(1457):1015—1023.

[44] M. C. MEYER, R. J. JANSSEN, E. S. B. VAN OORT, et al. The Quest for EEG Power Band Correlation with ICA Derived fMRI Resting State Networks. Frontiers in Human Neuroscience, 2013, 7(4):315.

[45] G. R. IANNOTTI, F. GROUILLER, M. CENTENO, et al. Epileptic Networks Are Strongly Connected with and without the Effects of Interictal Discharges. Epilepsia, 2016, 57(7):1086—1096.

[46] A. LEAL, J. P. VIEIRA, R. LOPES, et al.DynamicsofEpilepticActivityinaPeculiarCaseofChildhoodAbsenceEpilepsyandCorrelationwithThalamicLevelsofGABA. Epilepsy & Behavior Case Reports, 2016, 5(C):57—65.

[47] U. J. CHAUDHARY, M. CENTENO, R. C. THORNTON, et al.MappingHumanPreictalandIctalHaemodynamicNetworksUsingSimultaneousIntracranialEEG-fMRI. Clinical Neuroimaging, 2016, 11:486—493.

[48] S. MANGALORE, R. D. BHARATH, N. UPADHYAY, et al.TheRelevanceofInterictalBoldChangestoLateralizeSeizureFocusUsingSimultaneousEEG-fMRI. Journal of Epilepsy Research, 2015, 5(2):60—69.

[49] D. KANG, Y. LIU, V. MISKOVIC, et al.Large-ScaleFunctionalBrainConnectivityduringEmotionalEngagementasRevealedbyBeta-SeriesCorrelationAnalysis. Psychophysiology, 2016, 53(11):1627.

[50] J. MURASKIN, S. DODHIA, G. LIEBERMAN, et al.BrainDynamicsofPost-TaskRestingStateAreInfluencedbyExpertise:InsightsfromBaseballPlayers. Human Brain Mapping, 2016, 37(12):4454—4471.

[51] S. PUSCHMANN, R. J. HUSTER, C. M. THIEL.MappingtheSpatiotemporalDynamicsofProcessingTask-RelevantandTask-IrrelevantSoundFeatureChangesUsingConcurrentEEG-fMRI. Human Brain Mapping, 2016, 37(10):3400—3416.

国家自然科学基金面上项目“刺激诱发的BOLD信号时间变化性的改变与相应脑血流改变的关系:GABA-A受体的调节作用”(31771294)

2017-04-18

B845

A

1000-5455(2017)06-0074-08

秦鹏民，山东莱芜人，心理学博士，华南师范大学心理学院教授；韩俊荣，广东广州人，华南师范大学心理学院硕士研究生；王玉芝，山东济南人，医学博士，山东中医药大学西医外科教研室讲师；吴昌卫，台湾人，心理学博士，台北医学大学大脑与意识研究中心副教授；MENG Ming，美国人，心理学博士，华南师范大学心理学院教授。)

王建平；助理编辑：杨孟葳】