脑电溯源分析源定位EEGsourceanalysisLocalization

更新时间:2023-05-28 06:43:55 阅读：评论：0

脑电溯源定位，即脑电逆向问题，是根据头表记录到的电位信号，反向推算出估计的脑内神经活动源的位置、⽅向和强度信息。

参考链接：

本质上，脑电逆问题是⾮线性优化问题，考虑到计算的复杂性，因⽽近似规约为线性问题 Y = AX，其中，Y = 头表电极实际记录到的信号，X = 待进⾏空间定位的源信息向量，A = 传递矩阵（增益矩阵）=脑电正向问题的解，可通过构造合适的头模型等获得。即

头⽪脑电信号= ⼤脑⽪层电活动 x 传递矩阵（脑脊液、脑膜、颅⾻、头⽪等的传导作⽤）。

因为X和A都是未知的，所以X是可以有多种解的，算法软件给出的最终结果是在⼀定数学约束下得到的。

正向问题：⽪层活动→脑电信号（建头模→求导电场）

逆向问题：脑电信号→⽪层活动（头⽪分布→追踪信号源）

逆向问题的求解

1 等效电流偶极⼦模型：BESA

2 分布式源模型：LORETA(低分辨率电磁断层扫描法)， MNE(最⼩范数估计)

等效电流偶极⼦模型：⽤⼩数⽬的等效电流偶极⼦，每个偶极⼦代表⼀⼩块⽪层区域的总活动，并假设这些偶极⼦随时间变化只能变化强度。

分布式源模型：把整个⼤脑（或⼤脑⽪层表⾯）分为数⽬相当多的⼩块（⼤约有⼏千块），然后计算这些⼩块的强度组合，使其能够解释所观察到的头⽪分布，⼜能满⾜附加的⼀定数学限制（如L1, L2范数）。即将头颅切分为多个微⼩的⽴⽅体（⼏千个），同时也确定了各个脑区的定位，多个⽴⽅体的活动共同形成了头⽪上的ERP记录。

溯源即是根据头⽪EEG电位记录，逆推有电活动的⼩⽴⽅体，最后将其可视化。

MNE 溯源算法流程

EEG数据：≥64channel，CAR参考；

结构像/头模：被试脑 or 标准脑。

不四字成语结构像/头模 + 被试EEG数据→ 前向解；

前向解 + trial-averaged data + 噪声协⽅差矩阵 → MNE溯源算法 → 脑区激活

素描简单画

偶极⼦源模型和分布源模型是两种⼴泛采⽤的脑电源模型，两者各有优劣。

偶极⼦源模型：参数少，便于操作，

分布源模型：⽆需假定源的个数，对⾮局部的脑电活动有很好模拟。

基于两种模型的优缺点，中国电⼦科技⼤学尧德中团队提出了⼀种“⾼斯源模型”。其基本思路是通过⾼斯源模型，⽤数据⾃动选取⾼斯核⼤⼩的⽅式，实现“分布电流源密度成像”和“偶极⼦源定位”的统⼀。参考⽂献：2009.Computers in Biology and Medicine, Gaussian Source Model bad Iterative Algorithm for EEG source Imaging.