摘要

EEG是一种非侵入性的人脑神经活动测量技术。随着数字技术的进步，EEG分析已从定性分析幅值和频率调制发展到全面分析记录信号的复杂时空特征。EEG能够在亚秒级的时间范围内测量神经过程，但其空间分辨率较低，这使得难以准确可靠地定位EEG活动的源位置。现今，高密度EEG(hdEEG)系统与头部解剖信息和复杂源定位算法的结合，使EEG成为了一种重要的神经成像工具。hdEEG为研究人员和临床医生提供了丰富多样的应用。它不仅可用于研究运动和认知神经科学实验中的神经相关性，还可用于临床诊断，特别是在癫痫检测和各种神经疾病中神经损伤特征的评估。值得注意的是，hdEEG系统与其他生理记录的结合(如运动学或肌电图数据)，有助于更好地理解与衰退、衰老和神经运动障碍相关的神经机制。

图形摘要

脑电信号基础

EEG通过在头皮上放置传感器，以毫秒级的时间分辨率测量与神经元活动相关的电位变化。测量到的头皮电压信号主要反映了平行几何方向的神经元(例如皮层锥体细胞)产生的电位总和。这些神经元由胞体、轴突和树突组成(图1A)。胞体和树突通过兴奋性或抑制性突触与成千上万的突触前神经元相连。处于自然极化状态的静息神经元带有负电荷，其跨膜电位通常在−60mV到−70mV之间。在兴奋性突触处，突触前动作电位导致正电荷离子(如Na+)流入突触后神经元，而在抑制性突触处，突触前动作电位则导致正电荷/负电荷离子(如K+/Cl−)流出/流入突触后神经元。因此，突触前动作电位引起突触后神经元的去极化/超极化，这可以通过测量突触后细胞体的兴奋性突触后电位(EPSP)或抑制性突触后电位(IPSP)来观察。因此，单个神经元的激活或抑制取决于其空间和时间上的极化叠加。

图1.神经元及其突触前输入和突触后反应。

举个简单的例子，我们可以假设一个神经元由两个突触前连接支配：一个是兴奋性的，一个是抑制性的(图1A)。单个突触前动作电位会在细胞体内触发EPSP或IPSP，而同时在两个输入处的突触前动作电位则会导致EPSP和IPSP的空间叠加响应。两个或多个时间上接近的动作电位在兴奋性输入处会导致突触后细胞内EPSP的叠加，这种叠加可能高到足以超过阈值并触发突触后动作电位(图1B)。在任何情况下，神经元的超极化和去极化可以被建模为一个振荡偶极子。EEG测量的是由局部神经网络产生的偶极振荡(即突触后电位)的叠加。局部神经回路中神经元的同步振荡会增加测量到的EEG功率，而不同步的振荡则会降低其功率。

EEG信号中的振荡频率是一个随时间和空间变化的基本特征。根据EEG的频谱特征，这些振荡通常被分类为δ(1-4Hz)、θ(4-8Hz)、α(8-13Hz)、β(13-30Hz)和γ(＞30 Hz)振荡(图2)。神经振荡的功率在不同的行为条件下会有所变化。例如，δ和θ振荡主要在睡眠期间产生。θ振荡也可能支持工作记忆和认知控制。α振荡与注意力和感觉功能密切相关。β振荡在自主运动中发挥着重要作用。γ振荡通常与认知处理相关。总的来说，EEG记录可以区分不同的神经振荡及其功能作用，这可能是更好地理解复杂动态神经过程的关键。

图2.脑电记录中的神经振荡。

高密度EEG的数据采集

参与者准备

当多个相邻神经元同步激活时，它们会产生足够强的电磁信号，可以穿过颅骨和组织，并被放置在头皮上的电极检测到。在现代EEG系统中，电极位置是标准化的，以确保不同实验的可重复性。EEG电极通常嵌入在一个帽子或网中，需要放置在参与者的头部。传统的EEG蒙太奇是10-20系统，这依赖于特定的解剖标志(如鼻根、颅后隆起及左右耳前穴)，以确保21个电极均匀分布在头皮上。为了支持更精细的空间采样，提出了10-10系统和10-5系统，这些系统利用10-20系统中电极之间的间隔，允许进行高密度EEG(hdEEG)记录。尽管hdEEG的准备时间较常规EEG长，但对于需要可靠定位神经源的实验，hdEEG更适合。EEG电极由导电材料制成，通常是镀有氯化银的金或银。为了减少电极与头皮界面的阻抗，并提高信号传输的稳定性和质量，通常会在电极与头皮之间使用电解质凝胶或盐水溶液。每个电极检测到的信号对应于该电极自身电压与物理参考电极电压之间的电压差。这个参考电极通常位于头顶、双侧乳突或耳垂上。参考电极的绝对EEG振幅为零，而其他电极的振幅通常可达50µV。

图3.EEG电极蒙太奇。标准10-20系统(左)、10-10系统(中)和10-5系统(右)的电极蒙太奇。LPA，左耳前；RPA，右耳前。

电极定位

如果后续数据分析涉及神经源的识别，那么电极定位步骤非常重要。最初提出的解决方案是手动定位(图4A)，通过直接测量每个传感器与头部表面某些参考点之间的距离或电极之间的距离来实现。手动方法不需要任何特定设备，可以直接测量每个个体的传感器位置，但是这些方法耗时较长且容易出错。

图4.最相关的电极定位方法。

最早可用的半手动技术是电磁和超声数字化。电磁数字化仪(图4B)包括一个发射装置，该装置产生电磁场，并作为放置在头部表面的接收器的地理参考；电极位置的数字化是使用带有接收线圈的笔进行的。同样，超声数字化仪(图4C)包括一个外部接收器和一个作为声源的笔：通过测量声波从笔到接收器的传播时间，估算每个电极的笛卡尔坐标。这两种数字化方法对环境因素和物体干扰非常敏感，并且需要较大的手动参与。

使用摄影测量系统(图4D)可以缩短参与者在电极定位过程中所需的时间。在这种情况下，佩戴EEG帽的参与者被放置在一个基于多面体的摄影测量设备中央，该设备的每个顶点都有一个摄像头：这些摄像头从不同角度同时获取多张图片，并通过三角测量估算笛卡尔坐标。然而，仍然需要大量的手动参与：操作员必须在所有捕获的图像中定位每个电极。尽管该方法对参与者来说有明显的优势，但对于研究者来说仍然耗时，并且需要一个笨重且不便携带的结构。

一种相对较新的电极定位光学技术是手持式扫描仪(图4E)。该方法需要在每个电极上附加特定的光学标记，以便在扫描头部时实现自动电极定位过程。也可以使用手写笔记录一些标志点的位置。总体而言，这种方法快速、便携，更适合临床环境。现今，3D扫描(图4F)在电极定位中变得越来越流行。研究人员可以使用结构光红外扫描仪获取整个头颈部的形状、颜色以及脑电帽中的电极信息。实验结束后，使用专用软件工具对电极进行定位。

典型的EEG采集装置

典型的EEG采集系统包括放大器、记录计算机和刺激计算机(图5)，以及置于参与者头上的电极帽。当电极帽正确定位且电极阻抗低于某个限定值时，然后将电极连接到放大器。放大器对信号进行采样，并将其从模拟信号转换为数字信号，记录计算机则存储EEG数据并在采集过程中显示这些数据。根据预先设定的实验方案，可选择使用刺激计算机向参与者发送视觉、听觉和/或体感刺激。EEG信号通常以250至1000Hz的频率采样，以平衡数据大小和计算需求与要存储的信息量。因此，EEG数据集的时间分辨率在1到几毫秒之间，这使得能够跟踪快速的神经动态变化。

图5.典型EEG采集系统的示意图。

EEG源成像

过去EEG数据主要是在传感器或头皮层面进行分析。然而，目前神经科学界也将EEG视为一种电生理源成像(ESI)工具，这得益于hdEEG电极帽的出现，它提供了头皮的全面覆盖和足够的空间分辨率。使用hdEEG技术，可以获得头皮水平和源水平的神经活动地形图：前者显示电极记录的电位分布，而后者则表示大脑皮层内神经活动源的位置。神经科学界有不同的ESI分析工作流程。这里重点介绍ESI的三个主要步骤：EEG预处理、头模型构建和源重建(图6)。

图6.脑电ESI的主要分析步骤。

EEG记录的预处理

对原始数据进行预处理，以清理信号并为进一步分析做好准备。当从头皮记录脑电信号时，神经成分可能会受到各种生理和非生理伪迹的干扰。在这里，本文将简要介绍一些最常见的伪迹处理方法。

不良通道校正。在非生理伪迹中，电极移动和与头皮的接触不良会导致记录到与神经活动无关的噪声信号。受影响的通道可以通过经验丰富的研究人员进行视觉检测，或者根据预设标准进行自动选择。例如，这些损坏的信号可能具有极高或极低的振幅和方差，与其他电极信号的互相关低，或信号质量低且伴随高频噪声。当一个电极的EEG信号与其他电极的相似性较差时，应将其从进一步分析中剔除或进行校正。不良通道的校正可以通过使用相邻良好通道的信息进行插值来实现。

时域滤波。在大多数情况下，应用数字滤波去除与非神经活动相关的频率是有用的。例如，在非常低的频率下，EEG信号会受到与呼吸相关的生理伪影的干扰，因此，通常建议使用高通滤波器，截止频率一般设置在0.1Hz到1Hz之间，以去除这些干扰。有时会在记录中观察到50Hz或60Hz的电源线噪声；在这种情况下，可以使用陷波滤波器来清理信号。此外，频率＞80Hz的信号通常被认为与EEG分析无关，往往会被丢弃。我们应该始终记住，对信号进行滤波会导致时间延迟和相位失真。因此，准确选择合适类型的滤波器和最佳参数以避免污染神经信号是非常重要的。

伪迹去除。大多数生理和非生理伪迹(图7)的频谱与神经活动重叠，因此无法仅通过数字滤波器去除这些伪迹，而不影响到感兴趣的信号。自动化去伪迹方法的发展简化了这一清理过程，自动清理脑电数据的一种方法是检测包含受损信号的时间段并删除；然而，这种方法不可避免地会导致感兴趣信号的部分丢失。更先进的信号处理技术则允许去除伪迹成分并重建清理后的脑电信号数据，这些技术主要依赖于回归分析或盲源分离(BSS)算法。线性回归分析利用参考伪迹信号(通常是眼电图或肌电图)来估计每个脑电通道中伪迹成分的比例，然后将这些伪迹从记录数据中减去，以清理信号。值得注意的是，当没有参考信号或其波形与脑电记录中的伪迹信号不可比较时，这种方法就不太可行：这可能导致伪迹无法完全去除，或者神经活动可能会受到抑制。另一种方法是将脑电信号视为未知神经成分和非神经成分的线性混合，采用盲源分离(BSS)算法进行数据分解。最常用的BSS技术是独立成分分析(ICA)，它假设所有的成分是相互独立的。在信号分解后，这些成分被手动或自动分类为神经信号或伪迹：后者将被丢弃，而前者则被反向投影以重建干净的脑电信号。此外，还可以使用回归和BSS的混合方法，以及适用于脑机接口应用的在线去伪迹算法。

图7.脑电数据中的典型伪迹。

重参考。EEG信号是对每个特定电极位置相对于参考位置的电位的动态测量。理想情况下，参考位置的电位应该保持恒定，这样便不会影响记录信号的时间和频谱信息。不幸的是，在头皮或身体的任何其他部位都没有恒定的电位。为了解决这一问题，可以对EEG记录应用重参考技术，以生成一个受电位波动影响较小的虚拟参考。这种重参考方法根据来自多个电极的信息估计虚拟参考点。例如，连接乳突法假设左侧和右侧乳突的平均电位接近于零；平均参考法则基于整个头部体积导体上电位的表面积分为零的假设；参考电极标准化技术则以距离神经源无限远的位置作为参考点。值得注意的是，现有的重参考技术的优缺点仍然是EEG信号分析中的一个重要研究问题。

头部模型创建

头部模型是一个容积传导模型，用于估计神经源的活动如何影响EEG电极记录到的电位。该模型包含电极在头皮上的位置，以及头部内部组织的空间分布和电导率等信息。头部组织的分布最好通过个体的MRI图像获取。由于方法学的进步，头部模型的估计在组织表征和正向问题解的估计方面得到了改进。早期，头部组织被建模为三个(大脑、颅骨和头皮)或四个(加上脑脊液)同心球体。随着MRI技术的发展，人类头部的形状可以被建模得更加逼真。一些新的方法还区分了大脑的灰质和白质，以及颅骨的致密骨和海绵骨，同时还包括其他软组织，如眼睛、肌肉、脂肪和血管。

在组织分割后，电极位置通过与头皮组织进行空间对齐，配准到与头部相同的坐标空间中。每种组织也有一个导电性值。这些信息用于估计神经信号从皮层传播到头皮的过程，这是解决正向问题所必需的(图8)。一些比较先进的方法还考虑了组织的电特性和体积特性(例如各向同性和各向异性)。

图8.源偶极子及其相应的头皮地形。

一旦建立了容积传导模型，就可以计算出引导场矩阵(leadfield matrix)，它是一个将源激活映射到传感器位置电位的线性算子。从假设的神经源分布S出发，并考虑头部模型的特性，正向解通过公式 X=L·S预测电极位置的EEG表面电位分布X。其中，L是引导场矩阵，表示每个源对每个电极记录的EEG信号的贡献。正向问题需要确定一组权重，将具有特定位置、振幅和方向的源偶极子电位映射到实际记录的电位信号上(图8)。这个权重矩阵L可以在没有实际EEG数据的情况下通过计算机模拟创建。可以使用不同的数值方法来获得引导场矩阵：边界元法(BEM)、有限元法(FEM)或有限差分法(FDM)。BEM(图9)用于估计具有不同电导率的两个体积之间边界的电位；BEM因其计算量小而得到广泛应用。BEM需要将每个组织表面进行三角形剖分。另一方面，FEM需要用四面体或六面体元素对头部体积进行细分(图9)。由于所定义的计算点数量较多，这种方法更加耗时，但与BEM不同的是，FEM 可以处理复杂的边界条件和各向异性组织导电性。同样，FDM(图9)也需要较长的计算时间，并且能够建模组织各向异性；然而，FDM依赖于刚性立方体网格，不需要对头部体积进行任何细分，计算点位于每个立方体的中心或角点。

图9.求解正向问题和估计引导场矩阵的数值方法。

脑源重建

ESI工作流程的最后一步是从EEG记录中重建大脑活动，并保持与原始记录相同的时间分辨率。给定记录的EEG信号X和引导场矩阵L，逆解估计哪些神经源分布S会导致特定的脑电信号表面电位，公式为S=L-1·X。然而，这个逆问题没有唯一解。因此，有必要应用一些先验知识(比如生理假设和源建模约束)来解决该问题。有几种基于不同假设的计算方法；值得注意的是，这些假设会显著影响解的准确性。随着我们对脑信号生成的认识不断增加，新的约束被加入到更新的源定位算法中；然而，关于EEG逆问题的最优解仍尚未达成共识。

源定位方法可以分为两大类：参数法和非参数法。参数法，也称为等效电流偶极子法，通过少数位于未知位置的焦点源来建模大脑活动(图10)。另一方面，非参数法则考虑固定位置的多个偶极子(图10)。非参数法的应用更为广泛，因为它通过考虑神经源的空间分布，提供了详细和全面的大脑活动映射。其中，最小范数估计(MNE)提供了最小功率(最小L2范数)的电流分布作为解；虽然这种方法不需要太多关于源偶极子的先验假设，但它在检测表面或强度较弱的信号时可能会面临更多挑战。为此，目前开发了一种考虑偶极子深度的加权方法(wMNE)。wMNE方法的一个变体是低分辨率电磁层析成像(LORETA)，它进一步考虑到相邻偶极子更有可能同时活跃，因此LORETA选择具有最大空间平滑度的解，即最小拉普拉斯算子的解。另外两种LORETA方法，即标准化的LORETA(sLORETA)和精确的LORETA(eLORETA)，在理想(无噪声)条件下能够提供精确的神经源定位。源定位的精确性对于激活分析和连接性分析都至关重要。在连接性分析中，推荐使用sLORETA和eLORETA，因为它们的定位精度高，可以将影响连接性测量的误差最小化。对于激活分析，当处理表层源时，非参数方法通常会得到一致的结果。然而，对于深层源定位，sLORETA和eLORETA更为理想，因为它们在源定位性能上更优越。

图10.解决逆问题的两种典型方法示例。

神经活动和连接性分析

事件相关电位分析

事件相关电位(ERP)分析允许检查与内部或外部事件时间锁定和相位锁定的神经反应。对单一事件的反应通常被噪声掩盖，因此难以观察。为了提高信噪比，通常的做法是呈现一系列重复的刺激，将每个EEG试次与刺激事件对齐，并减去每个试次的刺激前基线，然后对每个时间点的所有试次进行平均。这种方法降低了随机噪声的幅值，而锁时和锁相的反应则得到了增强。一个ERP事件可能包含多个成分，这些成分通常根据其极性和相对于事件的潜伏期来命名(图11，上图)。例如，如果一个成分是负的，并且在刺激开始后100ms出现，则命名为N1(或N100)；同样，P3(或P300)成分是一个在300ms左右出现的正成分。ERP成分与不同的神经过程相关联。例如，早期成分(如P1、N1和P2)与刺激的低层次感知密切相关，而较晚成分(如P3)则反映了诸如注意等有意识的认知过程。需要注意的是，使用高采样率(例如1kHz)对于ERP分析非常重要，因为这可以更精确地估计潜伏期和波形成分。

图11.脑电活动分析的主要方法。

与传统的ERP方法相比，单试次EEG信号分析已成为一种有效的替代方法，它无需对试次进行平均。通过采用先进的信号处理技术和机器学习分类器，这些分析使研究人员能够考察神经反应的变异性，并揭示大脑活动动态及其与行为表现变化之间的关系。总的来说，单试次分析有助于研究大脑的实时处理能力以及其对环境变化需求的适应性。

事件相关去同步化/同步化分析

事件相关去同步化/同步化(ERD/ERS)分析能够检测与内外部事件锁时但未锁相的神经反应。该技术测量神经功率对事件的频率依赖性调制；功率下降称为ERD，功率增加称为ERS。ERD/ERS分析的第一步是时频分解，这可以通过短时傅里叶变换(STFT)或连续小波变换(CWT)来实现。STFT对计算资源的需求相对较少，但其时频分辨率受到窗长的限制。然而，神经信号通常在低频时变化较慢，而在高频时变化较快，因此需要针对不同频率范围调整时间和频率的分辨率。CWT可以实现这一点，它允许在不同频率下具有可变的时间和频率精度。与ERP类似，ERD/ERS试次通常也会受到噪声的影响。这可以通过从重复试次中获取时频段；将这些时段与刺激事件对齐，并减去每个时段的基线值；然后对每个时间和频率进行跨时段的平均来提高信噪比(图11，下图)。ERD/ERS通常在不同的头皮传感器中有不同的值，这可以通过地形图或源图来可视化。为了便于结果的解释，通常会在特定的时频窗内对这些地形图进行平均。一些研究表明，不同频率的神经功率变化与不同的神经过程有关。例如，感觉运动皮层中的α和β频段ERD被认为反映了支持运动任务表现的局部神经网络的激活或兴奋性增加。

功能连接分析

利用电生理成像(ESI)在源水平重建大脑活动使我们能够估计皮层内的电生理信号。此外，分析不同皮层区域电生理信号的统计依赖性可以揭示脑区之间的功能连接，并识别大规模脑网络的潜在节点。功能连接分析可以在传感器层面和源层面进行，但通常在源层面上进行，以更有效地解决容积传导问题。由于准确重建脑内神经活动对于可靠的连接估计至关重要，因此将高密度脑电图(hdEEG)与真实的头部模型相结合是有必要的。有两种技术被广泛用于估计这些脑网络：独立成分分析(ICA)和基于种子点的连接方法。ICA是一种有效的数据驱动方法，它假设大脑网络节点具有带限的神经功率，并且这些功率在时间上是共同调制的。因此，通过ICA分析计算出的限带功率包络，能够提取大脑网络的拓扑结构(图12，上图)。而基于种子点的连接方法则是从定义的感兴趣区域(即种子)提取信号，并测量其与其他皮层区域时间进程的相互依赖性。这样就可以创建一个连接图，显示与选定种子区域具有相似电生理活动的不同大脑区域。此外，通过分析来自多个种子的信号及其相互关系，可以获得种子间的连接矩阵(图12，下图)。

图12.脑电连接分析的主要方法。

有多种不同的连接性指标可供选择，包括经典线性测量，如Pearson相关、互相关、幅度平方相干和相干虚部；相位同步测量，如锁相值和锁相指数；以及广义同步指标，如同步似然指数。除了这些指标外，限带功率包络相关提供的基于EEG的连接模式与使用fMRI数据获得的模式具有很强的相似性。基于格兰杰因果关系的测量，如经典线性格兰杰因果关系、部分定向相干性和直接传递函数，以及信息论测量，如互信息、最大信息系数和传递熵，都可以用于估计功能连接区域之间的因果关系(有效连接性)。功能连接可以在任务执行和静息状态下进行研究，静息态是大脑活动的基线状态。综上所述，静息态下大脑区域之间的功能连接构成了静息态网络。特定的静息态网络因其在空间上与任务执行时活动调节的脑网络相似而命名，例如视觉、听觉、感觉运动、默认模式、背侧注意、腹侧注意和自我参照网络等。

高密度EEG的应用

hdEEG已广泛应用于运动和认知研究领域。它提供了一种非侵入性的方法来测量神经活动在特定刺激下的反应时间和幅值，并已被用于研究与运动控制、感知、注意力和记忆相关的神经机制。此外，近期的静息态研究表明，hdEEG记录能够揭示不同神经振荡如何支持人类大脑中的功能相互作用。特别是利用hdEEG作为一种脑成像技术，在研究人脑内的神经活动方面具有很大的潜力。通过同时监测身体的生理信号，这项技术有可能揭示大脑与身体连接的复杂神经网络。这有助于加深我们对控制身体的基本神经机制的理解。

运动、知觉和认知过程的研究

hdEEG可以对涉及运动执行、协调和感觉运动反应的脑区进行定位。例如，Zhao等人(2019)进行了一项涉及手、脚和嘴唇控制运动的hdEEG实验。通过事件相关去同步化(ERD)源分析确定了这些动作的功能表征(图13)。在其他研究中，hdEEG被用于评估跨感觉模态整合时的神经处理。它也被用来研究在握力任务中运动规划和执行的神经机制，以及在视运动适应任务中运动学习的神经机制。hdEEG不仅揭示了参与这些过程的脑区，还使研究人员能够检查任务需求如何调节神经活动，以及这些调节与运动表现之间的关系。重要的是，可以揭示在运动过程中发挥关键作用的区域，并研究在空间上接近但功能不同的神经发生器(neural generators)。

图13.手部和脚部运动的源空间ERD图。

静息期间的功能连接研究

多年来，许多hdEEG研究侧重于人脑神经活动的时序和定位，而连接性研究则相对较晚且数量有限。功能连接通常是在静息状态下进行研究，既使用hdEEG也使用其他神经成像技术。静息态被视为是一种基线状态，因此特别适合分析大脑网络中的相互作用，而不受任务需求的影响。基于hdEEG的静息态连接研究为衰老和发育过程中的脑网络重组提供了生理学证据。例如，Samogin等人(2020)分析了年轻成年人在静息态下的hdEEG数据，以评估大脑网络内外的频率依赖性功能连接。研究确定了α、β和γ频段是调节功能连接最相关的频带。对于选定的频率范围，该研究识别出的连接模式在空间上与使用fMRI发现的连接模式重叠 (图14)。

图14.来自fMRI数据(左)和hdEEG数据(右)的基于种子点的连接图。

癫痫

hdEEG在临床神经科学中最有前景的应用之一是癫痫的诊断和监测，hdEEG能够提供有关癫痫活动的位置和时序信息，从而实现更准确的诊断和治疗。事实上，多项研究表明，hdEEG能够以高敏感性和特异性识别局灶性癫痫患者的癫痫灶。hdEEG在癫痫中的ESI应用主要与药物难治性局灶性癫痫患者的术前评估有关。癫痫手术是难治性癫痫患者最有效的治疗选择，而基于hdEEG的ESI是一种可行的非侵入性方法，能够以高时间分辨率和足够的空间分辨率准确定位癫痫发作起始区(图15)。

图15.对五名接受癫痫手术的患者进行EEG源定位。

神经和精神疾病

hdEEG对其他神经系统疾病也具有诊断价值。特别是，基于hdEEG的ESI在确定神经退行性疾病中的脑网络变化和识别疾病早期标志物方面非常有效。重要的是，hdEEG可以在神经系统疾病症状出现之前的早期阶段检测到神经活动的细微变化。hdEEG不仅可以用于诊断，还可以用于监测神经系统疾病的进展，从而准确地对患者群体进行分层，并评估治疗效果和支持个性化的神经康复计划。有研究发现，来自颅内记录的α功率与源重建EEG信号之间存在显著相关性。在丘脑和伏隔核的实际记录位置，源定位EEG信号与颅内信号之间的相关性最高(图16)。这表明hdEEG能够检测到皮层下的神经活动，为许多神经系统疾病的研究开辟了新的途径。

图16.源重建EEG信号与颅内信号之间存在显著相关性。

hdEEG也被用于研究精神疾病，能够检测精神分裂症和抑郁症患者的异常神经振荡。此外，连接模式的变化可以预测精神分裂症患者的治疗反应。hdEEG还证实了重复经颅磁刺激诱发的γ活动变化与精神分裂症及其听觉言语幻觉的精神病理特征之间的关联。这些变化主要集中在额中央和后部脑区，并与精神病理的严重程度呈正相关。

神经运动障碍

在帕金森病(PD)患者中，急性深部脑刺激导致hdEEG测得的神经反应增强，同时其他脑区之间的功能连接减弱，尤其是在β频段。hdEEG还用于探测与深部脑刺激相关的皮层活动变化，记录了电刺激与行为表现变化之间的因果关系。在感觉运动网络中，β频段神经活动的过度同步代表了一种已知的病理生理机制，导致运动迟缓和僵硬症状。有趣的是，这种现象可能源于运动和非运动信息在皮层下结构中的复杂交织。例如，hdEEG可以通过情绪肢体语言任务等方法来解析运动和情绪信息的贡献。这一过程在健康受试者中进行研究，最初是初级躯体感觉皮层(S1)的活动增加，反映了感官警觉性的提高，随后则表现为对初级运动皮层(M1)兴奋性的抑制，反映了对潜在威胁信号的冻结反应。通过调节在观察情绪肢体语言时的感觉运动整合，揭示了感觉运动系统中的早期动态以及随后由运动系统引发的冻结反应，这有助于更好地理解PD的症状。

最近一项基于hdEEG的移动脑/体成像(MoBI)平台研究了与步态相关的脑体连接情况，它映射了大脑中的神经肌肉和神经运动学连接模式，根据身体传感器和相关神经振荡显示出特定的空间模式。在初级感觉运动皮层的下肢表征记录到了强烈的α和β频段反应(图17)。未来的研究可能涉及更复杂的步态或其他运动条件，以更好地了解与步态控制相关的基本神经过程。此外，基于hdEEG的MoBI平台可用于神经运动障碍患者或老年人群，以识别异常步态的神经标志物。

图17.脑-体连接分析。

结论

EEG的高时间分辨率、灵活性、成本效益和易用性特点使其成为一种有价值的脑成像工具。EEG能够阐明现实生活中大规模脑网络的时间动态，并在促进我们对大脑功能的理解方面发挥着关键作用。EEG目前正在经历复兴，特别是因为它可以与其他成像技术相结合。如今，高密度EEG系统结合精确的头部解剖信息和复杂的源定位算法，已将EEG转变为一种有效的神经成像技术。借助这些工具，EEG已成为一种广泛应用于健康和病变人脑功能成像的技术。然而，要充分发挥其潜力，还需要开发更多的分析工具并增加技术投资。

参考文献：Marino, M. and Mantini, D. (2024), Human brain imaging with high-density electroencephalography: Techniques and applications. J Physiol. https://doi.org/10.1113/JP286639

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～