EEG-fMRI融合技術(shù)在靜息態(tài)中的應(yīng)用

秦鵬民， 韓俊榮， 王玉芝， 吳昌衛(wèi)， MENG Ming

EEG-fMRI融合技術(shù)在靜息態(tài)中的應(yīng)用

秦鵬民， 韓俊榮， 王玉芝， 吳昌衛(wèi)， MENG Ming

靜息態(tài)下大腦的自發(fā)腦活動(dòng)規(guī)律，對理解其對認(rèn)知活動(dòng)的影響以及潛在臨床應(yīng)用具有重要意義。同時(shí)，由于EEG與fMRI各有其缺點(diǎn)，對探索腦活動(dòng)有各自的限制。因此，EEG-fMRI融合技術(shù)通過結(jié)合兩者的優(yōu)勢，具有高時(shí)間和空間分辨率的特點(diǎn)，能更全面地研究靜息態(tài)下的腦活動(dòng)機(jī)制。國內(nèi)外的EEG-fMRI同時(shí)技術(shù)仍處于發(fā)展階段，加上多模態(tài)分析有其難點(diǎn)，例如信號噪音因人而異難以去除、融合分析方法繁多復(fù)雜、實(shí)驗(yàn)限制太多等，使大多研究者對其望而卻步。EEG-fMRI同時(shí)技術(shù)在靜息態(tài)下有不同的數(shù)據(jù)處理方法，包括特殊的偽跡去除以及數(shù)據(jù)的三種融合方法。在偽跡去除方面，梯度偽跡可以通過平均偽跡模板減法(AAS)和fMRI偽跡切片模板去除(FASTR)去除，而心電偽跡則可以通過平均偽跡模板減法(AAS)、最優(yōu)基礎(chǔ)選擇(OBS)和獨(dú)立成分分析(ICA)去除。在數(shù)據(jù)融合方面，總結(jié)出EEG與fMRI獨(dú)立對比分析、EEG-informed fMRI和fMRI-infomed EEG三種方法；其中EEG-informed fMRI是較為常用的處理方法，一般利用EEG的三種信號指標(biāo)與BOLD信號做相關(guān)分析，包括功率譜(Power Spectrum)、全腦域同步(Global Field Synchronization)和微狀態(tài)(Microstate)。

EEG-fMRI同時(shí)技術(shù) 靜息態(tài) 數(shù)據(jù)處理方法

腦電圖(Electroencephalogram，EEG)在90年前由Hans Berger發(fā)明出來，他提出大腦不單只在有刺激時(shí)活動(dòng)，在靜息時(shí)神經(jīng)元也同樣具有同步化活動(dòng)之概念。[1]之后，功能性磁共振成像(functional magnetic resonance imaging，fMRI)和正電子發(fā)射型計(jì)算機(jī)斷層顯像(Positron Emission Computed Tomography，PET)等腦成像技術(shù)也揭示了大腦在靜息狀態(tài)下的活動(dòng)，特別是fMRI的血氧依賴水平(Blood Oxygenation Level Dependent,BOLD)信號，反映出靜息態(tài)中大腦各區(qū)域之間的新陳代謝動(dòng)態(tài)，這些由腦內(nèi)各區(qū)域的互動(dòng)組成的網(wǎng)絡(luò)稱為靜息態(tài)網(wǎng)絡(luò)(Resting state network，RSN)。RSN是一種自發(fā)、大振幅、低頻(<0.1Hz)的特殊功能網(wǎng)絡(luò)，它與行為調(diào)節(jié)、感知或認(rèn)知過程等都有密切關(guān)系。[2,3]同時(shí)，越來越多的證據(jù)顯示，神經(jīng)病學(xué)或精神病學(xué)的疾病都與RSN的活動(dòng)有關(guān)。[4]可以說，RSN的自發(fā)BOLD信號活動(dòng)反映出大腦生理上更基礎(chǔ)的一面。[5]所以，研究靜息態(tài)下大腦的自發(fā)腦活動(dòng)規(guī)律，對理解其對認(rèn)知活動(dòng)的影響以及潛在臨床應(yīng)用具有重要意義。

EEG擁有很高的時(shí)間分辨率，能夠捕捉到腦的瞬時(shí)活動(dòng)，時(shí)間范圍在毫秒級別。但EEG空間分辨率較低，難以描繪出深層的腦活動(dòng)。相反，fMRI擁有很高的空間分辨率，能采集到清晰的腦活動(dòng)圖像，但是時(shí)間分辨率以秒為單位，無法采集到即時(shí)的腦活動(dòng)信息。這兩種方法測量了神經(jīng)元活動(dòng)的不同方面，若能把EEG的高時(shí)間分辨率和fMRI的高空間分辨率結(jié)合起來，就能相對全面地了解腦活動(dòng)的規(guī)律。于是，有人提出和使用EEG-fMRI同時(shí)技術(shù)來探究人類的腦活動(dòng)機(jī)制，早期使用EEG-fMRI同時(shí)技術(shù)的研究者包括Ives[6]、Lemieux[7]、Krakow[8]、Goldman[9]和Laufs[10]。

如上所述，EEG-fMRI同時(shí)技術(shù)的優(yōu)勢十分明顯，但是，欲結(jié)合兩者的優(yōu)勢存在技術(shù)難點(diǎn)。[11]第一，由于數(shù)據(jù)是多模態(tài)的而且是同時(shí)收集的，因此信號會互相干擾，且噪音難以去除。例如，核磁掃描儀會在EEG中造成梯度偽跡和心電偽跡。[12,13,15]第二，分析EEG的信號指標(biāo)有好幾種，例如功率譜(Power Spectrum)、全腦域同步(Global Field Synchronization)、微狀態(tài)(Microstate)等，不同信號指標(biāo)之間的差異很大。由于目前沒有公認(rèn)的數(shù)據(jù)融合方法，造成其分析方法繁多復(fù)雜，因此如何選擇合適的融合方法也是難點(diǎn)之一。

目前，國內(nèi)外的EEG-fMRI同時(shí)技術(shù)還處在發(fā)展階段，應(yīng)用此技術(shù)的研究在國內(nèi)是欠缺的，大多研究者可能因?yàn)槠鋸?fù)雜性而望而卻步。但是想要更深入了解腦活動(dòng)機(jī)制的時(shí)間和空間信息，弄清楚靜息態(tài)下的大腦活動(dòng)機(jī)制，現(xiàn)階段EEG-fMRI具有無可比擬的優(yōu)勢。因此，本文主要通過綜述目前EEG-fMRI同時(shí)技術(shù)在靜息態(tài)研究中的應(yīng)用研究為國內(nèi)應(yīng)用此新技術(shù)提供參考。

一、EEG的偽跡去除

在進(jìn)行EEG-fMRI融合分析前，需對EEG的偽跡進(jìn)行去除。除了需要進(jìn)行一般的EEG數(shù)據(jù)預(yù)處理外，在MRI掃描儀中進(jìn)行生理電記錄時(shí)，主要有兩種偽跡需要特殊處理，即梯度偽跡和心電偽跡。梯度偽跡是由MRI的磁場快速切換引起的，這種信號的振幅一般是EEG信號的100—1 000倍，而且它的頻率在EEG范圍內(nèi)，因此難以完全去除。[13]心電偽跡是在高磁場的條件下心跳和主動(dòng)脈弓處血流沖擊所產(chǎn)生的偽跡。它會隨著時(shí)間而變化，例如它的波形、數(shù)值和空間分布。[12,15]

對于梯度偽跡，一般通過兩種方法進(jìn)行去除：(1)平均偽跡模板減法(Average Artifact Subtraction，AAS)。[13]它是通過減去梯度偽跡模板進(jìn)行處理。首先在原始的EEG中找出梯度偽跡開始的時(shí)間，并在每個(gè)梯度偽跡出現(xiàn)的時(shí)間上提取出偽跡，經(jīng)過疊加平均構(gòu)成一個(gè)偽跡模板。之后，在EEG信號中減去這個(gè)模板，以此去除偽跡。這個(gè)方法可在BrainVision Analyzer-II (Brain Products, Germany)中執(zhí)行。(2)fMRI偽跡切片模板去除(fMRI Artifact Slice Template Removal，F(xiàn)ASTR)。[14]每個(gè)切片偽跡的起始時(shí)間都會在EEG數(shù)據(jù)中標(biāo)出，并從所有切片偽跡的窗口中計(jì)算出一個(gè)平均偽跡模板，再從中間的切片偽跡中減去此模板。對剩下的數(shù)據(jù)進(jìn)行分段，與切片時(shí)間對齊并運(yùn)行主成分分析(Principal Component Analysis，PCA)。最后，對剩余的偽跡執(zhí)行可選自適應(yīng)噪音去除(Optional Adaptive Noise Cancelation，ANC)。[13]此方法可在EEGlab中執(zhí)行。

對于心電偽跡，主要通過三種方法進(jìn)行去除：(1)平均偽跡模板減法(Average Artifact Subtraction，AAS)。[15]記錄心電偽跡出現(xiàn)的時(shí)間，在此基礎(chǔ)上平均心電的同步信號，得到所有電極上的心電偽跡模板，最后從數(shù)據(jù)中減去心電偽跡模板。此方法同樣在BrainVision Analyzer-II (Brain products, Germany)中執(zhí)行。(2)最優(yōu)基礎(chǔ)選擇(Optimal Basis Selection，OBS)。[14]通過主成分分析(PCA)選出數(shù)個(gè)主要成分組成偽跡模板，并從每個(gè)樣本數(shù)據(jù)中減去這個(gè)模板。此方法可在EEGlab中執(zhí)行。(3)通過獨(dú)立成分分析(Independent Component Analysis，ICA)把EEG信號分離為獨(dú)立成分，觀察每個(gè)獨(dú)立成分的空間分布，手動(dòng)去除心電偽跡。[16,17]此方法可在EEGlab中執(zhí)行。

二、靜息態(tài)下的EEG-fMRI數(shù)據(jù)融合方法

(一)EEG與fMRI獨(dú)立對比分析

EEG與fMRI獨(dú)立對比分析是指分別對EEG和fMRI的數(shù)據(jù)進(jìn)行獨(dú)立分析，分析出EEG或fMRI各自的數(shù)據(jù)結(jié)果，不對兩者進(jìn)行相關(guān)分析，兩種數(shù)據(jù)之間的關(guān)系是相對獨(dú)立的。目前，在靜息態(tài)下，EEG與fMRI獨(dú)立對比分析的研究目的主要是分析不同覺醒狀態(tài)水平的功能網(wǎng)絡(luò)情況。因?yàn)镋EG是跟蹤覺醒狀態(tài)以及睡眠開始時(shí)間和深度最客觀的方法，[18]所以在同時(shí)采集的情況下，能先利用EEG數(shù)據(jù)分離出不同的覺醒狀態(tài)，然后對fMRI數(shù)據(jù)進(jìn)行功能網(wǎng)絡(luò)分析，利用兩種數(shù)據(jù)解釋同一時(shí)間的個(gè)體狀態(tài)。

EEG腦電信號在被試的不同覺醒狀態(tài)下會呈現(xiàn)不同的信號，根據(jù)研究目的對覺醒狀態(tài)進(jìn)行不同層次分類，按照從清醒到睡眠進(jìn)行劃分，對比不同覺醒狀態(tài)下腦網(wǎng)絡(luò)功能的差異。一般來說，可根據(jù)alpha、delta、theta、睡眠紡錘波和k-complexes的情況對覺醒狀態(tài)進(jìn)行分類：(1)枕部的alpha波通常會出現(xiàn)在閉眼后，頻率在9—12Hz之間，它標(biāo)志著清醒的放松狀態(tài)；(2)前額的alpha波會在清醒放松狀態(tài)后的幾分鐘出現(xiàn)，且alpha波的頻率峰值會稍微降低；(3)在更低的覺醒狀態(tài)下，alpha波會消失，低電壓的EEG信號會更明顯，而且其振幅類似于睜眼狀態(tài)；(4)當(dāng)人的困意不斷上升時(shí)，delta(1—4Hz)和theta(4—7Hz)的強(qiáng)度會同時(shí)上升；(5)進(jìn)入睡眠狀態(tài)時(shí)，睡眠紡錘波和K-complexes會出現(xiàn)。利用以上的EEG信息，就能夠?qū)θ说挠X醒狀態(tài)進(jìn)行分類。

之后，可以對不同覺醒靜息狀態(tài)下的fMRI數(shù)據(jù)進(jìn)行腦網(wǎng)絡(luò)分析。Taira Uehara利用EEG信號把被試的覺醒水平分為清醒和睡眠階段1，各為5分鐘，利用“圖論分析”來重建腦網(wǎng)絡(luò)。[19]其中，“節(jié)點(diǎn)”(node)代表一系列的興趣域(ROIs)或者體素(voxel)，“連線”(edge)代表不同“節(jié)點(diǎn)”之間的功能連接。此研究把AAL(Automated Anatomical Labeling)灰質(zhì)模板分為3 781個(gè)節(jié)點(diǎn)，覆蓋了全部皮層和皮層下的灰質(zhì)。每個(gè)節(jié)點(diǎn)為6*6*6mm3的ROI，包括27個(gè)體素。每個(gè)fMRI信號時(shí)間段的節(jié)點(diǎn)時(shí)間進(jìn)程從預(yù)處理后的EPI像中提取，對每個(gè)被試ROI內(nèi)體素的時(shí)間進(jìn)程進(jìn)行平均。所有配對節(jié)點(diǎn)之間都求出皮爾森相關(guān)系數(shù)，導(dǎo)出3 781*3 781的相關(guān)矩陣。設(shè)定相關(guān)閾值，排除低相關(guān)，估計(jì)腦功能網(wǎng)絡(luò)的地圖。連接密度K設(shè)定為超過相關(guān)系數(shù)閾值的連線除以全節(jié)點(diǎn)間的連線，即可觀察不同連接密度(0.01≤K≤0.2, 增量為0.01)的大腦網(wǎng)絡(luò)特性。在進(jìn)行網(wǎng)絡(luò)分析時(shí)，通過Brian Connectivity工具箱計(jì)算以下腦功能組織特征參數(shù)：特征路徑長度L、聚集系數(shù)C、模塊性Q、物理連接距離D和節(jié)點(diǎn)效率Ei。通過以上參數(shù)可以了解網(wǎng)絡(luò)功能連接的效率。結(jié)果顯示出默認(rèn)模式網(wǎng)絡(luò)(DMN)在清醒和睡眠狀態(tài)間的功能網(wǎng)絡(luò)存在差異，證實(shí)DMN和其他腦區(qū)域的有效交流對于清醒意識狀態(tài)來說是重要的，是在意識清醒的狀態(tài)下整合全腦不可或缺的網(wǎng)絡(luò)，它在產(chǎn)生意識覺知中扮演重要角色。[19]

另外，Altmann的研究發(fā)現(xiàn)，不僅EEG能對不同覺醒狀態(tài)水平進(jìn)行分類，利用fMRI的數(shù)據(jù)也能做到同樣的事。他們的研究介紹了一種利用fMRI數(shù)據(jù)信號來對覺醒水平進(jìn)行劃分的算法：Linear Support Vector Machine(SVM)。利用SVM可以直接建立分類模型，幫助區(qū)分覺醒水平間連接模式。[20]首先，利用EEG數(shù)據(jù)對覺醒狀態(tài)進(jìn)行分類。以其中一種覺醒水平行為占總時(shí)間85%以上的標(biāo)準(zhǔn)來篩選EEG數(shù)據(jù)，確認(rèn)其中一個(gè)數(shù)據(jù)集有可用的時(shí)間段，包括清醒(SO)、睡眠1(S1)、睡眠2(S2)和慢波睡眠(SW)。之后，對于SVM分類器的表現(xiàn)，可以用接受者操作特征(Receiver Operating Characteristics，ROC)曲線下的區(qū)域面積(AUC)來測量。SVM分類器提供了決定分?jǐn)?shù)，并且能選擇在兩個(gè)狀態(tài)之間轉(zhuǎn)換的閾值。這個(gè)閾值導(dǎo)致不同的敏感度和整個(gè)數(shù)據(jù)集分類的特異性。在所有預(yù)知的情況下，ROC曲線簡單描繪了一個(gè)分類器的敏感度和特異性。AUC對整個(gè)曲線來說是一個(gè)方便的簡要測量方法，AUC的范圍為0.0到1.0。1.0的值意味著存在這樣一個(gè)閾值可達(dá)到完美的分類(在100%特異性上100%敏感度)，而0.5的值意味著隨機(jī)表現(xiàn)，AUC可以解釋為從第二級隨機(jī)選擇的例子的可能性。一個(gè)高的AUC值意味著一個(gè)更好的類別分離，即更好的分類表現(xiàn)。結(jié)果顯示，在接受者操作特征曲線(AUCs)接近1的區(qū)域下，SVM能很好地區(qū)分睡眠和清醒狀態(tài)，以及睡眠的各個(gè)階段。fMRI數(shù)據(jù)的應(yīng)用窗口約從70秒開始能提供可靠的分類。[20]而且，皮層下的連接以及枕葉內(nèi)的連接組織擁有最強(qiáng)烈的區(qū)分信息。總體來說，功能網(wǎng)絡(luò)分析能有效區(qū)分非眼動(dòng)睡眠狀態(tài)。

(二)EEG-informed fMRI

EEG-informed fMRI數(shù)據(jù)處理方法，是目前EEG-fMRI同時(shí)技術(shù)領(lǐng)域應(yīng)用最廣泛的方法。EEG-informed fMRI的數(shù)據(jù)分析是指從EEG腦電信號出發(fā)，分析EEG不同的信號指標(biāo)與fMRI中BOLD信號的聯(lián)系，以此探尋腦電信號的腦活動(dòng)區(qū)域，發(fā)現(xiàn)EEG信號的腦活動(dòng)機(jī)制。

一般來說，考慮到血流動(dòng)力學(xué)反應(yīng)的延遲，需要把EEG不同信號指標(biāo)的平均功率時(shí)間序列與血氧動(dòng)力學(xué)響應(yīng)函數(shù)(Hemodynamic Response Function，HRF)進(jìn)行卷積。[21]之后，利用一般線性模型(General Linear Model，GLM)探索卷積后的功率時(shí)間序列與fMRI中體素的BOLD信號之間的關(guān)系，[22]進(jìn)而發(fā)現(xiàn)與EEG信號有關(guān)的腦活動(dòng)區(qū)域。這是基于fMRI信號源自于神經(jīng)訊息之假設(shè)來分析同步數(shù)據(jù)的思路；但在實(shí)際研究當(dāng)中，因?yàn)檠芯磕康牟煌驅(qū)嶒?yàn)條件不同等原因，研究者會采用不同的EEG信號指標(biāo)進(jìn)行分析。

縱觀靜息態(tài)的EEG-fMRI同步研究文獻(xiàn)，可概括出以下常用的EEG信號指標(biāo)：功率譜(Power Spectrum)、全腦域同步(Global Field Synchronization)、微狀態(tài)(Microstate)。接下來，本文會詳細(xì)敘述每種信號指標(biāo)的提取以及其如何與fMRI數(shù)據(jù)融合。

1.功率譜(Power Spectrum)

功率譜是功率譜密度函數(shù)的簡稱，是單位頻帶內(nèi)的信號功率。它表示信號功率隨著頻率的變化情況，即信號功率在頻域的分布狀況，是最常用的靜息態(tài)EEG參數(shù)。EEG的功率譜通常能夠通過傅里葉轉(zhuǎn)換(Fourier transform)計(jì)算得到。由于研究目的不同，研究者會選擇計(jì)算全腦域(Global)或興趣域(ROI)的功率譜。

在全腦域的功率譜計(jì)算中，所有電極上EEG的譜功率都會在典型的EEG頻帶和時(shí)間窗口中計(jì)算均值。其中，時(shí)間窗口需要跟fMRI的脈沖重復(fù)時(shí)間(Time of Repetition,TR)一致。由此，每個(gè)頻帶中每一個(gè)時(shí)間窗口都會產(chǎn)生一個(gè)值。這些數(shù)值組成一個(gè)序列，代表該頻帶的平均譜功率。典型的頻帶包括 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)。在計(jì)算出全腦域各頻帶在每個(gè)時(shí)間窗口的平均譜功率后，即可獲得每個(gè)電極上各個(gè)頻帶的功率時(shí)間序列。像上面提及的一樣，由于血流動(dòng)力學(xué)反應(yīng)的延遲，需要把EEG的平均功率時(shí)間序列與HRF進(jìn)行卷積。為了與fMRI的BOLD信號進(jìn)行融合，卷積后的時(shí)間序列都需要降采樣率和標(biāo)準(zhǔn)化。之后，對每個(gè)體素(voxel)的BOLD信號與各頻帶卷積后的平均功率時(shí)間序列進(jìn)行回歸分析，探索EEG頻帶對應(yīng)腦區(qū)域的BOLD信號反應(yīng)，確認(rèn)其腦網(wǎng)絡(luò)活動(dòng)區(qū)域。[23—26]另外，有部分研究只對某區(qū)域的頻帶活動(dòng)的腦活動(dòng)機(jī)制感興趣，會選擇某幾個(gè)特定電極的范圍作為ROI，并計(jì)算其平均功率時(shí)間序列，與BOLD信號進(jìn)行相關(guān)分析，如枕葉區(qū)域的alpha波[27,28]和頂枕區(qū)域(p7-o1,o1-p3,p8-o2,o2-p4，10/20系統(tǒng))的alpha波[29]。

在全腦水平上，S. I. Goncalves用一般線性模型(GLM)對每個(gè)體素的BOLD信號與全腦alpha波的平均強(qiáng)度時(shí)間序列進(jìn)行相關(guān)分析，發(fā)現(xiàn)在閉眼狀態(tài)下，三個(gè)被試枕葉、頂葉和前額葉區(qū)域的alpha波與BOLD信號呈負(fù)相關(guān)，丘腦區(qū)域的BOLD信號則與alpha波呈正相關(guān)。[23]Siyang Yin在探究中央和中央頂葉電極上mu場節(jié)律(8—12Hz)的腦活動(dòng)區(qū)域時(shí)，計(jì)算與HRF卷積后的mu功率時(shí)間序列和所有體素的BOLD時(shí)間序列之間的零延遲交叉相關(guān)(zero-lag cross correlation)，再進(jìn)行Fisher轉(zhuǎn)換。通過在體素水平上進(jìn)行獨(dú)立樣本t檢驗(yàn)，找出在組水平上mu-BOLD顯著相關(guān)(p<0.05)的腦區(qū)域，發(fā)現(xiàn)在閉眼狀態(tài)下，mu場節(jié)律與感覺運(yùn)動(dòng)網(wǎng)絡(luò)、注意控制網(wǎng)絡(luò)、假定鏡像神經(jīng)系統(tǒng)的BOLD信號呈負(fù)相關(guān)，與來自突顯網(wǎng)絡(luò)(salience network)，包括前扣帶回和前腦島的BOLD信號呈正相關(guān)。[25]Lüchinger 同樣利用GLM方法研究了BLOD信號與delta, theta, alpha1, alpha2, beta1, beta2的關(guān)系。[24]

在ROI水平上，由于alpha波在睜眼和閉眼兩種狀態(tài)的活動(dòng)差異很大，所以一般認(rèn)為alpha波與靜息態(tài)下的腦活動(dòng)機(jī)制之間關(guān)系十分密切，因此經(jīng)常研究alpha波與靜息態(tài)下腦活動(dòng)的關(guān)系。[22,26—28,30,31]其中，因?yàn)閍lpha波在頂枕區(qū)域的活動(dòng)十分活躍，一般選擇頂枕區(qū)域作為alpha波的ROI。例如，Eti Ben-Simon選擇譜功率最強(qiáng)的五個(gè)電極的alpha波(一般是枕葉區(qū)域)作為興趣頻帶，并分別把睜眼和閉眼狀態(tài)下alpha波的平均功率時(shí)間序列與HRF卷積后，作為回歸量，與BOLD信號進(jìn)行回歸分析，發(fā)現(xiàn)alpha波的回歸量跟行為范式(睜眼閉眼)高度相關(guān)，且兩個(gè)條件下發(fā)現(xiàn)的功能網(wǎng)絡(luò)高度相似。[26]Jue Mo選擇三個(gè)枕部電極O1、O2和OZ的alpha波為興趣頻段，將其功率時(shí)間序列與HRF卷積后，與全腦所有體素的BOLD信號時(shí)間序列進(jìn)行相關(guān)分析，并對比在睜眼和閉眼狀態(tài)下的差異。結(jié)果顯示，在睜眼情況下，視覺alpha波與默認(rèn)網(wǎng)絡(luò)(Default-mode Network, DMN)的BOLD活動(dòng)是正相關(guān)的，而閉眼情況下是沒有的。[27]

另外，RSN代表著靜息態(tài)下一些獨(dú)特的功能網(wǎng)絡(luò)，這些功能網(wǎng)絡(luò)顯示出低頻BOLD信號波動(dòng)的暫時(shí)性同步。其中有數(shù)個(gè)穩(wěn)定出現(xiàn)的RSN值得一提：默認(rèn)模式網(wǎng)絡(luò)(Default Mode Network, DMN)，背側(cè)注意網(wǎng)絡(luò)(Dorsal Attention Network, DAN)，視覺網(wǎng)絡(luò)(Visual Network)，聽覺網(wǎng)絡(luò)(Auditory Network)，感覺運(yùn)動(dòng)網(wǎng)絡(luò)(Sensorimotor Network)，自我參照網(wǎng)絡(luò)(Self Referential Network)。[29,32]在全腦體素分析的基礎(chǔ)上，有一種基于靜息狀態(tài)下功能網(wǎng)絡(luò)(RSN)的分析，即獨(dú)立成分分析(Independent Component Analysis, ICA)，以數(shù)據(jù)驅(qū)動(dòng)方式自動(dòng)提取靜息狀態(tài)下的RSN。[29,33—36]在獲得RSN成分后，可通過下列兩種方法深入分析EEG腦電信號與RSN的關(guān)系：(1)觀察通過EEG數(shù)據(jù)估計(jì)出的腦活動(dòng)區(qū)域與RSN成分的空間重疊部分；[29](2)對EEG頻帶的時(shí)間序列與RSN成分做相關(guān)分析，得到腦電節(jié)律與RSN的時(shí)序相關(guān)關(guān)系。[35]然而，這些靜息態(tài)網(wǎng)絡(luò)的電生理機(jī)制目前尚未厘清，未來可對某些感興趣的RSN與EEG腦電信號的關(guān)系進(jìn)行深入分析，探索RSN的電生理機(jī)制。

2.全腦域同步(Global Field Synchronization)

全腦域同步(Global Field Synchronization，GFS)由Koenig在2000年首次提出[37]，并由Jann應(yīng)用于EEG和fMRI同時(shí)性技術(shù)中[30]。Koenig提出，全腦域同步是一種測量EEG同步化的方法，它反映在全腦域上所有電極中一個(gè)特定頻率的相位鎖定的活動(dòng)中，顯示了某頻帶在全腦域上的同步程度。GFS的絕對值反映了容積導(dǎo)體情況和腦內(nèi)電位同步化程度，但是由于容積導(dǎo)體假設(shè)不變，所以GFS的變化只能解釋為神經(jīng)元同步。另外，GFS是一種全腦域的測量方法，而且沒有提供同步活動(dòng)的位置信息。因此，如果希望確定某頻帶在全腦域上同步的位置信息，就需要結(jié)合fMRI來進(jìn)行，EEG-fMRI同步技術(shù)恰好能滿足這一要求。

在EEG-fMRI融合研究中，RSN也會在不同的腦區(qū)域顯示出同步震蕩。因此，存在這樣一種假設(shè)：RSN可能會被不同的EEG節(jié)律調(diào)節(jié)。如果某頻帶的全腦域同步(GFS)對應(yīng)的BOLD信號區(qū)域與特定RSN重合，就可以證明以上假設(shè)。Jann等人通過EEG-fMRI同時(shí)技術(shù)發(fā)現(xiàn)，與alpha波GFS相關(guān)的BOLD信號區(qū)域跟具體的DMN有重合，證明了以上假設(shè)，說明了GFS對于靜息態(tài)下EEG-fMRI同時(shí)技術(shù)研究也是一個(gè)可利用的信號指標(biāo)。[29]

對于GFS的計(jì)算，詳細(xì)可參考Koenig等人的研究。[38]GFS的值的范圍是0到1之間，0代表最小同步值，1代表最大同步值。在每一個(gè)時(shí)間段和頻帶都可以計(jì)算GFS，而且把每個(gè)時(shí)間段內(nèi)該頻帶的GFS值平均后，可得到該頻段GFS值的時(shí)間進(jìn)程，與HRF卷積，之后在體素水平上把GFS作為GLM的回歸量進(jìn)行計(jì)算，可得到與GFS相關(guān)的腦活動(dòng)區(qū)域。Jann先把a(bǔ)lpha高頻段(8.5—10.5Hz)和低頻段(10.5—12.5Hz)的GFS值和其時(shí)間序列計(jì)算出來，再根據(jù)以上方法算出了與alpha高頻段和低頻段GFS值相關(guān)的腦活動(dòng)區(qū)域。[30]該研究發(fā)現(xiàn)，與Alpha波GFS相關(guān)的BOLD信號區(qū)域跟具體的RSNs有重合，如DMN和DAN。另外，至少在alpha頻帶中，其長遠(yuǎn)距離的同步化組織了具體的RSNs。這都支持了其研究假設(shè)，即RSN可能會被不同的EEG節(jié)律調(diào)節(jié)。

3.微狀態(tài)(Microstate)

EEG信號的微狀態(tài)為間斷出現(xiàn)的特定空間分布，它的出現(xiàn)時(shí)間在毫秒級別，通常在60—120 ms之間，而且相對穩(wěn)定，與自發(fā)的BOLD活動(dòng)有潛在電生理聯(lián)系。[39]這樣一個(gè)準(zhǔn)靜態(tài)的電場位分布，就叫做“微狀態(tài)”(Microstate)。[40]微狀態(tài)能影響認(rèn)知和覺知，[41]把自發(fā)想法的性質(zhì)特征化，[42]這意味著微狀態(tài)能指出不同的思維處理類型。它們可被看做是“建立認(rèn)知的磚塊”或“想法的原子”，可成為自發(fā)的意識認(rèn)知活動(dòng)的基礎(chǔ)。[43]通過EEG-fMRI融合技術(shù)，學(xué)者發(fā)現(xiàn)微狀態(tài)與RSN瞬時(shí)自發(fā)出現(xiàn)的BOLD信號波動(dòng)存在對應(yīng)關(guān)系。[33,38]這種方法提供了一個(gè)新視角，探究人在靜息態(tài)下產(chǎn)生自發(fā)的想法時(shí)的腦活動(dòng)機(jī)制。

微狀態(tài)的計(jì)算方法目前有兩種：(1)基于組間微狀態(tài)地形圖差異的最大化，把微狀態(tài)從EEG中分離出來；(2)使用一種數(shù)據(jù)驅(qū)動(dòng)方法，即獨(dú)立成分分析(ICA)，從EEG中提取微狀態(tài)。以下會簡述兩個(gè)提取微狀態(tài)的方法的研究，以及如何對它們與RSN進(jìn)行相關(guān)分析。

在Juliane Britz的研究中，首先計(jì)算出全腦域功率(Global field power，GFP)。將所有GFP峰值的地圖都提取出來，用Atomize-Agglomerate Hierarchical(AAHC)算法把數(shù)據(jù)放至修改過的空間進(jìn)行聚集分析，確認(rèn)最具優(yōu)勢的地形圖。利用交叉驗(yàn)證(cross-validation)的方法確定模板地圖的最佳數(shù)量。把每個(gè)被試的模板地圖都放進(jìn)第二個(gè)AAHC聚集分析中，確認(rèn)所有被試的主要集群。之后，計(jì)算組水平的模板地圖，以及每次掃描(Run)中每個(gè)被試的模板地圖之間的空間相關(guān)關(guān)系。接著，計(jì)算EEG和每個(gè)模板地圖之間的空間相關(guān)，就能得出微狀態(tài)的時(shí)間進(jìn)程。隨后，將每個(gè)微狀態(tài)的時(shí)間進(jìn)程與HRF卷積，并建立一般線性模型(GLM)。最后，計(jì)算由微狀態(tài)估計(jì)出的腦活動(dòng)圖和由ICA得出的RSN之間的相關(guān)關(guān)系。結(jié)果顯示，四個(gè)微狀態(tài)和四個(gè)RSN分別存在相關(guān)關(guān)系。[39]

在Han Yuan的研究中，首先算出EEG的全腦域功率(GFP)，然后用原始的微狀態(tài)在GFP峰值的位置推導(dǎo)出EEG拓?fù)浣Y(jié)構(gòu)。之后，用ICA將微狀態(tài)分解為幾個(gè)源，這些源的時(shí)間進(jìn)程都最大限度地跟其他源區(qū)分開來。在原始微狀態(tài)從多電極EEG數(shù)據(jù)中衍生出來后，將它們的拓?fù)浣Y(jié)構(gòu)在不同的時(shí)域(session)和被試間串聯(lián)起來(像fMRI數(shù)據(jù)一樣串聯(lián))，然后進(jìn)行單組ICA分析。微狀態(tài)中獨(dú)立成分的數(shù)量與fMRI的空間獨(dú)立成分要配對，利用背面放映合成(back-projection)來獲得與每個(gè)獨(dú)立成分有聯(lián)系的地圖，也就是主要微狀態(tài)。因此，對于每個(gè)空間獨(dú)立成分來說，地圖對應(yīng)了具體微狀態(tài)的空間拓?fù)浣Y(jié)構(gòu)，微狀態(tài)的強(qiáng)度反映在獨(dú)立成分的時(shí)間痕跡上，而且與其他空間獨(dú)立成分獨(dú)立開來，以此確定微狀態(tài)空間位置。相同的分解矩陣也應(yīng)用在連續(xù)的EEG數(shù)據(jù)上，得出每個(gè)獨(dú)立成分在每個(gè)時(shí)間點(diǎn)的強(qiáng)度值。檢查每個(gè)獨(dú)立成分和它們的波形，把那些無關(guān)的活動(dòng)剔除，剩下13個(gè)獨(dú)立成分，也就是13個(gè)時(shí)間獨(dú)立的微狀態(tài)。由于EEG信號的震蕩特質(zhì)，只有獨(dú)立成分的絕對強(qiáng)度值才是微狀態(tài)的時(shí)間進(jìn)程，以此確定微狀態(tài)的時(shí)間進(jìn)程。最后，通過一般線性模型(GLM)分析與微狀態(tài)的時(shí)間進(jìn)程相關(guān)的BOLD信號，得出微狀態(tài)的腦活動(dòng)區(qū)域，并將其腦活動(dòng)區(qū)域與RSN做比較，即可發(fā)現(xiàn)每個(gè)RSN都與一個(gè)或幾個(gè)微狀態(tài)有聯(lián)系。[34]

然而，微狀態(tài)為EEG信號的瞬時(shí)空間集合，與fMRI的RSN長達(dá)數(shù)分鐘的功能連接仍然存在概念上的差異；微狀態(tài)是否為功能性連接的生理基礎(chǔ)仍屬未知，彼此之間的對應(yīng)關(guān)系仍有待后續(xù)探討。

(三)fMRI-informed EEG

目前，除了EEG-informed fMRI的數(shù)據(jù)處理方法外，fMRI-informed EEG是相對較新的數(shù)據(jù)處理方法，其數(shù)據(jù)處理思路與EEG-informed fMRI相反。EEG-informed fMRI是根據(jù)EEG數(shù)據(jù)的不同信號指標(biāo)，估計(jì)其時(shí)序信號指標(biāo)與fMRI中BOLD時(shí)序信號的相關(guān)性，以此推斷出與EEG信號指標(biāo)對應(yīng)的BOLD信號，確定與EEG活動(dòng)有關(guān)的腦區(qū)。這種辦法依靠EEG的時(shí)序數(shù)據(jù)，容易受EEG數(shù)據(jù)的偽跡影響，所以需要對EEG數(shù)據(jù)進(jìn)行更多的預(yù)處理，如梯度偽跡去除和心電偽跡去除。而fMRI-informed EEG則是利用fMRI的激活區(qū)域作為先驗(yàn)信息，建立源空間，再在源空間中提取該源在EEG中的時(shí)間進(jìn)程。因?yàn)檫@種方法是直接根據(jù)fMRI數(shù)據(jù)的空間信息尋找EEG電生理的源空間，避免依賴EEG數(shù)據(jù)衍生出源空間，所以相對于EEG-Informed fMRI來說，fMRI-informed EEG能減少EEG中容積導(dǎo)體的影響。[44]

fMRI-informed EEG的數(shù)據(jù)處理細(xì)節(jié)可參考Matthias Christoph Meyer等人研究中的“源頻率功率相關(guān)”部分。[44]這個(gè)方法使用了FSL、Freesurfer mesh generation(Freesurfer imageanalysis suite)和Neuroelectromagnetic Forward Head Modeling Toolbox(NFT)三個(gè)軟件。用Freesurfer和NFT得到個(gè)體T1圖像的組織表面網(wǎng)絡(luò)(Tissue Surface Meshes，TSMs)。頭皮、顱內(nèi)外和腦的TSMs都放進(jìn)NFT中的Boundary Element Method(BEM)。通過TSMs建立源空間，這些fMRI衍生的源放進(jìn)NFT的正演模型中，結(jié)合電極模板計(jì)算出引導(dǎo)場矩陣(Lead Field Matrix)。之后，利用Moore-Penrose pseudo inverse倒轉(zhuǎn)引導(dǎo)場矩陣，此矩陣可把EEG數(shù)據(jù)轉(zhuǎn)化為源的時(shí)間進(jìn)程，得到每個(gè)RSN的EEG時(shí)間進(jìn)程。[44]把RSN的EEG時(shí)間進(jìn)程跟標(biāo)準(zhǔn)血流動(dòng)力學(xué)函數(shù)卷積，與有關(guān)的RSN做部分相關(guān)分析(Partial Correlation)，并對相關(guān)值做Z轉(zhuǎn)換和排序。

整體而言，在靜息態(tài)的研究中，以上三種數(shù)據(jù)處理方法的特點(diǎn)如下：(1)在EEG與fMRI獨(dú)立對比分析中，利用EEG對覺醒狀態(tài)水平進(jìn)行分類，再對不同狀態(tài)下的fMRI數(shù)據(jù)進(jìn)行功能網(wǎng)絡(luò)分析。使用這種方法只需分別對兩種數(shù)據(jù)進(jìn)行處理，但兩種數(shù)據(jù)的關(guān)系不緊密，兩者沒有直接聯(lián)系。(2)在EEG-informed fMRI中，對EEG不同信號指標(biāo)與fMRI的BOLD信號做相關(guān)分析。這種方法中兩種數(shù)據(jù)的關(guān)系更緊密，可以利用EEG的不同信號指標(biāo)研究不同的自發(fā)腦活動(dòng)機(jī)制，是相對成熟且較為常用的融合方法，但是容易受EEG的心電和梯度偽跡影響，需要更謹(jǐn)慎地處理。(3)在fMRI-informed EEG中，通過fMRI建立源空間，在源空間中提取出該源在EEG中的時(shí)間進(jìn)程。這能避免由EEG數(shù)據(jù)衍生出源空間而產(chǎn)生的問題，相對于EEG-informed fMRI來說，fMRI-informed EEG減少了EEG中容積導(dǎo)體的影響，減少了偽跡影響，特別是心電偽跡。

三、結(jié) 論

綜上所述，EEG-fMRI融合技術(shù)發(fā)揮其高時(shí)間空間分辨率的優(yōu)勢，在靜息態(tài)的研究上有新的突破。但是，目前這方面的研究依然相對較少，有待進(jìn)一步發(fā)掘。另外，本文對EEG-fMRI融合技術(shù)的研究范圍限定在正常人靜息態(tài)的數(shù)據(jù)處理方法上，實(shí)際上它還能拓展至醫(yī)學(xué)和認(rèn)知等方向。目前，它應(yīng)用在癲癇癥患者中的研究尤其豐富，例如，R.Giannina[45]、Alberto Leal[46]、Umair[47]、Sandhya Mangalore[48]等人的研究都關(guān)注癲癇癥患者的腦活動(dòng)機(jī)制。在認(rèn)知方面，探索不同認(rèn)知過程的腦機(jī)制的研究也十分豐富，如Daesung Kang[49]、Jordan Muraskin[50]、Sebastian Puschmann[51]等人在此方面的研究?？傊?，EEG-fMRI融合技術(shù)在未來的大腦研究中具有巨大的發(fā)展?jié)摿桶l(fā)揮空間。

[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. SCHR?TER, 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. GON?ALVES, 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.

國家自然科學(xué)基金面上項(xiàng)目“刺激誘發(fā)的BOLD信號時(shí)間變化性的改變與相應(yīng)腦血流改變的關(guān)系:GABA-A受體的調(diào)節(jié)作用”(31771294)

2017-04-18

B845

A

1000-5455(2017)06-0074-08

秦鵬民，山東萊蕪人，心理學(xué)博士，華南師范大學(xué)心理學(xué)院教授；韓俊榮，廣東廣州人，華南師范大學(xué)心理學(xué)院碩士研究生；王玉芝，山東濟(jì)南人，醫(yī)學(xué)博士，山東中醫(yī)藥大學(xué)西醫(yī)外科教研室講師；吳昌衛(wèi)，臺灣人，心理學(xué)博士，臺北醫(yī)學(xué)大學(xué)大腦與意識研究中心副教授；MENG Ming，美國人，心理學(xué)博士，華南師范大學(xué)心理學(xué)院教授。)

王建平；助理編輯：楊孟葳】