PEB模型在同步核磁?腦電源定位中的應(yīng)用

劉茵 姜忠義 鄒凌 畢卉 張蔚

摘? 要： 利用腦電（Electroencephalographic，EEG）和功能性磁共振成像（functional Magnetic Resonance Imaging，fMRI）時間和空間上的互補性可以獲得大腦的電源活動。為了獲得經(jīng)典獎懲任務(wù)中腦區(qū)的激活情況，同步采集fMRI?EEG數(shù)據(jù)，使用以fMRI空間作為約束的參數(shù)經(jīng)驗貝葉斯（Parametric Empirical Bayesian，PEB）模型進行了腦電源活動分析。同時，結(jié)合稀疏求解的方法，提取更集中的神經(jīng)電活動，進一步突出激活強度高的腦區(qū)。實驗結(jié)果表明，在獎懲結(jié)果呈現(xiàn)后的200～350 ms內(nèi)，獎賞刺激能夠誘發(fā)出反饋相關(guān)負(fù)波（Feedback Related Negativity， FRN）。fMRI空間定位顯示前額葉、眶額葉等獎賞相關(guān)腦區(qū)出現(xiàn)激活，EEG源定位提取到了前額葉腦區(qū)的激活，但是這些激活區(qū)域均分散在腦區(qū)的各個部位。相比于單一模態(tài)fMRI空間定位和EEG源定位結(jié)果，同步源定位提取的腦區(qū)更集中，獲得的模型證據(jù)也更大，更準(zhǔn)確地描繪了腦區(qū)激活情況。

關(guān)鍵詞： 腦電; 功能磁共振成像; 參數(shù)經(jīng)驗貝葉斯模型; 同步采集; 稀疏求解; 結(jié)果分析

中圖分類號： TN712?34; TP399? ? ? ? ? ? ? ? ? ?文獻標(biāo)識碼： A? ? ? ? ? ? ? ? ? ? ? 文章編號： 1004?373X（2020）06?0156?04

Application of PEB model in synchronization? fMRI?EEG source localization

LIU Yin1，2， JIANG Zhongyi1，2， ZOU Ling1，2， BI Hui1，2， ZHANG Wei1，2

（1. College of Information Science and Engineering， Changzhou University， Changzhou 213164， China;

2. Changzhou Key Laboratory of Biomedical Information Technology， Changzhou 213164， China）

Abstract： The complementarity of time and space of electroencephalographic （EEG） and functional magnetic resonance imaging （fMRI） is utilized to capture power activity of the brain. The fMRI?EEG data is collected synchronously， and the brain power activity is analyzed by means of the parametric empirical Bayesian （PEB） model taking fMRI space as the constraint， so as to obtain the activation of brain regions in the classic reward and punishment. The more concentrated neural electrical activity is extracted in combination with the method of sparse solution， to further highlight the brain regions with high activation intensity. The experimental results show that the reward stimulation can induce feedback related negativity （FRN） within 200～350 ms after the reward and punishment results are presented; the spatial location of fMRI presents activation of reward?related brain regions such as the prefrontal lobe and orbitofrontal cortex， and the EEG source localization is adopted to extract the activation in the prefrontal lobe brain region， but these regions are all scattered everywhere in the brain region. In comparison of the results of the single mode fMRI spatial localization and EEG source localization， the brain regions extracted with the synchronous source localization are more concentrated， and the obtained model evidences are also larger， which represents the activation of brain regions more accurately.

Keywords： EEG; fMRI; PEB model; synchronous acquisition; sparse solution; result analysis

0? 引? 言

獎懲任務(wù)是研究情感決策問題的經(jīng)典范式[1]。情感決策能力能夠反映個體對社會的適應(yīng)能力。存在情感決策障礙的個體對收益和損失不敏感，很難做出對未來有利的選擇。情感決策的研究有利于理解影響神經(jīng)信號產(chǎn)生的因素，為臨床診療提供輔助信息。

目前情感決策神經(jīng)機制的研究主要是利用單一模態(tài)的fMRI或EEG兩種成像技術(shù)，在時間或空間上的分辨率有待進一步提高。fMRI研究情感決策的主要方法是空間定位分析[2]。EEG用于研究情感決策的方法有事件相關(guān)電位（Event Related Potential，ERP）分析及EEG源定位分析。在ERP分析中，通過提取情感決策相關(guān)的EEG成分，來反映大腦神經(jīng)電生理變化[3]。由于大腦容積導(dǎo)體效應(yīng)和封閉場問題，頭皮記錄的EEG信號在空間上只能達到厘米級[4]，而源定位分析能通過線性求逆的方法重建EEG源，不僅保留了EEG信號高度動態(tài)變化的特征，還能估計源的空間范圍[5]。雖然源定位技術(shù)已經(jīng)很成熟，但是大多基于單一腦電，不能解決EEG空間分辨率低的問題[6]。再加上同步數(shù)據(jù)采集難度較大，國內(nèi)只有少數(shù)幾個單位具有采集同步fMRI?EEG數(shù)據(jù)的條件[7]，導(dǎo)致利用同步fMRI?EEG數(shù)據(jù)進行情感決策的研究很少。PEB模型能夠?qū)⒏鞣N空間先驗引入到EEG源估計中[8]?；赑EB模型的源定位方法有最小模解估計（Minimum Norm Estimate， MNE）、低分辨率層析成像（Low?Resolution Electromagnetic Tomography， LORETA）等。其中，MNE方法計算效率最高[9]。本文同步采集fMRI?EEG數(shù)據(jù)，在時間進程上提高兩種數(shù)據(jù)的相關(guān)性，分別利用同步數(shù)據(jù)提取fMRI空間信息、ERP成分，并利用PEB模型實現(xiàn)有/無fMRI空間信息約束的EEG源成像，綜合fMRI和EEG在空間、時間上的優(yōu)勢，提高大腦活動信息的定位精度，并通過稀疏方法突出激活強度高的EEG源。

1? 同步fMRI?EEG源定位中的PEB模型

fMRI約束的EEG源定位技術(shù)路線如圖1所示。首先使用邊界元模型（Boundary Element Model，BEM）為每個被試構(gòu)建真實頭模型，模擬不同被試大腦的源空間，并計算出傳遞矩陣L。用BEM構(gòu)建的頭模型個體化精度較高，有利于EEG源定位精度的提高。EEG的概率生成模型是線性的，用來描述頭皮EEG與源空間皮層活動之間的關(guān)系，公式為：

式中：Y∈Rn×t是n個電極、t個時間采樣點的EEG數(shù)據(jù);L∈Rn×s是電流源的傳遞矩陣，s指EEG源的數(shù)量;J∈Rs×t是未知源矩陣。自由項E（l）～N（0，C（l））是均值為0，協(xié)方差為C（l）的多元高斯分布。利用協(xié)方差分量[Q（l）i]的線性混合，構(gòu)造空間協(xié)方差矩陣C（l），如下：

式中：[λ（l）i]是決定空間的協(xié)方差矩陣;[Q（l）i]是約束程度的正則化參數(shù)，用于平衡模型的準(zhǔn)確性和復(fù)雜性?？臻g協(xié)方差矩陣C（2）可以進一步形成為由fMRI激活信息構(gòu)造的源協(xié)方差矩陣R。在本實驗中，采用MNM方法重建源矩陣J，計算公式為：

在分層經(jīng)驗貝葉斯模型中，對數(shù)模型證據(jù)ln p（Y|λ）是觀察變量的邊際似然函數(shù)。為了找到最優(yōu)的均值和協(xié)方差，用經(jīng)典約束最大似然（Restricted Maximum Likelihood，ReML）算法最大化成本函數(shù)，即變分自由能。自由能F與模型證據(jù)有關(guān)，是模型證據(jù)的下限。自由能的公式為：

式中：未知源的稀疏變換信號用有限個非零元素的矩陣S表示;矩陣D通常被稱為字典矩陣。

2? 實驗設(shè)計

2.1? 被? 試

本實驗采集了10名19～25歲大學(xué)生的同步fMRI?EEG數(shù)據(jù)，其中8名男性，2名女性，平均年齡22歲。所有被試身心健康，右利手，視力正常。實驗在常州市第二人民醫(yī)院完成，經(jīng)常州大學(xué)倫理委員會批準(zhǔn)，實驗前所有受試者簽署知情同意書。

2.2? 實驗范式

實驗使用E?prime軟件設(shè)計一個經(jīng)典獎懲任務(wù)[10]。實驗過程由8個循環(huán)任務(wù)組成，每個任務(wù)包含10個試次，由40個獎勵刺激和40個懲罰刺激的隨機呈現(xiàn)組成。單個試次的實驗流程如圖2所示。電腦屏幕上會同時出現(xiàn)兩扇相同的門，其中一扇門對應(yīng)著獎勵（+2.0元），另一扇門對應(yīng)著懲罰（-1.0元）。參與者被事先告知，始終選擇認(rèn)為能夠獎勵的那扇門。如果被試沒有及時做出選擇，電腦將隨機選擇一扇門。之后是2 000 ms的注視點，接下來是2 000 ms的箭頭反饋。綠色向上的箭頭表示獎勵，紅色向下的箭頭表示懲罰。箭頭反饋結(jié)束后，屏幕中心將顯示被試當(dāng)前的累積分?jǐn)?shù)。每次試驗結(jié)束時，被試會有4 000 ms的休息時間。在正式實驗之前被試需要完成2次練習(xí)，包括獎懲兩種刺激。

2.3? 實驗數(shù)據(jù)采集

實驗采用的同步采集系統(tǒng)包括EEG數(shù)據(jù)記錄室和fMRI數(shù)據(jù)掃描室兩個部分[11]。數(shù)據(jù)之間的同步性通過時鐘同步盒來實現(xiàn)。腦電設(shè)備使用的是美國EGI公司64導(dǎo)電極帽，電極位置遵循10?10電極分布系統(tǒng)。腦電記錄軟件為Net?Station，采樣頻率設(shè)置成1 000 Hz，阻抗50 kW，并選取CZ電極作為所有導(dǎo)聯(lián)的參考點。核磁設(shè)備使用的是3.0T飛利浦核磁采集系統(tǒng)，fMRI掃描的重復(fù)時間為2 000 ms，回波時間為35 ms，翻轉(zhuǎn)角度為90°。按順序連續(xù)掃描24層，層厚為3.5 mm，視野（FOV）為230 mm×180 mm。

3? 數(shù)據(jù)處理

3.1? 腦電數(shù)據(jù)處理

EEG數(shù)據(jù)預(yù)處理在Net?Station上完成。預(yù)處理的主要目的是去除干擾噪聲。去除梯度場噪聲使用平均模板減法，通過加權(quán)平均生成描繪梯度場偽跡的模板，在原始EEG信號中減去梯度場噪聲。去除心電偽跡噪聲使用基于聚類約束的獨立成分分析法（Clustering?Constrained Independent Component Analysis， CCICA），將心電偽跡劃分成不同的類型，結(jié)合聚類結(jié)果對EEG信號進行校正[12]。EEG信號預(yù)處理還包括帶通濾波（0.1～30 Hz）、分段（-200～1 000 ms）、壞通道替換、基線校正（-200～0 ms）。最后利用零參考轉(zhuǎn)換進行重參考[13]。

3.2? 核磁數(shù)據(jù)處理

核磁數(shù)據(jù)預(yù)處理使用SPM12（Statistical Parametric Mapping）工具包完成。預(yù)處理步驟包括：時間層校正、頭動校正、空間標(biāo)準(zhǔn)化、高斯核空間平滑和濾波（0.01～0.08 Hz）。最后，用一般線性模型（General Linear Models， GLMs）進行統(tǒng)計分析，提取fMRI激活圖作為空間約束融合到源定位中。

4? 結(jié)果及分析

4.1? 平均時間相關(guān)電位分析

對預(yù)處理后的EEG信號做疊加平均，在前額葉電極FP1的平均ERP中提取出了獎賞相關(guān)成分FRN。圖3中點線代表懲罰，虛線代表獎勵，實線代表懲罰和獎勵的電位差值，懲罰和獎勵的最大差值大約在反饋開始后的320 ms處呈現(xiàn)，表明被試的情緒受到了獎懲刺激的影響。

4.2? fMRI空間定位

圖4是獎勵與懲罰刺激條件下，fMRI空間定位得到的激活圖，其中顏色越深代表被激活強度越大。從圖中可以看出，獎賞反饋相關(guān)的感興趣區(qū)域（Region of Interest，ROI）主要分布在前額葉（PFC）、眶額葉（OFC）、尾狀核以及杏仁核。表1提供了fMRI激活的詳細(xì)統(tǒng)計描述，大腦區(qū)域的劃分遵循蒙特利爾神經(jīng)研究所（Montreal Neurological Institute，MNI）提供的AAL模板（Automated Anatomical Labeling，AAL）。

4.3? 基于PEB模型的EEG源成像定位

基于PEB模型的EEG源成像結(jié)果如圖5所示。在獎勵與懲罰刺激條件下，源定位結(jié)果顯示，大腦前額葉皮質(zhì)的大部分區(qū)域被激活。圖5a）和圖5b）分別是單模態(tài)EEG源定位與fMRI約束的EEG源定位結(jié)果，圖5c）是經(jīng)過稀疏求解后的源定位結(jié)果。與圖5a）相比，圖5b）中的源激活區(qū)域大大減少，變得更集中，而圖5c）又進一步突出了獎懲任務(wù)中激活強度最大的腦區(qū)。在模型證據(jù)方面，圖6的結(jié)果表明加入fMRI空間先驗后的模型證據(jù)更大。

5? 結(jié)? 語

本文采集了獎懲范式下同步fMRI?EEG數(shù)據(jù)，分別使用fMRI空間定位、ERP分析和EEG源定位提取了決策反饋的時空信息，用PEB模型進行fMRI約束下的EEG源定位研究，并通過稀疏求解突出了活躍程度最高的源。結(jié)果表明，獎懲范式能夠提取出決策相關(guān)的FRN成分。加入同步fMRI約束后，EEG源定位提取出的激活區(qū)明顯減小，變得更加集中。相比于單一模態(tài)的EEG源定位，fMRI空間先驗?zāi)軌蚴关惾~斯模型發(fā)揮更好的性能，獲得的貝葉斯模型證據(jù)更大。

注：本文通訊作者為鄒凌。

參考文獻

[1] WANG Yongjie， CHEN Tong， CHEN Qiao， et al. Emotional decisions in structured populations for the evolution of public cooperation [J]. Physica A： statistical mechanics and its applications， 2017， 468： 475?481.

[2] HSU C W， GOH J O. Distinct and overlapping brain areas engaged during value?based， mathematical， and emotional decision processing [J]. Frontiers in human neuroscience， 2016， 10（21）： 275.

[3] TAMBURIN S， MAIER A， SCHIFF S， et al. Cognition and emotional decision?making in chronic low back pain： an ERPs study during Iowa gambling task [J]. Frontiers in psychology， 2014， 5： 1350.

[4] KAYSER J， TENKE C E. Issues and considerations for using the scalp surface Laplacian in EEG/ERP research： a tutorial review [J]. International journal of psychophysiology， 2015， 97（3）： 189?209.

[5] BAROUMAND A G， VAN MIERLO P， STROBBE G， et al. Automated EEG source imaging： a retrospective， blinded clinical validation study [J]. Clinical neurophysiology， 2018， 129（11）： 2403?2410.

[6] THINH N， THOMAS P， TRAC N， et al. EEG source imaging guided by spatiotemporal specific fMRI： toward an understanding of dynamic cognitive processes [J]. Neural plasticity， 2016（10）： 1?10.

[7] DONG L， GONG D， VALDES?SOSA P A， et al. Simultaneous EEG?fMRI： Trial level spatio?temporal fusion for hierarchically reliable information discovery [J]. Neuroimage， 2014（99）： 28?41.

[8] OJEDA A， KREUTZ?DELGADO K， MULLEN T. Fast and robust block?sparse Bayesian learning for EEG source imaging [J]. Neuroimage， 2018（174）： 449?462.

[9] MAHJOORY K， NIKULIN V V， BOTREL L， et al. Consistency of EEG source localization and connectivity estimates [J]. Neuroimage， 2017， 152： 590?601.

[10] GUO Q， ZHOU T， LI W， et al. Single?trial EEG?informed fMRI analysis of emotional decision problems in hot executive function [J]. Brain and behavior， 2017， 7（7）： e00728.

[11] 鄒凌，嚴(yán)永，楊彪，等.基于同步EEG?fMRI采集的情緒認(rèn)知重評數(shù)據(jù)特征融合分析研究[J].自動化學(xué)報，2016，42（5）：771?781.

[12] WANG K， LI W， DONG L， et al. Clustering?constrained ICA for ballistocardiogram artifacts removal in simultaneous EEG?fMRI [J]. Frontiers in neuroscience， 2018（12）： 59.

[13] DONG L， LI F， LIU Q， et al. MATLAB toolboxes for reference electrode standardization technique （REST） of scalp EEG [J]. Frontiers in neuroscience， 2017（11）： 601.