|
摘要 腦電圖（EEG）是對大腦電場的無創測量。通過頭皮上的電極記錄神經元內部和周圍電流所產生的電位。腦電圖有將近100年的歷史：經過漫長的發展，現如今腦電圖有著豐富而多樣的應用范圍。一方面，腦電圖在臨床診斷中的基礎最近已與腦觸發的神經康復治療相吻合。另一方面，腦電圖不僅在實驗心理學領域作為提供大腦相關結構的主要工具，還被用作真正的神經成像方法，最近還擴展到翻譯和計算神經科學領域。該技術的多功能性和可及性，再加上信號處理技術的進步，使得這個老技術仍能夠提供新的技巧和創新。 腦電圖的生物物理學和測量 我們通過一組類比，向未經培訓的讀者介紹一般的電生理學，特別是EEG，旨在明確地說明哪些神經元活動會在頭皮表面產生可測量的信號（圖1）。想象一下你是一名配備有手持麥克風記者，麥克風在這里將被比喻為記錄電極。假如你正在報道一場足球比賽，雖然整個體育場很嘈雜，但當你站在教練旁邊采訪他時，你能很容易的聽懂她的講話。這類似于記錄單個神經元的動作電位。如果你在記者席上，你無法聽到教練和球員間正在進行的對話，只能聽到場外觀眾的嗡嗡聲和記者席上其他記者的交談。這類似于記錄局部電位，對近端和相對遠端事件的均有貢獻。如果你失去了記者證只能待在酒店陽臺上時，你仍然可能聽到球隊進球時球場內擁護球迷齊聲歡呼的聲音。上述類似于腦電圖記錄。
圖一記錄大腦的電活動 單個神經元、神經元群和大腦皮層部分的活動可以通過電信號直接測量。(A）膜片鉗技術用于記錄單個神經元的動作電位。這里，一個錐體神經元被示意出來。動作電位為短時程（1ms）、高振幅（約100mv）的脈沖。(B）電極芯片可以插入腦組織中，記錄神經元群體的活動。根據濾波器的設置，可以分離出多單位活動（動作電位）或低頻局部場電位（LFPs）；后者的頻譜特征與頭皮記錄的EEG相似。(C) 在EEG中，放置在頭皮表面的宏觀電極測量大腦大部分的電活動。EEG的振蕩隨基礎神經元群的同步或不同步活動而發生變化。此外，頭皮上記錄的信號會因在通過各種顱內介質及頭皮的體積傳導中衰減和失真。相類似，單個運動神經元活動類似于與教練的一對一訪談。LFPs就像在記者席上解播足球比賽的評論員。腦電圖就像在體育場外聽場內觀眾歡呼。 需要強調的是，盡管其他生理電活動（如心臟、眼球和其他肌肉活動）和環境電活動（如電腦屏幕和其他電氣設備、電源線）可能同時發生，但腦電圖仍然只能檢測到大腦中發生所有電活動的一部分。需要明確地是，腦電圖測量的并不是動作電位，而是突觸后電位。典型的動作電位是神經元在-70mv的靜止電位的基礎上受到刺激升高至-55mv（更加活躍）后去極化產生的，后從胞體沿軸突以電流的形式快速流動。相比之下，突觸后電位是由軸突末端釋放的神經遞質作用于突觸后膜所產生。 在某種程度上，單個錐體神經元的解剖幾何學（它們大多數在皮質結構中呈有序的柱狀排列）結構有助于腦電圖的測量。頂端樹突產生的興奮性突觸后電位將局部導致細胞內電流源或陽性（和細胞外電流匯或陰性）。在胞體部，將出現一個細胞內電流匯和細胞外電流源。這些源-匯配置也被稱為電流偶極子。這些電流偶極子是腦電圖所測量的電位的主要來源。為了能夠在頭皮表面進行測量，神經元群基本上需要同時活躍。先使電流的總和，然后獨立于其頻譜以各向同性的方式傳導，最終貫穿整個大腦，并依次通過血管、腦脊液、硬腦膜、顱骨、肌肉、脂肪和皮膚到達EEG電極。 記錄腦電圖的基本工具包括導電材料組成的電極和運算放大器（圖2）。通常情況下，通過電解凝膠或鹽類來降低電極和皮膚之間的電阻。另一種較新材料是所謂的“干式”電極，它通過材料學和電子技術的創新，最大程度地減少了參與者頭皮準備的必要性，從而縮短了設置時間。這些創新很可能隨著可打印電極及聚合物的技術進步和可穿戴設備的發展同步發展。從早產兒到老年人，各個年齡段的人都能很好地耐受現代腦電圖電極帽。運算放大器的創新使得采樣率更快，同時記錄的通道數量也更多。標準的商業腦電圖系統也被批準用于臨床，可以輕易地從至少128個通道獲取數據，并且所有通道的采樣率都大于10 kHz，每個放大器的分辨率為24位。 這種系統的成本通常不到60,000美元，并且使用壽命至少有10年。在成本效益方面，直觀的對比容易被讀者記住：一臺3T磁共振掃描儀的成本在200-300萬美元左右，而標準腦磁圖（MEG）設備也差不多這個價位。另一個現實好處是，腦電圖很容易與其他腦映射和成像方法（MRI、MEG、功能性近紅外光譜、無創性腦刺激等）以及神經藥理學、生理學和介入療法相結合。腦電圖系統在便攜性方面的改進使其能夠在多種現實生活中使用，包括床旁、教室和運動場。更重要的是，現代系統可以同時精確地記錄多個個體，即所謂的EEG超掃描。最后，信號處理技術的進步使在線分析以及神經反饋能夠反過來用于腦-機接口以及對刺激傳遞的控制，從而通過等待受試者的 '最佳 '狀態來增強感知和表現。 簡史 20世紀20年代末漢斯-伯杰（Hans Berger）設計了這項了解大腦的方式，因此被譽為人類腦電圖的發現者，他設計了這種技術（圖2）。他記錄了一種信號：在閉眼時會有節律性波動，但在睜眼時節律性會降低，振幅也會變小。科學界最初并不認可伯杰和他的EEG。但他不放棄，這可能部分是因為伯杰是一個獨行俠，部分是因為他對自己心靈所感應現象的執著。一些人認為頭皮腦電圖是心臟或肌肉電活動的偽影。還有一些人認為，當眼睛睜開時，大腦活動時節律性不應該降低，振幅也不應該變小（今天這種現象被稱為是 'α阻滯'）。還有一些人認為，伯杰測量的波動節律性太慢，不能反映實際的神經電活動，當時人們認為神經電活動只有動作電位。
圖2.人類腦電技術的發展及其應用。 腦電圖在技術、樣本發現和應用方面的發展年表。圖片從左到右分別代表：9通道的日本科登ME-91D腦電圖儀（1959年：這是日本第一臺9通道腦電圖儀，由日本科登公司提供）；EEG先驅德里克-芬德的照片；20世紀80年代EEG帽的標志性設計之一的照片；現代便攜式waveguardTM原裝腦電圖帽和eegoTM運動型腦電圖放大器；由腦電控制的輪椅。 直到英國生理學家埃德加-阿德里安和布賴恩-馬修斯在1934年再次記錄了類似于伯杰的觀察結果，腦電圖才逐漸被接受為大腦電活動的非侵入性測量方法（還應該指出，阿德里安和馬修斯完全相信是伯杰發現了頭皮EEG）。但不幸的是，伯杰的研究被德國的納粹政權制止了，他也最終于1941年自殺。盡管如此，伯杰遺留下了EEG這種技術，這種技術不僅在臨床應用中迅速站穩了腳跟，也在神經生理學和計算機科學等研究領域迅速站穩了腳跟。 可以用腦電圖做什么（或者不可以做什么） 在科學界如何使用和看待EEG的問題上，可以說EEG的多功能性和可及性是一把雙刃劍。一方面，由于腦電圖是對大腦神經活動的直接和實時的測量，它可以用來描述特定神經生理通路的完整性、意識/睡眠狀態，以及大腦功能的精確時間動力學。此外，當精確的時間分辨率與估計的潛在來源相結合時，EEG也可以對大腦網絡、它們的連接性以及特定活動在給定功能過程中被認為是串行還是并行的程度。 另一方面，由于EEG是對電位的測量（電位描述了在兩個地點之間移動電荷而不加速電荷所需要的功），對于腦電圖（或更廣泛的電生理學）用戶來說，充分理解活動部位和參考部位之間的測量分析和結果解釋是絕對關鍵的。EEG所記錄的神經電活動是在大腦中傳導后的結果，令人擔憂的是，這意味著我們不能假設在頭皮上某一點記錄的信號為其正下方的神經電活動產生的。這種情況在很多方面與地理測量員類似。一方面，他們必須在一個任意定義的尺度的基礎上來測量高度：海平面是一個相對而非絕對的參考。另一方面，只測量最高的山峰并不能提供有關地形的信息。 譜系分解 如果暫時不考慮上述幾點問題，可以將EEG分解為一系列正弦波，用來描述數據的頻譜。這些波在每個時間點上都有其特定的振幅（或在整流信號的情況下的功率）以及相位（正弦波在一個周期中的位置，以0-360度或0到2度的弧度來測量）。頻率通常是預先規定的。例如，許多研究將腦電圖分為δ波（0.2-3.5Hz），θ波（4-7.5Hz），α波（8-13Hz），β波（14-30Hz），γ波（30-90Hz）和（非常）高頻的波（>90Hz）。后來這些頻率劃分被證明是有經驗基礎的。然而，其中一個有缺陷的地方是，雖然有證據表明振蕩活動與自身嵌套，并在不同的頻率上表現出復雜的振幅-相位關系，但頻段被有效地解釋為以1:1的方式直接介導特定的大腦過程。除了可以改變振幅和相位外，振蕩活動還可以加速和減速。 另一個有缺陷的地方是，分解過程的前提是假定EEG是完全的正弦波的混合物，而非正弦波信號以及心律失常電活動也是EEG的固有特征。這些缺陷突顯了我們對產生EEG的生物物理機制的理解是片面和不完整的。雖然存在這些缺陷，但譜系分解仍然是量化和區分兩類大腦活動的有效手段：誘發和誘導。誘發活動對事件（如視覺刺激）既有時間鎖定，又有相位鎖定。誘發活動可以真實地觀察到EED對單一事件的反應，但往往幅度相對較小。 誘發活動可以可靠地觀察到對單一事件的反應，但往往是相對較小的量級。因此，大多數對誘發活動的研究前都進行了信號平均，對相同或相似的事件進行多次試驗，以提高信噪比（畢竟大腦從不沉默）。這個過程產生了事件相關電位（ERP）作為輸出。相比之下，誘導活動對事件既不鎖定相位，也不鎖定時間。 參考點問題及解決方法 在腦電圖的臨床和研究應用中，ERP一直是主要工作手段。和所有技術一樣，EEG/ERPs確實也會出現誤用和誤解的情況。其中的一些問題可以在對腦電圖測量的生物物理學理解的基礎上得到糾正。電位的測量需要一個理想的參考點，但在頭皮或身體上沒有一個完全電中性的地方。因此，當使用不同部位作為參考點時，電壓時間序列的形狀將改變。因此，方差和延伸的統計結果也會隨著參考點的改變而變化。由此導致的結果是顯而易見的，人們在選擇不同的參考點時會得到不同的結果。問題也很明顯，沒有一個客觀的方法來決定哪些結果是真實可靠的，我們不能一味的復制別人可能的錯誤決定。 正是這個問題，人們可能會傾向于放棄使用EEG/ERPs，而選擇不存在這個參考點問題的技術（雖然腦磁圖價格昂貴且使用不便利，但沒有參考點確實是它的一個主要優勢）。一個更具建設性的策略是回到EEG測量的生物物理學和多通道記錄的優勢上來。相反，若著重于頭皮電場的獨立于參考點的整體測量，EEG/ERP可以客觀、定量地反映全部研究范圍內受試者內部和受試者之間與設計有關的核心過程。這些過程包括：結果是否受反應強度（增益）、大腦活躍區域網絡、大腦活動過程的時間或持續時間或以上的任意組合（而且是時間的函數）的影響。更重要的是，這種措施還通過提供的數據集，跨實驗室和采集參數提取相關的特征的方式，解決了當前 '大數據 '的趨勢。 參照點是一個空間概念，而不是時間概念。在EEG/ERPs中，這個概念表現為頭皮上的電場形狀（地形）與參照點無關，就像上面地理學家的例子中所測量的山脈在海平面變化時不會改變形狀的道理一樣。換句話說，雖然參照點會影響給定位置的具體數值（無論是電極中的微伏還是山脈中的海拔），但全球地形的空間梯度（頭皮上測量的EEG/ERPs）上是不會改變的。此外，根據生物物理規律，地形的變化表明大腦網絡發生了變化，通過定量測量地形特征可以分析EEG/ERPs的使用者的大腦網絡是否以及何時發生變化。因此，從邏輯上講，增加空間采樣可以更好地描述EEG/ERP的波形。 EEG/ERP的開拓者們，包括小赫伯特·沃恩、德里克·芬德、迪特里希·萊曼等人，在60年代（也許更早）就已經認識到基于空間特征分析EEG的重要性和價值。這不僅在EEG技術取得突破（圖2），而且也在對腦電圖信號的解釋上取得突破。例如，沃恩和他的同事（包括約瑟夫·阿雷佐、丹尼爾·賈維特和查爾斯·施羅德等人）在長期專注于理解EEG/ERP信號的神經生理學基礎，特別強調對非靈長類動物和人類的比較研究。他們通過對頭皮記錄的數據進行波形和源估計分析，以及對所有皮層的多單位活動同時測量和局部場電位的顱內測量來實現這一目標。同時，萊曼和他的同事（包括丹尼爾·布蘭代斯、托馬斯·科尼格、克里斯托弗·米切爾、沃爾夫岡·斯克蘭迪斯和沃納·斯特里克等人）描述并量化了EEG和ERPs在空間和時間屬性上是有結構的，而不是混亂的。萊曼將這些結構命名為 '功能性微狀態'，并認為它們構成了單體或 '思想的原子'。這一主張已經在臨床和基礎研究的多個領域得到證實。 在20世紀60、70年代，許多人將精力轉向通過使用EEG/ERPs來研究感覺和心理結構的相關性。他們的努力催生了大量典型的ERP反應組件和名副其實的字母湯。W. Grey Walter, Samuel Sutton, EmanuelDonchin, Steven Hillyard, Risto N??t?nen及其同事對該領域的貢獻值得特別認可。從純信號處理的角度來看，ERP組件由兩個特征定義：相對于刺激或事件的潛伏期和它的波形。然而，在給定的頭皮位置（相對于一個預先選擇的參考點）的ERP組件已被定義為其潛伏期和振幅，特別是定義為極性，他們被反過來解釋為以一對一的方式反映給定感覺、知覺或運動的過程，在類似于上述頻譜分解。 “老技術”還在教我們新把戲 EEG的分析潛力和應用范圍還有待充分開發（圖3）。在一段時間里，腦電圖作為一種測量大腦功能的非侵入性技術獨樹一幟。隨著1968年MEG、1975年正電子發射斷層掃描、1985年經顱磁刺激和1990年功能磁共振等技術出現，EEG不再具有壟斷地位。通常的情況下，某些方法會隨著主題趨勢變得更加流行，如功能定位或連接組學。在市場驅動下，各種方法間的競爭往往會導致創新，EEG也不例外。隨著科學界對大腦動力學以及現實世界應用的重新關注，腦電圖正經歷著復興，并重新恢復作為卓越神經科學技術的地位。
圖3.如何處理和分析腦電圖。 這里，我們提出了三個 '流程'，描述了一些腦電圖處理和分析的步驟。圖中的灰色部分在所有分析均存在，通常被稱為 '預處理'。在這個階段信號被采集，每個通道的電位記錄都在參考點的基礎上。然后，信號在頻域中被過濾用來排除可能的非生物噪音。例如，排除信號中是否存由于肌肉活動等引起的偽影，并提取相關數據進行后續處理。在這一點上，對不同的ERPs的epochs進行分組和平均，獲得一組時間序列，再對這些時間序列進行統計學比較，以評估顯著差異。單次試驗分析對epochs的處理方式不同：在按條件對epochs進行分組后，它涉及訓練分類器（基本上是一個能夠從信號本身的一組特征中分辨出產生信號的條件的算法）并對分類器的性能提供一個統計測量。BCI使用與單次試驗分析存在相同的分類方案，但它們不是對分類器的性能進行量化，而是實時向用戶提供反饋。 腦電圖作為一種神經影像學技術 其實，腦電圖既是一種大腦地形圖，也是一種大腦影像工具。顱內部位可以合理地估計為頭皮表面記錄的時間功能函數。這個電磁逆向問題是可以解決的，模擬及經驗結果都表明定位誤差低于1厘米。但是反問題的解決方案既不合適也不獨特，部分原因是大腦及其覆蓋物就像一個體積導體，這意味著表面的任何電極都會在某種程度上檢測到來自大腦遠端的活動。 數學解決方案可以通過結合基于生物物理的約束而得到改進；例如，只有大腦及其灰質產生腦電圖，而腦電圖只記錄歐姆電流。由于MEG既不存在上述的參考點問題，也不存在體積傳導問題，所以有些人聲稱MEG具有更高的空間分辨率。但不應忽視的是，EEG不僅對徑向和切向的偶極場敏感，還能檢測到來自表層和深層的腦電活動。相比之下，MEG只檢測表層來源的切向場。這些方面使得直接比較定位的準確性具有挑戰性。盡管如此，當比較相同數量的傳感器的數據時，EEG的表現優于MEG（雖然這是一個有爭論的話題，但肯定會產生持續的創新）。 計算神經科學 雖然神經科學的許多分支已經在計算模型中受益，提供了對經典電生理學以外可以觀察到的神經活動的解釋，但在最近幾年，計算模型才顯現出其在EEG方面的潛力。就像實驗心理學中的虛擬現實一樣，計算模型允許實驗者模擬現實世界中很難測試和觀察的情況。神經科學中的第一個計算模型旨在根據不同類型的神經元來描述其不同的放電活動。模擬神經元并在單細胞水平上精確的復制其神經活動，提供了與顱內記錄兼容的有生物學意義的信息。此外，計算模型被用來描述神經元網絡，從而能夠識別整個神經元群體的信號，而不是單個神經元。 與這些方法相比，計算模型其他分支的處理是對行為或感知機制的描述，是對現象進行宏觀和定性的分析。這些模型在研究不同領域間的關系已經單一現象或實驗任務的因果關系上非常有幫助。計算模型中最先進的方法描述了群動力學是如何決定EEG記錄的電活動的特征。尤其，這些方法解決了網絡修理如何解釋EEG信號的變化的問題。使用大腦的定性模型，嵌入行為和感知的特征，加上人口網絡動力學，代表了腦電圖和神經科學中最具創新和最有前景的發展。大腦解碼和現實世界的神經科學 人們對了解群體和個人層面上的數據可變性的興趣與日俱增，這同時也是單次試驗分析發展的主要驅動力，進而提供了大腦活動與行為間更直接的聯系。在引入這些技術之前，ERPs是通過信號平均的方式從“嘈雜”的EEG背景中提取出來的，因此需要在相同的條件下多次重復刺激。在實踐中，要在整個實驗過程中將參與者和他們的環境保持在穩定的條件下，以便在所感興趣的條件進行足夠數量的試驗，但這往往是不可行的。正因如此，認為參與者的狀態在整個實驗中保持不變的想法是不合理的。例如，前刺激狀態對刺激處理和感知是公認有貢獻的。 機器學習技術在處理生物物理信號的時侯出現的，使實驗者和臨床醫生能夠確定在每項試驗中可引起或產生了哪些可能的反應。在無監督的方法中，分類器是從觀察到的特征中產生的。在有監督的方法中，分類器是在獨立的數據集（或其一部分）上預先訓練的。然后使用判別函數對未知的“測試”數據集進行分類。因此，機器學習的一個關鍵點特征是“興趣”。這些特征可以根據分類器的性能或其神經生物學意義來確定，盡管這兩個極端并不需要相互排斥。大腦-計算機接口（BCI）可能最能說明這一點，BCI是指那些經過訓練后可以識別與特定任務相關的大腦信號并解碼用戶實時精神狀態的系統。 BCI技術最初的設計目的是給嚴重受損的患者提供一個可以通信和控制外界的渠道，以通過思維來遠程控制機器人、拼寫器和輪椅。最近，用于腦卒中康復的腦觸發療法已經在臨床研究中得到測試。這些調查一致表明，EEG運動節律的調節在恢復過程中起著重要作用，即使腦卒中已發生多年，運動功能仍能得到持久恢復。解碼實時的精神狀態并及時地修改反饋給受試者為神經科學帶來了前所未有的機遇。擺脫基于試驗研究的可能性使對 '日常生活的神經科學 '的追求比以往任何時候都更加現實。 結論和展望 在過去的一個世紀里，腦電圖已經取得了長足的進步。盡管已經取得了這些顯著的成就，但目前仍至少有兩個主要問題較為緊迫。首先，神經生理學在宏觀、中觀和微觀層面的復雜性意味著對腦電圖的生成和功能意義的理解仍處于起步階段，仍然是一個研究活躍和充滿爭論的領域。第二，該領域的現狀界定不明確。腦電圖的分析缺乏規范的處理步驟。雖然其他神經影像技術已經確立了以證據為基礎的工作流程，但臨床和社區研究的問題上幾乎沒有共識。這對大數據計劃來說EEG的任何貢獻都是至關重要的。當涉及到像人類EEG這樣的橫向和平移技術時，使用一套統一的分析方法將極大地促進標準化并將研究結果轉向臨床。盡管存在這些問題，EEG（以及更廣泛的電生理學）仍然是一種非常強大的神經科工具，不僅可以廣泛用于人類，還可以用于從實驗室到現實世界的各種物種和情況。 文獻來源 題目：PrimerElectro-encephalography 作者：Andrea Biasiucci，Benedetta Franceschiello， Micah M. Murray 出版刊物：Curr Biol. 2019 Feb 4;29(3):R80-R85.doi: 10.1016/j.cub.2018.11.052. PMID: 30721678. 影響因子：10.834 |
|
|
