[论文解读] Electroencephalography source connectivity: toward high time/space resolution brain networks

Mahmoud Hassan, Fabrice Wendling|arXiv (Cornell University)|Jan 8, 2018

Functional Brain Connectivity Studies参考文献 27被引用 14

一句话总结

本教程综述提出将脑电图源连通性作为构建动态脑网络的高时间分辨率与高空间分辨率方法，利用先进的信号处理技术从头皮脑电图重建皮层源活动并估计功能连通性。该方法在健康与病理脑状态中均展现出潜力，强调其在非侵入性、高时间分辨率和改善空间定位之间的独特平衡。

ABSTRACT

The human brain is a large-scale network which function depends on dynamic interactions between spatially-distributed regions. In the rapidly-evolving field of network neuroscience, two yet unresolved challenges are potential breakthroughs. First, functional brain networks should be estimated from noninvasive and easy to use neuroimaging techniques. Second, the time/space resolution of these techniques should be high enough to assess the dynamics of identified networks. Emerging evidence suggests that Electroencephalography (EEG) source connectivity method may offer solutions to both issues provided that scalp EEG signals are appropriately processed. Therefore, the performance of EEG source connectivity method strongly depends on signal processing (SP) that involves various methods such as preprocessing techniques, inverse solutions, statistical couplings between signals and network science. The main objective of this tutorial-like review is to provide an overview on EEG source connectivity. We describe the major contributions that the SP community brought to this research field. We emphasize the methodological issues that need to be carefully addressed to obtain relevant results and we stress the current limitations that need further investigation. We also report results obtained in concrete applications, in both normal and pathological brain states. Future directions in term of signal processing methods and applications are eventually provided

研究动机与目标

• 为解决网络神经科学中对非侵入性、高分辨率脑网络估计的需求。
• 通过逆解法重建皮层源活动，提升脑电图的空间分辨率。
• 利用脑电图实现高时间分辨率下对功能连通性的动态追踪。
• 识别并解决脑电图源连通性中的方法论挑战，以确保结果的可靠性。
• 通过具体应用展示该方法在正常与病理脑状态中的实用性。

提出的方法

• 应用预处理技术以减少头皮脑电图信号中的噪声与伪迹。
• 使用逆解法（例如最小范数估计、LORETA）从头皮脑电图记录中定位神经源。
• 采用统计耦合度量（例如相干性、相位滞后指数、加权相位滞后指数）量化重建源之间的功能连通性。
• 结合网络科学原理，从连通性矩阵中建模与分析大规模脑网络。
• 通过与已知神经生理机制及临床数据对比来验证结果。
• 将该框架应用于健康与癫痫脑状态的真实脑电图数据集，以评估性能与可靠性。

实验结果

研究问题

• RQ1 脑电图源连通性如何在绘制功能脑网络时实现高时空分辨率？
• RQ2 哪些信号处理技术对于从头皮脑电图中实现可靠源重建与连通性估计至关重要？
• RQ3 预处理、逆解法与连通性度量中的方法选择如何影响脑网络推断的有效性？
• RQ4 脑电图源连通性在捕捉动态脑网络活动方面，相较于标准头皮脑电图或其他神经影像方法有何优势？
• RQ5 在临床与认知神经科学中应用脑电图源连通性时，当前的局限性与开放性挑战是什么？

主要发现

• 脑电图源连通性使功能脑网络的估计具备毫秒级时间分辨率，并在空间定位上优于标准头皮脑电图。
• 该方法在健康认知任务及癫痫等病理状态中均成功重建了动态脑网络活动。
• 结果的稳健性在很大程度上取决于适当的预处理、精确的逆解法以及合适的连通性度量，其中基于相位的度量（如PLI）表现尤为出色。
• 将网络科学与脑电图源连通性相结合，可表征大规模脑网络拓扑结构及其在疾病中的改变。
• 尽管前景广阔，但方法论不一致性和对参数选择的敏感性仍是关键挑战，需进一步研究。
• 该框架已在实际应用中得到验证，展示了其在临床与认知神经科学研究中的可行性与相关性。