【导读】在探索大脑源活动的精确测量中，电和磁脑电图（E/MEG）的源成像技术面临着巨大的挑战。由于容积传导效应，EEG信号的空间分辨率有限，这使得从脑区提取活动信息变得困难。最近，浙江大学孙煜教授团队在IEEE Transactions on Medical Imaging上提出了一种名为STARTS的时空约束E/MEG源成像框架，通过采用块对角协方差方法来重建源的范围，同时确保了源活动的空间局部同质性。该研究成果有望对E/MEG源成像技术、以及医学成像领域的发展有所裨益。
脑电图（EEG）能够以毫秒级别的时间分辨率记录大脑电活动信号，是极具广泛应用潜力的脑活动记录技术之一。然而由于容积传导（volume conduction）效应，EEG信号的空间分辨率低下，难以有效提取脑区的活动信息。为了解决这个问题，脑电源成像（EEG Source Imaging，ESI）技术尝试从EEG信号中求解得到高时空分辨率的源活动，为深入了解感兴趣的神经活动发生的脑区位置和时间震荡模式提供重要帮助。
为了从EEG信号中获得准确的源活动空间位置，相关脑区大小以及源活动时间序列，浙江大学孙煜教授团队开发了一种基于区域稀疏的时空自适应源成像算法STARTS。该算法通过贝叶斯分析，从EEG数据中自适应学习得到源活动时空特征（图1）：
在源活动空间建模上，STARTS将每个潜在源及其相邻节点构建为区域稀疏的基本模块，这些模块可以通过组合的方式构建出任意形状的源活动脑区大小。STARTS根据稀疏贝叶斯框架从EEG数据中自动学习确定信号相关的区域稀疏基本模块，组合得到源活动的空间信息。此外，STARTS也对噪声信号的空间协方差进行建模，提高算法的鲁棒性。
在源活动时间建模上，STARTS通过时间基函数（TBF）构建源活动的时间序列信息。同样，STARTS根据贝叶斯学习迭代更新TBF，得到感兴趣的时间震荡模式并且可以提高源活动的定位准确率。此外，STARTS对噪声时间序列进行建模，可以从EEG中学习得到噪声信号的时间序列并排除，提高算法的鲁棒性。
图1 STARTS算法流程示意图
为了评估算法在真实数据中的表现，研究人员在Brainstorm癫痫公开数据集（https://neuroimage.usc.edu/brainstorm/Tutorials/Epilepsy）上验证了STARTS对癫痫样放电活动的定位表现（图2）。癫痫间期的放电样波形经过叠加平均后得到显著的癫痫Spike波形，采用STARTS进行源成像分析后找到两个源，其中位于左侧前额叶的源活动为癫痫spike活动，该结果与此数据集的临床手术切除病灶位置一致。这一结果表明STARTS在癫痫定位等临床应用中有潜在价值。
图2 STARTS算法公开癫痫数据评估
此外，研究者进一步评估了STARTS在静息态EEG数据上的源定位表现。采集了受试者从睁眼静息转变为闭眼静息状态的脑电信号进行STARTS源成像分析（图3）。当受试者从睁眼转为闭眼状态时，脑电信号中的α波段活动有显著增强（图2a）。通过对脑电信号进行独立成分分析（ICA），研究人员提取出α波段神经活动相关的独立成分的空间拓扑特征以及时间序列，用于源成像结果的定性评估（图3b）。经过对比分析，STARTS算法得到的α波段神经活动源成像脑区位置与时间序列与ICA的结果高度一致，证明该算法在真实数据中具有良好的应用潜力（图3c）。
图3 STARTS算法静息态EEG数据评估。a）受试者从睁眼静息转变为闭眼静息状态（红色虚线为闭眼指令）的EEG信号，当被试进入闭眼状态时α波段神经活动显著增强；b）ICA分析提取出α波段神经活动相关的成分空间拓扑图与时间序列；c）STARTS源成像定位的α波段神经活动相关脑区与时间序列。
本研究提出了一种新的源成像，可以从数据中自适应学习重建源活动的时间和空间特征。该方法在癫痫叠加平均放电信号以及静息态脑电信号中的源成像结果均具有高度生理可解释性，在神经科学的探索中具有广泛的实际应用潜力。
原文来源
Zhao Feng, Cuntai Guan, Ruifeng Zheng, Yu Sun*, STARTS: A self-adapted spatio-temporal framework for automatic E/MEG source imaging, IEEE Transactions on Medical Imaging, 2024, early access. DOI: 10.1109/TMI.2024.3483292.
审核排版 潘家辉
【免责声明】本公众号发布的内容仅供学习交流使用，内容版权归原作者所有。如有侵犯您的权益，请及时与我们联系，我们将于第一时间删除内容。内容为作者个人观点，不代表本公众号立场和对其真实性负责。
