ENG

勇于冒险 甘于艰苦 乐于和谐

Adventurous Arduous Amiable

西南大学心理学院雷旭教授受邀开展线上讲座

科研新闻 | 2020-05-10

返回上一级

       受南方科技大学生物医学工程系刘泉影助理教授邀请,来自西南大学心理学院的雷旭教授(www.leixulab.net)于腾讯会议平台在线讲解了静息态研究中EEG(electroencephalogram,脑电图)和fMRI(functional magnetic resonance imaging,功能磁共振成像)各自的特点,并提出了能够结合两者优势的静息态研究方向。

一、研究背景

图1 睁闭眼影响EEG频谱能量的重测性

       雷教授首先介绍了静息态的定义,以及EEG和fMRI这两种记录静息态神经活动的技术的时空分辨率互补性。紧接着,基于静息态研究中的被试应睁眼还是闭眼的讨论,雷教授进一步讨论了EEG和fMRI在静息态神经信号上的重测性差异。较早的基于fMRI的研究认为睁眼状态下的被试其功能连接网络能被更好地测量。而雷教授团队发现,在多次静息态测量中,被试的EEG信号特征,即频谱能量特征和功能连接指标,在闭眼状态下有更好的重测性(图1)。另外,相比于将其投射到大脑皮层水平上,EEG信号的特征在电极水平的重测性更高(图2)。

图2 影响静息态EEG重测性的因素

二、时间:全脑信号

图3 fMRI与EEG全脑信号

       在四个主题中,雷老师首先了在时间方面的一个新颖的指标-全脑信号。全脑信号是由fMRI信号在全脑中简单的叠加平均,并发现全脑计算的全脑信号与仅靠灰质计算的全脑信号高度相关。在最近5-10年,学术界逐渐开始关注全脑信号的意义,并发现的全脑信号具有一些重要的生理意义。雷老师借此联想到EEG全脑信号是否也存在类似的意义。

图4 参考电极标准化技术

       但在实际操作中EEG的全脑信号是无法得到的!无论是使用FCz参考电极(信号受参考电极影响)或是进行平均参考(加总后等于0),都无法得到有意义的全脑信号。为了解决这个问题,雷老师使用的参考电极标准化技术(Yao 2001 IEEE BME),尝试将信号反演到源,再通过无穷远参考计算到头表。通过这种方法可以得到反映全脑电活动的EEG全脑信号(即尧信号)。EEG尧信号主要来自灰质中的锥体细胞,覆盖范围主要是全脑的上半部,相比fMRI全脑信号的覆盖范围有一些局限。通过EEG-fMRI同步采集得到信号进行对比,处理后的EEG尧信号(主要是gamma频段)和fMRI全脑信号具有高度的相关性。同时,雷老师还探索了EEG尧信号在生理心理中独特的意义,并发现该信号可以很好地解释被试的困倦度和警觉度。

三、空间:大尺度脑网络

图5 脑网络与大脑节律

       在空间方面,雷老师介绍了大尺度脑网络方面的重要工作(Smith et al 2009 PNAS),该工作通过元分析的方法验证了静息态的脑网络与来自之前研究的各种任务综合得到的一些脑网络具有高度的一致性,表明大脑在静息态状态下很有可能是在重现或预演其他任务。在另一项研究里(Mantini et al 2007 PNAS),研究者通过同步采集的EEG-fMRI研究了脑网络与大脑节律的关系,发现脑网络和特定节律的对应关系并不明显,往往同时与多个节律具有相关性。接下来雷老师介绍了NCClab刘泉影老师在2017年的工作,该研究使用了高密度脑电采集信号,相比EEG-fMRI同步采集具有更高的信噪比。这项研究非常清晰的展示了不同脑网络与特定节律之间的关系,通过上图可以看到,对于大部分脑网络与节律都只有较为宽泛的对应关系。在MEG的研究(Pasquale 2012 Neuron)中也发现的类似的现象。

图6 静息态皮层节律成像软件

       雷老师团队提出了将来自fMRI的功能网络作为空间先验信息引入到EEG源成像中的网络源成像(NESOI)方法。并且进一步将8种fMRI先验得到的大尺度脑网络作为静息态脑电的空间先验,开发了静息态皮层节律成像软件(正在开发2.0),该软件可以完成头表的节律分析,皮层的节律分析以及大尺度脑网络的分析。无论是头表的节律分析还是皮层的节律分析都可以一键完成,脑电预处理的功能也即将加入。还可以在脑网络层面分析具体每个节律的能量,以及不同网络之间的节律的功能连接。

四、频率:无标度性

图7 生物界的无标度性

图8 EEG与fMRI无标度性的相关

图9 EEG的节律成分与非节律成分

       雷教授接下来介绍了神经信号在频域上的“无标度性“特征与功能的关系。“无标度性“即信号功率正相关与频率的倒数的特点(图7)。而该正相关的系数可以反映不同个体、功能或脑区的特征。例如,无标度性特征可以预测区分内向与外向的人格特质。另一方面,在对比EEG和fMRI各自的无标度性时,其相关性在睡眠状态下的更高(图8)。基于这些发现,雷教授提出了EEG的节律成分与大尺度网络相关,而非节律成分反映全脑的整体特性的假设(图9)。

五、意义:静息态自发思维

图10 自发思维与EEG和fMRI

图11 EEG与fMRI对自发思维的敏感度

       雷教授接下来讲解了如何通过结合EEG和fMRI找到静息态自发思维的神经指标。自发思维指例如意识中断、回忆过去和想象未来等在静息态下发生的思维过程。在10秒到1分钟的时间尺度上,fMRI可以用于发现思维过程与大尺度闹网络激活的关系;而EEG信号可以被切割为长度为100毫秒从而将其电极水平特征对应到不同的“微状态”(图10)。雷教授团队收集了70余个被试的EEG数据,1100余个被试的fMRI数据,并发现EEG和fMRI对不同的自发思维过程有不同的敏感度(图11)。例如EEG对睡眠过程敏感度更高,而fMRI可能对特定脑区相关的功能的敏感性更高。

 

扫码观看讲座视频

 

参考文献:

Allen, Elena A., Damaraju, Eswar,Plis, Sergey M., Erhardt, Erik B., Eichele, Tom, & Calhoun, Vince D.(2012). Tracking Whole-Brain Connectivity Dynamics in the Resting State. Cerebral Cortex, 24(3), 663-676.doi:10.1093/cercor/bhs352

Anderson, Alana J., & Perone, Sammy.(2018). Developmental change in the resting state electroencephalogram:Insights into cognition and the brain. Brainand Cognition, 126, 40-52. doi:https://doi.org/10.1016/j.bandc.2018.08.001

Andrews-Hanna, Jessica R., Reidler, Jay S.,Huang, Christine, & Buckner, Randy L. (2010). Evidence for the DefaultNetwork's Role in Spontaneous Cognition. Journalof Neurophysiology, 104(1), 322-335. doi:10.1152/jn.00830.2009

Britz, Juliane, Van De Ville, Dimitri,& Michel, Christoph M. (2010). BOLD correlates of EEG topography revealrapid resting-state network dynamics. NeuroImage,52(4), 1162-1170. doi:https://doi.org/10.1016/j.neuroimage.2010.02.052

Chang, Catie, Liu, Zhongming, Chen, MichaelC., Liu, Xiao, & Duyn, Jeff H. (2013). EEG correlates of time-varying BOLDfunctional connectivity. NeuroImage, 72,227-236. doi:https://doi.org/10.1016/j.neuroimage.2013.01.049

de Pasquale, Francesco,Della Penna, Stefania, Snyder, Abraham Z, Marzetti, Laura, Pizzella,Vittorio, Romani, Gian Luca, & Corbetta, Maurizio. (2012). A CorticalCore for Dynamic Integration of Functional Networks in the Resting Human Brain.Neuron, 74(4), 753-764. doi:https://doi.org/10.1016/j.neuron.2012.03.031

Diaz, B. Alexander, Van Der Sluis, Sophie,Moens, Sarah, Benjamins, Jeroen, Migliorati, Filippo, Stoffers, Diederick, . .. Linkenkaer-Hansen, Klaus. (2013). The Amsterdam Resting-State Questionnairereveals multiple phenotypes of resting-state cognition. Frontiers in Human Neuroscience, 7(446).doi:10.3389/fnhum.2013.00446

He, Biyu J., Zempel, John M., Snyder,Abraham Z., & Raichle, Marcus E. (2010). The Temporal Structures andFunctional Significance of Scale-free Brain Activity. Neuron, 66(3), 353-369. doi:https://doi.org/10.1016/j.neuron.2010.04.020

He, Yong, Wang, Jinhui, Wang, Liang, Chen,Zhang J., Yan, Chaogan, Yang, Hong, . . . Evans, Alan C. (2009). Uncoveringintrinsic modular organization of spontaneous brain activity in humans. PloS one, 4(4), e5226-e5226.doi:10.1371/journal.pone.0005226

Huang, Xiaoli, Long, Zhiliang, & Lei,Xu. (2019). Electrophysiological signatures of the resting-state fMRI globalsignal: A simultaneous EEG-fMRI study. Journalof Neuroscience Methods, 311, 351-359. doi:https://doi.org/10.1016/j.jneumeth.2018.09.017

Killingsworth, Matthew A., & Gilbert,Daniel T. (2010). A Wandering Mind Is an Unhappy Mind. Science, 330(6006), 932. doi:10.1126/science.1192439

Lehmann, D, Pascual-Marqui, RD, &Michel, C. (2009). EEG microstates. Scholarpedia,4, 7632. Lei, Xu, Wang, Yulin, Yuan, Hong, &Chen, Antao. (2015). Brain Scale-free Properties in Awake Rest and NREM Sleep:A Simultaneous EEG/fMRI Study. BrainTopography, 28(2), 292-304. doi:10.1007/s10548-014-0399-x

Lei, Xu, Wu, Taoyu, & Valdes-Sosa,Pedro. (2015). Incorporating priors for EEG source imaging and connectivityanalysis. Frontiers in Neuroscience, 9(284).doi:10.3389/fnins.2015.00284

Lei, Xu, Xu, Peng, Luo, Cheng, Zhao,Jinping, Zhou, Dong, & Yao, Dezhong. (2011). fMRI functional networks forEEG source imaging. Human Brain Mapping,32(7), 1141-1160. doi:10.1002/hbm.21098

Lei, Xu, Zhao, Zhiying, & Chen, Hong.(2013). Extraversion is encoded by scale-free dynamics of default mode network.NeuroImage, 74, 52-57. doi:https://doi.org/10.1016/j.neuroimage.2013.02.020

Liu, Quanying, Farahibozorg, Seyedehrezvan,Porcaro, Camillo, Wenderoth, Nicole, & Mantini, Dante. (2017). Detectinglarge-scale networks in the human brain using high-densityelectroencephalography. Human BrainMapping, 38(9), 4631-4643. doi:10.1002/hbm.23688

Mantini, D., Perrucci, M. G., Del Gratta,C., Romani, G. L., & Corbetta, M. (2007). Electrophysiological signaturesof resting state networks in the human brain. Proceedings of the National Academy of Sciences, 104(32), 13170.doi:10.1073/pnas.0700668104

Smith, Stephen M., Fox, Peter T., Miller,Karla L., Glahn, David C., Fox, P. Mickle, Mackay, Clare E., . . . Beckmann,Christian F. (2009). Correspondence of the brain's functionalarchitecture during activation and rest. Proceedingsof the National Academy of Sciences, 106(31), 13040.doi:10.1073/pnas.0905267106

Thomas Yeo, B. T., Krienen, Fenna M.,Sepulcre, Jorge, Sabuncu, Mert R., Lashkari, Danial, Hollinshead, Marisa, . . .Buckner, Randy L. (2011). The organization of the human cerebral cortexestimated by intrinsic functional connectivity. Journal of Neurophysiology, 106(3), 1125-1165.doi:10.1152/jn.00338.2011

Van Dijk, Koene R. A., Hedden, Trey,Venkataraman, Archana, Evans, Karleyton C., Lazar, Sara W., & Buckner,Randy L. (2009). Intrinsic Functional Connectivity As a Tool For HumanConnectomics: Theory, Properties, and Optimization. Journal of Neurophysiology, 103(1), 297-321.doi:10.1152/jn.00783.2009

Wen, Haiguang, & Liu, Zhongming.(2016). Broadband Electrophysiological Dynamics Contribute to GlobalResting-State fMRI Signal. The Journal of Neuroscience, 36(22), 6030. doi:10.1523/JNEUROSCI.0187-16.2016

Yao, Dezhong, & He, Bin. (2001). A Self-Coherence Enhancement Algorithm and its Application to EnhancingThree-Dimensional Source Estimation from EEGs. Annals of Biomedical Engineering, 29(11), 1019-1027.doi:10.1114/1.1415526

 

 

本文作者:NCC lab 王正旸、魏晨

联系我们

广东省深圳市南山区
学苑大道1088号

bme@sustech.edu.cn

关注微信公众号