方法文章

使用经颅磁刺激导航系统对传感器位置进行高精度数字化以提高源定位准确性

DOI：

10.3791/69508

⸱

2026年1月23日

 ,  ,  ,  , 
1Center for Bio- and Medical Technologies, Skolkovo Institute of Science and Technology, 2Center for Neurocognitive Research (MEG Center), Moscow State University of Psychology and Education, 3Faculty of Biology, Shenzhen MSU-BIT University, 4Faculty of Mechanics and Mathematics, Lomonosov Moscow State University, 5Sechenov Institute of Evolutionary Physiology and Biochemistry of the Russian Academy of Sciences, 6Department of Human and Animal Physiology, Faculty of Biology, Lomonosov Moscow State University

本文内容

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

我们提出了一种使用导航脑刺激（NBS）系统的仪器对高密度脑电图（EEG）传感器位置进行数字化的可重复方法。该方法无需任何附加软件扩展，仅使用标准的NBS工具即可完成。结合MNE-Python分析流程，该方法可在无需额外硬件的情况下提高源定位的准确性。

摘要

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

源定位是一种基于头皮记录信号来估计大脑活动源的技术。准确的源定位在很大程度上依赖于传感器位置的精确空间数字化。在本方案中，我们介绍一种利用导航脑刺激（Navigated Brain Stimulation, NBS）系统对传感器位置进行数字化的实用且可靠的方法。NBS是经颅磁刺激（Transcranial Magnetic Stimulation, TMS）设备的一个组成部分，常见于TMS实验室，但很少被用于脑电图（electroencephalography, EEG）或功能性近红外光谱（functional near-infrared spectroscopy, fNIRS）系统的传感器数字化。该方法使研究人员能够利用现有设备显著提高源建模的空间准确性，而无需额外购置专用的数字化设备。

我们引导观众完成整个工作流程：（1）使用 Nexstim NBS 系统的默认工具对 EEG 电极位置进行数字化；（2）以兼容格式导出坐标数据；（3）利用 MNE-Python 软件包将这些数据整合到 EEG 预处理和源定位分析流程中。本方案还包括将数字化数据与 MRI 图像对齐以及优化共配准精度的实用技巧。为展示该方法的实际应用价值，我们将其应用于一项触觉刺激实验的数据分析中。

提供了用于坐标处理和共配准的自定义 Python 脚本，以确保可重复性和易于采用。结果表明，与默认电极布局相比，引入数字化电极位置显著提高了皮层源估计的解剖学准确性和可解释性。

引言

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

脑电图（EEG）可测量头皮表面的脑电活动，但原始记录信号混合了来自大脑多个区域及非脑源的信号。源定位是指通过计算方法估计所测得的EEG信号在大脑中的起源位置，从而有效 "绘图" 头皮电压回溯至皮层区域1这些方法使研究人员能够将脑电图（EEG）的振荡活动或事件相关响应与特定脑区关联起来，从而显著提升EEG的可解释性。实现精确的源定位在很大程度上依赖于准确掌握每个电极相对于头部解剖结构在头表的具体位置。因此，必须对电极位置进行数字化，以记录其在头部的精确三维坐标。随后，这些坐标将与受试者基于MRI构建的头部模型进行共配准（即对齐），用于求解EEG的正问题（预测头皮电压）和逆问题（估计脑内源位置）。精确的电极定位至关重要：即使微小的数字化误差，也可能导致脑内估计源位置偏移数厘米甚至更大。

现代脑电图源成像是一种整合解剖与功能信息的多步骤过程。该过程首先进行电极数字化，记录每个脑电图传感器在头皮上的精确三维坐标。接下来进行解剖成像，通常通过获取被试者的结构磁共振成像（MRI）实现；若无法获取个体MRI，则可使用标准头部模型2。随后，将数字化的电极位置与MRI头部几何结构进行共配准，使其与个体解剖结构对齐。由此可生成一个变换矩阵，将电极位置从头部空间映射到MRI空间。接着，使用如Freesurfer等MRI分割工具3将结构MRI分割为不同组织（头皮、颅骨、大脑），以构建逼真的容积导体模型。基于该模型计算正向模型，结合电极位置、头部几何结构及组织导电性，预测任意假设皮层源在头皮上产生的电位分布4。最后，采用分布式源成像或偶极子拟合等方法估计逆解，以推断最能解释实测脑电数据的皮层电流分布5。每一步均至关重要：头部模型确保了解剖上合理的导电性，正向解将源与头皮电位关联，逆解则将记录的信号反投影回皮层。相反，电极数字化、共配准或MRI分割中的误差可能在整个流程中传播，导致源定位估计不准确。

目前有多种数字化方法可供选择，包括超声、电磁系统6、结构光或红外3D扫描7、摄影测量法8，以及使用或不使用探针的运动捕捉技术9。尽管这些技术在硬件和操作流程上有所不同，但在电极定位方面的准确性总体上具有可比性。近期对这些方法的比较研究表明，所有方法均能达到足以实现可靠源估计的电极定位精度。例如，所有测试方法在布罗德曼分区识别上的平均准确率均超过80%，而仅依赖模板电极位置时，准确率则下降至约50%10。这表明，尽管实施方式不同，现代数字化技术在可靠性方面表现相当，与使用通用模板相比，显著降低了源定位的不确定性，从而能够更可靠地绘制皮层活动图谱。

对于配备经颅磁刺激（TMS）系统的实验室而言，一种具有吸引力的替代方案是将导航脑刺激（NBS）11 硬件用于电极数字化。NBS 也称为神经导航，通常结合光学追踪器和 TMS 线圈，用以将受试者的头部与其 MRI 图像进行配准，并刺激特定皮层靶点。光学追踪器（例如 Polaris Vicra）由一个红外追踪相机以及放置在头部追踪器、导航探针和 TMS 线圈上的红外反射标记组成。在数字化过程中，实验人员首先将头部追踪器固定在受试者头部，然后用导航探针依次触碰每个 EEG 电极，系统将记录其三维位置，这些数据随后可导出并用于源定位分析，例如使用 MNE-Python12。该工作流程与其他数字化设备类似，但利用了实验室已有的设备：如果实验室已拥有导航式 TMS 系统（例如 Nexstim eXimia NBS 或类似设备），则无需另行购买专用的数字化仪。

该方法的优势包括整合性和精确性。相同的坐标空间可同时用于经颅磁刺激（TMS）靶点定位和脑电图（EEG）源建模。对于进行同步或顺序TMS-EEG实验的实验室，该方法简化了实验设置：电极数字化仅仅是TMS神经导航过程的一部分。对于主要不使用EEG源定位方法但已具备TMS神经导航条件的实验室，该方法提供了一种简便的方式来提高源估计的精确度。

最后需要注意的是，这种导航式数字化概念同样适用于其他头皮传感器阵列。例如，通过使用跟踪指针依次触碰每个光学探头，类似的方法也可用于定位功能性近红外光谱（fNIRS）的光学探头13或其他传感器。在所有情况下，其优势在于头皮传感器与受试者磁共振成像（MRI）之间实现了统一的坐标系，从而提高了后续任何源定位建模（无论是脑电图EEG还是fNIRS）的解剖学准确性。

多篇文献明确报道了使用NBS系统进行电极数字化的方法14,15,16,17,18。相比之下，一些同时采用经颅磁刺激（NBS）和脑电图（EEG）或功能性近红外光谱成像（fNIRS）的研究并未描述任何数字化流程19,20,21,22,23。这一遗漏表明，NBS系统在电极或光极数字化方面的现有功能可能未被充分利用，这可能影响传感器定位的准确性，进而影响所报告结果的可靠性。我们认为，许多研究人员可能并未意识到NBS系统也可用作共定位工具，因为制造商并未始终强调此功能。最后，我们指出，无论是否使用经颅磁刺激（TMS），NBS均可应用于任何涉及头戴式电极或光极的研究中的传感器数字化。

访问受限。请登录或开始试用以查看此内容。

方案

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

所有涉及人类参与者的实验程序均按照机构指南进行，并经相关伦理委员会批准。参与者在实验开始前均签署了知情同意书。

1. 准备受试者和设备

注意：本方案使用了 Nexstim NBS 系统。

  1. 启动并校准 NBS 系统
    1. 打开 NBS 主机和光学追踪摄像头。确认系统成功完成自校准；若软件提示任何错误，需重复校准过程。
  2. 将受试者的 MRI 导入 NBS 系统。
    1. 在 NBS 软件界面中选择受试者档案，并加载 DICOM 格式或 Nexstim 兼容格式的结构 MRI 文件。
    2. 若记录时无法获取受试者的 MRI，可使用 NBS 系统提供的标准平均头模 MRI。
  3. 准备 EEG 帽。
    1. 根据制造商说明，确保高密度 EEG 帽正确佩戴在受试者头部。使用标准解剖标志点（鼻根点和前耳点）验证电极排列位置。
      NOTE: 保持电极位置的一致性，以尽量减少多次实验间的空间误差。
  4. 将光学头部追踪器固定在受试者头部。
    1. 将头部追踪器牢固地固定在 EEG 帽上或直接固定在受试者头部，注意不得遮挡电极。
    2. 确保摄像头能够检测到追踪器，并在头部移动过程中保持稳定的视野。可使用双面胶带将追踪器牢固地贴于前额。
      ​NOTE: 在整个数字化过程中保持头部追踪器位置不变，以避免追踪误差。

2. 在 NBS 中对受试者头部进行注册

  1. 在 NBS 软件中执行注册。
    1. 启动注册程序，并在软件中定义 MRI 标志点：鼻根点、左耳前点和右耳前点。
    2. 使用导航指针在受试者头部上标示并数字化这些标志点。
      注意：NBS 系统在注册完成前不允许进行数字化。注册可确保数字化点在软件中的正确显示，但不会改变所记录坐标值的绝对数值。

3. 数字化

  1. 采集标记点。
    1. 开始采集。使用导航指针记录三个标记点：鼻根点、左耳前点和右耳前点。在继续操作前，确认软件已准确捕获每个点。
    2. 完成后，停止采集，并右键单击 Digitization Exam 以文本格式导出坐标。将文件保存为 {subject}_fid.nbe。
  2. 采集头部形状点（HSP）。
    1. 开始采集。在头皮表面均匀采集至少 50–100 个点，尽可能避开毛发密集区域。将鼻梁和眉弓上的点作为额外的解剖学标志点一并采集。
    2. 采集完所有点后，停止采集，并右键单击 Digitization Exam 以文本格式导出坐标。将文件保存为 {subject}_hsp.nbe。
  3. 采集电极位置。
    1. 开始采集。将导航指针接触每个电极的中心，确保稳定接触以准确记录坐标。
    2. 每次采集应遵循一致的顺序，按从前到后、从左到右的轮廓路径系统性地采集电极，避免遗漏任何电极。
    3. 所有电极采集完毕后，停止采集，并右键单击 Digitization Exam 以文本格式导出坐标。将文件保存为 {subject}_ele.nbe。

4. 在 FreeSurfer 中进行 MRI 预处理

  1. 运行 recon-all 进行表面重建。
    1. 执行 FreeSurfer 处理流程，以生成皮层表面、头皮表面和脑部分割结果。
  2. 验证重建质量。
    1. 检查软脑膜、白质和膨胀后的表面。在继续后续步骤前，修正任何主要的分割错误，例如使用 Blender 3D 计算机图形软件进行修正。

5. 与 MNE-python 流程的整合

  1. 使用数字化坐标创建自定义蒙太奇。
    1. 为了将记录的电极位置、标志点和头部形状点整合到 MNE-Python 分析流程中，首先使用记录的坐标创建一个自定义蒙太奇（补充文件 1）。.nbe 文件示例和代码片段可在 GitHub 仓库中获取（github.com/MarkaMorozova/NexstimNBS-SensorDigitization）。
  2. 在 MNE 中执行配准。
    1. 使用 MNE 配准图形界面 mne.gui.coregistration，将保存在 {subject}-info.fif 中的数字化头部形状点与受试者的 MRI 衍生头部表面进行对齐。拟合标志点，并调整平移、旋转和缩放参数，直到标志点和头部形状点与 MRI 模型高度匹配。
  3. 保存创建的自定义蒙太奇和变换文件。
    1. 将自定义蒙太奇保存为 {subject}-info.fif 文件，以便后续重复使用。同时，保存在配准过程中获得的变换矩阵文件 {subject}-trans.fif，该文件在正向建模中必需。

6. 进行源定位

  1. 利用先前创建的 info 和 trans 文件，对 EEG 数据进行源定位。将被试的预处理 EEG 数据导入 MNE-Python，应用来自 {subject}-info.fif 的自定义电极位置布局，并加载配准变换文件 {subject}-trans.fif。
  2. 使用被试的 MRI 表面数据和容积导体模型（例如 BEM）构建正向模型。然后，采用 sLORETA、dSPM 或 MNE 等算法计算逆解，以估计记录的 EEG 信号背后的皮层源活动。保存源估计结果，用于后续分析和可视化。

访问受限。请登录或开始试用以查看此内容。

结果

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

精确的源定位在很大程度上依赖于电极的准确定位以及与解剖头部模型的可靠共配准。然而在实际操作中，由于个体头型差异或手动放置误差，脑电帽常常未能准确定位。为了说明这些因素如何影响分析结果，我们比较了使用NBS设备采集的数字化电极位置数据与基于标准模板的电极布局所得结果。分析所使用的主要软件和库包括NBS System 5（v5.1.0）、FreeSurfer（v6.0）和MNE-Python（v1.8.0）。

本研究中，二十名健康的右利手志愿者参与了一次持续2小时的实验，实验内容包括高密度脑电图（EEG）记录、电极数字化、触觉刺激、想象任务以及注意力任务24。为进行源定位，采集了每位参与者的个体化结构磁共振成像（MRI）数据，并使用128通道系统记录脑电活动，电极位置通过NBS系统进行数字化。本报告所展示的图示说明了电极数字化对触觉刺激诱发皮层反应源估计的影响。在触觉刺激任务期间，参与者右手中指接受持续8秒的长时机械刺激，刺激试验与8秒的静息试验交替进行，试验间包含3秒的刺激间期。源定位采用标准化低分辨率脑电磁断层成像（sLORETA）算...

访问受限。请登录或开始试用以查看此内容。

讨论

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

精确的源定位需要准确的电极数字化以及与解剖头部模型可靠地共配准。我们的结果（图1、图2 和 图3）表明，电极位置的偏差或依赖基于模板的导联组合会引发空间对齐和源重建中的显著误差。特别是，我们发现使用Nexstim NBS设备获取的数字化电极与个体MRI解剖结构高度吻合，并能在对侧体感皮层实现符合解剖学规律的μ节律事件相关去同步化（ERD）定位。相比之下，即使通过变换矩阵进行调整，标准导联组合通常仍会产生偏移或解剖学上不一致的重建结果，尤其是在与通用模板脑结合使用时更为明显。

本方案中的一个关键步骤是电极位置的稳定且准确的获取。标志点与密集头皮表面采样的结合，可确保在共配准过程中具有较高的空间精度。环境因素可能影响光学数字化的准确性。被遮挡的标记点、反光表面以及长时间操作过程中的漂移都可能引入定位误差。通过确保标记点视野无遮挡、尽量减少反光物体，并在整个操作过程中定期检查标记点的稳定性，可降低这些问题的影响...

访问受限。请登录或开始试用以查看此内容。

披露

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,

作者声明，本研究不存在任何相关的竞争性财务利益或其他利益冲突。

材料

本文使用的材料清单
姓名公司目录编号评论
导航式脑刺激（NBS） 系统Nexstim https://www.nexstim.com/healthcare-professionals/nbs-systemNBS 是 经颅磁刺激与神经导航系统的结合

参考文献

$$\rightleftharpoonup{xx}$$ $$\longleftharp{xx}$$, $$\longrightharp{xx}$$,
  1. Michel, C. M., He, B. EEG source localization. Handb Clin Neurol. 160, 85-101 (2019).
  2. Holmes, C. J., Hoge, R., Collins, L., Woods, R., Toga, A. W., Evans, A. C. Enhancement of MR images using registration for signal averaging. J Comput Assist Tomogr. 22 (2), 324-333 (1998).
  3. Fischl, B. FreeSurfer. Neuroimage. 62 (2), 774-781 (2012).
  4. Hallez, H., et al. Review on solving the forward problem in EEG source analysis. J Neuroeng Rehabil. 4 (1), (2007).
  5. Grech, R., et al. Review on solving the inverse problem in EEG source analysis. J Neuroeng Rehabil. 5 (1), 25(2008).
  6. Jaiswal, A., Nenonen, J., Parkkonen, L. On electromagnetic head digitization in MEG and EEG. Sci Rep. 13 (1), 3801(2023).
  7. Taberna, G. A., Marino, M., Ganzetti, M., Mantini, D. Spatial localization of EEG electrodes using 3D scanning. J Neural Eng. 16 (2), 026020(2019).
  8. Qian, S., Sheng, Y. A single camera photogrammetry system for multi-angle fast localization of EEG electrodes. Ann Biomed Eng. 39 (11), 2844-2856 (2011).
  9. Reis, P. M. R., Lochmann, M. Using a motion capture system for spatial localization of EEG electrodes. Front Neurosci. 9, 130(2015).
  10. Shirazi, S. Y., Huang, H. J. More reliable EEG electrode digitizing methods can reduce source estimation uncertainty, but current methods already accurately identify Brodmann areas. Front Neurosci. 13, 1159(2019).
  11. Comeau, R. Neuronavigation for Transcranial Magnetic Stimulation. Transcranial Magnetic Stimulation. , Humana Press. New York, NY. (2014).
  12. Gramfort, A., et al. MEG and EEG data analysis with MNE-Python. Front Neurosci. 7, 267(2013).
  13. Tremblay, J., et al. Comparison of source localization techniques in diffuse optical tomography for fNIRS application using a realistic head model. Biomed Opt Express. 9 (7), 2994-3016 (2018).
  14. Huber, R., et al. Measures of cortical plasticity after transcranial paired associative stimulation predict changes in electroencephalogram slow-wave activity during subsequent sleep. J Neurosci. 28 (31), 7911-7918 (2008).
  15. Huber, R., Esser, S. K., Ferrarelli, F., Massimini, M., Peterson, M. J., Tononi, G. TMS-induced cortical potentiation during wakefulness locally increases slow wave activity during sleep. PLoS One. 2 (3), e276(2007).
  16. Huber, R., Felice Ghilardi, M., Massimini, M., Tononi, G. Local sleep and learning. Nature. 430 (6995), 78-81 (2004).
  17. Casali, A. G., Casarotto, S., Rosanova, M., Mariotti, M., Massimini, M. General indices to characterize the electrical response of the cerebral cortex to TMS. Neuroimage. 49 (2), 1459-1468 (2010).
  18. Salo, K. S. -T., Mutanen, T. P., Vaalto, S. M. I., Ilmoniemi, R. J. EEG artifact removal in TMS studies of cortical speech areas. Brain Topogr. 33 (1), 1-9 (2020).
  19. Amico, E., et al. Tracking dynamic interactions between structural and functional connectivity: a TMS/EEG-dMRI study. Brain Connect. 7 (2), 84-97 (2017).
  20. Cona, F., Zavaglia, M., Massimini, M., Rosanova, M., Ursino, M. A neural mass model of interconnected regions simulates rhythm propagation observed via TMS-EEG. Neuroimage. 57 (3), 1045-1058 (2011).
  21. Stamm, M., Aru, J., Bachmann, T. Right-frontal slow negative potentials evoked by occipital TMS are reduced in NREM sleep. Neurosci Lett. 493 (3), 116-121 (2011).
  22. Romero Lauro, L. J., et al. TDCS increases cortical excitability: direct evidence from TMS-EEG. Cortex. 58, 99-111 (2014).
  23. Lioumis, P., Kičić, D., Savolainen, P., Mäkelä, J. P., Kähkönen, S. Reproducibility of TMS-evoked EEG responses. Hum Brain Mapp. 30 (4), 1387-1396 (2009).
  24. Morozova, M., et al. Cortical responses to tactile imagery: a high-density EEG study of the μ-rhythm event-related desynchronization and somatosensory evoked potentials. NeuroImage. 319, 121440(2025).
  25. Pascual-Marqui, R. D. Standardized low-resolution brain electromagnetic tomography (sLORETA): technical details. Methods Find Exp Clin Pharmacol. 24 (Suppl D), 5-12 (2002).
  26. Pfurtscheller, G., Neuper, C. Motor imagery activates primary sensorimotor area in humans. Neurosci Lett. 239 (2-3), 65-68 (1997).
  27. Inamoto, T., et al. Motor-related mu/beta rhythm in older adults: a comprehensive review. Brain Sci. 13 (5), 751(2023).

访问受限。请登录或开始试用以查看此内容。

重印与许可

申请许可以重复使用本 JoVE 文章的文本或图表

申请许可

标签

MNE Python MRI

相关文章