利用同步脑磁图/脑电图与基于解剖约束的最小范数估计绘制皮层动态：以听觉注意为例
2012年10月24日
我们采用脑磁图和脑电图（MEG/EEG），结合磁共振成像（MRI）获取的解剖学信息，来绘制与听觉注意相关的皮层网络动态图谱。
本实验的总体目标是绘制人类不同认知状态下潜在的皮层动态图谱。首先，在受试者执行行为任务时同步采集脑磁图与脑电图数据（简称 MEG 与 EEG）；第二步是采用相应的 MRI 序列获取解剖学数据。
接下来进行共配准，以建立MEG和EEG传感器位置与解剖结构信息之间的空间对应关系。最后一步是采用逆成像方法，将个体的脑活动映射到皮层空间。最终，基于通用的基于皮层表面的坐标系进行统计推断，以发现能够区分不同认知状态的显著时空模式。
本实验操作由 Eric Lawson 和 Ross Maddox 演示。对于我实验室的博士后研究人员，请首先获取受试者的结构磁共振（MR）图像。首先，使用磁化准备快速梯度回波序列（magnetization prepared rapid gradient echo，MP-RAGE）或类似序列获取结构磁共振扫描图像。
该序列可能需要5到10分钟，具体时间取决于所使用的特定扫描分辨率和成像方案，特别是当脑电图（EEG）数据将用于逆成像分析时。此外，还需获取两次快速低角度激发（FLASH）磁共振成像扫描。这些FLASH序列可提供与标准MP-RAGE序列不同的组织对比度。
成像完成后，使用 MNE 和 FreeSurfer 软件从 MP-RAGE 和 FLASH 图像中重建皮肤、外颅骨和内颅骨表面。然后利用这些表面在 MEG 实验前生成三层边界元模型（BEM）。首先测试听觉和视觉潜伏期，以确保时间同步的准确性。
使用连接到屏幕的麦克风和光电 DDE，并确保无可见的抖动。这可能需要将投影仪设置为其原生分辨率。接下来，准备受试者的记录工作，具体步骤可参考 luital 之前发布的视频文章，了解心电图和参考电极的制备方法，以及受试者解剖标志点、头部位置指示线圈和脑电图电极的数字化过程。
当受试者在MEG测量头部位置舒适就位后，使用头部位置指示器（HPI线圈）开始记录，并呈现听觉和视觉刺激。注意，HPI测量也可持续进行。受试者在执行视听行为任务时，应通过光学按钮盒对听觉和视觉刺激作出反应。
在此过程中，受试者根据视觉线索提示，报告来自半侧视野的轮辐和数字。有时，在试验过程中会通过视觉提示要求受试者将注意力切换至对侧半视野。为了研究听觉注意力的转换，目前已有多种硬件和软件解决方案可用于刺激呈现。
此处使用 Tucker Davis Technologies RZ6 系统呈现听觉刺激，并利用 Psychtoolbox 呈现视觉刺激并标记触发信号，两者均由 MATLAB 控制。开始数据处理时，使用 MNE 软件将 EEG 数据与结构磁共振图像进行共配准：首先将定位器数据载入受试者的重建 MRI 头部模型中；接着选择解剖标志点以启动共配准过程，然后执行自动对齐程序完成坐标变换。
然后将源空间中每个偶极子的位置与每个传感器的位置相关联。结合记录的头部位置指示器数据，利用三层边界元模型计算正向解，以进一步提高数据的信噪比。应用时域伪迹去除方法，例如去除由于通道尖峰引起的异常高幅信号所包含的事件片段。
还可应用频域伪迹去除方法，例如在50或60赫兹工频处进行带阻滤波，使用信号空间投影或其它降噪技术（如信号空间分离），以投影或分离出由环境背景磁场污染或其他不希望的生理信号（如与眨眼和心电伪迹相关的信号）引起的时空场模式。接下来，针对每种实验条件，生成一个分布偶极子估计的脑部动态图像，即在源空间中每个偶极子位置上的电流估计随时间变化的可视化结果。根据实验设计的时间特性，可通过使用无重叠的时间窗对电流估计值进行时间上的平均，以实现数据在时间维度上的整合，从而继续进行形态分析。
先前为每位受试者创建的大脑电影被映射到一个基于表面坐标系统的公共皮层空间，该空间能够最优地对齐个体的皮层功能模式。这使得可以在不同受试者之间比较或平均皮层活动。采用感兴趣区域（ROI）方法时，可通过解剖学方式定义ROI，例如使用自动脑区分割算法，或通过功能定位任务（如“go no-go”选择任务）进行功能定义，以识别眼动相关脑区。分析还可进一步限定于与所用实验范式相适应的特定时间窗口，例如限制在声音刺激呈现前后的一段时间内。
其他与时间序列分析相关的统计推断也可使用上述行为范式进行。此处展示的是采用非参数时空聚类方法得到的代表性结果。当个体受试者执行重定向任务与标准任务相比时，发现右侧额眼区具有显著性。
采用感兴趣区域（ROI）方法，展示了右侧额眼区的时间进程，以及这两种条件存在显著差异的时间段。观看本视频后，您将能够充分了解如何利用脑磁图-脑电图（M-E-G-E-E-G）和磁共振成像（MRI）来绘制不同行为任务中的皮层动态图谱。通过采用适当的统计学方法，您可以发现能够区分不同认知状态的时空模式差异。
感谢观看，祝您的实验顺利。
查看完整文字稿并访问数千部科学视频
概述
本研究采用脑磁图和脑电图（MEG/EEG）以及磁共振成像（MRI）来研究与听觉注意力相关的皮层动力学。这些技术的整合使得在认知任务期间对大脑活动进行全面的映射成为可能。
关键研究组成部分
科学领域
- 神经科学
- 电生理学
- 成像技术
背景
- 理解认知状态对神经科学研究至关重要。
- MEG和EEG以高时间分辨率提供大脑活动的洞察。
- MRI为大脑映射提供了详细的解剖学背景。
- 数据的共同配准增强了空间分析的准确性。
研究目的
- 对听觉注意力相关的皮层动力学进行映射。
- 通过大脑活动模式区分不同的认知状态。
- 利用先进的成像技术更好地理解大脑功能。
使用的方法
- 在行为任务期间收集MEG和EEG数据。
- 使用相关序列获取解剖MRI数据。
- 将MEG/EEG传感器位置与MRI数据进行共同配准。
- 应用反向成像技术来映射大脑活动。
主要结果
- 识别大脑活动中显著的时空模式。
- 基于映射的皮层动力学区分认知状态。
- 加深对听觉注意力机制的理解。
- 建立用于分析的通用基于表面的坐标系统。
结论
- MEG/EEG和MRI的整合对于映射认知状态是有效的。
- 统计推断揭示了大脑活动中的重要模式。
- 这种方法可以推进我们对听觉注意力的理解。
常见问题
Executive Industry Relevance
Mapping cortical dynamics with MEG/EEG and MRI enables high-temporal-resolution investigation of cognitive states relevant to neuropsychiatric target validation. This approach supports mechanistic de-risking by linking distributed neural activity to behavioral phenotypes in disease-relevant systems. It provides predictive confidence for target engagement assays by identifying spatiotemporal biomarkers of cognitive dysfunction.
Strategic Applications in Biopharma R&D
Early Discovery & Target Validation
- Scientific Value: Interrogates therapeutic hypotheses by mapping cortical network dynamics during attention tasks.
- Operational Value: Enables biological de-risking through distributed source localization of cognitive phenotypes.
- Predictive Value: Supports portfolio triage by identifying cortical biomarkers predictive of attentional deficits.
Screening & Assay Development
- Assay Readiness: Prepares validated neurophysiological systems for compound screening using time-locked and sustained responses.
- Quantitative Outputs: Generates reproducible cortical dipole activation time-series for dose-response modeling.
- Platform Scalability: Supports high-throughput evaluation via automated source modeling and group-level statistics.
Translational & Preclinical Research
- Disease Relevance: Maps cortical dynamics in auditory attention paradigms translatable to ADHD, schizophrenia, and autism models.
- Translational Continuity: Bridges discovery to preclinical validation through common surface-based coordinate systems.
- Risk-Adjusted Advancement: Informs go/no-go decisions by quantifying target engagement effects on network-level cognition.
Pipeline & Workflow Integration
The method integrates into discovery biology through hypothesis testing of cortical networks, advances to screening via reproducible neurophysiological readouts, and supports translational research via group-level statistical inference in a common cortical space.
- Discovery Biology: Tests mechanistic hypotheses by isolating cortical dynamics underlying specific cognitive states like auditory attention.
- Screening: Delivers assay-ready, standardized cortical activation maps for evaluating compound effects on neural networks.
- Analytics: Provides spatiotemporal cortical time-series and group-level statistics for comparing conditions across subjects.
- Translational Research: Connects to preclinical work through anatomically constrained source models and ROI-based analysis of cognitive networks.
- Enterprise Reuse: Establishes a reusable pipeline for mapping cognitive states across therapeutic areas using standardized MNE and FreeSurfer workflows.
Operational & Enterprise Impact
- Scientific Value: Reduces mechanistic ambiguity by linking MEG/EEG signals to cortical sources during cognitive tasks.
- Operational Value: Ensures reproducibility through standardized co-registration, artifact removal, and inverse imaging steps.
- Strategic Value: Improves go/no-go decisions by providing objective, network-level biomarkers of target engagement.
- Portfolio Impact: Enables risk-adjusted prioritization of compounds based on effects on distributed cortical networks.
Implementation Considerations
- Requires expertise in neuroimaging, MRI acquisition, and MNE/FreeSurfer source modeling.
- Dependent on MEG/EEG systems, MRI scanners, and computational infrastructure for forward/inverse solutions.
- Necessitates cross-team standardization of head positioning, artifact correction, and ROI definition.
- Adaptation across models requires validation of anatomical boundaries and source space alignment.
- Practical limitations include sensitivity to environmental noise and need for artifact rejection protocols.
