使用SPM软件分析颅内脑电图数据中的神经活动与脑连接

该方法有助于解答认知神经科学领域中的关键问题。此技术的主要优势在于能够分析高空间分辨率的时间动态神经活动与连接性。开始颅内脑电图数据的分析时，需设置 SPM12 并选择 MEG 脑电分析菜单。

首先，基于预定义参数，使用连续小波分解结合Morlet小波对每次试验的预处理颅内脑电图数据进行时频分析。为了揭示频谱成分的时间演化过程，采用七周期的Morlet小波，在4至300赫兹的频率范围内，对1,000至2,000毫秒的整个时间段进行小波分解。接下来，确定母小波及其周期数，并注意周期数控制着时频分辨率，应大于5以确保估计的稳定性。

确定时间和频率范围，然后自动裁剪所得的时间-频率图以去除边缘效应。此处，时间-频率图被裁剪为 200 至 500 毫秒的范围。

如有需要，可通过选择时频重缩放来对时频图进行数据转换和基线校正，以更清晰地显示事件相关功率变化并改善正态性。接下来，将时频图转换为二维图像。同时，使用预定义半高全宽值的高斯核进行平滑处理，以补偿受试者间的变异性，并满足随机场理论的假设条件。

现在，在SPM菜单中选择并指定第二级分析，然后输入将要分析的二维图像。接着，选择模型估计以运行一般线性模型。最后，选择结果，基于随机域理论对时频数据进行统计推断。

使用此处所示的预定义阈值检测显著激活的时频簇。在 SPM 菜单中选择 DCM 以开始动态因果建模分析。然后选择 IND 选项，并选择新数据以导入预处理的颅内脑电图数据。

接下来，使用 MEG EEG 菜单指定感兴趣的时间窗口、感兴趣的频率窗口、将使用的小波周期数、感兴趣的条件以及条件之间的对比。将时间窗口设置为 1 至 500 毫秒。采用周期数为 5 的 Morlet 小波，频率范围为 4 至 100 赫兹，以 1 赫兹为步长。

使用小波周期的默认设置。根据研究兴趣确定时频范围。注意，在计算过程中可自动使用额外 512 毫秒的时间窗口以消除边缘效应。

根据DCM框架，定义代表神经状态上感觉输入的驱动输入，以及体现神经状态间基线连接性的内在连接。同时，通过实验操控定义在零模型和假设模型上对内在连接的调节效应。将调节类型的定义为线性或非线性。

现在指定内在的线性和非线性连接、驱动输入以及调制输入。如有必要，修改相关参数的默认设置，例如先验刺激起始时间和持续时间。然后选择逆向 DCM 以估计模型。

然后，选择“将结果保存为图像”以保存频率-频率调制耦合参数图像。接下来，通过选择BMS进行随机效应贝叶斯模型选择分析，以确定最优网络模型。使用模型期望概率和出现概率作为评估指标。

然后利用最优模型参数推断调节性连接的跨频率模式。接着，通过选择“转换为图像”来对调节性耦合参数图像进行平滑处理。然后使用“指定第二水平”来执行一般线性模型分析。

最后，选择结果以计算二维SPMT值。此处，半高全宽设置为8赫兹，并通过探索性方法使用未经校正的高度阈值P小于0.05来识别显著性值。采用时频分析来研究枕下回（Inferior Occipital Gyrus，IOG）在相位处理过程中活动的时间和频率特征。

此处展示了右侧枕内侧回（IOG）在正立相位和正立马赛克条件下的活动时频图。同时展示了正立相位与正立马赛克之间的SPMT数据。此处还展示了功能网络模型。

研究了直立相位与直立镶嵌模式对IOG与杏仁核之间连接以及各脑区自身连接的八种可能的调节输入组合。此处展示了IOG与杏仁核、杏仁核与IOG相互调节中，直立相位与直立镶嵌模式的频率-频率调节耦合参数及SPMT值。红色-黄色区域表示显著的兴奋性连接，而蓝色-青色区域表示抑制性连接。

观看本视频后，您应能够充分理解如何使用 SPM 软件分析颅内脑电图数据，以检测神经活动和功能连接。