使用非侵入性脑电图进行皮层连接性的统计建模

该方案具有重要意义，因为它通过建模脑区间如何相互作用，揭示了标准分析技术无法显现的差异，从而实现了对皮层网络的研究。该技术的主要优势在于，它使我们能够利用广泛可得的设备来研究网络功能，从而无需特殊材料即可获得无创的电生理记录。该技术通过检测网络结构，实现了对神经精神疾病的无创性研究，有助于开发新的诊断方法和治疗性生物标志物。

该方法在临床神经科学领域具有广泛的应用前景，尤其是在脑网络功能在疾病中的作用日益受到关注的背景下。进行数据采集时，将电极帽佩戴在患者头部，并注意确保其位置正确对齐。从头皮开始，向每个电极孔中注入导电凝胶，然后缓慢回抽至帽表面，以建立与头皮的电接触，并提高信噪比。

然后根据10-20系统，使用预先确定的电极排列方式将电极连接至电极帽，并固定适当的接地电极。设置脑电图（EEG）时，将所有电极连接至电生理记录系统，并将记录系统与合适的数字记录环境相连接。检查所有记录通道，确保偏移量处于适当范围内，并避免通道噪声过大。

无论数据质量如何，该算法都会生成结果，因此应在严格的数据质量条件下进行记录，并在使用前对记录数据进行分析。然后告知患者记录已开始，并在进行简短的测试记录以验证记录质量是否合适之前，避免所有不必要的动作。分析结束后，将脑电图数据及任何必要的附加脚本库加载到合适的数据分析环境中。

弃去每次记录的前五分钟和后五分钟，以减少任何运动伪影的污染，并根据任务或将静息态记录按预设的固定时长将数据分割为若干时段。为准备数据，通过从记录中减去所有通道的均值来校正基线，以避免长时间记录过程中基线漂移的影响。将所有通道重新参考至适当的参考电极。

然后对所有通道进行数字滤波，以分离出感兴趣的频率。为了计算数据的总体功率谱，需对每个待分析通道在整个待评估频率范围内进行傅里叶变换。为评估各个频段的活动情况，需分别分离出4至8赫兹的theta频段、8至12赫兹的alpha频段、12至30赫兹的beta频段、0.5至4赫兹的delta频段，以及高于30赫兹的gamma频段。

为了评估第一对电极之间的相互作用，需计算电极间相干性指标。为评估相干性，将电极间相干性测量值映射到一个二维数据结构中，其中每一列代表一个电极位置，每一行代表一个电极位置，每个单元格表示相应电极对之间的相干性，并将相干性值映射为从零到一的颜色范围。然后导出一幅颜色图，以可视化在所用频率范围内各电极对之间的电极间相干性。

为了可视化大脑皮层区域之间的高阶相互作用并绘制出网络动态图谱，需计算每一对电极的相干性测量值在全频谱范围以及特定频段内与其他所有唯一电极对的相干性测量值之间的协方差。随后将这些协方差测量值映射为颜色，并导出一幅颜色图，以可视化不同频段内及跨频段的网络动态。为了进行降维分析，可通过主成分分析生成的统计模型，提取能够代表整体网络动态的指标，用于组间比较。

构建一个协方差矩阵，用于表示成对相干性测量结果，以可视化高水平的网络关系，并将该协方差矩阵分解为特征向量及对应的特征值，从而识别模型特征空间中方差最大的轴，且不受现有测量指标的限制。根据特征值对特征向量进行排序，以确定对模型中方差贡献最大的成分。然后比较从网络模型中提取的前几个主成分。

为了选择一个功能性的感兴趣区域，需在感兴趣的频段内提取相干性数据。通过主成分分析来获得这些频段内整体网络活动的度量指标。随后比较各组之间的这些指标，以评估特定振荡频率下的网络差异。

为了使用欧氏距离等距离度量进行无监督学习，需计算在网络模型所定义的空间中各个受试者之间的距离度量。然后利用k近邻等聚类算法，根据模型参数识别数据中的分组。可通过在头皮上进行插值可视化谱功率，从而对活动来源进行有限估计。

每一对电极间的相干性指标反映了某一区域的活动随另一区域活动变化的程度，同时考虑了相互作用的方向性和时间滞后性。电极间相干性值越高，表明所记录的脑区之间存在较强的相互作用，说明这些脑区正在相互传递信息。通过测量所有唯一电极组合之间的相互作用，可以构建出记录通道间相互作用的统计图谱，从而研究不同脑区之间的信息交流方式，而非仅仅关注孤立的个别脑区。

可视化高阶网络动态有助于识别主成分分析或基于分类器的技术所比较的相互作用类型，从而评估一对电极的相干性测量值与另一对电极相干性变化之间的关系。例如，此处我们可以观察到两名患有影响皮层功能的神经精神疾病但临床表型不同的受试者之间，在网络映射中存在明显差异，而使用标准分析方法时并未发现具有统计学意义的差异。在通过本流程获得网络测量指标后，可进一步采用机器学习技术，利用由此产生的数据丰富的模型，实现更复杂的诊断和预后分析。

该技术已实现了对雷特综合征（一种儿童神经精神疾病）疾病亚型的研究，以及对新型治疗反应和癫痫状态的预测。