Nature子刊 | 使用非侵入式超高密度记录方法绘制大脑中央沟图谱

01

研究方法

本文评估了使用带有镀金电极点的柔性印刷电路板（PCB）的超高密度脑电图（uHD EEG）系统。电极间距离为8.6mm，电极直径为5.9mm，电极密度高于市场上市售的脑电图系统。图1a描绘了标准化的电极定位系统。10-20系统中的21个标准位置是深灰色的。图1a还包括另外两个系统：10-10系统（标记为填充的浅灰色圆圈）和扩展的10-10系统（标记为浅灰色圆圈）。本文中的uHD脑电图系统由图1a中的小黑圈和图1b，c中的填充小黑圆圈表示。使用MATLAB（R2019b）的EEGLAB工具箱对收集到的数据进行预处理。我们采用平均去除法进行基线去除，并对0.5~40Hz的数据进行时域变换。用标记“1”分为“试验×通道×时间样本”格式。

图 1 超高密度脑电图系统（uHD EEG）的电极分布图

根据MRI数据进行电极共配准

地形图是使用所有五名受试者的解剖MRI扫描生成的大脑模型创建的。使用T1加权MRI数据在FreeSurfer重建大脑和头骨。对于所有受试者，使用配备MRI标记的标准10-20帽进行MRI扫描，并将产生的MRI伪影用于配准和电极网格放置。

信号处理流程

信号处理在MATLAB（The MathWorks，Inc.，Natick，MA，USA）中实现，如图2所示，包括（a）预处理和（b）提取SSEP迹线，（c）归一化SSEP以进行（d）峰值检测和（e）通道分类。一般而言，所有滤波器都向前和向后应用于数据，以防止使用MATLAB filtfilt函数进行相移。

首先，去除了预放大脑电图的增益因子。其次，使用50Hz级联陷波滤波器（二阶巴特沃斯）滤波数据，以去除电源线噪声。第三，数据是通用平均参考，并使用0.5至30Hz（二阶巴特沃斯）的带通滤波器进行滤波，以检测不良信道。第四，通过减去各自的均值，通过每个时间样本的平方计算功率，并计算随时间变化的平均功率来计算每个通道的平均功率。第五，对平均信道功率进行对数变换以提高高斯性和z变换。第六，z分数大于6的通道被认为是坏的。使用此程序发现的不良通道从陷波滤波的脑电图数据中删除，然后以普通平均值为参考。

引用SSEP记录是必不可少的，并在文献中进行了广泛讨论。乳突、耳垂、FZ或FPZ通常推荐作为参考传感器位置。然而，平均参考方法也是有效的。Tsuchimoto等人表明，在提取感觉运动活动时，共同平均参考（CAR）的使用优于其他7种参考方法。从电极阵列到参比电极的阻抗不匹配可能很大。因此，两个电极中噪声的表示不同，因此不能用传统的参考减法完全消除。本研究使用了 CAR，因为uHD EEG系统没有在感兴趣区域的网格旁边提供额外的电极放置。

图 2 EEG信号处理流程图

如文献所发现，测试了不同的过滤方法来预处理数据。根据国际术间神经生理学会（International Society of Interoperative Neurophysiology）为头皮（皮质和皮质下）SSEP记录得出的SSEP迹线和建议，选择了20-300Hz带通。经过上述处理后，数据被划入试验，触发前时间为100ms，触发后窗口为300ms，因为这些bin包含SSEP分析所需的所有信息。对前臂施加300个刺激脉冲，导致300次试验用于平均。计算并绘制了每个通道的平均值，如图5b中的SSEP迹线所示。图3中的图显示了从MNS到对象S1右手的SSEP迹线。

值得注意的是，通过目视检查，与靠近运动和感觉皮层的电极相比，位于中央沟上方的电极的相位反转不那么明显。然而，无论迹线的清晰度如何，所有SSEP迹线都用于分类。还进行了独立成分分析（ICA）以检测上述管道的增产伪影。由于300Hz的低通滤波、使用CAR重新参照以及交替的单极性MNS，因此从用于进一步处理的数据中消除了伪影。因此，无需从数据中去除任何成分即可进行进一步分析。

分类性能

我们根据真实情况计算了正确分类的前通道和后通道的数量。我们计算了真实类和预测类的混淆矩阵。然后使用真阳性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN）来确定方程（4）中定义的准确性：

02

研究结论

表 1 利用光谱聚类和峰值检测方法进行分类结果

额叶上的SSEP可以与顶叶上的SSEP分开。表1列出了应用光谱聚类和峰检测方法获得的分类结果。该表显示了从中央沟前部或后部分类的通道获得的精度。平均而言，使用光谱聚类方法对前路和后路进行分类的准确率为95.2%。受试者S5和S4的准确率分别为90.6% 至97.2%。峰值检测方法的平均准确率为91.9%，其中S3和S1的平均准确率分别为86.6%和96.6%。

表 2 所有受试者前后电极分类电极的SEEP潜伏期

表2记录了峰值检测方法分类为Ant和Pst的通道的SSEP延迟，该表以ms为单位显示了每位受试者的平均值和标准差，其中包含第一个正（1st P）和第二个负（2nd N）峰的通道，以及第一个负（1st N）和第二个正（2nd P）峰的后验分类通道。

使用峰值检测和频谱聚类进行信道进行信道分类的最终结果如图3所示。图3（a）描述了受试者S1–S5的头部模型和地面实况的通道分布。解剖学上正确的运动和感觉区域（M1和S1）在MRI皮层上用红色和蓝色表示，中央沟以粗体黑色突出显示以将它们分开。模型上总共256个信道由小球体表示，红色和蓝色球体分别表示前后信道位置，灰色球体表示信号质量较差的信道。图3（b）显示了峰值检测方法的结果，该结果在头皮上插值，并按从蓝色（最大感觉峰值）到红色（最小运动峰值）的等级着色，排除了不良通道，值范围从−1到1。第三行（图（c））显示了光谱聚类分类的结果，每个通道在感觉（蓝色）或运动（红色）之间做出决定。分类问题是二元的，因此，对于每个相应通道的预测，仅导致1和−1决策。

图 3 表示SSEP分类的脑地形图和热点图

参考文献

Schreiner, L., Jordan, M., Sieghartsleitner, S.et al. Mapping of the central sulcus using non-invasive ultra-high-density brain recordings. Sci Rep 14, 6527 (2024). https://doi.org/10.1038/s41598-024-57167-y

—— End ——