eeg采集装置设计及应用

㈠ 重磅综述：人类电生理的脑连接组学

脑连接组学是一门快速发展的神经科学子学科，可以用来从宏观尺度上检查不同脑区之间的功能和结构连接关系。研究表明，功能性磁共振成像中常见的规范脑连接网络实际上植根于电生理过程。电生理学研究将为分层大脑网络中的信息整合提供可测试的机制模型。总之，电生理学包含一组交叉科学技术和方法，可提供对大脑系统神经动力学的探索。原则上，它们可以就功能通信如何在大脑网络中以生物学方式实现提供独特的见解，从而在广泛的时间范围内实现复杂的行为 。 此综述的目标是解释电生理学方法与连接组学研究之间的相关性。

1  简介

脑连接是神经科学中一个年轻而快速发展的分支学科，它已经改变了人类的大脑图谱。 连接组研究起源于21世纪初的核磁共振，在图论等数学工具的推动下，旨在提供对健康和疾病中大脑结构和功能的综合分析 。 电生理功能连通性可以定义为一组描述“跨低级别网络的高级别耦合”的指标。低水平网络是由相互连接的细胞组成，分布在1厘米或更大的皮质上--这种空间尺度在整个大脑中随局部细胞密度、区域深度和该区域内电流的主要方向而变化。因为这种局部回路在功能上是相对同质的，所以我们猛衡把它们称为“大脑区域”。高水平的耦合构成了这些局部区域之间的信号相互作用。这些相互作用的区域相隔的距离基本上大于网络中每个区域的空间范围，它们构成了本文提厅知隐及的高级网络。

电生理技术是历史上第一个测量大脑活动的技术，在基础(人类和动物研究)和临床神经科学中仍然是最容易获得和发表最多的技术。它们由非常多样化的方法组合而成，这些方法随着几十年来传感和计算技术的进步而演变。 它们的特殊优势是：1) 直接评估神经活动的能力，对比间接代谢信号；2) 毫秒级的时间分辨率；3) 从单个细胞到整个大脑的多空间尺度记录；4) 通过神经刺激确定因果效应；以及5) 便携式、可移动仪器的可用性、成本效益和数据质量的日益增长 。

总扮厅而言之，电生理学包括一套交叉的科学技术和方法，为研究大脑系统的神经动力学提供了独特的途径。原则上，它们可以对大脑网络中如何在生物学上实现功能性通信提供独特的见解，从而在广泛的时间范围内实现复杂的行为分析 。 我们在这里的目标是解释为什么这些独特的特性使电生理方法特别适用于脑连接组研究。

2 电生理连接的度量

2.1 电生理数据类型

大脑区域之间的电生理高级连接的测量必须提供 1）高保真度，即足够的信噪比（SNR），以准确表征来自不同大脑区域的信号之间的统计依赖性；2) 足够的空间分辨率，以确保区域之间的连通性估计不会因从一个区域到另一个区域的虚假信号交互（“泄漏”或“串扰”）而显着降低。考虑到这两点，电生理测量可以分为两类：

(1)    非侵入性方法 包括脑电图 (EEG) 和脑磁图 (EMG)。前者测量大脑中波动电流产生的头皮表面的电位差，后者测量相同电流波动产生的相应磁感应。

(2)    侵入性测量 通常统称为颅内脑电图 (iEEG)，范围从皮层电图 (ECoG)到更深结构的深度电极。电极参考位置的选择通常决定了进行测量的神经元群体的大小。测量结果通常反映了来自皮层锥体细胞 (类似于MEG/EEG) 的 LFP，这些细胞总和超过了数千个神经元。

由于颅外传感器远离脑源，脑磁图和脑电图具有较低的信噪比（尤其是在高频下）。与EEG相比，MEG提供更高的空间精度，因为它对头部组织的几何形状和电导不太敏感。MEG也不太容易受到生物伪影的影响。然而，MEG 的购买和运营成本也更高，因此更难获得。传感技术的重大进步有望提供新的、更灵活和负担得起的 MEG 仪器，这些仪器最近被证明对连通性测量有效。

2.2 电生理信号连通性评估方法

从广义上讲，电生理连接指标可以分为两类，频带内和频带间。目前流行的两类频带内连通性度量：固定相位关系和幅度相关度量。这些不同的技术被认为可以深入了解两种不同的功能连接模式。对于频带间测量，存在三种典型的技术系列：相位-相位、幅度-幅度和相位幅度耦合，后者是最常用的 。 图1中展示了常规的基于生理电信号的脑连接构造步骤。     

图1处理电生理数据以得出电生理连接组测量的基本方法

与所有类型的生物信号分析一样，对电生理连接的最大威胁源于数据质量的固有限制，最值得注意的是空间分辨率和信号泄漏有关——尤其是对于 MEG/EEG。近年来，已经引入了可靠且稳健的方法来减轻泄漏。其中大多数依赖于这样的想法，即泄漏必然表现为具有零时滞的信号之间的关系。在探测信号之间的固定相位关系时，可以轻松消除这种零滞后效应——例如，仅采用相干计算的虚部，或通过使用相位滞后指数。除了上面定义的一类指标，研究者还开发了许多有向指标，例如格兰杰因果、部分定向相干性和动态因果建模。 这些指标利用电生理测量的高时间分辨率来推断两个区域之间信息流的平均（在某个时间窗口内）方向。

2.3 面向动态时序连接

上述连接性度量通常应用于许多分钟或几个小时的数据，并且被称为“静态”连接体。事实上，情况并非如此，因为大脑必须在快速(毫秒)的时间尺度上持续形成和分解网络，以回应不断变化的认知和行为需求。

2.3.1 滑动窗方法

在最简单的层面上，动态连接可以通过“滑动”窗口计算。一个关键点是这种技术提供的效用取决于窗口的长度。反过来，这取决于人们在多大程度上可以在短时间内获得可靠的连通性度量，而这本身取决于信号中自由度的数量。一个信号的时间自由度 n  = 2 Bw D ，其中 Bw 是信号带宽， D 是窗口的时间宽度。虽然fMRI信号的带宽为~ 0.25 Hz，但电生理信号的名义带宽至少为100 Hz。这意味着，在电生理学中，基于滑动窗口的连接测量的时间窗口比fMRI短约400倍。这反过来又使电生理学成为动态功能连接测量的首选技术。在实践中，电生理信号在不同波段包含不同的特征，人们通常会考虑计算窄带信号(如alpha、beta、gamma波段)的连通性。这意味着fMRI在时间分辨率上的改善并没有那么显著。然而，即使对于最窄的波段(例如8-13 Hz alpha波段)，带宽仍然保持在5 Hz，在时间分辨率上比fMRI至少提高20倍。

然而，尽管电生理信号的带宽很高，滑动窗口宽度的选择仍然是一个有趣问题。人们真的希望窗口宽度与大脑中网络波动的时间尺度相匹配。然而，在实践中，这几乎肯定是未知的，并且可能在实验过程中发生变化。同样，对于不同的网络，它可能是不同的，随着年龄或参与者的病理状态而变化。也有可能，连通性波动的时间尺度可能太短，无法有效测量窗口内的连通性(例如，对于alpha波段，1秒的窗口，与认知加工相比仍然很长，只包含10个自由度)。由于这些原因，虽然滑动窗口仍然是一个有用的和概念上直接的工具，但很可能其他方法可以更好地利用电生理学提供的高时间分辨率。

2.3.2   除滑动窗方法之外

许多技术试图“时刻”检查连通性，即在电生理时间过程中获得每个样本的功能连通性估计。一种可用的技术是相位差导数 (PDD)。简而言之，PDD探测固定相位关系的存在，采集来自远端区域的信号的瞬时相位，并随时间测量它们之间的差异。如果差分导数为零，则暗示瞬态固定相位关系。近年来，基于隐马尔可夫开发的一种技术能够回避窗口问题。该方法假设电生理数据由一系列相互排斥的隐藏“状态”控制。这意味着在任何一个时间点，大脑都可以说是处于一种特定的状态。在未平均或静止状态中，PDD和类似指标往往是不稳定的，并且最终会在时间窗口上取平均值，这最终导致滑动窗口面临同样的问题。然而，在基于任务的研究中，假设相同的实验范式重复多次，PDD 可以在试验中平均。

一种基于隐马尔可夫建模的技术（HMM）能够回避窗口问题。迄今为止，该技术主要应用于MEG，但最近的论文已将其用于EEG和fMRI。HMM假设电生理数据由一系列相互排斥的隐藏“状态”控制。这意味着在任何一个时间点，大脑都可以说是处于一种特定的状态。在最简单的形式中，HMM可以描述单个电生理时间过程中的状态。每个状态都可以用电生理数据的高斯分布来描述。使用这种无监督的方法，大脑何时进入或离开特定状态的识别是自动化的。因为 HMM以数据驱动的方式自动选择时间窗口。

3  利用正在进行的电生理活动来定义电生理连接组

许多常见的电生理分析本身无法提供对大脑行为关系的全面机制理解。电生理测量通常重复多次，并且在试验中对数据进行平均，以检测相对于“基线”参考期的可能影响 。 在大多数电生理研究中，基线被丢弃，将持续的大脑动力学视为“噪音”。在这里，我们主张充分利用，而不是“纠正”，正在进行的神经过程及其空间组织对电生理记录的贡献。与任务相关的连通性变化通常将正在进行的电生理过程视为“噪音”。 同样重要的是，研究少数与任务相关的传感器的选择方法忽略了电生理数据的分布式空间组织 。 3.1小节详细阐述了正在进行的电生理活动的空间组织（即跨区域对的连接强度的全脑模式），并讨论其行为意义。3.2小节简要回顾了有关正在进行的活动动态的最新证据。

3.1  持续的电生理活动具有内在的时空组织

3.1.1 颅内电生理学中的内在空间组织

尽管颅内研究通常缺乏全面描述内在连接网络所需的全脑覆盖，但个别研究证实了特定内在连接网络的存在 。 一项研究报告表明，在所有规范频带中，组级 fMRI 连接组与汇集的全脑ECoG连接组之间存在适度的关联。值得注意的是，尽管许多寻求与 fMRI 衍生的功能连接相似性的研究都集中在高伽马功率的缓慢共波上，但上述研究扩展到其他振荡频率的幅度耦合以及振荡相位的测量。总之，人类 iEEG 研究提供了关于存在跨振荡频率和连接测量的持续电生理连接的内在空间组织的信心，并且还为 fMRI 中经常报告的空间网络组织提供支持。

图2 电生理数据中内在的全脑连接组织。A)在源空间MEG幅度耦合中通过基于种子的连接观察到的感觉和运动的内在脑连接。光谱图（右）表明alpha和beta波段振荡对这些内在网络的贡献很大；B) MEG中特定频带的振荡幅度的内在脑连接（显示了四个作为示例），包括感觉/运动以及高阶网络；C)连接强度在 fMRI 和颅内电生理学（ECoG 幅度耦合）之间存在空间关联。对于所有频段，这种相关性的强度约为 0.35；D）在 fMRI 和同时记录的头皮脑电图（相位耦合）之间观察到类似的连接强度的空间关联。左侧散点图显示了 beta 波段的示例，其中每个数据点来自连接组的一个区域对，平均跨受试者中以相似的效应大小重现。

3.1.2 颅外电生理信号的内在空间组织

有了对内在空间组织建立的信心，我们转向全脑连接组的MEG和 EEG 源空间研究。许多 MEG 幅度耦合研究为使用基于种子的相关性提供了感觉和运动趋同的证据。虽然其中一些研究使用宽带信号，但那些专注于不同频段的研究通常报告 α 和β 频段在反映 内在脑连接方面占主导地位。此外，虽然幅度耦合一直是MEG 静息状态连接组研究中更常用的连接模式，但 MEG 相位耦合显示出由内在脑连接锚定的类似空间分布。 尽管与 MEG 相比，EEG 对体积传导的敏感性更强，但 EEG 同样有力地反映了连接组的内在空间组织 。

图3 功能网络的毫秒动态。A）应用于静息状态MEG的隐马尔可夫模型(HMM)提取数据。每个状态都由特定的地形决定。这些状态图类似于fMRI通常观察到的典型内在连接网络 (ICN)。B）与 HMM 状态相关的时间尺度显示在面板A中；C)“重放”是大脑自发地重新审视最近获得的信息以例如巩固记忆的过程。这些重播事件与特定 HMM 状态发生概率的改变有关。左图显示了“重放”事件期间 HMM 状态发生概率的变化。右侧的地图显示了在回放期间更有可能表达的四个大脑网络，其中包括默认模式和顶叶阿尔法网络。

3.1.3 跨认知状态的内在电生理连接组的稳定性

大规模连通性的内在空间组织的一个关键特征是其认知上下文的相对独立性。这种对认知环境的不敏感性在fMRI中得到了很好的量化，表明大脑的fMRI 衍生的时间平均连接组组织的特定任务变化很小。然而，与 BOLD 信号的非周期性慢速波动相比，基于振荡的功能连接可以很好地支持认知过程所需的数十到数百毫秒的快速时间尺度上的远程通信。这种能力是否会导致认知环境对电生理 FC 组织进行更强的重构？诸如上述讨论的电生理连接组研究通常侧重于无任务静息状态，很少有电生理连接组研究定量比较认知状态。

一项这样的研究分析了不同唤醒水平和日常活动的一天 iEEG 记录。源自 100秒和更长周期的幅度和相位耦合在昼夜循环中显示出一致的空间组织。一项使用传感器级脑电图的相关研究确定了振幅和相位耦合组织在不同睡眠阶段和觉醒的高度空间相关性。源空间中的EEG研究表明，在对不同任务（静止状态、视频观看和闪烁光栅）进行几分钟计算时，相位耦合在空间上是一致的，并且跨频带具有相似的模块化组织。相位和幅度耦合揭示了跨认知状态的高度相似、很大程度上与状态无关的空间分量。这种空间组织在所有频带之间共享。

总的来说，这些研究表明，功能连接的空间组织在认知状态（包括觉醒水平、静息清醒和具有不同认知需求的任务期）上基本稳定，即它本质上主要是内在的。该组织在很大程度上也是跨频段共享的。因此，电生理连接组的动态变化，包括那些自发发生的、由任务环境引发的或由刺激引起的变化，应该根据相对稳定的内在组织的信息偏离来研究 。

3.2 持续的活动在快速的时间尺度上动态变化

连接性随时间变化的现象已得到充分证实。虽然连接的静止状态波动很明显，但有时很难（甚至不可能）将这些波动与行为联系起来 。 奥尼尔等人使用滑动窗口来演示电生理连接如何随着运动任务而变化。这项工作采用了一种基于典型相关性的方法，能够检测感觉运动系统中的“子网络”。Neill 等人使用 6 秒滑动窗口测量了完整的连接组矩阵，并展示了 Sternberg 工作记忆任务期间网络的形成和分解。 这些研究开始表明，功能连接的完整动态方法为任务诱发动力学提供了新的见解 。

使用隐马尔可夫模型可能会消除滑动窗口（和类似）方法的局限性 。 在 Baker 等人的早期论文中，这种方法被用来揭示大脑状态的复发，这些状态被证明存在于几百毫秒的时间尺度上。Vidaurre 等人表明可以从正在进行的电生理数据中提取规范的 ICN（运动、视觉、默认模式）。重要的是，这些网络再次被证明可以在快速（<100ms）的时间尺度上进行调制。这些研究表明，规范ICN的表达可能会在比以前想象的更快的时间尺度上发展。

测量网络动力学毫秒波动的能力引出了一个问题，即是否可以使用相同的方法来理解电生理数据的持续时空特征如何与任务相交 。 Higgins 及其同事最近的工作解决了这个问题。作者使用 HMM 来模拟自发记忆“重放”期间的网络波动。回放是与特定项目相关的神经活动自发启动以巩固记忆的过程。回放事件通常在默认模式和顶叶 alpha 网络的激活期间选择性地发生——这两个网络已知与内向注意力相关。 这些发现提供了迄今为止最清晰的指示，表明正在进行的电生理网络活动如何被动态和选择性地调节以支持认知处理 。

综上所述，电生理学为以毫秒级时间和高空间精度标测动态连接体提供了最佳途径。结合对神经生理学相互作用的有意义的测量，它有助于更好地表征静息状态无任务数据。此外，电生理学还有助于更深入地理解任务诱发事件与正在进行的大脑活动之间的关系 。

4  有意义的电生理信号的频率带宽是多少？

电生理信号的毫秒级分辨率是他们最大的神经科学资产。信息论的一个主要结果是，信号分量以采样频率的一半的速度演化，就可以传达有意义的内容。当前电生理学硬件的数字化采样率可以高达每通道几十kHz。这是否意味着高达10kHz的大规模大脑信号波动传达了对识别连接组相互作用有意义的信息位 。

在特定环境中测量特定生物系统的每一种仪器都容易受到噪声的影响。噪声表征经常被随便忽视，因为它具有挑战性或根本不切实际。在我们的领域中，MEG系统最适合仔细表征环境和仪器噪声条件。运行“空房间”测量确实被认为是一种很好的做法，即在每个实验会话周围没有参与者在 MEG 传感器阵列下的情况下，以捕获可能在会话之间发生变化的噪声条件的导数，此类“干”数据运行有助于表征技术本底噪声及其频谱时间结构。

对于EEG，“空房间”条件是不切实际的，因为电极信号需要直接接触导电介质，即头皮或精心制作的导电体模设置。因此，截止频率和采样率通常是特殊定义的，通常设置在数百赫兹的范围内。这既不完全严谨也不令人满意，而只是举例说明了实验神经科学的某些方面如何仍然受到实践的指导。

考虑1 kHz采样的数据，这是该领域常见的范围。因此，理论上可用于信号分析的最大频率为500 Hz，实际上约为 250-300 Hz，这通常由仪器的附加抗混叠硬件滤波器强加。一个 250Hz 的大脑信号频带代表了一个由慢到快波动的广阔领域，以表征 电生理连接 组。从电气工程的角度来看，电生理数据因此被认为是 宽带 信号。有经验证据表明，头皮和皮质记录可以捕获与复杂的人类行为或临床症状有意义相关的快速（高频）信号。例如，外部感觉信号的神经夹带是一种强大的实验方法，可以通过在高达100 Hz左右的快速频率下特别提高它们的信噪比。刺激事件也可以诱发100 Hz以上的高频振荡突发并且由癫痫脑自发产生。这种快速信号是否在大脑网络的区域间通信中发挥作用是一个积极研究的问题。

总之，宽带信号可以实现丰富多样的信息通道。这意味着神经信息位可以通过不同的信息通道（例如限制在窄频带内的振荡信号）和/或通过更复杂的信号编码形式（例如相位幅度、交叉频率）在区域之间并行传输互动或以上所有。这些考虑对于产生可测试的机械假设以理解定义功能连接组的电生理信号相互作用的性质具有深远的意义 。

5  总结

本文总结了跨电生理学和功能磁共振的连通性在空间和时间上的收敛，它们不受逆问题的影响。我们还强调了电生理连接与个体内部和个体之间的行为的关联，以及与认知过程（如记忆巩固）相关的快速时变连接动力学，这些进一步支持了源定位电生理连接的重要性。使用血流动力学信号在很大程度上无法获得如此快速的连接组状态变化。此外，电生理和功能磁共振连接可能反映部分不重叠的神经和生理现象。功能性磁共振被概念化为由血流动力学反应平滑的电生理活动。然而，经过优化以在快速或慢速时间尺度上进行通信的神经群体和神经束可能分别通过电生理和功能磁共振测量得到更大的权重，并且功能磁共振连接可能容易受到跨区域血管需求的影响 。

最后，我们认为全脑电生理连接组学是基础和临床神经科学研究的机会。我们希望当前的观点和立场能够激发人们的信念，以充分利用人类大脑的分布式持续电生理中未知的财富。

参考文献：

Connectomics of human electrophysiology

㈡ 神经反馈丨关于脑磁图（MEG）的那点事

Hello，

这里是 行上行下 ，我是隔壁 壹脑云 的 石子 ~

前期文章[ 神经反馈的前世今生 ] 对神经反馈做了一个大致梳理，我们知道根据大脑活动信号的种类，神经反馈可以分为 基于电生理学的神经反馈 以及 基于血流动力学的神经反馈 。

基于电生理学方法的神经反馈根据提取电生理活动指标的方法与技术手段可以分为 基于脑电图( Electroencephalogram,  EEG)的神经反馈 、 基于脑磁图(Magnetoencephalography, MEG)的神经反馈 以及 基于脑皮层电图(Electrocorticography, ECoG)的神经反馈 方式。

本期我们主要围绕脑磁图(MEG) 技术进 行探讨 。

什么是脑磁图 (MEG)

脑磁图（MEG） 是一种旁物差通过测量脑磁场信号，对脑功能区进行定位及评价其状态的新技术，具有对人体无侵袭和无损伤等特点，目前已在人脑的功能研究和临床上进行应用。

脑磁图对脑电磁场监测的生理学基础

神经元在兴奋时通过膜内外离子通道的开闭产生随时间变化的电流，一般情况下，通过神经生理手段记录到的单个神经元兴奋产生的电位变化在几十毫伏水平，其产生的微弱磁场几乎不可能在头皮上被监测到。

因此，形成一个可监测的脑磁图信号需要大量神经元放电的叠加。

基于神经计算模型和经验数据，大约10000—50000个排列一致的神经元几乎同时放电可以产生一个宏观上可以监测到的电磁信号。

人类大脑皮层中，每平方毫米中大约有100000个神经元锥体细胞，平均每个神经元有上千个突触，同时在皮层中多数神经元是垂直于皮层表面的，在局部具有方向一致性，这构成了宏观可监测的脑电磁信号的生理基础。

同时包括颅骨在内的所有脑组织的磁导率几乎是相同的，也就是说大脑对于磁场的传播基本上是“透明”的，这为获得近乎无损的实时脑磁场神经信号探测提供了强有力的驱动。

但是想要记录这些近乎无损的神经磁信号却是非常困难的，典型的脑磁场在头皮外的强度介于10—100fT（1fT=10-15T）量级，约为地球磁场的亿分之一。

如何在相对巨大的地球磁场背景下和剧烈波动的外界电磁波动态干扰下实现极弱脑磁信号的探测与记录，在技术上给人类提出巨大挑战。

 

脑磁图（MEG）技术的起源与发展

1819年，丹麦物理蚂辩学家汉斯奥斯特发现导体内的电流会在周围空间产生磁场。

1969年，Choen博士使用SQUID传感器装置（单信道的传感器）装置在他的研究所的磁场屏蔽室内完成了人类第一次脑磁场测量。

1972年，美国 《科学》 杂志发表了Choen博士的题为“用超导磁场计探测脑的电气活动”的论文，从此揭开了用超导技术探测人脑生物磁场奥秘的篇章。

19世纪80年代，随着计算机技术的不断发展和应用软体技术的开发，MEG由单信道发展成37 信道传感器装置，并用于癫痫的诊断和一些脑功能方面的研究。

19世纪90年代，全头型的多信道MEG测量系统研制成功，只需一次测量就可采集到全头的脑磁场信号。而且可与MRI或CT等解剖影象信息叠加整合，形成脑功能解剖学定位，准确地反映出脑磁场瞬时的功能状况，使用方便快捷，并应用于神经科学、神经外科学、癫痫、小儿神经疾病等临床科学的研究。

21世纪初，在全头型MEG系统技术成果的基础上又研究成功胎儿MEG仪，可对胎儿脑、心脏等脏器进行磁场信号的检查，进一步推动了MEG的发展与应用。

 

基于脑磁图的神经反馈系统的组成部分

 

基于脑磁图（MEG）的神运皮经反馈系包括四个最主要的组成部分，分别是： ①磁屏蔽系统 ：确保脑磁信号不被外界磁场干扰； ②脑磁图测量装置 ：主要为超导量子干涉仪及探测线圈组成； ③刺激系统 ：如声音刺激装置、视觉刺激装置等； ④信息综合处理系统 ：主要由分析工作站组成。

脑磁图与脑电图的区别

尽管信号来源相同，脑电和脑磁在信号构成和特征上还有着显著的区别。

1.脑磁图主要测量细胞内电流产生的磁场，脑电图主要测量的是细胞外容积电流产生的电位。

2.脑磁图测量的是神经元在颅外产生的磁场，不受头皮、颅骨、脑脊液的影响，定位精确；脑电图测量的是电流在穿过不均匀的头皮、颅骨、脑脊液时电流发生衰减后的电位 ，由于上述组织对电的传导性不同，电流在穿过上述组织时方向发生偏转，导致脑电图定位不准确

3.脑磁图操作简便，不需要电极

4.从经济上讲，脑磁图设备昂贵，检查费用高，脑电图价格便宜。

脑磁图的应用研究

一、基础研究方面

MEG可用于听觉、视觉、语言、运动、脑细胞信息处理、胎脑发育、记忆、智力、睡眠与心理研究等众多领域。 使用MEG可以对在大脑皮质中和感觉信息处理相关的数个区域进行分析。

1.MEG能够定位听觉中枢 ，显示出听觉脑神经组织，进行注意力效果的测定。

2.MEG对视觉中枢也能够明确定位 ，并且容易测量到与视网膜关联的脑神经组织，以及相关的病理学状态，并能评价其视觉功能上的特殊性。

3. MEG能够用于辨别大脑皮质中进行语言处理的区域 ，使语言与脑功能区的研究更加方便和深入。

目前MEG已应用于一系列的 脑神经科学、精神医学和心理学 方面的研究，为揭示思维的本质，了解人为什么成为有个性、有感情、有思想的生命体提供了非常有效的研究途径。

二、临床医学的应用

1.颅脑手术前脑功能区和手术靶点定位

在MEG之前，只能根据MRI或CT等常规影像学检查结果及临床经验进行估计。当病变与脑功能区关系密切或已侵犯功能区时，病变往往使脑的正常解剖结构发生位移或变形，依靠常规影像学检查，很难准确判断功能区的位置。许多神经疾病由于没有明显的结构异常，因此很难用影像学检测手段判断病灶。

2.癫痫病灶的定位

癫痫是一种由于脑部神经元反复异常放电而致短暂脑功能失常的疾病，是神经科仅次于脑血管病的第二大顽症。确定诱发癫痫发作的局限性区域是一个还是多个，确定这些区域的位置，以及确定这些区域是否靠近重要的脑功能区域，对采取正确的手术方案和取得较满意的治疗效果十分重要。

研究表明：大约只有 20 %的癫痫手术患者可只通过图像数据进行诊断，其余的则需通过脑功能图像进行定位。应用头皮EEG描记定位的仅为30%-40% , 可靠性较低，不能为治疗提供足够的定位及功能方面的信息。

MEG可检测到直径小于2mm的癫痫灶，并能将其焦点位置定位在MRI或CT上，形成集病灶与脑重要功能区为一体的解剖或功能形态学影像，这也为外科手术治疗顽固性癫痫提供了准确的定位诊断，临床符合率可达80 %以上。

3.脑功能损害判定

MEG还常用于神经病理及功能性缺损的判定，如脑外伤的评估、患者神经状态的测定、神经药物有效性的评价等。

小伙伴们也可以在留言区将自己的相关经验分享一下，和大家互相交流哈~

分享完毕，希望有所帮助。 记得点赞关注哦

  参考文献：

[1]盛经纬, & 高家红. (2021). 脑磁图仪的前世今生与未来. 物理, 50(7), 7.

[2]孙波. 脑磁图在神经科学中的应用. 全国神经核医学与神经科学新进展研讨会暨核医学科普专家工作会议.

[3]Okada Y C , Lahteenmaki A , Xu C. Clin. Neurophysiol., 1999,110 (2)：2 3 0

[4]Murakami S,Okada Y. J. Physiol.,2006,575(3)：925

[5]Hamalainen M, Hari R, Ilmoniemi R J al. Rev. Mod. Phys., 1993,65(2)：413

[6]常义, & 刘宏毅. (2006). 脑磁图在神经外科领域的应用. 临床神经外科杂志, 003(001), 40-41.

[7]程光, & 章翔. (2002). 脑磁图的发展及应用研究. 中华神经外科疾病研究杂志, 1(3), 3.

[8]孙吉林. (2005). 脑磁图(meg)常见问题. 现代电生理学杂志, 12(4), 5.

整理/排版：石子

校对：喵君姐姐、Ting Zhang

㈢ 华为又一新专利获授权！可用脑电信号检测司机注意力，这又是什么黑科技

华为这项专利的背后，是高度先进的科学设计。

华为专利无孔屏，代表了华为乘风破浪、勇于创新的精神：相机压到银行卡厚度的惊人技术，其他手机厂商都喜欢甚至无法想象。但是，华为敢为天下先，乘风破浪，攻坚克难，成功研发并掌握了无孔屏技术，这说明华为员工不仅技术先进，而且铅谨胆子很大。华为公布了自己的新专利，无线充电，很多人都熟悉无线充电，但是汽车也可以无线充电，估计你没听说过，但是现在华为技术已经到了这一步，而且被授权给汽车无线充电，这项技术肯定会产生巨大的影响。

㈣ 脑电波芯片的芯片介绍

通过这个芯片，人类的情绪状态终于可以开始控制电子产品了。
· 直接与干颂慧电极相连
· 单EEG脑电通道+参考电极+地线
· 可以检测到极微弱的脑电信号
· 可过滤掉噪音，抗干扰
· 512Hz原始脑电信号 · 尺寸：亩陵2.79cm×1.52cm×0.25cm
· 最大重量：130mg · 原始脑电信号
· 专注
· 放松
· 眨眼
· 脑波：delta, theta, low alpha, alpha, low beta, gamma · 采样率：512Hz
· 硬件滤波：3Hz-100Hz
· 静电保护：4kV接触放电; 8kV隔空迅樱戚放电
· 最大消耗功率：15mA @ 3.3V
运行电压 2.97—3.63V
· UART串连口
- 波特率：1200,9600,57600
- 12-bits
- No parity
- 1 stop bit

㈤ 【文献阅读】MEG和EEG的多变量模式分析对比

原文：Multivariate pattern analysis of MEG and EEG: A comparison of representational structure in time and space
MEG和EEG的多变量模式分析：表征性结构在时间和空间的比较

亮点 ：系统比较了MEG和EEG在采用SVM的RSA分析时的结果差异，其比较思路和技术细节值得参考，例如给出了采用方法的详尽理由，包括优点辨析和成功条件。也展示了如何用RSA结合EEG/MEG和fMRI进行研究。可以加深理解MEG、EEG差异，以及RSA分析方法的使用逻辑和注意问题。
【内容巧旦】为个人思考补充

脑磁图MEG和脑电图EEG来进行多变量模式分析可以揭示认知背后的高时间分辨率的神经机制，但问题是 MEG和EEG的神经活动采样存在系统的差异 。
Method ：为了解释这个问题，在被试观看 日常物体的图像 时进行了同步的脑磁图MEG/脑电图EEG研究。对脑磁图和脑电图数据进行多变量分类分析（multivariate classification analyses），互相比较时间进程下的结果，并对功能磁共振成像数据进行单独的空间分析。
Result ：脑磁图和脑电图显示的视觉处理的毫秒级时空变化基本一致。除了产生收敛的结果外，也发现了脑磁图和脑电图对于视觉表征部分独特的方面。 相较于EEG，在MEG这些独特的成分较早出现 。通过fMRI识别这些独特成分的来源， 无论脑磁图还是脑电图都来自于高级视觉皮层，而脑磁图还显示了来自低水平视觉皮层的成分 。
Conclusion ：总之，对MEG和EEG数据的多变量分析提供了一个关于神经处理的趋同和互补的观点，并促使在MEG和EEG研究中更广泛地采用这些方法。

16名健康人类志愿者（7名女性，年龄mean ± s.d. = 24.1 ± 4.5）

刺激集包括92张彩色照片（Kiani等人，2007；Kriegeskorte等人，2008b；Cichy等人，2014，2016b），包括人类和非人类的面部和身体，以及分隔在灰色背景上的自然和人工物体（图1a）。

被试观看在屏幕中心呈现的图像（视觉角度4度），时间为500毫秒，并叠加一个浅灰色的固定十字。共15次测试，每次持续290秒。在每次测试中，每个图像都以随机顺序呈现两次，试验间隔（ITI）被随机设置为1.0或1.1秒，概率相同。被试被要求保持固定，并在每3至5次试验中随机显示回形针图像时按下按钮并眨眼（平均4次）。回形针图像不是92个图像集的一部分，回形针试次被排除在进一步分析之外。

同时采集MEG和 EEG 信号。MEG 306个通道，EEG 74个通道。
先用Maxfilter software，采用默认参数处理清除不良数据。之后用BrainStorm进行预处理，分段是-100 到 900ms，采用30Hz低通滤波

【以下分析为揭示两种数据对于不同实验材料和概念水平进行孝坦扰分类的精度】
使用了多种采样方式
1）全部74个EEG通道；2）全部306个MEG通道；3）74个MEG通道的随机子集和同样数量的EEG通道路；4）380（306+74）个所有MEG和EEG通道等

首先确认了单个实验条件下，区分MEG和EEG激活模式的时间进程。分类采用了SVM线性支持向量机，使用libsvm软件，固定正则化参数，C=1.
【Feature selection】分类方法是时间分辨的，从MEG和EEG通道的测量结果中分别创建了每一毫秒的模式向量。特别是，对于每个时间点t（从-100到900毫秒，以1毫秒为单位）， 每个试验的特定条件下通道激活值作为模式向量 （M =30【15个run，每个材料重复两次】），从而产生30个原始模式向量。
【Pattern assembly & partitioning】【Average】为了减少计算负荷，提升信噪比，按照随机顺信肆序再次平均了每组（k=5）的M向量，得到了M/k=6 个的平均模式向量。
【Pairwise classification】对于所有成对的条件组合，在平均的模式向量上训练和测试SVM分类器。详细来讲，M/k-1个模式向量被分配到一个训练集来训练SVM。保留的模式向量被分配到测试集，用来评估训练后的SVM的性能（%解码准确率）。
训练和测试程序重复100次，随机分配原始模式向量到平均模式向量。对于减少通道数据集的情况，这也涉及到对每个迭代的通道进行重新取样，以获得解码准确的无偏估计。
【RDM】对于每个时间点，将跨迭代的平均分类结果存储在92* 92大小的矩阵中，按分类条件的行和列进行索引。这个解码矩阵是对称的，有一个未定义的对角线（因为条件内没有分类）。

评估了何时MEG和EEG激活模式可以在 上级（有生命与无生命，自然与人工）、中级（身体与面孔） 和下级（人与动物的身体和面孔）这三个水平区分五种不同物体类型。为此，根据矩阵元素索引的条件对，将92* 92解码矩阵划分为相关分类的类别内和类别间。类别间减去类别内的解码准确度的平均值 作为 类别的聚类衡量标准 ，表明关于类别成员的信息超过单一图像的可辨别性。

【以下分析为揭示MEG和EEG测量的差异之处】
为了揭示MEG和EEG数据的多变量模式分析所发现的视觉表征的共同与独特之处，使用了表征相似性分析（RSA）。将 解码准确率作为异质性（dissimilarity）测量指标：解码准确率越高，分类条件的激活模式就越不相似。
使用由 线性SVM确定的解码准确率作为距离测量的优点 是：i）它可以自动选择包含鉴别性信息的通道，从而避免了基于人类的选择的需要，因为这种选择可能带来偏见；ii）它可能对噪音很强的通道不那么敏感，而不是对所有通道的贡献进行同样权重的测量，如相关性分析。
MEG和EEG解码矩阵被解析为 表征差异矩阵（RDMs） ，这允许在两种模式之间进行直接比较。其基本思想是，如果EEG和MEG测量类似的信号，那么在EEG中唤起类似模式的两个物体也应该在MEG中唤起类似的模式。
RDMs的有效比较要求它们 由独立的数据构建 （Henriksson等人，2015）。否则，与实验条件无关的trial by trial信号波动，如认知状态（注意力、警惕性）或外部噪声（运动、电磁噪声）将膨胀、扭曲，并使EEG和MEG之间的相似性产生偏差。
为了独立构建MEG和EEG的RDMs，我们将数据分成两半，将偶数和奇数试验分配到不同的集合 。然后我们用RSA比较了（Spearman's R）来自split half 1与split half 2的RDMs，在MEG和EEG测量模式内部和之间进行比较（Fig 3A）。重要的是， 由于相同试验的脑电图和脑电图数据在每次分割中都被分组，脑电图和脑电图测量模式内部和之间的比较同样受到逐次试验波动的影响，因此具有很好的可比性 （如果脑电图和脑电图分别记录于记录在单独的session，就不会出现这种情况【强调了两个数据需要同时获得而不能分别获取的必要性】）。
比较不同成像模式（MEG与EEG）的RDMs，只显示了视觉表征的共同方面。比较成像模式内的RDMs（MEG vs MEG，EEG vs EEG）获取的信度估计就包含了其共同和独特方面。
因此， 模式内相似性减去跨模式相似性的差异 揭示了用MEG或EEG测量的视觉表征的独特方面。在这个分析中，时间分辨的分类与上述单个图像分类类似，但为了减少试次，再次平均模式向量时平均k=3个的模式向量。

与已有数据进行对比【Cichy, R.M., Pantazis, D., Oliva, A., 2014. Resolving human object recognition in space and time. Nat. Neurosci. 17, 455–462.】

15名参与者在记录fMRI数据时观看了相同的92幅图像集。每个参与者在两个不同的日子里完成了两个测试，每个测试由10-14次trial组成，每次持续384秒。在每次运行中，每幅图像都被展示一次，图像顺序是随机的。在每次试验中，图像显示500毫秒。【保持被试注意的任务】所有试验中的25%是无效试验，在此期间只呈现灰色背景，固定的注视点变暗了100毫秒。被试被要求用按下按钮的方式来报告固定交叉亮度的变化。

两个兴趣区（ROI）：初级视觉区 V1（primary visual area）和下颞叶皮质IT（inferior temporal cortex）。

使用基于相关性的异质性测量为每个被试单独构建fMRI的RDMs。
【构建相似性矩阵】对于每个ROI，提取并串联每个图像条件的fMRI 体素激活值 。然后，计算每对图像条件的模式向量之间的所有成对相关系数（皮尔逊的R），并将结果存储在一个92 92的对称矩阵中，按比较条件的行和列索引。
【转换指标】通过1-R，将相关相似性测量转换为差异性测量。选择这种距离测量的原因是，
1）它是fMRI分析中的常见选择；
2）已被证明能够与MEG数据成功融合；
3）计算速度快；并允许直接比较基于相同fMRI数据的结果。

为了进一步的分析，对所产生的异质性的测量进行了平均，产生 每个被试和ROI一个RDM 。

为了确定在MEG和EEG中观察到的时间动态的空间来源，并将它们相互比较，使用了基于RSA的MEG/EEG-fMRI融合方法（Cichy等人，2014，2017，2016b，a）。
采取这一分析的目的是绑定特定的(无时间)的fMRI空间点与(无空间)的MEG/EEG时间点的表征相似性，如果条件在fMRI和MEG信号空间中唤起类似的模式，那么时间和空间的点就被联系起来。
这种方法的成功关键是取决于，在物体视觉过程中表征几何学在空间和时间上的快速变化，从而空间分辨率的fMRI RDMs可以与时间分辨率的MEG RDMs独特地联系起来。
最后，为了比较基于不同MEG和EEG数据集的融合结果，我们基于一个通道采样的结果中减去基于另一个通道采样的结果，来获得特定被试的融合结果。

对于每个ROI和被试，计算每个时间点特定的fMRI RDM和平均的MEG或EEG RDM之间的相似性，从而得到表征相似性时间进程。（Fig 4A）

对每个fMRI被试，在时间点从-100到+500毫秒以5毫秒为单位，分别进行了Searchlight分析。对于每个体素v，在以体素v为中心、半径为4个体素的球体中提取特定条件的t-value 模式（searchlight at v），并将它们排列成 模式向量 。
用1减去每对条件的Pearson's R 来计算模式向量之间的成对不相似性，从而得出fMRI RDM。然后计算探照灯特定的fMRI RDM和被试平均的MEG或EEG RDMs之间的相似性（Spearman's R）。
对大脑中的每个体素重复这一分析，得到了fMRI和MEG或EEG在每个时间点的表征相似性的三维图。对所有的时间点重复同样的方法，我们得到了一系列的三维地图，揭示了在物体感知过程中人脑的时空激活，这些激活分别由MEG和EEG记录。

置换检验和bootstrap

对于每个时间点，对解码矩阵的所有元素进行了平均，产生了所有实验条件下特定条件下解码准确性的大平均时间过程（Fig. 1C）。观察到MEG/EEG 的所有四个主要通道采样的显著效果。这表明， 原则上MEG和EEG信号都可以进行同样的多元分析 ，并再现了Cichy等人（2014）基于脑电图的结果。

鉴于MEG和EEG在解码单一图像方面的定性和定量差异，调查了MEG和EEG在揭示不同分类抽象水平的物体类别处理信息方面是否也有差异。
按照Cichy等人（2014）的方法，我们将解码准确率矩阵划分为两个分区：图像属于统一类别浅灰，不同类别深灰。
平均子类之内和之间的解码正确率（decoding accuracies）的比较作为检验类别的聚类标准。其原理是，为了揭示多于单个图像信息的类别信息，必须从表明单个图像和类别之间（不同的子类）的差异的信息中减去表明单个图像之间的差异的信息（相同的子类）。这就产生了对一个表征的明确测量，即类别信息可以以线性方式读出（DiCarlo和Cox，2007）。
发现在MEG和EEG的sensor的所有四个采样中，所有五个细分类别的信息都有明显的信号（Fig 2A-E，中间部分，除了EEG中的自然性）。
从差异的角度来看，仅发现微小的统计差异。且潜伏期无显著差异。
最后，基于MEG&EEG与MEG采样的结果比较显示，除自然性外，所有情况下都有差异（Fig 2A-E）。

平均单幅图像解码准确性和特定类别的信号是汇总统计，只能部分反映脑电图和EEG数据中丰富的多变量信息。如果考虑到解码矩阵所捕获的整个表征空间结构，那么脑电图和EEG是如何比较的呢？为了进行研究，在完整的解码矩阵上使用了表征相似性分析（RSA）

Fig 5B，发现了一个正性显著的表征相似性时间过程，表明视觉表征的某些方面被两种模式都捕捉到了。同时也存在一个显著高于跨模式表征的相似性，表明MEG和EEG也分别解决了视觉表征的部分独特方面。

MEG和EEG独特信号的时间进程是不同的：MEG的峰值延迟明显早于EEG的峰值延迟。

发现了两个脑区在所有通道采样方式的情况下显著的fMRI和MEG/EEG的表征相似性（Fig4 BD）
在比较 MEG和EEG的差异和共同之处时，
首先，比较峰值潜伏期，没有发现显著差异
其次，比较减去EEG或MEG的结果（Fig4 CE）观察哪种模式和fMRI相似性更高。发现MEG为基础的融合相似性一致的强于EEG为基础的融合。
第三，进一步进行偏相关分析。发现MEG 在V1脑区的独特成分比EEG更敏感（Fig 5）

基于MEG和EEG的与fMRI数据的融合都揭示了腹侧视觉流中表征相似性的逐级前馈（feedward cascade 前馈级联）早期的表征关系在枕极（occipital pole）类似，以可比较的动态变化沿腹侧视觉通路迅速扩散。（Fig.6B）

总体而言结果表明，MEG和EEG都很适合与fMRI数据进行基于RSA的融合，以揭示皮质信息流，但没有揭示MEG/EEG对视觉表征独特方面的进一步敏感性来源。

总的来说，几乎所有在一种测量模式中产生重要结果的分析在另一种模式中也产生了重要结果（EEG的自然性分类是唯一例外）。
通过基于分类的时间进程对脑电图和EEG进行比较，以及直接通过表征相似性分析，产生了对神经表征的共同和独特方面的敏感性证据。
MEG和EEG与fMRI的融合使独特的方面得到了空间定位：两种模式都捕捉到了高水平视觉皮层中表征的独特方面，而MEG也捕捉到了低水平视觉皮层中的表征。可能是由于低级视觉区位于浅层来源，而高级视觉区是深层来源。因为低级视觉区神经元活动更早出现，所以MEG更早的峰值，也可以被解释为MEG对浅层神经源更敏感。

并且在通道数保留很少（32）时，大部分效应仍然可以被观察到，说明了RSA可以应用于只有少量通道时的情景。

EEG效应弱于MEG，说明MEG在需要时间分辨率时是更优选

㈥ [转载]EEG伪迹

参考文章：
EEG信号伪迹来源及可能原因分析
知乎 zhuanlan.hu.com/p/42681420
微信

1.1 眨眼和其它眼动
眼电（EOG）主要是由眼球移动或眨眼造成，振幅大，主要表现在大脑前额部分较明显。具体的产生与纠正方法可参看前段时间推送的文章 《脑电分析之眼电去除》

1.2 心电伪迹
心电（ECG）主要是由心脏跳动产生的干扰信号，通常在普通的EEG/ERP实验中，受到的干扰较小，所以一般没有做处理。但是在EEG-FMRI实验中，是使用单极导联记录心电信号，这是要处理心电信号中的R波带来的干扰。

1.3 肌电伪迹
肌电（EMG）信号主要是由头部、肢体、下巴、舌头微小蠕动以及吞咽等运动所产生的干扰信号。EMG信号的频率通常大于30Hz，这在采集信号时，就可以清楚的看出在波形上有很多毛刺信号，这类信号一般就可以认为是肌电伪迹。头部和面部产生的肌电信号主要发生在额或颞区；舌头蠕动或吞咽，肌电信号主要在颞区。产生肌电信号时，为了能实时的看清产生腔知的脑电信号，可以使用低通滤波器把肌电伪迹实时去除，但是一般情况下的实验，我建议不要轻易的进行此操作。
1.4 血管波伪迹
这类伪迹信号，主要是电极埋在了血管附近，血管波信号是一类很有规律的信号伍孙消，有点类似于心电信号的规律。就目前，我所见的到常发生的电极在额或颞区，主要的电极点FT7、FT8。
1.5 出汗伪迹
这类伪迹主要是由于实验时，温度升高造成头皮出汗，记录的信号会发生慢漂移，这种信号是可以避免的。在合适的实验环境也是非常重要的一点。
1.6 运动伪迹
这类信号主要是凯孙由于受试者在实验中发生一些移动、头部或身体的一些晃动，这类信号也是可以避免的，在实验前指导语提示受试者在实验过程中尽量不要移动。

2.1 50Hz工频干扰
50Hz信号主要的来源市电50Hz/60Hz交流电对设备的干扰，亦或者是地线接触不良造成的干扰。
2.2 电极安放时接触不良
这类干扰极有可能是在实验时，电极的移动造成阻抗的变化导致信号急剧发生偏转。
2.3 设备间的电磁波干扰
这类信号是由于EEG设备在工作时，周围有其它大功率的设备同时在工作产生的电磁波干扰。

参考文章：
脑电分析之参考电极变换
脑电分析之伪迹去除（以Analyzer和curry为例）

㈦ eeg采集数据屏幕上蓝色

EEG（脑电谨隐图）采集的数据通常会显示在屏幕上以蓝色的波形图，这是因为蓝色比其他颜色更容易被人看清祥辩厅楚。蓝色的波形图可以帮助医生更好地识别和评估患者的脑电灶桥图数据。EEG（脑电图）采集的数据通常会显示在屏幕上以蓝色的波形图，这是因为蓝色比其他颜色更容易被人看清楚。蓝色的波形图可以帮助医生更好地识别和评估患者的脑电图数据。

㈧ 脑电图（EEG）和事件相关电位（ERP）有什么区别愿意付出400分给最佳者！！！

一、获取方式不同

1、脑电图：是一种使用电生理指标记录大脑活动得方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。

2、事件相关电位：是一种特殊的脑诱发电位，通过有意地赋予刺激以特殊的心理意义，利用多个或多样的刺激所引起的脑的电位。

二、目的不同

1、脑电图：是脑科学的基础理论研究，脑电波监测广泛运用于其临床实践应用中。

2、事件相关电位：反映了认知过程中大脑的神经电生理的变化，也被称为认知电位，也就是指当人们对某课题进行认知加工时，从头颅表面记录到的脑电位。

三、特点不同

1、脑电图：来源于锥体细胞顶端树突的突触后电位。脑电波同步节律的形成还与皮层丘脑非特异性投射系统的活动有关。

2、事件相关电位：给予神经系统(从感受器到大脑皮层)特定的刺激，或使大脑对刺激(正性或负性)的信息进行加工，在该系统和脑的相应部位产生的可以检出的、与刺激有相对固定时间间隔(锁时关系)和特定位相的生物电反应。

㈨ ccat是什么的证书

中文全称是“全国信息化计算机应用技术资格认证”，是由国家人事部中国高级公务员培训中心和教告唯毕育部全国高等学校计算机教育研究会共同推出的一种在IT业，重操作技能、重管理能力的一种专业技术认证培训和认证考试。

CCAT资格证书体现证书获得者在某一专业技术范畴的理论水平和实践能力。CCAT资格证书是与国际资格证书互认的专业技术资格证书，具有权威山庆性，此资格证书是计算机专业技术人才岗位评聘的有效依据。

ccat资格认证项目宗旨

CCAT资格认证项目宗旨就是要建立一套全新的计算机应用技术人才培养和考核机制，大规模培养我国信息化所需要计算机应用技术方面的应用型、管理型、决策分析型专业技术人才，并为企事业单位选拔高素质、复合袜芹型的人才。

以上内容参考：网络-CCAT认证