近日，北京大学IDG麦戈文脑科学研究所、心理与认知科学学院解万泽研究员，于《Developmental Cognitive Neuroscience》发表题为“EEG functional connectivity analysis in the source space”的研究论文，介绍了两种较新的源空间功能连接分析流程，并基于两组婴幼儿（1岁和3岁，各30人）脑电数据展示了两种方法的使用，揭示了部分脑网络连接从1岁到3岁的变化。

两种分析流程所使用的全部程序和材料已公开，欢迎大家尝试、交流：https://github.com/happytudouni/SourceSpaceFCAnalysis_DCN

脑电图 (EEG) 具有高时间分辨率、非侵入性、使用便捷、佩戴迅速、受头动影响相对较小、儿童容忍度高等优点。这些优点使得脑电技术在儿童认知与脑发育的研究中备受欢迎。能否以及如何使用脑电来探究脑网络在不同频段上的功能连接、及其发展变化在近些年越来越受到关注。由于体积传导效应（volume conduction）的影响，仅通过计算头皮上电极之间的功能性连接所能获得的关于皮层脑网络功能连接的信息十分有限。因此，研究者们开始尝试结合MRI影像（模版）、脑电溯源技术、及源空间功能连接分析技术来评估不同频段上的脑网络连接状态。由于某些影像学手段如PET、fMRI在婴幼儿中使用所尚存局限性，此类脑电源空间脑网络分析技术在婴幼儿中受到了更大的关注。

方法总结

目前在源空间functional connectivity(FC)研究中广泛采用两个FC指标：相间同步(phase-to-phase synchrony, PPC)和幅间相关(amplitude-to-amplitude correlation, AAC)，即分别将神经元活动表示为相位和幅度动力学。本研究展示和比较了基于PPS和AAC两个指标的两种源空间FC分析流程（pipeline），以下简称为“pl_pps”和“pl_aac”。两种分析流程均在作者们近期的研究中被使用：“pl_pps”(Xie et al., 2019a,b, BMC Med, Dev Sci)和“pl_aac”(Toll et al.,2020, AJP; Zhang et al., Nat. Biomed. Eng.)。

本研究的样本数据源自两组不同年龄的儿童，分别为12个月和36个月，每组各30人。使用NetAmps 300 放大器（Electrical Geodesic Inc.，Eugene，OR）和124 通道HydroCel Geodesic Sensor Net (HGSN)采集EEG数据。

源空间中的 EEG FC 分析步骤（图2）：

pl_pps和pl_aac两种分析流程的主要步骤与思路有很大重叠，但在头模型构建、频率分析、FC计算和体素分割等过程中使用的具体方法上存在差异。具体步骤如下：

1) 使用高密度EEG数据和婴幼儿MRI模版进行大脑皮层源重建；

图1. 源重建过程

2) 将重建的源活动（源体素/顶点）分割成大脑感兴趣区域(ROI)；

本文中pl_pps使用LPBA40脑图谱为例子，将3D源体素分割为48个ROI，这些ROI被进一步分为四个主要的脑叶，即额叶、颞叶、顶叶和枕叶。

pl_aac则以数据为导向，对所有源顶点进行分析，找到全局相关性更为显著（重要连接中心）的相关源顶点，得到功能性ROI，排除先验的影响。

3) 使用“稳健的FC评估指标”，即加权相位滞后指数 (wPLI) 和正交功率包络相关性(power envelope correlation between orthogonalized signals)来计算两两ROI之间或有限频段中源体素/顶点之间的FC。

图2. pl_pps（左）和 pl_aac（右）的步骤

结果概述

pl_pps的分析结果发现大脑FC在不同频段和年龄间呈现不同的模式（图3）。在两个年龄组的θ频段中都发现了远程和短程的相关；α频段FC中心区域在中央、顶叶和枕叶脑区；β频段FC在额颞脑区最为明显；在γ频段发现了类似的FC模式，此外，枕叶也显示出强的γFC。总体而言，FC自12个月到36个月下降，这可能反映了童年时期脑区神经元功能连接的修剪。

图3. pl_pps 的大脑 FC 结果
FC的强弱由连线的粗细表示，不同叶的大脑ROI用不同的颜色绘制，蓝色为额叶ROI，绿色为颞叶ROI，黄色为中央和顶叶ROI，红色为枕叶ROI。

使用wPLI时，每个大脑FC图的邻接矩阵如（图4）所示。pl_pps还使用了正交功率包络相关（AAC），如（图5）所示，与使用wPLI的结果相比，中心点呈现更分离的脑网络组织，即中心点更局部化的趋势。

图4. 使用wPLI时四个频段中FC邻接矩阵

图5. 使用正交功率包络相关性时四个频段中FC邻接矩阵

pl_aac的分析结果与任何先验模型或图谱完全无关，结果发现，每个频段中都出现了不同的FC拓扑。在θ带发现了成人研究中常观察到的hub区域，包括执行和显著网络（executive and salience networks）的主要节点(如前额叶、顶叶后部和额岛)。两组被试在α频段中的拓扑结构差异最大，相较于12个月被试组，36个月被试组，在颞叶表现出更高的FC。

图6. pl_aac中不同频段FC中心脑区
红色表示具有相对较大t值的顶点簇，即大脑中每个频段连接的重要中心区域；蓝色表示具有相对较小的t值统计量的顶点簇，即与其他脑区连接较弱的区域。

pl_pps和pl_aac结果的对比与讨论详见文章。两种方法总体上呈现了较为一致的结果，但主要区别之一在于pl_pps的结果没有pl_aac结果显示的偏侧化(右半球)。这可能与头模型创建过程(BEM vs. FEM;表面vs.体积模型)、皮层切割方法(顶点vs. roi)和FC估计方法(PPS vs. AAC)的不同有关，这些差异可能会导致源空间FC分析得出不同结果。

解万泽研究员为文章第一及通讯作者，另外两位作者为德克萨斯大学西南医学中心（UTSW）的助理教授Russell T. Toll和哈佛大学医学院(HMS)的Charles A. Nelson教授。

参考论文

1. Toll, R. T., Wu, W., Naparstek, S., Zhang, Y., Narayan, M., Patenaude, B., ... & Etkin, A. (2020). An electroencephalography connectomic profile of posttraumatic stress disorder. American Journal of Psychiatry, 177(3), 233-243.

2. Xie, W., & Nelson, C. A. (2021). A state-of-the-art methodological review of pediatric EEG. Advances in Magnetic Resonance Technology and Applications, 2, 373-391.

3. Xie,W., Toll,R.T., & Nelson,C.A.(2022). EEG functional connectivity analysis in the source space. Developmental Cognitive Neuroscience, 56, 101119. https://doi.org/10.1016/j.dcn.2022.101119.

4. Zhang, Y., Wu, W., Toll, R. T., Naparstek, S., Maron-Katz, A., Watts, M., ... & Etkin, A. (2021). Identification of psychiatric disorder subtypes from functional connectivity patterns in resting-state electroencephalography. Nature biomedical engineering, 5(4), 309-323.

原文链接：https://doi.org/10.1016/j.dcn.2022.101119

---

2022-06-21