PEB模型在同步核磁?脑电源定位中的应用

刘茵 姜忠义 邹凌 毕卉 张蔚

摘  要： 利用腦电（Electroencephalographic，EEG）和功能性磁共振成像（functional Magnetic Resonance Imaging，fMRI）时间和空间上的互补性可以获得大脑的电源活动。为了获得经典奖惩任务中脑区的激活情况，同步采集fMRI?EEG数据，使用以fMRI空间作为约束的参数经验贝叶斯（Parametric Empirical Bayesian，PEB）模型进行了脑电源活动分析。同时，结合稀疏求解的方法，提取更集中的神经电活动，进一步突出激活强度高的脑区。实验结果表明，在奖惩结果呈现后的200～350 ms内，奖赏刺激能够诱发出反馈相关负波（Feedback Related Negativity， FRN）。fMRI空间定位显示前额叶、眶额叶等奖赏相关脑区出现激活，EEG源定位提取到了前额叶脑区的激活，但是这些激活区域均分散在脑区的各个部位。相比于单一模态fMRI空间定位和EEG源定位结果，同步源定位提取的脑区更集中，获得的模型证据也更大，更准确地描绘了脑区激活情况。

关键词： 脑电; 功能磁共振成像; 参数经验贝叶斯模型; 同步采集; 稀疏求解; 结果分析

中图分类号： TN712?34; TP399                   文献标识码： A                      文章编号： 1004?373X（2020）06?0156?04

Application of PEB model in synchronization  fMRI?EEG source localization

LIU Yin1，2， JIANG Zhongyi1，2， ZOU Ling1，2， BI Hui1，2， ZHANG Wei1，2

（1. College of Information Science and Engineering， Changzhou University， Changzhou 213164， China;

2. Changzhou Key Laboratory of Biomedical Information Technology， Changzhou 213164， China）

Abstract： The complementarity of time and space of electroencephalographic （EEG） and functional magnetic resonance imaging （fMRI） is utilized to capture power activity of the brain. The fMRI?EEG data is collected synchronously， and the brain power activity is analyzed by means of the parametric empirical Bayesian （PEB） model taking fMRI space as the constraint， so as to obtain the activation of brain regions in the classic reward and punishment. The more concentrated neural electrical activity is extracted in combination with the method of sparse solution， to further highlight the brain regions with high activation intensity. The experimental results show that the reward stimulation can induce feedback related negativity （FRN） within 200～350 ms after the reward and punishment results are presented; the spatial location of fMRI presents activation of reward?related brain regions such as the prefrontal lobe and orbitofrontal cortex， and the EEG source localization is adopted to extract the activation in the prefrontal lobe brain region， but these regions are all scattered everywhere in the brain region. In comparison of the results of the single mode fMRI spatial localization and EEG source localization， the brain regions extracted with the synchronous source localization are more concentrated， and the obtained model evidences are also larger， which represents the activation of brain regions more accurately.

Keywords： EEG; fMRI; PEB model; synchronous acquisition; sparse solution; result analysis

0  引  言

奖惩任务是研究情感决策问题的经典范式[1]。情感决策能力能够反映个体对社会的适应能力。存在情感决策障碍的个体对收益和损失不敏感，很难做出对未来有利的选择。情感决策的研究有利于理解影响神经信号产生的因素，为临床诊疗提供辅助信息。

目前情感决策神经机制的研究主要是利用单一模态的fMRI或EEG两种成像技术，在时间或空间上的分辨率有待进一步提高。fMRI研究情感决策的主要方法是空间定位分析[2]。EEG用于研究情感决策的方法有事件相关电位（Event Related Potential，ERP）分析及EEG源定位分析。在ERP分析中，通过提取情感决策相关的EEG成分，来反映大脑神经电生理变化[3]。由于大脑容积导体效应和封闭场问题，头皮记录的EEG信号在空间上只能达到厘米级[4]，而源定位分析能通过线性求逆的方法重建EEG源，不仅保留了EEG信号高度动态变化的特征，还能估计源的空间范围[5]。虽然源定位技术已经很成熟，但是大多基于单一脑电，不能解决EEG空间分辨率低的问题[6]。再加上同步数据采集难度较大，国内只有少数几个单位具有采集同步fMRI?EEG数据的条件[7]，导致利用同步fMRI?EEG数据进行情感决策的研究很少。PEB模型能够将各种空间先验引入到EEG源估计中[8]。基于PEB模型的源定位方法有最小模解估计（Minimum Norm Estimate， MNE）、低分辨率层析成像（Low?Resolution Electromagnetic Tomography， LORETA）等。其中，MNE方法计算效率最高[9]。本文同步采集fMRI?EEG数据，在时间进程上提高两种数据的相关性，分别利用同步数据提取fMRI空间信息、ERP成分，并利用PEB模型实现有/无fMRI空间信息约束的EEG源成像，综合fMRI和EEG在空间、时间上的优势，提高大脑活动信息的定位精度，并通过稀疏方法突出激活强度高的EEG源。

1  同步fMRI?EEG源定位中的PEB模型

fMRI约束的EEG源定位技术路线如图1所示。首先使用边界元模型（Boundary Element Model，BEM）为每个被试构建真实头模型，模拟不同被试大脑的源空间，并计算出传递矩阵L。用BEM构建的头模型个体化精度较高，有利于EEG源定位精度的提高。EEG的概率生成模型是线性的，用来描述头皮EEG与源空间皮层活动之间的关系，公式为：

式中：Y∈Rn×t是n个电极、t个时间采样点的EEG数据;L∈Rn×s是电流源的传递矩阵，s指EEG源的数量;J∈Rs×t是未知源矩阵。自由项E（l）～N（0，C（l））是均值为0，协方差为C（l）的多元高斯分布。利用协方差分量[Q（l）i]的线性混合，构造空间协方差矩阵C（l），如下：

式中：[λ（l）i]是决定空间的协方差矩阵;[Q（l）i]是约束程度的正则化参数，用于平衡模型的准确性和复杂性。空间协方差矩阵C（2）可以进一步形成为由fMRI激活信息构造的源协方差矩阵R。在本实验中，采用MNM方法重建源矩阵J，计算公式为：

在分层经验贝叶斯模型中，对数模型证据ln p（Y|λ）是观察变量的边际似然函数。为了找到最优的均值和协方差，用经典约束最大似然（Restricted Maximum Likelihood，ReML）算法最大化成本函数，即变分自由能。自由能F与模型证据有关，是模型證据的下限。自由能的公式为：

式中：未知源的稀疏变换信号用有限个非零元素的矩阵S表示;矩阵D通常被称为字典矩阵。

2  实验设计

2.1  被  试

本实验采集了10名19～25岁大学生的同步fMRI?EEG数据，其中8名男性，2名女性，平均年龄22岁。所有被试身心健康，右利手，视力正常。实验在常州市第二人民医院完成，经常州大学伦理委员会批准，实验前所有受试者签署知情同意书。

2.2  实验范式

实验使用E?prime软件设计一个经典奖惩任务[10]。实验过程由8个循环任务组成，每个任务包含10个试次，由40个奖励刺激和40个惩罚刺激的随机呈现组成。单个试次的实验流程如图2所示。电脑屏幕上会同时出现两扇相同的门，其中一扇门对应着奖励（+2.0元），另一扇门对应着惩罚（-1.0元）。参与者被事先告知，始终选择认为能够奖励的那扇门。如果被试没有及时做出选择，电脑将随机选择一扇门。之后是2 000 ms的注视点，接下来是2 000 ms的箭头反馈。绿色向上的箭头表示奖励，红色向下的箭头表示惩罚。箭头反馈结束后，屏幕中心将显示被试当前的累积分数。每次试验结束时，被试会有4 000 ms的休息时间。在正式实验之前被试需要完成2次练习，包括奖惩两种刺激。

2.3  实验数据采集

实验采用的同步采集系统包括EEG数据记录室和fMRI数据扫描室两个部分[11]。数据之间的同步性通过时钟同步盒来实现。脑电设备使用的是美国EGI公司64导电极帽，电极位置遵循10?10电极分布系统。脑电记录软件为Net?Station，采样频率设置成1 000 Hz，阻抗50 kW，并选取CZ电极作为所有导联的参考点。核磁设备使用的是3.0T飞利浦核磁采集系统，fMRI扫描的重复时间为2 000 ms，回波时间为35 ms，翻转角度为90°。按顺序连续扫描24层，层厚为3.5 mm，视野（FOV）为230 mm×180 mm。

3  数据处理

3.1  脑电数据处理

EEG数据预处理在Net?Station上完成。预处理的主要目的是去除干扰噪声。去除梯度场噪声使用平均模板减法，通过加权平均生成描绘梯度场伪迹的模板，在原始EEG信号中减去梯度场噪声。去除心电伪迹噪声使用基于聚类约束的独立成分分析法（Clustering?Constrained Independent Component Analysis， CCICA），将心电伪迹划分成不同的类型，结合聚类结果对EEG信号进行校正[12]。EEG信号预处理还包括带通滤波（0.1～30 Hz）、分段（-200～1 000 ms）、坏通道替换、基线校正（-200～0 ms）。最后利用零参考转换进行重参考[13]。

3.2  核磁数据处理

核磁数据预处理使用SPM12（Statistical Parametric Mapping）工具包完成。预处理步骤包括：时间层校正、头动校正、空间标准化、高斯核空间平滑和滤波（0.01～0.08 Hz）。最后，用一般线性模型（General Linear Models， GLMs）进行统计分析，提取fMRI激活图作为空间约束融合到源定位中。

4  结果及分析

4.1  平均时间相关电位分析

对预处理后的EEG信号做叠加平均，在前额叶电极FP1的平均ERP中提取出了奖赏相关成分FRN。图3中点线代表惩罚，虚线代表奖励，实线代表惩罚和奖励的电位差值，惩罚和奖励的最大差值大约在反馈开始后的320 ms处呈现，表明被试的情绪受到了奖惩刺激的影响。

4.2  fMRI空间定位

图4是奖励与惩罚刺激条件下，fMRI空间定位得到的激活图，其中颜色越深代表被激活强度越大。从图中可以看出，奖赏反馈相关的感兴趣区域（Region of Interest，ROI）主要分布在前额叶（PFC）、眶额叶（OFC）、尾状核以及杏仁核。表1提供了fMRI激活的详细统计描述，大脑区域的划分遵循蒙特利尔神经研究所（Montreal Neurological Institute，MNI）提供的AAL模板（Automated Anatomical Labeling，AAL）。

4.3  基于PEB模型的EEG源成像定位

基于PEB模型的EEG源成像结果如图5所示。在奖励与惩罚刺激条件下，源定位结果显示，大脑前额叶皮质的大部分区域被激活。图5a）和图5b）分别是单模态EEG源定位与fMRI约束的EEG源定位结果，图5c）是经过稀疏求解后的源定位结果。与图5a）相比，图5b）中的源激活区域大大减少，变得更集中，而图5c）又进一步突出了奖惩任务中激活强度最大的脑区。在模型证据方面，图6的结果表明加入fMRI空间先验后的模型证据更大。

5  结  语

本文采集了奖惩范式下同步fMRI?EEG数据，分别使用fMRI空间定位、ERP分析和EEG源定位提取了决策反馈的时空信息，用PEB模型进行fMRI约束下的EEG源定位研究，并通过稀疏求解突出了活跃程度最高的源。结果表明，奖惩范式能够提取出决策相关的FRN成分。加入同步fMRI约束后，EEG源定位提取出的激活区明显减小，变得更加集中。相比于单一模态的EEG源定位，fMRI空间先验能够使贝叶斯模型发挥更好的性能，获得的贝叶斯模型证据更大。

注：本文通讯作者为邹凌。

参考文献

[1] WANG Yongjie， CHEN Tong， CHEN Qiao， et al. Emotional decisions in structured populations for the evolution of public cooperation [J]. Physica A： statistical mechanics and its applications， 2017， 468： 475?481.

[2] HSU C W， GOH J O. Distinct and overlapping brain areas engaged during value?based， mathematical， and emotional decision processing [J]. Frontiers in human neuroscience， 2016， 10（21）： 275.

[3] TAMBURIN S， MAIER A， SCHIFF S， et al. Cognition and emotional decision?making in chronic low back pain： an ERPs study during Iowa gambling task [J]. Frontiers in psychology， 2014， 5： 1350.

[4] KAYSER J， TENKE C E. Issues and considerations for using the scalp surface Laplacian in EEG/ERP research： a tutorial review [J]. International journal of psychophysiology， 2015， 97（3）： 189?209.

[5] BAROUMAND A G， VAN MIERLO P， STROBBE G， et al. Automated EEG source imaging： a retrospective， blinded clinical validation study [J]. Clinical neurophysiology， 2018， 129（11）： 2403?2410.

[6] THINH N， THOMAS P， TRAC N， et al. EEG source imaging guided by spatiotemporal specific fMRI： toward an understanding of dynamic cognitive processes [J]. Neural plasticity， 2016（10）： 1?10.

[7] DONG L， GONG D， VALDES?SOSA P A， et al. Simultaneous EEG?fMRI： Trial level spatio?temporal fusion for hierarchically reliable information discovery [J]. Neuroimage， 2014（99）： 28?41.

[8] OJEDA A， KREUTZ?DELGADO K， MULLEN T. Fast and robust block?sparse Bayesian learning for EEG source imaging [J]. Neuroimage， 2018（174）： 449?462.

[9] MAHJOORY K， NIKULIN V V， BOTREL L， et al. Consistency of EEG source localization and connectivity estimates [J]. Neuroimage， 2017， 152： 590?601.

[10] GUO Q， ZHOU T， LI W， et al. Single?trial EEG?informed fMRI analysis of emotional decision problems in hot executive function [J]. Brain and behavior， 2017， 7（7）： e00728.

[11] 邹凌，严永，杨彪，等.基于同步EEG?fMRI采集的情绪认知重评数据特征融合分析研究[J].自动化学报，2016，42（5）：771?781.

[12] WANG K， LI W， DONG L， et al. Clustering?constrained ICA for ballistocardiogram artifacts removal in simultaneous EEG?fMRI [J]. Frontiers in neuroscience， 2018（12）： 59.

[13] DONG L， LI F， LIU Q， et al. MATLAB toolboxes for reference electrode standardization technique （REST） of scalp EEG [J]. Frontiers in neuroscience， 2017（11）： 601.