基于偶极子特征优化的情绪重评同步EEG-fMRI源定位研究

张 蔚 姜忠义 李文杰 邹 凌*

1(常州大学微电子与控制工程学院，江苏 常州 213164)

2(常州市生物医学信息技术重点实验室，江苏 常州 213164)

3(常州大学阿里云大数据学院，江苏 常州 213164)

引言

情绪重评被认为是最有效但也是最复杂的情绪调节策略之一，它通过修改一个人对某一情境的评估，以改变情绪对人的影响，达到调整情绪体验的强度和对情绪信息关注度的目的[1]。由于情绪调节与人的精神、情感和生理健康有很大关联，且涉及多种认知障碍疾病，包括阿尔茨海默病、边缘型人格障碍和重性抑郁障碍，因此在执行情绪重评任务时，大脑的工作机制是认知科学领域关注的重点。

目前，功能磁共振成像(functional magnetic resonance imaging, fMRI)已被广泛应用到该课题的研究中。fMRI利用磁振造影，测量血管树为神经元提供血氧支持引起的血氧水平依赖信号(blood oxygen level dependent, BOLD)，从而识别出含氧浓度显著不同的区域，其优势主要在于具有良好的空间分辨率[2]。已有fMRI分析表明，情绪激活是一个复杂的过程，招募与执行系统、边缘系统和注意力系统相关的区域，通过重新评估来调节负面情绪，会导致支持执行认知控制区域的BOLD增加，包括左前额叶、内侧前额叶、扣带和前颞叶皮层；当对负面刺激进行调节时，与视觉处理和情绪相关的区域(如岛叶、枕叶内侧和顶叶下皮层)显示出显著的激活减少[3-4]。虽然利用fMRI良好的空间分辨率可以识别出情绪重评相关的脑区，但是在追踪大脑神经元的动态问题上时间分辨率受限。

脑电(electroencephalography, EEG)通过放置在大脑头皮上的电极，瞬时记录椎体皮层神经元上的突触后电位，具有便携、无创、毫秒级时间分辨率的优势[5]。在情绪调节的EEG研究中，晚期正电位(late positive potential，LPP)是事件相关电位(event-related potential，ERP)的一个重要成分，具有中央-顶叶头皮分布的特点，在成年人中出现在刺激后的300～2 000 ms，被认为是情绪刺激后注意力增加的指标[6]。因此，情绪刺激(如视频、面孔和图片)引起的LPP幅度比中性刺激的要大，当参与者被要求重新评估负面图片的意义时，LPP幅度降低[7]。EEG信号虽然具有优越的时间分辨率，但是神经元信号通过大脑、脑脊液、颅骨和头皮的体积传导后，与EEG不再具有一一对应的关系，因此限制了该模态的有效空间分辨率[8]。

对同步获得的EEG-fMRI信号进行融合源定位，可以很好地优势互补两个模态在时空中的信息。EEG和fMRI都对大脑突触发生的变化极其敏感，同步采集可以捕获和分析相同的神经事件和大脑状态；由于在相同的实验条件下，所以可以保证来自外部参数的记录信号的完整性[7,9]。EEG源定位是通过构建头模型、根据头皮分布的EEG信号来追溯大脑皮层电位的时间动态过程。由于体积传导效应的影响，源定位的结果是不适定的，可以通过加入关于脑电源的fMRI信息来解决，增加获得唯一的和生理上有效解的可能性，比如多重稀疏先验(multiple sparse priors，MSP)、基于fMRI的区域估计(fMRI-informed regional estimation，FIRE)、基于fMRI网络的源成像(network based source imaging，NESOI)和fMRI加权最小范数估计(fMRI-weighted minimum norm estimate， fMNE)等方法[10-13]。其中，fMNE根据fMRI的统计激活设置大脑先验偶极子的权重，将高空间分辨率信息融合到EEG逆解中。在这种方法中，由于fMRI先验权重在整个源定位时间内是恒定的，因此fMRI信息是一种“硬约束”[14]。然而，神经活动会随着时间变化，虽然fMNE在许多情况下可以提高源定位的准确性，但也可能会给涉及深源或试图描述大脑皮层活动的快速、短暂变化的研究带来问题。近年来，关于时变空间约束的EEG-fMRI融合源定位方法有了很多进展，比如动态脑转移网络(dynamic brain transition network，DBTN)方法在贝叶斯框架下，对fMRI激活信息进行时变超参数加权，获得动态偶极子先验，解决“硬约束”的定位误差问题[14]。在fMRI时变约束(fMRI informed time-variant constraint，FITC)方法中，先验偶极子协方差矩阵通过时变方式，结合fMRI活动和脑电源活动来确定，以减少fMRI额外源的影响[15]。目前，已有研究将EEG与fMRI的时空优势互补，用于情绪重评的分析中。例如，邹凌等应用典型相关分析提取情绪相关的时空成分，发现在采取情绪重评策略后200～700 ms，负性情绪得到抑制；在重评过程中，负责情绪加工的杏仁核、额叶、扣带回等脑区有明显激活, 并且负性情绪在相关脑区上得到抑制[7]。Nguyen等通过fMRI约束EEG源定位，重建具有高时空分辨率的大脑皮层活动，并确定了一个与情绪处理和重评相关的因果脑网络，发现腹外侧前额叶皮层是一个主要的网络来源，其有条件的特定交互支持情绪变化[16]。

源定位将EEG信号映射到大脑皮层后，通过计算脑电源时间序列复杂度，可以在整体上分析不同皮层脑区的变化，从统计学角度探索任务刺激后一段时间内的活跃与抑制脑区。熵作为一种非线性动力学指标，可用于衡量系统的复杂度。热力学第二定律表明，当封闭系统处于平衡状态时，就会达到最大熵。因此，为了保护生命活动，生命系统必须不断保持低熵，从而远离平衡。人脑就是这样一个生命系统，虽然与处于平衡状态的系统相比，它保持着相对较低的熵水平，但在接受外部刺激时可能会导致局部熵的变化，反映出这些区域功能的差异，通过计算从大脑获得的信号熵，可以研究这些变化[17]。样本熵[18]是一种有别于近似熵的不计数自身匹配的统计量，具有更好的相对一致性，且计算不依赖于数据长度。样本熵是非负的，值越大意味着信号的复杂度越高，对应脑区在一段时间内越活跃，信号强度的变化越大。已有文献将样本熵应用于fMRI信号复杂度分析[17]，但是尚未有文献对情绪刺激下的不同脑电源信号进行样本熵统计学度量。

在本研究中，为了追踪情绪重评时的大脑皮层电位动态，提出一种新颖的偶极子特征优化融合源定位方法：基于EEG滑动时间窗的融合先验加权最小范数估计。首先对基于情绪重评实验同步采集的EEG-fMRI数据进行fMNE源定位，然后采用EEG滑动时间窗，根据求解的融合源信息提取偶极子动态特征，在每个时间窗内进行EEG-fMRI融合先验加权最小范数估计。相对于fMNE的“硬约束”设置，该方法提取的偶极子特征参考了真实的脑电源，具有更精确的生理动态信息。随后根据ERP选取感兴趣时间窗，进行情绪重评任务下的脑电源动态追踪，并计算情绪刺激后脑电源时间序列的样本熵，从时空动态变化和信号复杂度两个角度，分析情绪刺激后的脑电源。

1 材料

1.1 实验对象

实验招募了20名常州大学的学生进行同步EEG-fMRI实验，其中5名被试数据因头动剧烈和核磁梯度场伪迹干扰过大被剔除；实际分析的15名被试包括12名男性、3名女性，年龄在19～24岁之间，平均年龄为22岁。所有被试都是健康人，右利手，视力正常或矫正正常，没有精神疾病及神经系统疾病。实验方案得到常州大学研究伦理委员会批准，所有被试根据赫尔辛基宣言给予书面知情同意书。

1.2 同步记录

同步EEG-fMRI实验在常州市第二人民医院影像科进行，被试在实验过程中头戴EEG电极帽，在核磁扫描仪中接受扫描。EEG设备为EGI公司的64导核磁型脑电采集系统，电极位置遵循国际10-10电极系统空间分布，参考电极为Cz电极，采集软件是Netstation，采样频率为250 Hz，在数据采集期间，所有电极的阻抗都保持在50 kΩ以下。核磁设备为Philips公司的3.0 T超导型功能磁共振成像系统，fMRI扫描参数为：TR=2 000 ms，TE=35 ms，翻转角(flip angle)为90°，视野(FOV)=230 mm×180 mm，层厚4 mm，无间隔连续扫描24层。实验通过时钟同步盒，使EEG与fMRI数据的采集时间保持同步。

1.3 实验范式

实验采用的是经典情绪重评实验范式，实验素材为从国际情绪图片库(International Affective Picture System, IAPS)中挑选的120张情绪图片，包含40张中性图片(日常生活用品、景观、食物等)，唤醒度为2.91±1.93；80张负性图片(伤残、暴力、灾难等)，唤醒度为5.71±2.61。单次试验的流程如图1所示。被试首先在屏幕上看到一个持续4 000 ms的提示词“观看”或“降低”，之后是2 000 ms的空屏，接下来是6 000 ms的情绪图片刺激，最后是4 000 ms的休息时间。根据前面的提示词，被试须采用相应的策略进行实验。“观看”提示词后中性图片和负性图片随机出现，要求被试仅被动观看，不采取任何情绪调节策略；“降低”提示词后出现的是负性图片，要求被试采用情绪重评完成试验，即以第三者的心态观看图片，或想象这是电影中的场景，主观减少图片带来的情绪冲击。整个实验包含120次试验，分为4个时钟循环。每个时钟循环30次试验，中性、负性、负性重评的3种情绪刺激以伪随机次序各出现10次。

图1 单试次的实验流程Fig.1 The experimental procedure for a single trial

2 方法

2.1 EEG逆问题

EEG逆问题的主要目标是：根据头皮传感器测得的EEG信号及传感器位置，采用边界元法或有限元法，构建头模型，精确计算大脑中的电场，追溯脑电源动态过程。头模型是根据MRI结构像的分割计算得出的，通常白灰质界面被认为是主要影响EEG的大脑皮层源空间。EEG逆问题模型[13]表示为

Y=GJ+ε

ε～N(0,C,T)，J～N(0,R,T)

(1)

式中：Y∈p×q代表p个传感器、q个时间点的EEG信号；G∈p×s代表引导场矩阵；J∈s×q代表s个偶极子在源空间中的未知脑活动，其服从空间协方差矩阵为R∈s×s的正态分布，R代表源J分布的任何先验知识；T∈q×q代表时间协方差矩阵，为单位矩阵；ε代表高斯噪声，服从空间协方差矩阵为C∈p×p的正态分布。C由下式求得，有

(2)

式中，SNR为信噪比。

由于在分布源模型下，源的偶极子数远大于传感器的数量，即s≫p，因此求解式(1)中的J是一个不适定的问题。通过采用L2范数最小化期望误差，求解得到最优线性逆算子，有

W=RGT(GRGT+C)-1

(3)

则估计的源活动表述为

J=WY

(4)

如果偶极子协方差矩阵R被设置为单位矩阵，所有偶极子具有相同的权重，即在没有任何先验假设的情况下，该方法为最小范数估计(minimum norm estimate，MNE)。

2.2 EEG-fMRI融合源定位

在EEG逆问题框架下，首先提取fMRI空间先验特征，进行fMNE源定位，然后根据EEG滑动时间窗，提取源定位后的偶极子动态特征，进行融合先验加权最小范数估计，整体流程如图2所示。

图2 基于EEG滑动时间窗的融合先验加权最小范数估计Fig.2 Fused priori weighted minimum norm estimation based on EEG sliding time window

2.2.1fMNE源定位

通过从fMRI统计激活中提取空间先验特征，设置偶极子协方差矩阵，将fMRI的空间先验信息加权融合到EEG源定位的框架中，有

R=Rf

(5)

fMRI先验特征Rf提取主要包括2个步骤。

步骤1：构建一般线性模型(general linear model，GLM)，对预处理后的fMRI数据进行参数估计和统计分析，得到统计参数图[19]。fMRI信号的GLM模型可表示为

M=Dβ+n

(6)

式中：M代表采集到的fMRI图像信号，每张图像记录了全脑体素在实验扫描阶段的BOLD信号强度；D为设计矩阵，代表回归模型中的自变量矩阵，每列代表不同的实验刺激时间序列及其他回归项分别与血流动力学响应函数(hemodynamic response function, HRF)卷积得到的模拟BOLD信号；通过最小二乘法拟合估计出参数β，使误差平方和最小，参数β代表不同回归项对fMRI信号所产生的效应；然后基于β和残差n构造t统计量，对不同实验刺激下的统计参数图定义统计阈值，得到离散、局部连续的聚类激活。

步骤2：使用最近邻插值方法，将fMRI统计参数图中的3D聚类投影到构建的大脑皮层表面，通过插值投影，为EEG源空间中的每个偶极子分配其最近邻体素的t值，如果偶极子有几个最近邻体素，则使用平均值，得到ω=(ω1,ω2,…,ωs)。根据Liu等[20]对Rf的设置，有

(k=1,2,…,s)

(7)

2.2.2偶极子动态融合特征

为了得到更精确的具有生理先验信息的脑电源，在使用fMNE源定位方法求解得到JfMNE后，取每个EEG滑动时间窗twindow内偶极子融合特征，构成新的时变先验协方差矩阵Rwindow，其非对角线元素设置为0，对角线元素如下：

(8)

式中，JfMNE_window为每个时间窗内的原始fMNE源信号。

随后进行融合先验加权最小范数估计，求解得到每个时间窗内的源信号为

Jwindow=RwindowGT(GRwindowGT+C)-1Ywindow

(9)

这种溯源方法充分利用EEG信号高时间分辨率的优势，并且整合EEG与fMRI两种模态的融合信息，在每个时间窗内，求解快速变化的偶极子权重。由于每个偶极子的权重设置参考了真实的源信息，所以其相比传统fMNE方法更加灵活。

2.3 样本熵计算

样本熵[18]的计算主要包括6个步骤。

步骤1：对于N个样本的时间序列{u(i):1≤i≤N}，给定相空间重构维度m，得到一组m维时间序列，即

Xi,m={u(i),u(i+1),...,u(i+m-1)}

(i=1,...,N-m+1)

(10)

步骤2：计算向量Xi,m与Xj,m之间的切比雪夫距离，即

(11)

步骤3：对于给定的相似容限r，利用Heaviside函数计算Xj,m到Xi,m的相似度Si,j,m(r)，即

(12)

步骤4：定义函数φm(r)为

(13)

步骤5：同样地，重构时间序列{Xi,m+1}，定义函数φm+1(r)为

(14)

步骤6：计算时间序列u的样本熵为

SampEn(m,r,N)=lnφm(r)-lnφm+1(r)

(15)

式中，相空间重构维度m一般取1或2，相似容限r=δ·λu，λu为时间序列u的标准差，δ代表一个很小的数，取值范围一般在0.1～0.25之间。

在本文中，相空间重构维度m取2，r取0.2λu，因为此设置显示熵值具有良好的统计特性，能够更详细地重建脑电源的非线性动力学。

2.4 数据处理过程

2.4.1同步EEG-fMRI预处理

利用Netstation软件，对同步采集的EEG数据进行预处理，去除梯度场噪声、心脏伪影等伪迹。首先使用平均伪影减法，对原始EEG数据进行梯度伪迹校正，随后依次经过带通滤波(0.01～40 Hz)、最优基集算法抑制心脏伪迹、数据分段(情绪刺激前200 ms到情绪刺激后1 500 ms)、伪迹检测、坏导替换、基线校正、平均参考步骤。针对预处理后EEG数据中含有肌电、眼动等噪声问题，本研究首先在 EEGLAB工具箱(https://sccn.ucsd.edu/eeglab)中采用Logistic Infomax ICA方法进行识别，然后结合 ADJUST插件指出的可疑成分能量地形图和主观经验，去除 EEG 信号中的噪声成分。对于同步采集的fMRI数据，在SPM12工具箱(http://www.fil.ion.ucl.ac.uk/spm)中进行核磁噪声处理，包括时间层校正(slice time)、头动校正(realignment)、空间标准化(normalize)及空间平滑(smooth)，其中头动校正的范围是平动≤2.0 mm、旋转≤2.0°。

2.4.2真实头模型构建

对每个被试的大脑MRI结构像，采用CAT 12(http://www.neuro.uni-jena.de/cat)进行分割，获得大脑皮层表面和头部各层(头皮表面、外颅骨和内颅骨)，然后将皮层表面网格降采样到15 002个偶极子，生成每个被试特异的源空间。本研究假设源方向垂直于皮层表面，使用Brainstorm工具箱(http://neuroimage.usc.edu/brainstorm)中的OpenMEEG，计算各偶极源对EEG传感器贡献的正演模型；采用由脑、颅骨和头皮表面(电导率分别为1、0.0125和1 S/m)组成的三层边界元模型，计算引导场矩阵G。

2.4.3偶极子动态融合特征提取

首先，对每个被试的fMRI信号构建GLM模型，将中性、负性、负性重评模拟BOLD信号和6个头动参数作为回归变量，估计每种情绪刺激引起的平均血流动力学响应，提取不同刺激下的统计参数图，采用FWE校正，P<0.05，连续体素聚类个数大于10。在本研究中，将信噪比参数SNR设置为10[13]。为了充分利用每个被试同步EEG-fMRI信号在时间和空间上的信息，在不同刺激条件下，采用其特异的fMRI先验特征，约束ERP信号进行fMNE源定位。随后，通过设置滑动时间窗提取偶极子融合特征，进行基于EEG滑动时间窗的融合先验加权最小范数估计。在滑动时间窗长度的选取问题上，充分考虑其对脑电源信号细节特异性以及计算成本的影响[21]。经过对比实验，将长度设置为20 ms，并提取偶极子动态融合特征。

2.4.4脑电源统计分析

在源定位后，将所有被试的脑电源信号投影到公共的大脑模板ICBM152上进行组分析，认为负性刺激对比中性刺激代表情绪响应，负性重评对比负性刺激代表情绪重评[22]。本研究主要关注情绪重评的脑电源激活，进行了负性重评与负性刺激的对比。采用配对样本t检验，进行1 000次Monte Carlo迭代置换，再执行基于聚类的FDR校正，P<0.05。随后，根据ERP感兴趣时间窗的选取，对每个时间窗内的统计t图进行叠加平均，追踪情绪重评任务下的脑电源活动[23]。

3 结果

3.1 fMRI统计激活

fMRI激活图在统计学上，显示了被试在接受中性、负性和负性重评情绪刺激时的大脑活动。图3展示了某一被试在负性刺激对比基线条件下的fMRI激活图，fMRI体素活动强度按统计t值进行颜色编码。在接受负性刺激时，主要激活了双侧前扣带回、枕叶区、尾状核、杏仁核、脑岛等脑区。

图3 某一被试在负性刺激对比基线条件下的fMRI激活图Fig.3 The fMRI activation map of a subject under negative stimuli vs. baseline condition

3.2 脑电源时间动态分析

通过分析求解的脑电源活动如何随着EEG滑动时间窗口大小的变化而变化，研究所提出方法的稳定性[21]。选取12、20、40、60 ms的时间窗，进行了融合先验加权最小范数估计方法的脑电源信号求解；使用刺激前基线，将源电流密度图转换为Z分数。用不同的EEG滑动时间窗口求解，前额叶皮层中的一个脑电源活动如图4所示。对于较小的时间窗(如12和20 ms)，其融合先验源定位结果显示微小的差异，脑电源信号的相关性为0.954。然而，若窗口长度逐渐增大，则结果会逐渐失去细节特异性，脑电源信号波动变得平缓，其中40、60 ms时间窗下的脑电源信号与20 ms时间窗下的脑电源信号相关性均小于0.750。虽然对所提出源定位方法的最小EEG时间窗口大小没有限制，但是为了避免计算成本的急剧增加，将窗口大小设置为20 ms。

图4 不同EEG滑动时间窗长下的前额叶皮层脑电源时间序列Fig.4 The EEG source time series of prefrontal cortex under different lengths of EEG sliding time window

对所有被试的后枕顶叶电极(Pz, PO3, POz, PO4, O1, Oz, O2)EEG叠加平均，得到3种情绪刺激的ERP波形，如图5所示。研究发现，在刺激后200 ms开始出现显著的LPP。对3种情绪刺激下的LPP进行统计学检验，方差分析的结果显示有显著性差异(F=486.6，P<0.001)。通过事后配对样本t检验发现，负性刺激相比中性刺激，其LPP振幅显著提高(t=31.7，P<0.001)。在采用情绪重评策略后，其LPP振幅相比负性刺激振幅显著降低(t=19.1，P<0.001)。基于此后枕顶叶ERP选取3个时间窗：刺激后60～172 ms(红色)、428～580 ms(绿色)、1 164～1 276 ms(紫色)，分析大脑在执行情绪重评任务时的脑电源动态。采用基于20 ms EEG滑动时间窗的融合先验加权最小范数估计和fMNE方法，分析脑电源动态，如图6所示。较高的t值(红色)显示负性重评刺激后的偶极子被显著激活，而较低的t值(蓝色)表示负性刺激后的偶极子被显著激活。表1是基于EEG滑动时间窗的融合先验加权最小范数估计在不同时窗下的脑电源激活统计。

表1 基于EEG滑动时间窗的融合先验加权最小范数估计脑电源激活统计Tab.1 EEG source activation statistics with fused priori weighted minimum norm estimation based on EEG sliding time window

图5 3种情绪刺激的后枕顶叶ERPFig.5 ERP in the posterior occipital parietal lobe of three emotional stimuli

在情绪刺激初始的60～172 ms，后枕顶叶ERP出现了与大脑的空间注意和目标识别加工有关的N1成分。在两种方法的源定位结果中，负性刺激相比负性重评，均引起了强烈的右侧中央区体感皮层、右侧额上回与左侧颞上回的激活；负性重评策略在两种方法的结果中，均引起了顶叶下回的活动。在刺激后200 ms，后枕顶叶开始出现LPP。作为注意力增加的指标，LPP反映了对情绪刺激的关注程度。在刺激后428～580 ms，不同情绪刺激引起的LPP振幅均达到峰值。相比fMNE方法，在负性对比负性重评时，基于EEG滑动时间窗的融合先验加权最小范数估计引起了更广泛的前额叶和中央顶叶活动，其情绪重评主要激活脑区位于左外侧枕叶和右侧颞上回。在fMNE方法求解的结果中，情绪重评主要引起了左侧中央前回的激活。如图6所示，随着时间的推进，在刺激后的1 164～1 276 ms，LPP进入慢波阶段：在负性刺激对比负性重评条件下，(a)比(b)引起了更广泛的左侧前额叶和右侧颞叶激活，而(b)显示出更强的左侧颞叶活动；在负性重评对比负性条件下，(a)显示出右侧梭状回、右侧额中回下部及右侧扣带回峡部激活，(b)在此对比下主要激活了左侧中央区。

图6 脑电源动态分析结果。(a)基于EEG滑动时间窗的融合先验加权最小范数估计；(b)fMNEFig.6 Dynamic analysis results of EEG source. (a) Fused priori weighted minimum norm estimation based on EEG sliding time window；(b) fMNE

3.3 脑电源样本熵分析

为了观察大脑皮层电信号的整体变化规律，根据Desikan-Killiany图谱，提取基于EEG滑动时间窗融合先验加权最小范数估计方法求解的脑电源信号，得到68个脑区在接受情绪刺激后的1 500 ms时间序列，随后对脑电源进行样本熵计算。如图7所示，对不同情绪刺激下的样本熵进行配对样本t检验(P<0.05)，显示结果如下：左外侧枕叶在接受负性刺激时的样本熵(0.688±0.124)，要显著高于接受中性刺激时的样本熵(0.590±0.126)；右侧额中回下部在所有脑区中拥有最高的熵值，且其负性重评下的熵值(0.814±0.114)显著高于负性刺激下的熵值(0.736±0.123)；在右侧颞上回，负性重评下的熵值(0.546±0.090)显著低于负性刺激下的熵值(0.642±0.152)。较高的样本熵意味着信号的复杂度越高，脑区变化更活跃。结果表明，在情绪响应过程中，左外侧枕叶区域的脑电源活动变化最强烈；在情绪重评过程中，右侧额中回下部最活跃，而右侧颞上回的活动受到抑制。

图7 3种情绪刺激下的脑电源样本熵具有显著性差异的脑区(*代表配对样本t检验具有显著性差异，P <0.05)Fig.7 Brain regions with significant differences in the EEG source sample entropy under three emotional stimuli (* represents significant difference with paired sample t test, P<0.05)

4 讨论

情绪塑造了人们的思维、感觉和行为，可能以各种方式受到调节，其中情绪重评被认为是最有效的情绪调节策略。在大脑皮层级别重建脑电源活动，追踪与情绪重评相关的大脑皮层信号动态，是情绪重评课题研究的重点。

根据情绪调节的感知-评估-行动时间序列[1,24-25]，在情绪刺激的早期，感觉系统(如丘脑)以及主要和次要的感觉皮层对情绪刺激类型的感觉输入进行编码，并将它们传递给神经系统进行估值。已有研究表明，N100和P200成分参与此阶段，其中N100部分通常与感官信息的处理有关，如刺激的频率和强度，这与负性刺激初期引起中央区体感皮层的激活结果相一致[26]。情绪感知后是评估阶段，是由一组重叠且相互作用的大脑系统来控制的，这些系统计算感知输入的坏或好，涉及皮层、皮层下和脑干系统，包括杏仁核、脑岛、前额叶皮层和颞顶叶。一项关注重新评估成功的fMRI研究发现，当负面情绪下调时，重新评估诱导的右侧前额叶区域的激活与杏仁核腹侧的激活呈负相关，且前额叶通过与情绪响应相关的皮层下网络之间的相互作用，实现成功的重新评估[27]。情绪重评会导致参与认知控制和注意力部署的前额叶和顶叶区域活动增加，与情绪响应相关的区域活动减少[28]。在本源定位研究中，由于构建的是皮层模型，所以未能定位到皮层下的杏仁核，但是刺激后1 164～1 276 ms，在情绪重评任务下，基于EEG滑动时间窗的融合先验加权最小范数估计源定位结果出现了显著的右侧前额叶激活，这与文献的激活区域一致。在两种方法的定位结果中，大部分前额叶的激活仍然出现在负性刺激对比负性重评条件下，这是与fMRI分析结果的差异。研究表明，在处理感觉信息方面发挥重要作用的脑岛，整合提供关于当前身体状态的感知信息，并根据情绪进行语境评估，判断是否需要回避当前刺激[24]。在基于EEG滑动时间窗的融合先验加权最小范数估计结果中，脑岛活跃在刺激后60～172 ms的情绪重评任务和1 164～1 276 ms的负性情绪对比负性重评中，且由分析结果可知，该方法在刺激后428～580 ms出现右侧颞上回的激活。颞叶作为大脑记忆的重要区域，在情绪调节过程中，会将情绪刺激的期望和反馈相结合，并相应地重新定位注意力，确定何时必须调整对目标行为和意图的期望，所以是与情绪重评相关的重要脑区[26]，这在fMNE源定位结果中没有看到。感知-评估-行动时间序列的最后一个阶段是行动阶段，涉及初级运动和辅助运动区域、扣带运动区域和岛叶区域，在基于EEG滑动时间窗的融合先验加权最小范数估计结果中，扣带回激活出现在刺激后1 164～1 276 ms的情绪重评任务中，而在fMNE源定位中未发现有扣带回激活。通过两种源定位的结果对比发现，根据情绪调节的感知-评估-行动时间序列，本方法求解分析出的脑电源激活与现有情绪重评机制的结论更一致。

在追踪与情绪重评任务相关的脑电源活动时，经常在识别皮层信号快速短暂变化及定位深层源的问题上面临困难。传统的fMNE源定位方法将fMRI统计得到的大脑激活，以源协方差矩阵的形式加入逆解中，可以在一定程度上提高源定位的精度。但是，由于fMNE加入的先验是一种“硬约束”，偶极子权重在整个源定位过程中保持不变，因此fMRI中不存在的活动源将受到惩罚,并且在多模态框架下可能会放大不相关或错误的源，这对探索认知任务快速过渡时期的大脑动态来说尤其成问题[14]。本研究提出，用动态融合先验源定位方法，将每20 ms EEG时间窗内的fMNE融合源协方差作为先验，参考真实的脑电源信息，并通过时变方式，克服“硬约束”的限制。由不同滑动时间窗长的实验结果可知，随着时间窗长度的增大，脑电源信号的细节减少、特异性降低，因此在考虑计算成本的前提下，选择20 ms作为最终滑窗长度。在脑电源时空动态分析中，相比fMNE方法，基于EEG滑动时间窗的融合先验加权最小范数估计可定位出更多与情绪重评相关的皮层源，比如在LPP波峰阶段与情绪注意力及目标调整相关的颞叶，以及在慢波阶段与情绪重评任务响应相关的大脑深层扣带运动区。

在进行基于EEG滑动时间窗的融合先验加权最小范数估计后，样本熵作为度量系统复杂度的指标，首次被用于情绪重评任务下的脑电源信号分析。在刺激后1 500 ms时间内，左外侧枕叶是情绪响应的活跃脑区。由于负性情绪相对中性情绪会引起更多的枕叶视觉区响应，所以在此区域具有更高的脑电源信号复杂度，与预期结果一致[3]。同时，在执行情绪重评任务时，右侧额中回下部最活跃，该区域作为认知控制、工作记忆的中枢，已经被先前的情绪重评fMRI研究强调[25]；而右侧颞上回脑电源复杂度显著降低，活动受到抑制，这或许与有效的情绪重评有关[29]。

5 结论

本研究根据逆问题模型，在fMNE源定位的基础上，提取时变的偶极子融合特征作为EEG源定位的约束，在关于情绪重评的EEG-fMRI融合源定位研究中具有一定的创新性。作为数据驱动方法，基于同步采集的EEG-fMRI进行源定位，充分利用了每个被试特异生理信号的时空间优势。不同于fMNE源定位中采用的“硬约束”，该方法中的偶极子权重参考了快速变化的脑电源，具有更精确的生理动态信息。源定位分析结果表明，该方法可以有效地追踪脑电源动态。根据后枕顶叶ERP，识别出LPP开始出现在情绪刺激后200 ms，负性重评刺激的振幅显著低于负性刺激的振幅，而高于中性刺激的振幅。在刺激初期，负性情绪引起了强烈的中央区体感皮层激活；随着后枕顶叶LPP的出现，情绪重评的主要激活区由初期的左顶叶下部、右侧额中回下部和左侧脑岛，转移到右侧颞上回和左外侧枕叶；最后在LPP慢波阶段，激活了右侧梭状回、右侧额中回下部和右侧扣带回峡部。在随后进行的脑电源样本熵分析中，提取出情绪响应的重要脑区左外侧枕叶及情绪重评的活跃脑区右侧额中回下部，抑制了脑区右侧颞上回。总之，本研究根据采集的同步EEG-fMRI，进行了基于偶极子特征优化的融合源定位探索，为情绪重评课题提供了相关皮层脑区的参考。