查看原文
其他

脑学科方向 | 带你快速了解脑电图(EEG)发展历史及前景

喵君姐姐 壹脑云科研圈 2022-10-07


Hello,
这里是行上行下,我是喵君姐姐~
 
在我们的认知神经科学中,经常会遇到脑电数据的采集,本期就来向大家介绍一下什么是脑电图(EEG)以及它的发展历史及前景。
 
PS:本篇文章参考自Andrea Biasiucci等人2019年发表在《Current Biology》上的文献《Electroencephalography》。后台回复关键词“脑电简介”即可获得原文及相关参考文献啦!


 


脑电图(EEG)是一种无创的测量大脑电活动的方法。它需要将电极置于头皮上,记录神经元内及周围电流所产生的电压电位。一方面,在临床诊断方面,EEG与脑触发神经康复治疗相吻合。另一方面,EEG不仅是实验心理学领域中,提供大脑相关结构的主要工具,而且还是一种神经成像方法,在计算神经科学中得到了广泛应用。

首先我们通过类比的方式为大家介绍EEG的原理,旨在说明哪一种神经元活动能在头皮表面产生可测量的信号(图1)。


图 1 记录大脑的电活动


想象自己是一个手持麦克风的记者,将要报道一场足球比赛(可以类比于记录电极)。如果你站在教练的旁边,尽管体育场里很嘈杂,你仍然可以听到他的声音,这就类似于记录单个神经元的动作电位。
 
如果你在新闻发布区,你将无法记录教练和球员在球场上的对话,相反,你可以捕捉记者席内其他记者的一般评论以及场外观众的嗡嗡声。这类似于记录局部电位,其中近端和相对远端事件都有贡献。最后,在你酒店的阳台上,虽然你已经失去了记者证,但当进球时,你仍然可以听到球场内球迷们齐声欢呼的声音。

 


EEG记录同样如此。EEG只能探测到大脑中正在进行的各种各样的电活动的一部分,尽管同时存在着其他类的电生理活动(如心脏、眼部和其他肌肉活动等)和环境噪声(如电脑屏幕和其他电子设备、电源线等)。
 
另外,EEG测量的不是动作电位(Action potentials),而是突触后电位(postsynaptic potentials )。动作电位是由去极化后从体细胞沿轴突的快速电流所引起的,使得一个神经元的静息电位从-70 mV增加到-55 mV。相比之下,突触后电位是由轴突末端神经递质释放后,产生相对较慢的电流所引起的。

 


记录脑电图的典型仪器包括电极、导电材料和运算放大器(图2)。通常,电解凝胶或盐可以改善电极与皮肤之间的电阻接触。而另一种最新的方法是所谓的“干”电极(“dry” electrodes),即利用材料科学和电子技术的创新,最大限度地减少对被试的头皮进行准备的必要性,从而减少前期准备时间。
 
随着可打印电极技术(printable electrode technologies)的进步以及聚合物和可穿戴设备(polymers and wearable devices)的不断发展,这些创新在未来很可能会并行使用。尤其是放大器设计上的创新将使得采样速度更快,同时记录的频道数量也增加了。

 

图2 人类脑电图技术的发展及其应用

 

脑电图的另一个实际好处是,它可以很容易地与其他脑成像和成像方法相结合,如磁共振(MRI)、脑磁图(MEG)、功能性近红外光谱(fNIRS)、非侵入性脑刺激(non-invasive brain stimulation)等,以及与神经药理学、生理学和介入性方法相结合。而且现代系统允许对多个被试进行同步扫描,即所谓的EEG超扫描(EEG hyperscanning)。

 


上世纪20年代末,汉斯·伯杰(Hans Berger)发现了EEG活动,并发明了测量EEG的技术,目的是提供“一扇通向大脑的窗户”。
 
最开始,他记录下了闭眼状态时的信号,这些信号有节奏地跳动,但在睁眼状态时,这些信号的节奏就慢多了,而且通常振幅也更小。但当时的科学家对此不以为然。
 
一些人认为头皮EEG是心脏或肌肉的产物。另一些人则认为,当人们睁开眼睛时,大脑活动的节奏不应该变慢,幅度也不应该变小,如今这种现象被认为是“α-波阻断”(alpha blocking)。还有一些人认为,Berger所测量的节奏性颤动太慢,无法反映出实际的神经活动,而在当时,人们认为实际的神经活动仅限于动作电位。



此后,英国生理学家埃德加·阿德里安和布莱恩·马修斯重复了伯杰在1934年的观察结果,即认为EEG是一种无创的测量大脑电活动的方法,他们完全相信伯杰的头皮脑电图的发现。
 
可惜后面由于一些原因,Berger终止了对EEG的研究。尽管如此,这仍是一项技术的引进,这项技术不仅迅速在临床应用中站稳脚跟,而且在神经生理学与计算机科学的研究领域也有了立足之地。

 


可以说,EEG的多功能性和可获得性是一把双刃剑。
 
一方面,因为EEG是对大脑神经活动进行直接和实时测量,所以它可能要求特定的神经生理通路、意识/睡眠状态以及大脑功能的精确时间动态(dys)的完整性。
 
此外,当这种精细的时间分辨率与估计潜在来源相结合时,就可以描述大脑网络、它们的连通性,以及特定活动在给定函数的过程中被认为是串行还是并行的程度。
 
另一方面,由于EEG是对电位进行测量,这对通过使用EEG来充分分析和解释活跃点与参考点的测量结果十分重要。
 
然而,由于产生脑电图的神经活动在整个大脑中传导,这意味着人们不能假定记录在头皮上某一点的信号的源头就在正下方。

 


我们可以将EEG分解成一系列正弦波,从而产生数据的频谱,从而进行频谱分析(Spectral decomposition)。这些波在每个时间点都可以通过它们的振幅(整流信号的功率)相位(正弦波在周期中的位置)来表征,相位的测量单位可以是0到360度,也可以是0到2的弧度。

如图3所示,EEG的波形在坐标轴上被分解为一系列正弦波,其中包括频率轴和相位轴。在正弦波中,相位可以代表某个时刻的波形变化情况。

 

图3 频谱分析


许多研究把EEG的频谱分为:delta (δ:~0.2–3.5 Hz), theta ( θ:~4–7.5 Hz), alpha (α:~8–13 Hz), beta (β: ~14–30 Hz), gamma (γ: ~30–90 Hz) ,以及超高频 (>90 Hz)

然而,这些频带划分存在缺陷。首先,在传统意义上,认为各个频带直接调节了大脑的一个特定过程。但也有证据证明,振荡活动是嵌套的,并显示出复振幅——频率间复杂的相位关系。
 
另一个缺陷是,分解过程本身假设脑电图只是正弦信号的混合物,而实际上非正弦信号和心律失常活动也是EEG的固有特征。

 


尽管如此,频率分析仍然是一种有效的测量方法来定量和区分两种大脑活动:诱发活动(evoked activity)诱导活动(induced activity)。前者对于一个事件既有锁时也有锁相,而后者对于一个事件既不是锁时的也不是锁相的。
 
锁时和锁相,是通过对很多次试次进行平均而产生的,二者是相关的。在对多个试次进行叠加平均之后,我们通过锁定某一个时间段,可以得出相应的ERP,这就称为锁时。而相位是反映波形的走势,是跟能否获得好的ERP相关的。

果得到好的ERP波形,那么可以说多次的实验中,大脑对刺激的反应的相位也是很一致的,亦即,波形的走势是很一致的,也就是说相位很好地锁定了,同时可以说不同的试验数据相关性很强。

我们可以设想,在锁时的前提下,如果多次的实验中,大脑对刺激的反应的走势各不相同,那么平均之后不会得到好的ERP波形。



量化锁时可以通过分析时域的ERP波形或者时频域内的ERSP(event-related spectral perturbation)来获得,而量化锁相可以通过分析时频域内的ITC(inter trial coherence)来获得

一般来说,ITC越接近于1,越说明不同的实验,大脑对刺激的反应的波形走势越一致,相位就锁定得越好,那么就很可能通过平均获得很好的时域内的ERP波;相反,越接近于0,则很难获得ERP了。
 
另外,这两个神经生理基础也不同。通常来说,诱发活动对应的是自下而上的驱动加工,而诱导活动对应自上而下的调节过程。

 


在EEG的临床和研究应用中,ERP一直占据了很大的比重。和其他技术一样,EEG/ERP也会错误使用和错误解读。通过更好地理解EEG测量的生物物理学,可以纠正一些错误。
 
通常测量电压需要一个参考点,但其实并不存在理想的参考点,因为在头皮或身体上没有一个完美的电中性位点。随着参考点的变化,方差以及统计结果都会产生相应的变化。

 


如果我们集中于参考独立和头皮区域的电极测量,那么EEG/ERP客观和定量地讨论与整个研究范围内的被试内/被试间设计相关的核心过程的好处就变得非常明显。这些过程包括反应强度(增益)的调节、大脑活动区域网络的调节、大脑活动时间或持续时间的调节,或两者的任何组合(作为时间的函数)。
 
参考独立性是一个空间概念,而不是时间概念。在ERP/EEG中,这一概念表现在头皮电极区域(地形)的形状独立于参考点。虽然参考点将会影响特定位置的特定值,但是空间梯度在全脑地形中是不可变的。

 


虽然神经科学的其他分支已经从基于计算机的仿真中获得了极大的好处,为神经活动提供了超出经典电生理学所能观察到的解释,但直到最近几年,计算模型才显示出它们在EEG方面的潜力。就像实验心理学中的虚拟现实一样,计算模型允许实验者模拟在真实世界中很难测试和观察的情况和互动。
 
神经科学中第一个计算模型的目的是根据不同类型的神经元的峰活动来描述它们的峰活动。模拟神经元精确地在单细胞水平上复制了神经活动,提供了与颅内记录一致的生物学意义上的见解。此外,计算模型被用来描述神经元网络的特征,而不是单个的单元,因此可以在神经元群中识别信号。

 


越来越多的人对理解群体和个体层面数据的可变性感兴趣,这是单次试验分析发展背后的主要动力,从而为大脑活动和行为之间提供了更直接的联系。在这些技术引入之前,从“嘈杂”的背景中提取ERPs,需要进行信号平均,因此需要刺激在相同的条件下重复呈现。
 
机器学习技术在生物物理信号处理方面的出现,使实验者和临床医生能够确定在每一次试验中,哪一个反应特征被引出或产生。它的一个关键方面是“特性”或感兴趣的特性。

 


比如脑-机接口技术(BCI technology)。最初是为损伤病人通过思想来控制机器人、轮椅等提供通讯和控制渠道。而最近,脑触发疗法(brain-triggered therapies)已在临床研究中得到验证。证据表明在出事故多年后,长期持续的运功机能也有可能会恢复,其中EEG运动节律的修正在康复过程中起了很大的作用。
 
实时解码心理状态并相应地修改反馈信息的能力,为神经科学带来了前所未有的机遇。“日常生活的神经科学”比以往任何时候都更加真实。

 

图 4 如何处理和分析EEG

 


EEG在过去的一个世纪里取得了长足的进步。尽管取得了这些显著的成就,但至少有两个主要问题还面临着巨大的挑战。
 
首先,神经生理学在宏观、中观和微观层面上的复杂性意味着对EEG的显著产生和功能意义的理解仍处于起步阶段,这是一个活跃的研究领域,还存在一定的争议。
 
其次,脑电图分析缺乏规范化的处理步骤。虽然其他神经影像学技术已经巩固了循证工作的基础,但在临床和研究社区之间的共享渠道上仍缺乏共识。这对于EEG对大数据计划的任何贡献都是至关重要的。

当涉及到像人类脑电图这样的横向和转译技术时,使用一套统一的分析方法将极大地促进标准的偏离和将诊断结果从研究转向临床设置。



尽管存在这些问题,脑电图(以及更广泛的电生理学)是一种非常强大的神经科学工具,不仅广泛应用于人类,而且也广泛应用于从实验室到现实世界的各种物种和环境。
 
本期对于脑电图(EEG)的介绍就到此结束啦~希望能够帮助大家对于EEG的原理、历史及未来前景有更加深刻的理解。我们下期再见!

PS:后台回复关键词“脑电简介”即可获得原文及相关参考文献啦!


校对:喵君姐姐
整理/排版:华华
图片来源:Mixkit


参考资料:
[1]Andrea Biasiucci,Benedetta Franceschiello,Micah M. Murray. Electroencephalography[J]. Current Biology,2019,29(3).
 
补充资料:
[1]胡理老师,心仪科技,“认知与脑调控”直播周视频回放链接:https://m.lizhiweike.com/channel2/804668
 

*图片与链接来源于网络,其目的在于促进信息分享交流,不做商业用途。若有侵权,请在后台留言,管理人员删侵。


颅内脑电图简介

EEG/ERP如何获得稳定可信的结果或效应

Letswave 教程:脑电数据预处理与叠加平均

ERPLAB教程 | 原来画漂亮的脑电图可以这么容易!

您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存