时间课程名具体内容I4.7脑电基本原理及经典成分脑电基本概念和原理：生理机制、脑电节律、伪迹和干扰、ERP等脑电经典成分：外源性，内源性和运行成分II4.8脑电数据预处理（上）EEGLAB

导读事件相关电位(ERP)数据的多变量分类分析是预测认知变量的强大工具。然而，分类通常仅限于分类变量，并未充分利用连续数据，如反应时间、反应力或主观评分。另一种方法是支持向量回归(SVR)，它使用单试次数据来预测感兴趣的连续变量。在这篇教程式的文章中，研究者演示了如何在决策解码工具箱(DDTBOX)中实现SVR。为了更详细地说明结果如何取决于特定的工具箱设置和数据特征，本研究报告了两个模拟研究(类似于真实的EEG数据和真实的ERP数据集)的结果，并预测了一系列分析参数的连续变量。结果发现，SVR对于2-100ms的分析窗口有效，并且相对不受时间平均的影响。当只有少量通道编码真实信息时，预测仍然是成功的，并且分析对信号中相关信息的时间抖动具有鲁棒性。总之，本研究证明了线性SVR是研究与连续变量相关的单试次EEG数据的有力工具，并为用户提供了实用性指导。前言用于非侵入性获取神经成像数据的多变量分析技术(如EEG和MEG数据)，具有高时间分辨率的特点，在认知神经科学研究中越来越受欢迎。特别是通过多变量模式分析(MVPA)使用分类器的优点是，与使用经典的单变量方法相比，它可以在给定时间点从信号中提取更多的信息。这可以让我们深入了解在非常短的时间尺度内，大脑活动模式代表了什么信息或认知过程，并可以揭示神经表征随时间的动态发展。近年来，已经发布了一些工具箱，允许研究人员将这些技术应用于EEG/MEG数据，包括ADAM、CoSMoMVPA、DDTBOX、FieldTrip、MNE-Python、MVPA-Light和神经解码工具箱，并对fMRI的类似工具箱进行了补充。此外，还发表了一些教程式论文，为用户提供了实用的建议。多变量模式分类器的一个重要约束是，它们仅限于预测分类变量，因为它们使用多变量信号将试次分配给不同的类。最近，人们对多变量M/EEG信号中连续变量的预测越来越感兴趣，而分类分析并不适用于此情况。例如，研究人员试图使用中值分割来区分连续变量的高值和低值，但这种方法通常会受到统计功效降低的影响。另一种方法是支持向量回归(SVR)，可用于从单个试次数据中预测感兴趣的连续变量，例如反应时间、反应力、主观评分(情绪状态、效价等)，以及任何与EEG模式相关的其他变量。如果人们对解码行为上有意义的连续变量感兴趣，而这些连续变量很难划分为不同的类别时，这种方法尤其有用。本研究将描述决策解码工具箱(DDTBOX)中SVR的实现，该工具箱已越来越多地用于解码不同的认知过程，从低层视觉到高级抽象表征。本文的目的是首先为潜在用户提供关于使用SVR处理过(或能够处理)哪些类型的问题的背景信息，然后提供如何在工具箱中实施此类分析的实用指南。注意，本文并非旨在全面比较不同的多变量方法(例如，线性判别分析、随机森林分类)，也不是为了证明一种方法优于另一种方法。相反，本研究重点关注DDTBOX中的特定实现上，它旨在为用户提供易于适应新研究问题的代码，以及包括所选择的数据参数和特征映射到认知神经科学研究中最常见的分析决策，用户可以从本研究提供的概述和分析中受益匪浅。本文首先解释了在DDTBOX中进行SVR的一般原理，包括一些分析参数的简要概述，这些参数可以由用户自定义。这些包括a）分析中所包括的特征，即是进行空间分析还是时空分析；以及b）为试次中的滑动分析窗口选择适当的窗长，以捕获信号中的潜在信息。然后，简要回顾了使用SVR研究的认知过程类型。接下来，对模拟EEG数据进行分析，以展示关键参数改变时结果的变化。最后，为用户提供了如何在DDTBOX中根据自己的研究目的定制SVR的建议，并简要讨论了SVR的一般使用。DDTBOX中的支持向量回归(SVR)分析在DDTBOX中执行SVR分析DDTBOX的最新版本(v1.0.5)允许用户执行支持向量机(SVM)分类，与LIBSVM或LIBLEAR接口，或执行支持向量回归(SVR；与LIBSVM接口)来分析EEG振幅数据(注意，它还可以用于分析其他格式，如频谱功率数据；但该选项尚未常规集成)。DDTBOX中默认实现的epsilon-insensitive线性SVR方法赋予了SVM的许多优点，可以基于EEG数据的多变量模式进行回归。与标准线性回归相比，在εSVR中，任何小于ε设定值的残差(误差)都将被忽略，只有大于该值的残值才决定回归模型的结构。在运行SVR分析之前，以与经典ERP分析相同的方式对数据进行预处理。有人建议，对于MVPA而言，数据清理可以不那么严格，因为例如，噪声和非信息通道以及非系统伪影不会损害分类器，因为在分类过程中会为这些特征分配较低的权重；然而，我们更倾向于对数据应用与ERP分析相同的严格伪迹拒绝程序。这也可以使数据与经典ERP分析的结果进行全面比较。用户可能会选择执行电流源密度(CSD)分析作为最后的预处理步骤。此处不详细讨论该方法(也不对报告的数据执行)。简而言之，对于CSD分析，应用拉普拉斯滤波器将数据重参考到周围电极。这样做的好处是：数据独立于特定参考通道，并且每个通道的独特贡献被放大，同时数据中的冗余被衰减。有人建议使用类似的拉普拉斯滤波器来改进分类。由于减少了相邻电极位置信号的冗余，CSD信号的较高地形精度也有利于使用SVR进行模式分类分析。对于SVR，预处理的数据以以下格式导出到MATLAB数据矩阵中：通道×数据点×试次。第二个矩阵，以单列的形式包含每个试次(对应于EEG数据矩阵中包括的试次)的感兴趣变量。每个参与者的矩阵用作参与者内SVR的输入，以根据EEG振幅数据的分布模式预测感兴趣变量。DDTBOX使用滑动窗口法，在分析时间窗口内分析试次数据(通常包含基线周期，并根据个别研究问题进行划分)，该时间窗在整个试次中以小的(重叠或非重叠)步骤移动，每次都包含下一步的数据。也可以使用预定义的感兴趣时间段，但本文将重点讨论滑动窗口法。每个分析步骤/窗口都被视为一个独立的分析。在DDTBOX中，应用交叉验证程序，将试次随机分为不同的集合(例如，十个集合进行十折交叉验证)。除了一个数据集之外，所有数据集都用于训练，而独立的留一数据集用于测试训练后的回归模型对未知数据的泛化程度。通过使用每个数据集进行一次测试，同时对所有其他数据集进行独立训练，对交叉验证的每一折重复此过程。此外，DDTBOX允许实现整个交叉验证过程的多次迭代，每次都将试次重新随机排序为新的集合(DDTBOX中的默认值是十折交叉验证的十次迭代)。这一步骤增加了总体时间和计算处理成本，但它大大降低了数据初始排序过程中偶然产生的假阳性结果的概率。SVR为真实标签(即每个试次中兴趣变量的值)和预测标签(即兴趣变量的预测值)之间的相关性输出一个Fisher

时间课程名具体内容I11.23脑电基本原理及经典成分脑电基本概念和原理：生理机制、脑电节律、伪迹和干扰、ERP等脑电经典成分：外源性，内源性和运行成分II11.24脑电数据预处理（上）EEGLAB

导读功能性磁共振成像(fMRI)和脑电图(EEG)是用于测量人脑神经活动的非侵入性技术。fMRI测量的是与神经活动血流动力学变化相关的磁共振信号，具有良好的空间分辨率(2-3mm各向同性)和较低的时间分辨率(1-3s)。而EEG用于以毫秒级的时间分辨率记录大脑中的电活动，但空间分辨率有限。通过fMRI和EEG的结合，可以生成人脑功能的高时空分辨率图，这对于理解人脑的复杂动力学是至关重要的。此外，fMRI期间的EEG记录可用于识别大脑中异常电活动的来源。本文探讨了人类同步EEG-fMRI记录的最新进展；重点关注同步EEG-fMRI记录存在的挑战；去除伪影的技术；fMRI和EEG研究的实验设计；以及整合fMRI和EEG数据的方法。前言人脑是一个复杂而动态的网络，在多个时空尺度上存储和处理信息。这种信息处理是通过神经元中电活动的产生和通过轴突通路的传递来实现的。神经电活动的产生和传递的异常变化会导致大脑功能紊乱。功能性磁共振成像(fMRI)和脑电图(EEG)可用于无创记录大脑神经活动。fMRI测量的是与神经活动引起的血流动力学变化相关的磁共振信号强度的变化。fMRI具有比EEG更高的空间分辨率(2-3mm)，但时间分辨率有限(1-2s)。另一方面，EEG可以以高时间分辨率(毫秒)记录神经活动，但空间分辨率有限。同时记录fMRI和EEG可用于结合两种技术的优点，并更好地了解大脑中异常神经电活动的神经来源(例如，在癫痫发作期间)或生成人脑功能的高时空分辨率图。本文重点介绍了使用同步fMRI-EEG对人脑功能进行体内成像，探论了基于fMRI和EEG同步成像的人脑功能的最新进展，概述了同步fMRI-EEG记录存在的挑战，以及从MRI扫描仪内记录的EEG数据中去除伪影的技术。最后，给出了设计实验以提高fMRI和EEG实用性的技术指南，以及整合fMRI和EEG数据以实现高时空分辨率的各种方法。血氧水平依赖(BOLD)fMRI血氧水平依赖(BOLD)fMRI最早是由Ogawa等人(1990)通过对高磁场中的大鼠研究发现的。神经元活动的增加需要更大的能量(图1a)，这引起了血流、含氧(抗磁性)和脱氧(顺磁性)血液、血容量和耗氧量之间的复杂相互作用。由于MRI扫描仪内顺磁性和抗磁性血液的不平衡，产生的小额外磁场会在磁场中产生局部不均匀性，从而导致MR信号的弛豫常数T2*降低。因此，对T2*敏感的MR脉冲序列在血液高度氧合时显示出更多的MR信号，而在血液高度脱氧时显示较少的MR信号。对短暂神经元刺激的典型BOLD反应一般伴随着延迟开始、峰值和下降。这种BOLD反应被称为血流动力学响应函数(HRF)。许多研究还报告了HRF在神经元活动之后和HRF升高之前出现短暂(1-2s)的初始下降，称为初始下降。图1.BOLD

,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★

时间课程名具体内容I11.23脑电基本原理及经典成分脑电基本概念和原理：生理机制、脑电节律、伪迹和干扰、ERP等脑电经典成分：外源性，内源性和运行成分II11.24脑电数据预处理（上）EEGLAB

64位系统（推荐win10）、i5及以上、8G内存、50G剩余存储空间等基本配置；请尽量不要使用苹果电脑和AMD处理器的电脑。网课建议一、不缺席

★请各位学员自备笔记本电脑Windows64位系统（推荐win10）、i5及以上、8G内存、50G剩余存储空间等基本配置；请尽量不要使用苹果电脑和AMD处理器的电脑。网课建议一、不缺席

导读人类的许多行为都是由在不同时间尺度上发生的共同过程所支配的。标准的事件相关电位分析假设有关实验事件的响应持续时间是固定的。然而，最近对动物的单个单元记录显示，在需要灵活计时的行为中，神经活动尺度跨越了不同的持续时间。本研究采用了一种通用的线性建模方法，使用固定持续时间和可变持续时间回归器的组合，以分离人类脑磁/脑电图(M/EEG)数据中的固定时间和缩放时间成分。研究者利用这一点来揭示人类头皮记录电位在四个独立EEG数据集中的一致时间尺度，包括时距知觉、产生、预测和基于价值的决策。时间尺度响应的试次间变化预测了被试反应时间的试次间差异，证明了这种时间尺度信号与行为时间变化的相关性。本研究结果为研究人脑中的灵活计时行为提供了一种通用的方法。前言现实世界中的行动和感知需要灵活的时间安排。我们可以快走或慢走，可以识别以不同节奏播放的同一首音乐，并在长短时间间隔内形成时间预期。在许多认知任务中，反应时间的变异性是根据内部证据积累来建模的，因此相同的动态过程在不同的试次中以不同的速度展开。灵活的时间安排在我们的生活中至关重要，然而，尽管经过几十年的研究，它的神经关联仍然受到广泛的争论。脑磁图和脑电图(M/EEG)由于具有高时间分辨率的特点，因而在理解计时的神经基础方面发挥了特别重要的作用，通常用于分析这类数据的方法是事件相关电位(ERP)，它可以在多次重复刺激中进行平均事件锁定反应。例如，这种方法已被用于识别在一定时间间隔内的缓慢负向信号的存在。这个信号被称为关联性负变(CNV)，被认为与时间有关，因为它的斜率与时间间隔的持续时间成反比。重要的是，ERP分析策略隐含地假设神经活动以相对于实验事件的固定时间延迟发生。然而，最近的研究表明，单个神经元水平上的大脑活动可以用时间尺度模型进行最好地解释，在该模型中，活动可以根据产生的间隔长度被拉伸或压缩的单个响应来解释。当猴子被提示产生不同长度的间隔时，时间尺度模型解释了内侧额叶皮层单个单元的神经反应的大部分差异。这表明，灵活的计时机制是通过调节一个共同神经过程的速度来实现的，这一观点可以从动力学系统理论的角度来看。与动力学系统在一系列神经计算中所起的广泛作用一致，最近对神经集群的研究表明，时间偏差是许多不同集群记录和行为任务的共同特性。例如，在感官和基于价值的决策过程中，时间尺度也隐含在证据整合的神经关联中（这在先前的研究中也被提出作为时间估计的机制）。成功地表征人类的时间尺度成分，可以为研究时间尺度在更复杂的层级任务中的作用打开大门，如音乐创作或言语感知，以及在时序受损的患者群体中。然而，目前尚不清楚神经反应的时间尺度是如何在人类头皮上(使用非侵入性记录)显现出来的。这是因为ERP分析策略的固定时间特性。而且ERP的一个成分，称为CNV，其在不同的时间间隔内以不同的速度变化，这表明存在时间尺度。但关键是，由于叠加问题，任何缩放的活动都将在头皮上与固定时间的成分混合。因此，本研究开发了一种方法来分离EEG中的缩放时间和固定时间成分(图1A)。本研究提出的方法建立在最近开发的基于最小二乘回归的方法之上，这些方法已被证明有助于分离相互重叠的固定时间成分，如刺激相关的活动和反应相关的活动。为了克服叠加问题，这些方法使用一般线性模型(GLM)以去卷积潜在重叠的神经反应。在此基础上，使用GLM来估计固定时间的ERP，其中设计矩阵中填充了时滞“stick函数”(一个回归量，在感兴趣的时间点周围的值为1，在其他时间点为0)。重要的是，stick函数可以捕获潜在神经响应中的重叠(图1B)，并且可以通过向模型估计中添加正则化惩罚来提高对神经数据的拟合度。在没有任何重叠的情况下，GLM将完全返回传统的ERP。图1.基于回归的模拟数据分解成功地复原了缩放时间和固定时间成分。这里引入的关键创新是，除了固定持续时间回归器外，此模型中还允许使用可变持续时间回归器，以测试缩放时间响应的存在。特别是，该模型允许stick函数的持续时间根据刺激和反应之间的间隔而变化，这意味着相同的神经反应可以在不同的试次中跨越不同的时间。因此，所提出的方法不是对每种条件的平均间隔持续时间进行建模，而是捕捉试次到试次反应的变异性。返回的缩放时间电位是刺激和反应之间的时间流逝百分比的函数。研究者在单个EEG传感器上模拟了间隔计时任务的数据，该任务由两个固定时间成分(锁定线索和反应)和一个跨越线索和反应之间的缩放时间成分组成(图1A)。本研究提出的方法成功地复原了所有三个成分(图1C)，而传统的ERP方法掩盖了缩放时间成分(图1A)。重要的是，在真实的EEG数据中，研究者在所有传感器上重复了这种方法，潜在地揭示了固定时间与缩放时间成分的不同头皮分布(以及不同的神经源)。通过分离固定和缩放成分，本研究方法超越了以往处理EEG实验中时序变化的方法。例如，可以通过平移整个波形或单个ERP成分来调整EEG试次的事件相关时序。另一方面，原始EEG可以通过升采样/降采样或动态时间变化将试次与一个共同时间框架对齐。然而，这些方法并不是设计来分解固定时间和缩放时间成分的。最后，可以使用另一种基于回归的方法——时间响应函数(TRF)来量化连续变量对EEG的影响。TRFs在捕捉不同类型的延迟活动方面特别灵活。本研究方法与TRFs有关，因为它涉及到待估计输入信号与连续回归量的卷积。然而，与TRFs不同的是，本研究方法包含一个额外的缩放步骤，其中输入信号被拉伸或压缩(图1)。时频分解也可以很容易地分离高频和低频响应。事实上，大量的神经振荡都与时间知觉有关。人们可能会合理地预期拉伸/压缩信号在时频域中的表现不同。然而，与本研究所提出的方法不同的是，时频分解并不容易用来寻找缩放时间响应的时间尺度。如果信号在同一频段，时频分解也无法将固定时间响应与缩放时间响应分开。本研究分析了四个独立的EEG数据集，包括三个间隔计时任务和一个决策任务。在第一个任务中，参与者根据提示生成目标间隔(短、中或长)(图2A)。参与者能够根据提供的反馈做出更接近目标时间间隔的反应。在第二个任务中，参与者评估了计算机生成的时间间隔(图2B)。生成的时间间隔越接近目标时间间隔，参与者越有可能判断反应是“准时”的。在第三个任务中，参与者根据节奏预测对即将发生的事件进行时间预测(图2C)。图2.三种时间估计和一种决策范式的任务示意图。在第四个任务中，参与者在成对零食中进行选择(图2D)，在这个过程中，反应时间的变化可以被建模为随时间推移的内部证据积累过程，与证据积累相关的神经活动可在头皮上测量。快速、简单试次EEC的增长速度快于缓慢、困难试次EEG的增长速度，这表明内部证据积累的速率更高。因此，本研究预测EEG将包含一个与不同证据积累速率相关的潜在尺度成分。在所有四项任务中，可以观察到一个与前后固定时间成分不同的缩放时间成分(图3)，这类似于传统的ERP。通常，ERP成分由其极性和头皮分布来定义。观察到的缩放时间成分具有共同的极性(负性)和头皮分布(中央)。在每项任务中，基于聚类的置换检验显示，缩放时间成分与零显著不同。这些差异是由产生任务中36-87%(P＜0.001)、感知任务中42-100%(P＜0.0001)、预测任务中18-27%(P=0.004)和决策任务中36-55%(P＜0.001)的团簇驱动的。图3.在所有四种范式中都一致地观察到了缩放时间成分，其头皮地形图与固定时间成分不同。为了进一步验证本研究方法，研究者通过计算每个任务和参与者的缩放指数来量化时间尺度(图4)。为了计算这一点，拉伸/压缩每个epoch，以匹配每个任务中的最长间隔，按条件求平均，然后使用较短间隔的拉伸版本计算用于预测较长间隔的决定系数。首先对原始数据执行此操作，然后分别对仅包含固定时间成分和缩放时间成分的数据执行此操作。在所有四项任务中，缩放成分的缩放指数都超过了固定成分的缩放指数。图4.未混合信号在其缩放程度上存在定量差异。然后本研究考察了缩放时间成分与行为变异性的关系：缩放时间成分的潜伏期能否预测被试的反应时间？本研究关注的是时间产生和决策任务，其中间隔持续时间等于响应时间。由于不同试次的响应时间不同，建模的缩放成分也不同。为了测量成分潜伏期，本研究使用主成分分析(PCA)对时间产生任务中中央电极上的延迟活动进行建模。与简单的峰值检测不同，PCA可以解释一系列波形动态。首先回归出GLM识别的固定时间成分，得到的数据集只包含剩余的缩放时间活动。然后，计算了三种时距条件下的平均缩放时间活动(图5A-C)。将PCA分别应用于每种时距条件，并一致地揭示了与缩放时间成分形状匹配的第一个主成分和与它的时间导数匹配的第二个主成分。这一分析证实了本研究数据中缩放时间成分的存在，因为它是去除固定时间成分后的第一主成分。至关重要的是，添加或减去第二个主成分可以捕获缩放时间成分的潜伏期变化。在反应时间分位数中，可以发现PC2得分与反应时间显著相关(图5D)。这意味着，缩放时间成分达到峰值的时间越早，被试对该试次的反应就越快。该结果在决策任务中得到了验证(图5E)。图5.缩放时间成分的变化预测了时间估计中的行为变化。方法模拟。使用MATLAB

时间课程名具体内容I11.23脑电基本原理及经典成分脑电基本概念和原理：生理机制、脑电节律、伪迹和干扰、ERP等脑电经典成分：外源性，内源性和运行成分II11.24脑电数据预处理（上）EEGLAB

64位系统（推荐win10）、i5及以上、8G内存、50G剩余存储空间等基本配置；请尽量不要使用苹果电脑和AMD处理器的电脑。网课建议一、不缺席

64位系统（推荐win10）、i5及以上、8G内存、50G剩余存储空间等基本配置；请尽量不要使用苹果电脑和AMD处理器的电脑。网课建议一、不缺席

★本期课程内容涵盖：脑成像元分析基本原理、激活似然性估计ALE、GingerALE软件介绍、参数设置、GingerALE实操、基于坐标的激活似然估计的理论讲解、论文实战案例。★

64位系统（推荐win10）、i5及以上、8G内存、50G剩余存储空间等基本配置；请尽量不要使用苹果电脑和AMD处理器的电脑。网课建议一、不缺席

,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★

★请各位学员自备笔记本电脑Windows64位系统（推荐win10）、i5及以上、8G内存、50G剩余存储空间等基本配置；请尽量不要使用苹果电脑和AMD处理器的电脑。网课建议一、不缺席

★ASL成像原理与工具包介绍；基于SPM的ASL数据处理；ASL数据拓展分析；ASLtbx数据分析实战；基于CBF的功能连接分析；CBF脑网络拓扑分析及统计。★

导读本研究介绍了一种深度学习架构，用于评估40名癫痫患者的多模态脑电图(EEG)和功能性近红外光谱(fNIRS)记录。长短期记忆网络和卷积神经网络集成在一个多模态序列到序列的自编码器中。训练后的神经网络通过从EEG全谱和特定EEG频段中分层提取深度特征，从EEG中无先验地预测fNIRS信号。结果表明，与其他频谱包络相比，更高频率的EEG范围可以预测fNIRS信号，其中gamma频段的输入主导fNIRS预测。基于种子的功能连接验证了实验性fNIRS和本研究模型的fNIRS重建之间的相似模式。本研究首次证明，在关于EEG频段如何解码fNIRS信号的特定假设背景下，基于频率振荡的功率谱振幅调制，可以从静息态人类癫痫脑中的编码神经数据(EEG)预测脑血流动力学(fNIRS)。前言功能性近红外光谱（fNIRS）是一种无创、便携且经济高效的神经成像技术，它使用近红外光持续监测大脑血流动力学参数（即氧合血红蛋白(HbO)、脱氧血红蛋白(HbR)和总血红蛋白(HbT)）的变化。fNIRS方法依赖于神经血管耦合现象，该现象描述了神经活动和脑血流之间密切的时空关系，以绘制大脑的急性功能变化。在典型的fNIRS装置中，与近红外光源相对应的光电器件及其附属探测器被放置在受试者的头部表面。从光源发出的红外光在进入大脑组织时被吸收或散射。使用修正的比尔-朗伯定律，检测到的光用于计算与大脑血流动力学活动相关的血氧变化。血红蛋白氧合浓度的变化可以量化大脑对红外光的吸收。fNIRS方法作为其他功能成像技术(如fMRI)的替代或补充具有以下优点。与fMRI相比，fNIRS提供了更高的时间分辨率，并且fNIRS硬件可以与头皮脑电图（EEG）等其他模态集成。fNIRS信号最近已用于研究大脑状态解码，并在过去的十年中被证明可用于脑机接口(BCI)研究。头皮EEG技术是研究人脑的临床黄金标准，EEG记录可分为特定频带：alpha，beta，delta，gamma和theta。Delta频率范围包括振幅相对较高的低频和0.25-3.0Hz的缓慢波形。Delta频率在正常睡眠中很常见，可能偶然出现在局灶性病变、代谢性脑病或脑积水中。Theta频率范围介于4到7Hz之间。虽然在年轻人中是正常的，但在醒着的成年人中，theta频率包络被解释为活动缓慢。与delta波一样，theta波可见于局灶性病变或弥漫性神经疾病中更广泛的分布。Alpha频率在8至13Hz之间，是清醒成人的主要节律。Beta活动的频率范围在14至30Hz之间，通常观察到双侧额叶对称分布。更高的频率范围(30-100Hz之间)用gamma波表示。Gamma活动比较常见，在快速眼动睡眠中会增强。多模态EEG-fNIRS实验装置记录了大脑活动的时空动态，为观察神经集群的动态提供了机会，并为基础和临床分析提供了更多益处。在这种情况下，头皮EEG测量大脑的电活动，而fNIRS信号编码大脑的血流动力学响应，神经活动大约有3s的延迟。来自EEG-fNIRS装置的数据已经建立了神经元放电与HbO、HbR和HbT变化之间的因果关系，反映了神经血管耦合所导致的电和血流动力学波动。最近的兴趣集中在从EEG记录的活动中确定空间血流动力学相关性，特别是在血氧水平依赖信号(BOLD)中。静息态研究已成功证明，低频EEG频带信号(尤其是特低频gamma

时间课程名具体内容I11.23脑电基本原理及经典成分脑电基本概念和原理：生理机制、脑电节律、伪迹和干扰、ERP等脑电经典成分：外源性，内源性和运行成分II11.24脑电数据预处理（上）EEGLAB

导读功能连接中一个非常有趣的部分是‘同伦连接’(HC)，即两个半球的两个镜像区域之间的连接，主要由胼胝体纤维介导。尽管研究人脑性别二态性的传统由来已久，但是据所知，只有一项研究涉及性别对HC的影响。这里，将使用基于坐标的元分析方法和来自BrainMap数据库的数据考察男性和女性大脑的同伦共激活问题。第一个出乎意料的发现是，该数据库受到了性别偏差的影响：仅限女性群体比仅限男性群体的研究数量要少，而且与男性相比，女性群体在某些领域的研究更多，如情感，而在认知方面的研究较少。本研究执行了一系列的抽样程序，以平衡数据集的大小和比例，结果表明，女性表现出比男性更强的半球间共激活，这表明女性大脑的偏侧化程度较低，整合程度高于男性。此外，男性似乎表现出比女性更弱但更广泛的共激活，甚至还出现了一些局部差异。特别是，男性大脑的初级运动区和感知区域似乎具有更大的共激活，而大脑的其他区域则相反。这为大脑性别差异的多维视角提供了论据。前言大脑连接有两个特征：分离和整合。分离指的是一种网络组织，其特征在于节点簇(神经元或区域)之间的连接比其他团簇更紧密，从而促进了功能专门化。整合是指专门的大脑区域之间的相互作用，可以实现远程同步和信息流。这两个过程之间的相互作用定义了静息态网络之间的相关和反相关模式，以及两半球的功能偏侧化。FC的一个相关元素是同伦连接(HC)。HC是指两个半球的两个镜像区域之间的(结构或功能)连接，主要由胼胝体纤维介导。重要的是，HC可以作为局部半球间整合的一个指标。同伦FC的值高于其他形式的半球内和半球间FC值，并且与视觉空间注意和执行功能等认知任务的表现相关。此外，在多种病理条件或异常状态下观察到同伦FC模式的改变。基于神经成像数据和应用不同方法的大量元分析研究也证实了功能性HC的存在。事实上，本研究作者之前的工作采用了一个元分析框架来评估同伦共激活模式，证实了同伦FC在初级区比联合区更强。然而，这项研究没有涉及诸如年龄和性别等混杂变量可能产生的影响。研究人脑的性别差异是非常有趣的，特别是在确定行为差异的潜在机制或解释某些精神和神经系统疾病的患病率方面。然而，数据往往是模棱两可的，它们的解释是矛盾的，以及关于此事的不同观点进行了激烈争论。更具体地说，关于女性和男性之间的胼胝体是否存在解剖学上的差异的讨论由来已久，大多数研究表明女性的胼胝体连接更强。关于功能性HC，Zuo等人(2010)测试了两性之间的局部差异，报告了女性后扣带皮层以及内侧和外侧前额叶皮层中具有更大的基于体素静息态HC；相反，男性在小脑，海马旁回和梭状回中显示出更大的HC。这些发现表明，男女大脑在分离和整合方面的机制不同。事实上，Ingalhalikar等人(2014)的研究结果表明，女性大脑半球间的结构连接比男性更强，而男性大脑半球内的连接比女性更强。然而，其他研究表明，如果考虑到脑容量的差异，这样的结果就不成立了。一个相关的问题是大脑半球偏侧化的性别差异。如果Ingalhaikar等人的描述是正确的，在不考虑任何脑容量的问题上，我们应该预期女性的偏侧化程度一般较低，因此大脑半球间的共激活比男性更强。事实上，更好的胼胝体微观结构组织与更对称的二元刺激处理有关，而胼胝体连接较弱的区域则表现出更多的非对称激活。这些观察结果表明，更强的胼胝体连接可能导致更少的偏侧化，从而更有可能发生同伦共激活。本研究采用元分析方法考察了女性和男性大脑的同伦共激活问题。从BrainMap数据库中评估了女性和男性被试的元分析同伦连接(MHC)。有大量证据表明共激活和功能连接之间的相似性；特别是，MHC技术先前已被证明可以产生与体素镜像同伦连接分析(VMHC)类似的结果。这表明，元分析同伦共激活可以作为半球间整合(vs.偏侧化)和功能连接的指标。此外，本研究聚焦于单一认知领域，以研究两性之间的半球间整合模式是否有所不同。方法数据采集为了获得激活数据以模拟同伦共激活，使用Sleuth(v.3.0.4；https://www.brainmap.org/sleuth/)搜索BrainMap功能数据库部分。BrainMap是一个开放访问的数据库，其中包含已发表的人类神经成像实验，报告了立体定向大脑空间中的激活坐标。使用认知分类法对这些实验进行编码，可以在

★本次培训班面向的对象是希望利用脑电技术进行科研的研究生、临床研究的医生、研究人员等，培训班进行小班授课，重点培训学员操作，并且后续提供持续的在线一对一详细的解答、支持，及时解决学员问题。★

导读人脑由多个离散的、功能特异的区域组成，这些区域相互连接以形成大规模的分布式网络。使用先进的脑成像方法和机器学习分析方法，最近的研究表明在执行各种认知任务时，可以从任务独立的大脑连接模式中准确预测区域大脑活动。在这篇综述文章中，首先从结构连接（即白质连接）和功能连接（即时间同步的无任务激活）提出了大脑活动可预测性的证据。然后，讨论了这些预测对临床人群（例如被诊断患有精神疾病或神经系统性疾病的患者）和大脑-行为关联研究的影响。前言神经科学的一个基本前提是，大脑任何组成部分的功能，无论是单个神经元、神经元集群，还是皮层区域，在很大程度上是由其连接定义的。我们的大脑似乎遵循两个基本的功能组织原则：1）将不同的区域划分为不同的认知功能或心理过程，以及2）这些专门区域之间的整合是通过神经连接实现的。在过去的十年中，对大脑连接及其与局部认知任务激活关系的研究，为它们在塑造人类行为方面的作用提供了独特的见解。连接模式可以用MRI进行无创测量，主要有两种方法：弥散MRI利用神经元连接的几何特征来重建已知的解剖束，称为结构连接，而fMRI信号可以在整个大脑中相互关联，以检测功能定义的大脑网络，称为功能连接。结构连接指标通常反映了大脑不同区域之间的连接概率或流线数量和长度。功能连接测量表示预定义感兴趣区域与大脑其余部分之间的时间同步，或表示随时间推移活动自发波动模式相似的全脑区域网络。通过成像测量计算出的大脑连接通常独立于特定的任务要求。传统的fMRI研究引入一个任务并测量相应的大脑反应，与之不同的是，大脑连接研究的被试在接受扫描时通常不参与任何特定的认知功能。这适用于结构连接，但更适用于功能连接，即当参与者处于所谓的“休息”状态时进行广泛评估。因此，从与复杂功能和认知相关的局部脑激活的分布式大脑连接模式中，我们能够了解到什么仍然是一个悬而未决的问题。解决这个问题的一种方法是利用机器学习算法，它在过去二十年中彻底改变了神经成像数据的分析。机器学习使用多变量方法来预测单个被试并发现数据中的模式。一般来说，可以通过训练一组被试的大脑活动和连接之间的关系，并在另一组被试上进行测试，从而从连接中预测不可见个体的大脑活动（图1）。这两组被试，即训练集和测试集，应该是完全独立的，以避免模型的交叉污染和过拟合。为了达到这一目的，交叉验证被广泛用于将单个数据集迭代地划分为独立的训练和测试子样本。在训练期间，为模型输入一组连接特征，这些特征可以通过使用先验知识或数据驱动方法（例如，主成分分析）来选择。通过学习这些特征与观察到的任务激活图之间的关系，该模型能够仅根据新被试的连接数据为其生成预测的任务激活图。本文回顾了快速增长的、关于从连通性预测大脑活动的文献，并提出了来自结构和fMRI研究的证据，这些研究使用了机器学习方法来关联连通性测量和任务诱发的大脑活动。然后，讨论了实际（如临床）和理论（如连接作为决定大脑活动的基本架构的作用）的影响，并总结了未来的方向和一些开放性问题（图2）。图1.从结构或功能连接预测大脑活动的一般机器学习方法示意图。图2.理论框架和文章概览。从结构和功能连接预测大脑活动在过去的十年里，越来越多的证据表明，任务诱发大脑活动的个体模式可以通过大脑连接的无任务MRI测量来准确预测。在Saygin等人(2012)的一项开创性研究中，解剖学连接被用来预测梭状回对面部的功能激活。Saygin首先计算了梭状回中每个体素与大脑其余部分的结构连接概率，然后训练一个线性回归模型，将这些连接模式与每个体素的活动与面部＞场景的对比联系起来。该模型应用于未知被试，结果发现每个梭状回体素的预测激活与实际（观察到的）fMRI激活惊人地相似（图3A，左侧）。图3.从大脑连接预测任务激活图。这些开创性的发现指出了大脑结构（以连接的形式）与功能之间的密切联系。具体来说，尽管面部选择性体素簇的位置因人而异，但它们的外部连接随着每个个体的功能而系统地变化。这种从结构连接预测功能特征的方法后来扩展到预测大脑活动，以响应面部以外的视觉类别（例如，身体，物体和场景），以及强化学习等高级认知功能。除了预测本身之外，它还允许检测到最能预测并可能定义特定功能下的神经机制的特定解剖连接。连通性在指示功能专门化方面的因果作用，更直接的证据来自一项纵向研究，该研究追踪了5至8岁儿童的结构和功能特征。在这项研究中，可以从儿童5岁时的结构连接预测每个8岁儿童中功能性定义的视觉词形区的位置，这表明早期发育的白质连接可能指导以后的功能专门化（图3A，右侧）。最近对1333例中风病例的结构断连的广泛分析显示，中风断连的脑区模式与元分析得出的任务相关fMRI激活显著相关。中风后的断连与任务相关的功能架构之间的密切对应关系支持了结构连接在区域脑功能中的机制作用，并使认知功能映射到白质束的图谱得以发展。随着人们对从解剖学连接中预测大脑活动的兴趣增加，一个新兴的研究领域集中于大脑活动和功能连接之间的关系，以及后者对前者的可预测性。静息态功能连接与任务诱发的大脑活动之间强关系的首次证明是基于对静息态和任务态之间全脑网络架构之间的相似性识别。根据这些发现，一些研究开发了几种受机器学习启发的技术来探索认知任务激活与无任务网络组织之间的关系。例如，使用反映同步活动网络的静息态功能连接特征，将其输入到基于机器学习的回归模型中，已被证明可以准确预测各种认知任务的大脑激活。该模型被训练成任务无关预测因子和任务诱发的激活图之间的关系，随后应用于未知（样本外）被试来预测他们的任务激活（z评分图）。预测的激活图与实际的任务诱发图惊人地相似，捕获了活动强度和拓扑结构的个体差异（图3B，右侧）。产生这种预测的能力突出了连接在大脑功能组织中的核心作用。Cole等人(2016)使用被称为“活动流映射”的方法，通过估计静息态衍生的功能连接网络上的任务诱发活动流（激活幅度的扩展）来预测不同认知领域的任务激活（图3B，左侧）。该方法采用功能连接来映射大脑区域之间的活动流，并构建经验推导的网络模型来模拟任务诱发激活的产生方式。通过将所有其他大脑区域的活动相加，并根据它们与该区域的连通性加权，就可以预测给定大脑区域的任务激活。成功的预测支持了静息态功能网络的认知相关性，表明大脑区域在任务执行过程中的反应剖面至少部分受其内在连接指纹的控制。在过去几年中，有些研究通过采用更高级的方法来提高对连接中的任务活动的预测。这些更高级的方法包括特征提取和建模算法，以及基于解码的方法，将自发的神经活动转化为与任务相关的模式。另一些研究则侧重于采用无任务范式来计算功能连接测量，而不是静息态fMRI（方框1）。方框1.静息态是测量功能连接的最佳状态吗？静息态fMRI扫描在过去的几十年里变得非常受欢迎，通过相对简短和简单的fMRI扫描，对基础和转化神经科学产生了巨大的影响。到目前为止，大多数研究都是利用静息态fMRI数据来提取功能连接特征，从而预测任务活动。虽然静息态被广泛认为是一种“空闲”状态，在这种状态下，参与者不进行任何明确的认知、运动或感知任务，但实际上我们的大脑从来没有真正空闲过。事实上，在休息期间进行扫描的参与者可能会参与各种有意识或无意识的认知过程，例如视觉和听觉处理(如扫描室和扫描仪噪音)，运动和感觉功能(如肢体运动、痒、口渴或肌肉不适)，警觉性波动，以及多种自发和目标导向的认知过程。这些过程很难监测，通常被功能连接研究人员所忽略，尽管它们可能影响从静息态fMRI提取的连接模式。在这里，本文讨论了可替代的无任务范式，这些范式可能有利于功能连接研究，特别是从连接中预测大脑活动的研究。近年来，使用自然刺激(如看电影或听故事)的fMRI研究显著增加。这些刺激比传统的fMRI任务更丰富、更有活力，被认为可以驱动可能更接近自由形式认知的大脑活动。为静息态fMRI开发的大多数功能连接技术都可以有效地应用于自然范式中获取的数据。基于自然刺激的fMRI衍生的连接模式已被证明可用于开发基于成像的精神疾病标志物、大脑-行为关联研究和个体特征的预测。此外，在预测单个任务诱发的激活图方面，观影数据的表现优于静息态fMRI，这些激活图比从静息态预测的激活图更能预测智力分数。这些发现强调了自然刺激在静息态fMRI中的潜力，可用于个体大脑活动和认知特征的基于连接体的预测建模。值得注意的是，“自然刺激”是一个总称，涵盖了不同类型的刺激。作为自然主义刺激的相应内容是有争议的，因为不同类型的刺激可以唤起不同的大脑激活模式。例如，与熟悉的、高度社会化的电影场景相比，不熟悉的抽象视频片段在参与者之间诱发了空间有限且较弱的同步活动。在连接组预测建模的背景下也报告了不同的结果。虽然抽象视频片段在预测任务诱发激活图方面优于熟悉的视频片段，但与社交内容较少的晦涩视频相比，观看熟悉的、高度社会化的电影时测量的功能连接更准确地预测了认知和情感得分。因此，电影中可获得的社会内容水平（例如，面孔和对话vs自然和蒙太奇）可能会以一种可能与认知和心理特征相关的方式影响最终的功能连接模式。因此，未来的研究可能会直接比较从观察不同类型刺激时收集的数据中得出的预测，并检查刺激内容在多大程度上影响对大脑活动和行为个体差异的敏感性。最后，从任务态fMRI数据中提取功能连接。为此，研究人员将传统的任务态fMRI数据作为连续的时间过程进行分析，而不是分析不同任务条件的blocks/events，就好像不涉及任务设计一样。通常，任务设计（即刺激开始）是回归的，并且功能连接是根据该回归的残差计算的。在任务期间获得的数据增强了对大脑-行为关系的可解释性和敏感性。因此，相对于静息态fMRI获得的连接，从任务态数据(例如，工作记忆)获得的功能连接模式可以更好地预测参与者的认知、性格和情绪得分。无论选择何种实验范式和建模方法，无任务测量对任务诱发活动的可预测性表明，大脑激活的个体差异是固有的、类特质特征，而不是状态依赖性特征。这些发现对临床研究和大脑-行为关联的研究具有重要意义。接下来，首先关注将大脑活动的预测能力从连接扩展到临床人群，然后讨论预测的任务激活对研究认知特征的个体差异的影响。临床人群中的大脑活动和连接大多数研究通过结构连接或功能连接来预测大脑活动，使用了来自健康参与者的数据，例如人类连接组项目提供的数据（图4A）。不过，从连通性预测任务活动最让人感兴趣的应用之一是用于神经系统和精神病患者。这些人群在数据收集方面具有挑战性（例如，他们最可能在从事认知要求高的任务时遇到困难），这使他们成为无需实际执行扫描仪内任务就能从预测任务诱发的大脑活动中获益的理想人选。然而，预测方法在临床中的适用性并不简单，原因有两个：首先，临床成像数据的质量通常低于年轻健康成年人的数据(而模型通常是基于健康成年人的数据开发的)；其次，患者的大脑活动通常比健康对照组表现出更大的个体间差异性。图4.健康和临床人群中实际(顶部)和预测(底部)任务激活图的示例。(A)来自人类连接组项目数据集的年轻健康成年人，显示了语言任务中(数学vs故事)的大脑活动。(B)精神分裂症患者，显示了工作记忆任务中(2-BACK

导读向通信辅助技术的转变已经渗透到人类社会生活的各个方面。然而，它对社会脑的影响仍然是未知的，其影响可能在发育过渡期特别强烈。本研究采用双脑视角，并利用超扫描EEG测量了62对母子(儿童年龄：M=12.26，范围10-14，向青春期过渡的阶段)在实时面对面互动vs技术辅助远程交流期间的脑间同步性。在beta(14-30Hz)范围内，实时互动条件下的额叶和颞叶区域之间具有9个显著的脑间连接。母亲的右侧额叶区域与孩子的左右额叶、颞叶和中央区域相连，表明其在双脑动态中起着调节作用。相比之下，远程互动条件只引起了一个显著的脑间半球交叉连接，这削弱了传递社会情感信号的实时社交互动中强大的右脑-右脑连接。此外，虽然两种互动之间的社会行为水平相当，但大脑-行为关联仅在实时互动条件下出现。母子右侧颞叶-颞叶同步与对视时刻相关，孩子的参与度和共情行为与右侧额叶-额叶同步相关。前言面对面的社交互动是人类的一个关键特征，从母亲和婴儿之间的第一次社会交流开始，持续到童年、青春期和成年期，并负责非语言社会信号与生理过程的同步协调，描绘了一种生物行为同步的机制，该机制在整个生命中维持人类的社会性。事实上，合作能力、读懂他人意图的熟练程度以及共情能力已被理论化为人类凌驾于动物界之上的关键决定因素。作为社会取向的生物，人类每天面对面的互动有助于复杂认知技能，共情能力以及大脑结构和功能的成熟。一种假设支持以面对面交流的普遍效应，即脑间同步。脑间同步被定义为多个大脑之间神经动力学的时间相干性，并已成为社会神经科学研究中的焦点。面对面互动的几个特征被认为是增强脑间同步的关键特征，包括对视，社交参与度，共情和人际互惠等。尤其值得一提的是，对视已被反复证明可以促进脑间同步，并增强社会信号的交流，从而实现共同目标。在使用fNIRS和双脑EEG的一项研究中，与目光转移时刻相比，对视与更大的脑-脑耦合有关。尽管人类大脑在进化过程中通过自然情境下的社会互动得到了扩展，但现代技术将这种自然情境下的面对面互动转变为不需要双方在同一场景下的交流模式(如通过社交媒体平台)，这种演变将我们的文化和生物遗传延伸到了未知的领域。我们现在通过各种社交媒体平台进行远程通信。通过科技进行社交已经成为一种日常实践(企业活动、亲密关系...），但其对社会脑的潜在影响仍然是未知的。自COVID-19以来，技术辅助通信成为了社交的主要方式，孩子们通过互联网平台上课、交流，事实上，大部分社会生活都变成了一种技术辅助的模式，使人们能够通过屏幕保持联系。但这种社交方式也有其缺点，有研究表明，每天超过2-3小时的基于技术辅助的沟通与较差的心理健康有关；长时间的虚拟通信甚至会导致疲劳、抑郁、焦虑等症状。而向青春期的过渡是大脑快速重组的时期，这意味着它也是精神病理和社会适应不良的脆弱性时期。技术通信的快速发展使其对青少年社会脑的影响成为社会神经科学的重要研究课题，这些研究对青少年的未来具有重要意义。基于此，本研究采用双脑方法考察了技术辅助通信对青少年社会脑的影响。使用超扫描EEG测量了青少年及其母亲在实时面对面互动vs远程视频聊天时的脑间同步性。基于先前的研究，研究者预计在实时社交互动中的大脑-行为耦合以及更多的神经连接与更频繁的对视和更多的社会参与度有关。此外，在自然主义情景的脑间同步研究中，beta同步性已被证明能够维持浪漫伴侣和亲密朋友之间的交流，能够增强同理心和社会参与度，因此本研究将研究重点放在脑间beta波段的同步性上。方法参与者共140名健康参与者(70对母子)参与了本次研究。儿童的平均年龄为12.26岁(SD=1.21，男性占44%，长子/长女占66%)。母亲的平均年龄为43.74岁(SD=4.41)，平均受教育年限为16.96岁(SD=2.5)，是生母和主要照顾者。所有家庭都是中产阶级背景，81%的家庭与孩子的父亲同住在一起。该研究是在COVID-19之前完成的。该实验得到了瑞赫曼大学伦理委员会的批准，所有母亲都为自己和孩子签署了书面知情同意书，实验退出自由，并获得全额补偿。参与者参与研究后可获得报酬(每小时30美元)。程序该研究在两个相邻的实验室中进行，包括三个sessions的双脑EEG记录。第一个session是记录母子在休息状态(Rest)下的大脑活动，此时没有互动。第二和第三个session在参与者中是平衡的，一半的参与者对进行实时面对面互动，另一半的参与者对通过视频聊天进行互动。在实时面对面互动中，母亲和孩子面对面坐着，并就计划的积极话题进行互动。在视频聊天互动中，母亲和孩子通过两个独立房间的电脑屏幕进行交流，并在门锁上的情况下就计划的积极话题进行互动(图4A)。所有实验条件中都有一名高级技术人员在场，以确保质量控制。手动检查两个房间的摄像机记录(使用Mangold互动，Mangold

★本期课程内容涵盖：脑成像元分析基本原理、激活似然性估计ALE、GingerALE软件介绍、参数设置、GingerALE实操、基于坐标的激活似然估计的理论讲解、论文实战案例。★

★ASL成像原理与工具包介绍；基于SPM的ASL数据处理；ASL数据拓展分析；ASLtbx数据分析实战；基于CBF的功能连接分析；CBF脑网络拓扑分析及统计。★

64位系统（推荐win10）、i5及以上、8G内存、50G剩余存储空间等基本配置；请尽量不要使用苹果电脑和AMD处理器的电脑。网课建议一、不缺席

导读大脑活动模式分类是理解大脑，进行神经诊断和设计闭环神经接口的重要工具。头皮脑电图(EEG)以其非侵入性和低成本的优点被用于神经信号的分类，研究人员已经使用了各种机器学习方法来进行研究。近年来，深度学习(DL)因其能够在阐明分类的相关特征的同时显著提高许多领域的分类性能而广受欢迎。本文旨在为对基于EEG的深度学习研究感兴趣的研究人员提供全面的参考来源。前言深度学习(DL)在EEG应用中的潜力随着深度学习算法的使用，EEG分析领域呈指数级增长。对先前研究的分析为DL架构的发展趋势提供了丰富的来源。在EEG分析中，卷积神经网络（CNN）、深度信念网络（DBM）、循环神经网络（RNN）和长短期记忆网络（LSTM）越来越流行。这些深度学习算法已应用于各种EEG分类任务。具体而言，Craik等人分析了90项研究发现，大多数EEG分类研究可分为六大类：情绪识别、运动想象、心理负荷、癫痫检测、事件相关电位和睡眠阶段评分。根据任务类型对研究进行了分析，并给出了对最能成功分类的DL架构类型的建议。此外，Craik还指出了特征选择方法的总体分布，特别是针对六大任务类别的分布，如图1所示。除此之之外，少有研究尝试使用DL算法来提高我们对阿尔茨海默症，抑郁症等方面的理解。图1有些综述还提供了对深度学习架构设计选择的进一步分析。Craik等人就DBN、CNN和RNN(该综述中发现的三种性能最高的架构类型)的特定架构设计提供了建议。具体而言，具有三个受限玻尔兹曼机(RBM)的深度信念网络(DBN)平均性能优于其他DBN设计。当使用信号值作为输入时，具有四到五个卷积层的CNN的性能优于其他公式，而当使用图像作为输入时，具有两个卷积层的CNN的性能优于其他变式。最后，研究发现具有两个LSTM层的RNN性能优于此类架构的其他变式。Roy等人发现，应用于EEG的DL架构通常使用3-10层，而不考虑具体的DL架构类型或输入公式。深度学习方法概述图2概览了EEG文献中常用的DL方法。接下来描述和总结了以往的EEG

时间课程名具体内容I11.23脑电基本原理及经典成分脑电基本概念和原理：生理机制、脑电节律、伪迹和干扰、ERP等脑电经典成分：外源性，内源性和运行成分II11.24脑电数据预处理（上）EEGLAB

,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★

★本次培训班面向的对象是希望利用磁共振进行科研的研究生、临床研究的医生、研究人员等，重点培训学员操作，并且后续提供解答、支持，及时解决学员问题。★

★本次培训班面向的对象是希望利用弥散张量成像（DTI）技术进行科研的研究生、临床研究的医生、研究人员等，重点培训学员操作，并且后续提供解答、支持，及时解决学员问题。★

★本次培训班面向的对象是希望利用核磁技术进行科研的研究生、临床研究的医生、研究人员等，培训班进行小班授课，重点培训学员操作，并且后续提供持续的在线详细的解答、支持，及时解决学员问题。★

★本次培训班面向的对象是希望利用脑电技术进行科研的研究生、临床研究的医生、研究人员等，培训班进行小班授课，重点培训学员操作，并且后续提供持续的在线一对一详细的解答、支持，及时解决学员问题。★

,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★

64位系统（推荐win10）、i5及以上、8G内存、50G剩余存储空间等基本配置；请尽量不要使用苹果电脑和AMD处理器的电脑。网课建议一、不缺席

★ASL成像原理与工具包介绍；基于SPM的ASL数据处理；ASL数据拓展分析；ASLtbx数据分析实战；基于CBF的功能连接分析；CBF脑网络拓扑分析及统计。★

64位系统（推荐win10）、i5及以上、8G内存、50G剩余存储空间等基本配置；请尽量不要使用苹果电脑和AMD处理器的电脑。网课建议一、不缺席

64位系统（推荐win10）、i5及以上、8G内存、50G剩余存储空间等基本配置；请尽量不要使用苹果电脑和AMD处理器的电脑。网课建议一、不缺席

★本期课程内容涵盖：脑成像元分析基本原理、激活似然性估计ALE、GingerALE软件介绍、参数设置、GingerALE实操、基于坐标的激活似然估计的理论讲解、论文实战案例。★

64位系统（推荐win10）、i5及以上、8G内存、50G剩余存储空间等基本配置；请尽量不要使用苹果电脑和AMD处理器的电脑。网课建议一、不缺席

,FNIRS）等，欢迎留言讨论及转发推荐，也欢迎了解茗创科技的脑电课程，数据处理服务及脑科学工作站销售业务，可添加我们的工程师（微信号MCKJ-zhouyi或17373158786）咨询。★

★请各位学员自备笔记本电脑Windows64位系统（推荐win10）、i5及以上、8G内存、50G剩余存储空间等基本配置；请尽量不要使用苹果电脑和AMD处理器的电脑。网课建议一、不缺席

导读功能近红外光谱(fNIRS)是一种光学神经成像技术，它作为一种研究皮层活动的工具受到了广泛的关注。由于在头部放置光极，头部运动产生的伪影相对来说比fMRI要小。然而，在数据处理过程中仍需删除运动伪影。研究者提出了一种新的基于鲁棒回归的运动校正方法(即，时间导数分布修复(TDDR))，该方法有效地消除了基线偏移和峰值伪影，而且不需要用户提供任何参数。模拟结果表明，该方法比其他5种运动校正方法具有更好的激活检测性能。在对7-15岁儿童样本的工作记忆任务实证验证中，该方法产生了比其他任何方法更强、更广泛的激活。TDDR校正方法增强了fNIRS作为功能性神经成像方式的可行性，可用于不适应fMRI研究的人群。前言fNIRS作为一种研究皮层活动的光学神经成像技术，近年来引起了人们的广泛兴趣。由于fNIRS光电装置放置在参与者的头皮上，fNIRS对头部运动产生的伪影不像功能性磁共振成像(fMRI)等固定传感器方法那么敏感。然而，运动伪影的存在可能仍然是有问题的，特别是在头部运动较多的人群中，如婴幼儿。在测试具有较高头动水平的群体的非典型神经活动模式的研究中尤其如此，如自闭症谱系障碍、注意缺陷/多动障碍和癫痫。如果不加以控制，由头部运动产生的伪影可能在神经活动模式中产生虚假的差异，从而掩盖了真实的差异。因此，尽管fNIRS对头部运动相对不敏感，但仍然有必要采用预处理策略来消除过度头动造成的伪影。虽然针对fNIRS数据已经开发了几种运动校正算法，但它们都存在一些缺陷。例如，基于小波的方法很好地处理了运动峰值，但加剧了基线偏移伪影。其他方法如运动伪影减少算法(MARA)和目标主成分分析(tPCA)依赖于伪影检测，这需要用户提供几个参数。这些参数在不同仪器、参与者或脑区之间不一定相同，这给用户带来了很大的负担。tPCA和基于相关性的信号改善(CBSI)方法分别对主成分大小、含氧血红蛋白和脱氧血红蛋白之间的关系做出的假设并不总是成立的。考虑到现有方法的这些局限性，本研究的目标是开发一种方法，可以有效地去除这两种类型的运动伪影，无需调优参数，并对被校正的数据进行最少的假设。在这里，研究者介绍了一种新的伪影校正方法，时间导数分布修复(TDDR)。通过模拟来评估该方法的相对性能，其中任务激活管道在数据上执行，这些数据包括：1)无运动伪影，2)未校正的运动伪影，或3)使用TDDR方法或5种比较方法之一校正的运动伪影。为了在真实数据上证明这种方法的可行性，研究者在儿童样本中进行了一项实证研究，因为该群体通常比成年人群体有更高的运动。研究者让7-15岁的儿童参与者执行了工作记忆任务，因为大量的fMRI和fNIRS研究一致表明，工作记忆能够有效激活儿童前额叶皮层，使其成为验证本研究算法的理想认知过程。然后，使用TDDR方法评估任务激活，并与5种现有的运动校正方法进行比较。方法理论测量的fNIRS信号(x)可以表示为时间(t)的函数，其中信号是所有先前实时波动(y)的时间积分。这些波动包括反映认知或运动处理的血流动力学反应(主要感兴趣的信号(h)，与系统(生理)调节相关的血流动力学活动(例如，心脏和呼吸振荡和迈耶波)；这些信号有助于记录来自头皮和头骨等组织表层的信号)(p)、运动伪影(m)和仪器噪声(ε)信号。由于仪器噪声具有随机性和宽频性，在预处理中很难用任何分析方法去除，因此必须在硬件层面上进行处理。本研究假设εt可以忽略不计。由于系统生理信号是相对窄带和拟稳态的，因此可以用许多现有的校正方法去除它们，如独立成分分析。此外，由于这些信号主要是来自表层的信号，它们可以通过放置在靠近源的其他探测器记录下来，然后从感兴趣的信号中进行回归。该算法旨在减少运动伪影(mt)。这里概述的方法依赖于三个假设：①非运动波动(即非运动相关活动的导数)近似正态分布。②大部分波动不包含运动伪影。③当运动伪影存在时，与运动伪影(即它们的导数)相关的波动比非运动波动的幅度大得多。如果这些假设得到满足，来自运动的信号具有振幅大且不频繁的特点，因此驻留在信号波动的正态分布的遥远尾部。解决该问题的一个可能方法是减少异常大波动的权重。其中w是范围为[0，1]的权重函数。一个明显的选择是使用基于Chauvenet准则的固定阈值：当信号波动的幅度大于均值(μ)的α个标准差(σ)时，将其设置为零，其中α通常为3-5左右的某个值。虽然可以通过这种方式为包含异常值的个体波动的分类设置一个界限，但其实也带来了阈值选择的负担，而阈值选择可能因人群、个体或脑区而异。相反，研究者提出了一种类似鲁棒回归中使用的迭代重加权方案。最常见的鲁棒估计量是m估计量(指所有用通过找到最大化/最小化某个目标函数的参数的总称，也叫极值估值法)。这些估计量被定义为使表达式最小化：其中di是预测值和观测值之间的尺度偏差，ρ是一个权重函数。m估计量是极大似然估计量的概括，最小二乘解是一个特定的非鲁棒情况：。在鲁棒m估计的情况下，权重函数将较低的权重放在较大的偏差上。一个常见的鲁棒估计是Tukey双权函数：dt是每个观测值的比例残差。该函数将较低的权重放在远离均值的观测值上，极端偏差减少到零。对于该估计量和许多其他估计量，有必要采用迭代重加权方案，其中参数、残差和观测权重都要迭代重计算，直到参数估计收敛于一个值。使用这种迭代重加权方法，可以产生一组权重，以缩小通常与头部运动相关的过大波动(例如，|dt|≥1)。实际考虑图1A展示了这种方法在真实数据中的效果。由于TDDR利用了信号的时间导数，因此它基本上取决于该信号的采样率。这是因为采样周期与时间导数值的大小直接相关。此外，该算法依赖于对时间导数方差的估计来计算鲁棒权值。由于这个原因，高频(HF)成分的存在(无论是由于仪器/测量噪声还是生理原因)夸大了估计的方差，从而降低了其有效性。为了解决这些问题，本研究首先检查采样率是否足够高，以至于会出现过多的高频成分(＞1Hz)。如果是这样，则应用0.5Hz截止的低通(LP)滤波器并保留滤波器残差，将信号分为低频和高频成分(图1B)。然后将TDDR算法应用于信号的低频成分，再将其添加回未校正的高频成分。从图1C中可以看出，HF成分的时间导数的方差远远大于即使是较大的运动伪影。这种LP滤波过程有效地缓冲了核心算法中采样率过高和高频成分存在的问题。图1.在真实数据上演示TDDR。虽然这种算法本质上是迭代的，但它仍然非常快。这是因为每次迭代只涉及到计算信号导数的加权平均值，然后计算新的权重集。所有操作在计算上都相对简单。为了说明这一点，一个模拟的10min扫描，32个通道以20Hz采样，在2.40GHz工作站上以单线程模式应用TDDR大约需要0.13s。在本研究的模拟和实验数据中，权重通常在不到20次迭代中收敛。实现TDDR算法的源代码可以在https://github.com/frankfishburn/TDDR上访问。模拟验证数据集生成：模拟的fNIRS信号是使用一个随机生成的自回归模型。32个通道的信号以20

64位系统（推荐win10）、i5及以上、8G内存、50G剩余存储空间等基本配置；请尽量不要使用苹果电脑和AMD处理器的电脑。网课建议一、不缺席

导读通过汇集多项研究的统计结果(元分析)，fMRI领域取得了重大成就。最近，fMRI标准化工作的重点是实现跨研究(巨型分析)的fMRI原始数据的联合分析，以期获得更详细的见解。然而，目前尚不清楚在EEG领域的此类分析是否可能或同样富有成效。在这里，研究者使用了来自六个地点的18项研究，并提供了一个大规模EEG巨型分析结果，这些研究代表了几种不同的实验范式。研究结果证明，当跨研究的元数据一致时，通道级和源级EEG巨型分析都是可能的，并且可以提供单一研究中无法提供的见解。该分析使用全自动处理流程来减少线噪声，插值噪声通道，执行鲁棒参考，去除眼电活动，并进一步识别异常信号。研究者定义了几个基于通道振幅和分布的稳健测量，以评估跨研究数据的可比性，并观察各种处理步骤对这些测量的影响。使用基于ICA的偶极源，还观察到整个脑区的总体频率基线振幅的一致差异。例如，观察到后脑区的alpha比前脑区高，颞区的beta值更高。总的来说，本研究应用了巨型分析来评估跨研究的事件相关EEG特征的共性。本分析中使用的连续原始数据和预处理数据可在https://cancta.net上的DataCatalog获得。概览图前言事实证明，fMRI研究的数据汇集对于提高统计功效、评估主体间差异以及确定预测的普遍性和再现性非常有价值。fMRI元分析通常结合了基于峰值激活坐标（基于坐标的元分析，CBMA）或激活的3D统计图像（基于图像的元分析，IBMA）的研究。BrainMap项目是建立空间标准化方法、引用公共坐标，并将坐标和图像联结到相关文献的先驱。这些和其他fMRI数据共享工作使得fMRI元分析呈爆炸式增长。这增加了对大脑基本功能的理解，并促进了用于诊断和评估精神疾病治疗的工具和生物标志物的开发。Poldrack等人(2017)为透明和可重复的fMRI成像制定了全面的策略，并为标准化的自动化处理、基准和大规模共享原始数据以及统计图的需求提供了强有力的论证。BIDS（脑成像数据结构）规范代表了为原始和处理后的神经影像数据以及相关元数据制定数据标准的重要国际努力。fMRI数据的BIDS标准化和支持工具相对成熟。与元分析相比，巨型分析涉及跨记录或研究的原始数据的汇集和联合分析，而不是结合元数据或派生的统计数据。随着用于共享原始数据的开放访问平台的创建，例如OpenfMRI及其后继者OpenNeuro，fMRI巨型分析现在开始出现了。虽然OpenNeuro目前主要是fMRI数据，但最近对MEG和EEG成像的BIDS扩展大大增加了在OpenNeuro和其他平台上公开EEG数据的兴趣。不幸的是，目前成功的fMRI元分析的标准化统计图没有为EEG/MEG提供等效支持。此外，尽管最近出现了一些关于EEG/MEG数据采集和预处理最佳实践的通用指南，但MEG/EEG预处理尚未标准化，只是刚开始进行系统地基准测试。巨型分析将记录和研究中的原始数据结合起来，其核心问题是EEG数据应该如何标准化，以提高跨研究信号的可比性。本文通过在六个不同实验地点进行的18项研究中，考察了通道级和源级的空间、时间和频谱信号特性，旨在为这些问题提供初步指导。一篇相关论文应用了更详细的巨型分析和层次统计建模，以评估跨同一语料库中与事件相关的时间和频谱特征的共性。该语料库包括几组研究，它们使用相同的一般范式，但在协议细节上有所不同。例如，其中五项研究是基于RSVP（快速串行视觉呈现）范式，但具有不同类型的图像、呈现速率以及对标记目标检测的手动响应要求。其他研究则在驾驶模拟中使用诸如车辆扰动下的车道保持等任务。该语料库反映了参与研究小组的兴趣，表明了在公共存储库中可能出现的研究类型和异质性，其中研究间的控制变量可能无法比较，即使在内部使用多因素设计时也是如此。在综合分析中很难系统地计算跨被试的变异性。然而，即使在公共存储库可能遇到的非结构化环境中，也有可以探索和利用的通用元素。在过去的十年中，人们越来越强调在EEG数据分析中使用多层次统计模型（如分层线性模型或混合效应模型）来联合分析被试、组水平和研究的内部和之间的变异性。在部分汇集分析中明确建模记录和研究特定的可变性，可以帮助解决与经典全汇集分析相关的I型错误率膨胀问题。在EEG分析中，这种多层次模型通常应用于事件相关数据的结构化语料库。在本文中，研究者使用全汇集分析研究了数据的一般特征。参照相关论文进行了更详细的多层次统计分析，其中描述了各种实验因素对事件相关时间和频谱特征的影响，同时使用两级层次线性模型显式地建模记录特定的可变性。本文分为两个主要主题，即考察跨研究的通道级和源级的空间、时间和频谱特征共性。方法部分简要描述了实验数据，概述了用于执行分析的自动化处理流程，并介绍了一类稳健的测量，以探索跨异构研究的EEG的标准化和统计特性。结果部分展示了在通道和源空间中EEG信号的统计差异和相似的结果。总之，本研究提供了对包含在大型、多样化EEG记录语料库中的变异性来源的广泛见解，以及如何解决这些因素以揭示跨频段和脑区的功率谱振幅的一致差异。方法实验数据如表1所示，本文使用了在六个地点进行的18项研究的数据，这些地点与四个机构有关：陆军研究实验室(ARL)、国立交通大学(NCTU)、荷兰应用科学研究所(TNO)和加州大学圣地亚哥分校(UCSD)。所有研究均在被试自愿、充分知情的情况下进行，并获得各自院校机构的评审委员会批准。表1.数据集概要。这些研究包括两大类任务的变化：视觉目标检测和有/无运动平台的驾驶、交通、速度控制、分心、听觉反馈或自适应巡航控制(ACC)。视觉目标检测任务包括模拟警卫任务的ID检查(GUARDA和GUARDB)、快速串行视觉呈现(RSVPB、RSVPC、RSVPE、RSVPI、RSVPU)和视觉奇异(VEP)。除ACC外，其他任务都是基于驾驶模拟器中的车道保持变化，ACC是在测试轨道上驾驶实际车辆。该库共包含1173条EEG记录，持续时间为633小时。NCTU、TNO和UCSD实验均在各自机构的同一地点进行，而ARL实验则在三个不同地点进行。ARLH指定在陆军研究实验室的人类研究与工程理事会进行实验，ARLS指定在SAIC实验室进行实验，ARLT指定在Teledyne公司进行实验。ARLA指定在所有三个地点使用相同的实验设置执行任务(LKBase和LKCal)。为了便于下游处理的一致性，整个语料库采用ESS(EEG研究模式)组装。将单个EEG记录转换为EEGLAB格式，并将特定于研究的事件代码映射到分层事件描述符(HED)字符串。数据组织和预处理数据处理是完全自动化的，并且分几个阶段进行(见图1)。使用PREP，这是本研究作者开发的一种自动化开源工具，用于执行稳健的平均参考和插值坏导。从每个数据记录中去除线噪声后，PREP使用迭代过程来识别和插值噪声通道，以计算稳健的平均参考。在最终迭代中识别为坏的通道被插值。从每个记录中删除非EEG通道，并根据到标准10-20位置的通道距离为没有标准标签的通道分配10-20通道标签。在基于64导10-20配置选择最多64个通道进行此分析后，使用EEGLAB

时间课程名具体内容10.9脑电基本原理及经典成分脑电基本概念和原理：生理机制、脑电节律、伪迹和干扰、ERP等脑电经典成分：外源性，内源性和运行成分10.10脑电数据预处理（上）EEGLAB

★本次培训班面向的对象是希望利用脑电技术进行科研的研究生、临床研究的医生、研究人员等，培训班进行小班授课，重点培训学员操作，并且后续提供持续的在线一对一详细的解答、支持，及时解决学员问题。★

传统的多变量fMRI技术侧重于局部区域（ROI或探照灯）活动模式中的信息。有时，相关信息可能会跨脑区网络表示，因此无法通过ROI分析或探照灯识别。功能连接测量有助于在全局范围内检查相距较远的脑区的信息，重点关注网络交互而不是空间定位。在执行连接性分析时，将跨区域比较BOLD时间序列（通常使用相关性指标），并且关系的大小决定了它们的功能连接强度。通过包含或排除刺激/任务变量，我们可以研究不同认知状态对连接性的调节。本文接下来将描述如何运行基于种子的连接分析，以及使用图谱来进行分割和定义种子点(基于Python)。import

导读为什么弥散MRI成为了体内映射连接组的主要方法？不同的图像采集参数、纤维示踪算法和其他方法选择如何影响连接组估计？决定连接组重建成败的主要因素是什么？这些是本文中要解决的一些关键问题。研究者概述了可用于估计宏观连接组的节点和边缘的关键方法，并讨论了开放问题和固有的局限性。基于弥散MRI的连接组映射方法仍处于初级阶段，并且由于连接组重建固有的挑战，请注意不要盲目应用深部白质纤维示踪成像。最后，本文强调了当前宏观连接组映射方法的一些关键缺陷，并希望推动该领域的发展。前言功能整合，即大脑中不同亚单位之间的相互作用和信息传递，部分是通过白质连接介导的。这些纤维通路的形成受遗传因素和环境因素的影响。在发育的早期阶段，最初会产生过多的突触，之后会根据生活经验修剪冗余的连接。从生命的最初几个月到成年，白质的持续成熟和髓鞘形成反映了学习和与外部刺激的相互作用。这种依赖于经验的大脑连接模式阐明了白质通路的功能相关性。解剖连接限制了神经计算。事实上，一个大脑区域与其他区域的解剖连接模式可以在一定程度上预测该区域在系统层面的功能。这种连接指纹的概念及其功能含义增加了人们对连接和结构组织研究的兴趣。连接组这个术语大约在十几年前被提出，它描述了功能专门化的大脑区域之间外部连接的全面网络图。理想情况下，这样的地图不仅包含一系列连接区域，还包含每个连接的相对强度和方向。连接组学有可能揭示指导不同功能亚单位如何排列和相互影响的原则，以及这些过程如何在病理性大脑条件下受到干扰的新见解。对大脑连接进行侵入性绘制的方法已经存在了几十年。在微观尺度上，自动化组织学染色、串行电子显微镜和3D荧光成像等技术现在可以用较少的劳动密集型方法和更少的成像失真来收集和处理更多的数据。然而，显微镜技术的小视野限制了它们对小型模型物种的适用性，例如秀丽隐杆线虫，以及在较大物种中绘制小组织片段的精致细节。在介观尺度上，化学示踪剂被认为是绘制更远距离白质连接的黄金标准，因为它们提供非常高的测量精度和细节。事实上，我们关于白质组织的大部分知识都是通过示踪研究获得的，并且已经获得了不同动物和尺度的宏观连接组矩阵。非侵入性成像技术为活体人类大规模连接组重建提供了另一种方式。弥散磁共振成像(dMRI)和示踪成像技术已成功用于重建白质中纤维束的轨迹和估计微结构特性。与侵入性方法相比，这些方法是间接的：它们不明确测量感兴趣的数量，而是依赖模型和推论。因此，与相应的侵入性方法相比，它们容易出错，并且结果也更难量化。与化学示踪剂和显微技术相比，它们提供的空间分辨率要低得多，而且它们不能估计连接的方向性。然而，在人体内的连接映射提供了相当大的优势：可以同时研究许多学科中的许多连接；结构连接可以与功能、行为和遗传学一起绘制；可以探测与发育、衰老或病理相关的变化。本文考虑了使用dMRI映射连接组的现有方法，讨论了不同图像采集参数、纤维示踪算法和其他方法的选择对连接组重建的影响，强调比较和验证研究为这些方法的潜力提供了证据，但也揭示了它们的不足。此外，还考虑了白质连通性的特征，这些特征本身就难以用现有的方法重建。这些特征限制了dMRI衍生量的生物学特异性，并激发了当前连通性映射范式的新发展和转变。构建连接体体内MRI方法提供了连接组的宏观视图。可以用dMRI和示踪成像重建的连接是穿过白质区域之间的外部通路。尽管这些仅占神经元连接总数的一小部分(约10%)，但对于在系统层面上理解大脑是非常重要的，而且它们的特点是相当复杂。从dMRI图像推断宏观连接组是一项非常具有挑战性的任务，也是一个活跃的研究领域。这里将连接组映射分为两个部分：节点描绘和边缘映射(图1)。节点表示空间上不同的皮层和皮层下灰质区域，而边缘代表连接成对区域的白质纤维束。图1.生成宏观连接组包括节点和边。节点描绘指定一个将皮层和皮层下灰质细分为离散的、空间连续的小块的分割方案并不简单。组织图谱提供了最简单，可能也是最常用的方法。许多这样的图谱是可用的，它们可以配准到单个大脑，以确保被试之间的节点在平均大小、几何形状和位置方面是匹配的。然而，基于组织和其他模板的图谱并没有捕捉到区域功能边界中个体之间的变化，因此做出了一个简单的假设，即一个共同的分区代表所有个体。例如，AAL和哈佛-牛津图谱基于解剖地标，而Talairach

★本次培训班面向的对象是希望利用核磁技术进行科研的研究生、临床研究的医生、研究人员等，培训班进行小班授课，重点培训学员操作，并且后续提供持续的在线详细的解答、支持，及时解决学员问题。★