|
背景：大脑皮层的神经生理学复杂性已经被证明反映了成人意识水平的变化，但在发育中的大脑中仍然不完全了解。本研究旨在探讨与年龄和麻醉状态转变相关的皮质复杂性变化。本研究验证了以下假设：皮质复杂性(1)随着发育年龄的增加而增加，(2)在全身麻醉时降低。方法：这是一项单中心、前瞻性研究，研究对象为年龄在8-16岁、接受全身麻醉手术的健康儿童。选择这个年龄范围是因为它反映了大脑网络的成熟。从术前意识恢复时开始收集全头皮(16通道)无线脑电图数据。使用Lempel-Ziv算法测量并分析基线、用药前、全麻维持和临床恢复期的皮质复杂性。通过比较原始复杂度值与保留功率谱但通过相位随机化生成的替代时间序列的复杂度值，分析了频谱功率对Lempel-Ziv复杂度的影响。结果：基线时空Lempel-Ziv复杂度随年龄增长而增加，当将频谱功率归一化后，年龄对皮质复杂性没有显著影响。全身麻醉与时空复杂性显著降低相关，在术后恢复期间，时空复杂性超过了基线水平。当正常化时，全身麻醉的复杂性也有类似的降低，但在恢复过程中，复杂性仍然显著降低。结论：皮质复杂性随年龄增长而增加，全身麻醉时降低。当控制麻醉引起的意识扰动时的频谱变化时，这种关联仍然显著，但与发育年龄无关。本文发表在Anesthesiology杂志。(可添加微信号siyingyxf或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。思影科技曾做过多期关于麻醉相关的脑功能文章解读，可结合阅读： BRAIN：难治性癫痫持续状态下成功停用麻醉的脑电图预测因子 ANESTHESIOLOGY脑电研究 :全麻手术患者的大脑动态连接 Anesthesiology脑电研究：健康被试全麻的动态皮层连通性 动态功能连接预测氯胺酮镇痛 脑是全身麻醉药的主要靶器官，但手术期间的神经生理监测仍无标准。缺乏标准化的监测策略可能反映了对意识的精确神经关联的不完全理解。在儿童群体中，识别意识背后的神经生物学过程尤其具有挑战性，因为大脑在发育过程中经历了相当大的结构和功能变化，导致大量大脑网络的形成和完善。因此，皮层的振荡模式和频谱特性会随着年龄和全身麻醉而发生很大的变化。此外，网络中枢(促进信息传递的高度连接的大脑区域)经历了显著的发育成熟，在全身麻醉时非常容易受到功能破坏。儿童手术期间脑监测的候选策略需要考虑随年龄增长而发生的神经发育变化。其中一种方法是测量皮质的神经生理复杂性，以下简称皮质复杂性。皮层复杂性可以被广泛地认为是代表神经活动的差异或多样性，并可以使用数学算法进行分析。Lempel-Ziv算法就是这样一种评估神经信号复杂度的方法。它是一种符号序列分析方法，用于测量数据序列的“可压缩性”或可变性。在成年人中，先前的研究已经证明了不同麻醉药物类别中，Lempel-Ziv复杂性的变化与意识水平的变化之间的相关性。然而，在需要手术和麻醉的儿童人群中，皮质复杂性还没有得到严格的研究。因此，分析Lempel-Ziv复杂性可以作为一种候选策略，用于识别不同年龄的神经发育和意识状态麻醉介导的扰动期间皮质信号复杂性的变化。这项实证和理论研究的目的是确定皮质复杂性随年龄和全麻期间的变化。具体来说，本研究验证了皮质复杂性会随着发育年龄的增加而增加，在全身麻醉时则会降低的假设。我们研究了8-16岁的儿童群体，因为这个年龄范围反映了大脑网络的显著成熟时期。此外，这个年龄的儿童更有可能参与麻醉前基线意识评估。采用无线脑电图系统记录16个Ag/AgCl头皮电极的脑电图，采用国际10-20系统。用于数据分析的脑电图分段如图1所示。术前闭眼静息状态记录基线(n=50)脑电图数据(范围3.27-5.97min)。所有受试者用药前脑电图数据均提取于2分钟片段，记录于全身麻醉诱导前5min内，并尽可能接近于诱导前。如果是预先给药，所选择的分段至少在静脉给药后2min(n=18)或口服给药后20min(n=3)。记录全麻维持期间和手术切口至停止麻醉维持剂之间的大约中间时间的脑电图数据(5min)。
图1 研究范式。紫色方块表示提取用于分析的脑电图数据的分段。对于每个分段，脑电图信号都进行预处理。首先，通过视觉检测剔除不良信道和伪影明显的噪声时段。其次，在Chronux分析工具箱中使用10秒窗口(步长为5秒)的局部线性回归方法对信号进行去趋势化，在EEGLAB工具箱中使用eegfiltnew函数进行50 Hz低通滤波。第三，利用EEGLAB工具箱中的扩展infomax算法对信号进行独立分量分析。通过对时域波形、功率谱和空间头皮地形图的目视检查，识别并去除代表心脏、眼睛、肌肉或其他瞬态伪影的独立成分。我们使用Lempel-Ziv算法来确定不同状态下皮层动力学的复杂性。Lempel-Ziv复杂性是一种符号序列分析方法，作为大脑活动的时间和时空复杂性的替代度量。在本研究中，我们评估了多个通道的时空复杂性和单个通道的时间复杂性。 时空复杂度的测量方法如前所述。具体来说，应用希尔伯特变换估计瞬时振幅，然后将其分割为4s窗口，重叠50%。然后使用平均值作为每个通道的阈值将数据转换为二进制值。然后将数据窗口转换为二进制矩阵，其中行表示通道，列表示时间点。矩阵的复杂度采用时空Lempel-Ziv算法进行评估，该算法反映了不同时空模式的数量。当矩阵为随机时，时空Lempel-Ziv复杂度趋于较高；如果通道的行为相似(或相同)，Lempel-Ziv复杂度低。由于在完全随机的情况下，固定长度序列的Lempel-Ziv复杂度值最大，我们将原始时空Lempel-Ziv复杂度均值归一化，该均值来自n=50个的替代数据，这些数据通过随机变换每个时间点的原始空间顺序生成；因此，合成的时空Lempel-Ziv复杂度值范围为0到1。为了测试Lempel-Ziv复杂度是否由频谱变化所解释，我们将时空Lempel-Ziv复杂度通过相位随机化生成的替代时间序列(n=50)的平均值归一化，该替代时间序列保留了每个通道的信号的频谱轮廓。如果复杂性变化完全是由于频谱变化，则各阶段的Lempel-Ziv复杂度值的差异将完全保留在替代数据的Lempel-Ziv复杂度值中;因此，归一化的时空Lempel-Ziv复杂度将接近于1，并且在各阶段之间是相等的。如果复杂度的变化不是由频谱变化引起的，则替代数据的Lempel-Ziv复杂度值的变化与时空Lempel-Ziv复杂度值的变化是不同的，而归一化的时空Lempel-Ziv复杂度将反映频谱变化之外的信号多样性。最后，在所有可用窗口上平均时空Lempel-Ziv复杂度和归一化时空Lempel-Ziv复杂度值，作为每个状态和参与者的最终估计。 为了测量单个通道的时间复杂度，分析了每个通道中不同时间模式的数量。然后，这些数据被n=50个替代数据的平均值归一化，这些替代数据是由随机变换每个通道的时间顺序产生的，以获得时间Lempel-Ziv复杂度。我们进一步通过将时间Lempel-Ziv复杂度与通过相位随机产生的n=50个替代时间序列的平均值进行比较，来检验不同状态的Lempel-Ziv复杂度的差异是否由于频谱变化造成的。时间Lempel-Ziv复杂度和标准化时间Lempel-Ziv复杂度值在所有窗口中平均，作为每个通道、状态和参与者的最终估计。 4. 人脑网络的成熟模拟 为了评估脑网络成熟度和复杂性之间的一般关系，我们使用耦合的Stuart-Landau模型模拟了一个大规模的功能性脑网络，该模型实现在一个由人类扩散张量成像获得的神经解剖学信息支架上。比较模拟脑网络模型中振荡的复杂性值，以评估网络枢纽结构发育变化的影响。我们选择Stuart-Landau模型是因为它可以复制不同类型的大脑信号的振荡动力学。耦合的Stuart-Landau模型定义如下： 
这里，复变量zj(t)确定节点(脑区)j在时刻t的状态，j=1,2,...,N。通过组平均扩散张量成像获得解剖结构A,n=82个节点。Ajk由大脑区域j和k之间的连接权值决定。在前人研究的基础上，我们通过调节Ajk来模拟大脑网络的成熟，研究表明中枢结构与发育年龄相关。因此，我们额外使用了弱(连接强度比10个最强的枢纽低十分之一)和强(连接强度比10个最强的枢纽大五倍)枢纽结构来模拟大脑网络成熟的影响。使用三种不同的脑解剖结构进行如下脑网络模型仿真。λj>0时，振荡器的动力学稳定在一个极限环上；λj<0时，振荡器的动力学稳定在一个稳定焦点上。我们调制λ=λj从-3到3，δλ=0.2。ωj是每个振荡器j的初始角固有频率。为了简化模型，我们采用平均频率为10Hz、标准差为0.3Hz的高斯分布来模拟闭眼静息状态下窄频带的人类脑电图活动。我们在0到0.5区间控制振荡j和K之间的耦合项Kjk=K，δK=0.01，决定大脑各区域之间的整体连接强度。为了使模型更加真实，我们引入了脑区之间的时间延迟τjk=Djk/s，脑区轴突的平均速度s=7ms，脑区之间的距离Djk。在时间延迟τjk后，大脑区域j接收连接区域k的输入。当时滞小于振荡周期的四分之一时，模型结果没有本质上的不同。我们用1000离散步骤的Stratonovich-Heun方法数值求解Stuart-Landau模型的微分方程。产生的信号的前10秒被丢弃，后50秒被用来分析每个仿真。在一个模拟中，每个脑区在每个分岔参数λ和耦合强度K处产生自己的自发振荡动力学。以不同的频率配置重复仿真50次，以获得统计鲁棒性。在模拟的不同分岔参数λ和耦合强度K下的脑信号中，我们选择了能够代表意识状态的特定参数集下的脑状态。计算网络中全局同步水平的变化，称为配对相关函数（pair correlation function），选取在一定耦合强度K下具有最大配对相关函数的状态作为各分岔参数λ的意识状态。
这里如果所有相位都相等则r(t)=1，但如果所有相位都是随机分布的则r(t)接近0。在配对相关函数最大的状态下诱导对整个脑网络的整体脉冲刺激，从刺激反应的复杂性来观察。与刺激项u(t)耦合的Stuart-Landau模型如下:
这里p是T=t2-t1时期刺激的强度。我们设定p=30，刺激持续时间T=100ms。在一次迭代中，我们在10个不同的随机时间点诱导刺激。每个刺激被单独应用于一个频率配置内产生的信号。通过比较刺激前后的瞬时振幅值计算显著性响应。在每次迭代中，对刺激后的每个节点j的I(t)采用节点j基线幅值的均值和SD归一化。基线值的获得总共使用100秒，包括10个试次，每次迭代的刺激前为10秒。计算了具有低、中、高中心结构连接的脑网络模型的Lempel-Ziv复杂度。如对脑电，近红外等数据处理感兴趣，请点击以下链接了解（可添加微信号siyingyxf或18983979082咨询，另思影提供免费文献下载服务，如需要也可添加此微信号入群）: 北京：
第十九届脑电入门班（北京，10.10-15) 第十届脑电信号提高班（北京，10.16-21） 第十六届近红外脑功能数据处理班（北京，10.28-11.2） 第三十三届脑电中级班（北京，11.3-8） 第四届脑电机器学习班（A版本，北京，11.17-22） 南京：
第十七届近红外脑功能班（南京，11.19-24）
重庆：
第二十届脑电入门班（重庆，11.8-13) 第三十二届脑电中级班（上海，10.20-25） 第一届脑电机器学习班（B版本，上海，10.27-11.1） 第十一届眼动数据处理班（上海，11.9-14) 数据处理业务介绍： 思影科技近红外脑功能数据处理服务 图2显示了频谱性质的年龄相关变化。前额和顶叶区域的基线归一化γ功率和顶叶区域的β值与年龄相关，而基线θ值与年龄负相关。总功率随着年龄的增长而下降，在8岁时达到峰值，随后在基线、维持和恢复阶段出现下降。随着年龄的增加，总功率在不同区域和频段也有下降的趋势。在维持期间，顶区的归一化θ波功率呈负相关。
(A)在基线、维持期和恢复期，前额(顶部)和顶叶(底部)脑区标准化脑电图功率随年龄变化的组水平谱。(B)在基线、维持期和恢复期的每个频带中，年龄与额叶和顶叶脑区正常脑电图功率之间的Spearman相关性。 频谱性质的组水平变化如图3所示。总的来说，在全麻期间，δ功率和α均增加，而较高频带功率降低。在总功率方面，全身麻醉诱导的总功率增加(γ除外)，大多数频率恢复后回到基线水平。
图3 归一化功率的组水平频谱性质。 (A)额叶(顶部)和顶叶(底部)区域的基线、维持和恢复期的标准化功率作为频率的函数。 (B)基线、维持和恢复期每个频带的归一化功率的地形表示(注意每个频带的比例尺的差异)。 麻醉前意识基线状态与年龄、时空Lempel-Ziv复杂度呈正相关，也与年龄、平均时间Lempel-Ziv复杂度呈正相关。同样，这两项指标都与年龄有显著的线性关联(图4A，B)。当这些数据被归一化以解释频谱效应时，归一化时空Lempel-Ziv复杂度和归一化平均时间Lempel-Ziv复杂度没有相关性。同样，线性关联也没有统计学意义(图4C，D)。颞叶Lempel-Ziv复杂度和归一化颞叶Lempel-Ziv复杂度的区域分析反映了上述全脑平均结果。当我们通过改变窗口分析的持续时间进行稳健性测试时，结果在定性上是相似的。
(D)闭眼麻醉前基线期脑电图数据归一化平均颞叶Lempel-Ziv复杂度。由于我们的研究设计假设但没有测量参与者队列中的大脑网络发展，我们采用了一种有原则的方法来评估发展网络的复杂性，即：由中枢结构逐渐增加的网络定义的复杂性。在模拟扰动之后，复杂性在计算大脑模型中被测量，该模型由人类神经解剖学提供，并在弱、中等和强中枢结构之间进行比较。随着网络枢纽结构连接强度的增加，Lempel-Ziv的复杂性在整个模拟大脑模型中显著增加(图5)。
图5 Lempel-Ziv模拟大脑模型的复杂性与网络枢纽连接强度的变化在整个大脑测量时，咪达唑仑药物治疗前与皮质复杂性的变化无关(图6A)。然而，无论是时间Lempel-Ziv复杂度还是归一化时间Lempel-Ziv复杂度在中央区和顶叶都发现了区域复杂性的增加。咪达唑仑药物治疗前与正常脑电图功率的频率和区域特异性变化相关。在大脑的所有区域，都出现了θ波的减少和β波的增加，额叶和前额叶α波的减少。
(A)首次术中麻醉给药前脑电图数据的时空Lempel-Ziv复杂度、归一化时空Lempel-Ziv复杂度、平均颞叶Lempel-Ziv复杂度和归一化平均颞叶Lempel-Ziv复杂度。(B)使用咪达唑仑和不使用咪达唑仑时颞叶Lempel-Ziv复杂性和归一化颞叶Lempel-Ziv复杂性的地形表征。(C)时间Lempel-Ziv复杂度和归一化时间Lempel-Ziv复杂度的区域分析。在全麻稳定维持阶段，两种复杂性测试的皮质复杂性均较基线值下降，其中时空Lempel-Ziv复杂性较基线下降最大。在全麻维持期，复杂性的变化与频谱功率无关。在恢复期间，时空Lempel-Ziv复杂度超过基线值；但在控制频谱变化后，恢复过程中归一化时空Lempel-Ziv复杂度较基线显著降低。除了恢复期恢复到基线水平时的归一化平均时间Lempel-Ziv复杂度外，平均时间Lempel-Ziv复杂度分析也发现了类似的结果。标准化颞叶Lempel-Ziv复杂性结果的区域变化与全脑平均数据相似。总的来说，当我们改变分析窗口持续时间时，这些结果是一致的。在使用麻醉(n = 11)和不使用麻醉(n = 38)的维持时期的时空Lempel-Ziv复杂性的事后分析中，除了麻醉组的标准化时空Lempel-Ziv复杂性更高之外，没有任何差异。本研究以手术麻醉儿童为研究对象，验证了脑电图皮层复杂性随发育年龄增加而增加，随全身麻醉而降低的假设。在基线记录中，年龄与皮质复杂性呈正相关，进一步的分析表明，这可归因于频谱变化。我们通过研究代表发育的模拟脑网络的复杂性，通过一种原则性的方法来支持这一经验发现。该分析表明，随着网络结构连接强度的增加，复杂性也随之增加。在麻醉状态转换过程中，我们发现全麻维持阶段的皮质复杂性较闭眼基线降低。此外，意识恢复后，归一化时空复杂度与基线相比仍然降低。总的来说，我们发现年龄和麻醉介导的意识水平扰动与皮质复杂性的变化有关，年龄相关的变化可能是频谱变化导致的，正如我们的模拟结果所表明的，功能结构的进化。皮质复杂性会随着年龄的增长而增加的假说是由这一时期的发育成熟决定的。结构和功能的改变，如白质密度的增加，长程连接，和网络连接，可以产生一个更少的可简化和更“复杂”的大脑网络。此外，对儿童和青少年大脑网络发展的研究表明，网络功能的分化、专门化和组织，可能导致神经振荡活动的更大多样性，并使用复杂性算法进行测量。事实上，之前对使用Lempel-Ziv复杂度算法分析的静息状态脑磁图数据的研究表明，儿童和青少年时期的复杂性显著增加，并持续到整个生命周期，在60岁达到顶峰。我们的结果与此一致，但这种影响可归因于频谱特性的变化，而Fernández等人的研究并未对频谱特性进行控制。考虑到大脑网络在这一时期发生的变化的幅度，除了频谱特性之外，在复杂性方面缺乏年龄效应有点令人惊讶，但这可能是由几个因素造成的。首先，我们没有控制发育异质性。还有一种可能是，复杂性的标准化测量不够敏感，无法测量发育差异，但需要明显更大的扰动。即使在控制频谱变化的情况下，全身麻醉显著下降的有力发现也支持这一解释。还应考虑到，尽管8至16岁的儿童发生了巨大的发育变化，但仍有可能这个年龄范围可能无法捕捉到规范化复杂性中可识别差异所需的结构和功能变化。此外，一个发展中的网络可能会引起频谱和复杂性的变化。我们的计算大脑模型发现，具有更强中枢结构的网络会产生更复杂的网络，这进一步支持了经验的年龄相关结果。此外，我们小组先前的研究表明，异丙酚给药会破坏网络枢纽结构，这与全身麻醉复杂性的降低是一致的。使用Lempel-Ziv算法进行复杂性分析，得到了动态结果。术前咪达唑仑给药增加了中央区和顶叶区复杂性，而全麻时复杂性整体降低。我们组以前的研究表明，亚麻醉氯胺酮给药的复杂性与氯胺酮麻醉时的复杂性相似。虽然亚麻醉状态中复杂性增加的机制尚不清楚，但已证明γ-氨基丁酸A型受体激动剂，如异丙酚，可以诱导反常兴奋。此外，苯二氮卓类药物已被证明可以增加中央和顶叶区域的β活性，这与我们观察到的β活性增加一致。支持的是，一项时间复杂度和β功率的事后分析显示了正相关，在控制频谱变化后，在无用药前组缓解，但在咪达唑仑组仍然显著。这表明复杂性和功率之间存在关联，这可能是咪达唑仑对脑电图的同时作用。然而，最近一项亚麻醉氧化亚氮的研究表明脑电图复杂性降低(香农复杂性)。各种亚麻醉药物对儿童皮质复杂性的影响仍是一个未决的问题。此外，可能会有特定区域的变化(图7B)，但需要进一步的调查，包括高密度记录，才能完全解决这一问题。
(A)时空Lempel-Ziv复杂度(左上)，平均时间Lempel-Ziv复杂度(左下)，归一化时空Lempel-Ziv复杂度(右上)，标准化平均时间Lempel-Ziv复杂度(右下)脑电图数据的基线、维持期和恢复期。(B)基线、维持和恢复时期的时态Lempel-Ziv复杂性和标准化时态Lempel-Ziv复杂性的地形表征。 主要的意识理论认为，空间和时间信息的多样性对意识处理很重要。全身麻醉期间皮质复杂性的显著降低，与频谱变化无关，这表明复杂性的测量可能有助于开发成人和儿童人群的实时监测模式。值得注意的是，这项研究中的复杂性测量反映了意识水平，尽管在大量神经发育期间发生了与年龄相关的能量变化。在我们的研究中，所有儿童的时空复杂性和平均时间复杂性都有所下降;然而，当数据归一化后，时空复杂性分析组的9名儿童和平均时间复杂性分析组的7名儿童在全麻维持期间的复杂性实际增加。额外的年龄、麻醉剂量或通道排斥反应的事后分析不能解释这种增加(数据未显示)。最近，我们小组在动物模型中人为地将观察到的意识水平与包括复杂性在内的各种脑电图测量方法分离开来。然而，正如本研究所指出的，仅仅因为状态相关和神经生理动态变化可以在实验室环境中分离，并不意味着它们在自发的生理、药理或病理状态转变中不相关。这些发现表明，使用标准化复杂性分析的单一定量意识替代可能不足以可靠地确定所有患者的意识水平，未来的发展研究也应解决组合不同的测量。为了证实我们的研究结果与以往研究中显示的跨发育的频谱特征一致，我们分析了该队列脑电图的绝对功率和归一化功率。与之前对学龄儿童和青少年儿童的研究相似，我们观察到全身麻醉时，大多数大脑区域的绝对脑电图功率随年龄而下降。此外，当数据标准化时，区域差异与这一时期发生的发展结构和功能变化保持一致。具体来说，有一种向更快的振荡活动的普遍转变。当我们分析全麻期间的频谱数据时，我们发现绝对功率增加，δ功率增加，γ功率减少，α活动的前向化，这与之前在这个发育时期所显示的一致。这项调查有几个局限性。首先，这是一项没有标准麻醉方案的观察性研究，虽然这是实用的，但我们无法详细分析单个麻醉药物的作用。我们进行了事后分析，以调查一氧化二氮和最小肺泡浓度值对复杂性的影响。虽然我们在解释这些数据时很谨慎，因为这些子样本较小，但结果与总体结果是一致的。此外，患者的特征可能存在，并可归因于术前焦虑加剧，也可能影响复杂性和频谱特性。此外，性别差异已被证明会影响发育过程中皮层的复杂性，未来更大规模的研究应该解决这一问题。在考虑Lempel-Ziv复杂性度量时，有几个显著的优点:它是非参数测量，可用于较短的数据段，并可用于非平稳数据。但是，由于测量需要对原始信号进行二值化，在分析过程中存在信息丢失的可能性，同时也会受到脑电图慢波的影响。此外，这项研究是在手术期环境下进行的，受低脑电图(16通道)密度的限制，在某些情况下，脑电图通道的信息丢失可能会影响皮质复杂性的评估。然而，当我们重复我们的分析排除了坏通道的参与者，结果是相似的(数据没有显示)。综上所述，皮质复杂性随发育年龄增加而增加，在全身麻醉时降低。与年龄相关的皮质复杂性的增加可以由频谱特性解释，但根据建模数据，这与成熟的大脑网络是一致的。相比之下，全身麻醉复杂性的降低超出了频谱特性。总的来说，这些发现有助于越来越多的关于皮质复杂性以及意识的潜在神经关联是如何受到年龄和麻醉状态转变的影响的研究。如需原文及补充材料请添加思影科技微信：siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布，如果我们的解读对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技的支持，感谢！欢迎浏览思影的数据处理业务及课程介绍。（请直接点击下文文字即可浏览思影科技所有的课程，欢迎添加微信号siyingyxf或18983979082进行咨询，所有课程均开放报名，报名后我们会第一时间联系，并保留已报名学员名额）： 脑电及红外、眼动： 第三十二届脑电中级班（上海，10.20-25） 第一届脑电机器学习班（B版本，上海，10.27-11.1） 第十一届眼动数据处理班（上海，11.9-14) 北京：
第十九届脑电入门班（北京，10.10-15) 第十届脑电信号提高班（北京，10.16-21） 第十六届近红外脑功能数据处理班（北京，10.28-11.2） 第三十三届脑电中级班（北京，11.3-8） 第四届脑电机器学习班（A版本，北京，11.17-22） 南京：
第十七届近红外脑功能班（南京，11.19-24） 重庆：
第二十届脑电入门班（重庆，11.8-13) 核磁： 第四十八届脑影像基础班(南京，10.10-15） 第九届ASL数据处理班（南京，10.17-20） 第二十届DTI数据处理班（南京，10.21-26） 第二届任务态功能磁共振提高班（南京，11.30-12.5） 第二十四届脑网络数据处理班（重庆，10.16-21） 第十届任务态功能磁共振数据处理班（上海，11.2-7） 第三届脑网络数据处理提高班（上海，10.12-17） 第四十九届脑影像基础班（上海，11.16-21) 第十九届脑影像机器学习班（上海，11.23-28）
第二十五届磁共振脑网络数据处理班(上海，12.3-8) 北京： 第四十七届脑影像基础班（北京，10.22-27） 第十六届脑影像结构班(北京，11.11-16) 第五十一届磁共振脑影像基础班（北京，11.25-30） 数据处理业务介绍： 思影科技近红外脑功能数据处理服务
|
