|
绘制人类皮层图对于理解大脑功能和识别与行为和疾病相关的区域至关重要。目前有多种技术可用于进行皮质映射，包括皮质电图（ECoG）、脑电图（EEG）、功能性磁共振成像（fMRI）、电磁成像（MEG）、近红外光谱（NIRS）和立体脑电图 （SEEG）。ECoG、SEEG和EEG提供高时间分辨率，这是临床神经生理学中测量大脑活动的诊断工具的显着优势。然而，使用ECoG或SEEG方法的侵入性皮质记录仅适用于手术植入后，并且它们的使用不可避免地与患者的风险和一般成本的增加有关。相比之下，脑电图技术成本低廉，易于在简单的实验室设置中实施。因此，研究人员和临床医生对克服脑电图的限制因素感兴趣，例如低空间分辨率和对通常源于运动和肌电图（EMG）活动的伪影的敏感性。
研究方法 本文评估了使用带有镀金电极点的柔性印刷电路板（PCB）的超高密度脑电图（uHD EEG）系统。电极间距离为8.6mm，电极直径为5.9mm，电极密度高于市场上市售的脑电图系统。图1a描绘了标准化的电极定位系统。10-20系统中的21个标准位置是深灰色的。图1a还包括另外两个系统：10-10系统（标记为填充的浅灰色圆圈）和扩展的10-10系统（标记为浅灰色圆圈）。本文中的uHD脑电图系统由图1a中的小黑圈和图1b，c中的填充小黑圆圈表示。使用MATLAB（R2019b）的EEGLAB工具箱对收集到的数据进行预处理。我们采用平均去除法进行基线去除，并对0.5~40Hz的数据进行时域变换。用标记“1”分为“试验×通道×时间样本”格式。  根据MRI数据进行电极共配准 地形图是使用所有五名受试者的解剖MRI扫描生成的大脑模型创建的。使用T1加权MRI数据在FreeSurfer重建大脑和头骨。对于所有受试者，使用配备MRI标记的标准10-20帽进行MRI扫描，并将产生的MRI伪影用于配准和电极网格放置。 信号处理流程 信号处理在MATLAB（The MathWorks，Inc.，Natick，MA，USA）中实现，如图2所示，包括（a）预处理和（b）提取SSEP迹线，（c）归一化SSEP以进行（d）峰值检测和（e）通道分类。一般而言，所有滤波器都向前和向后应用于数据，以防止使用MATLAB filtfilt函数进行相移。 首先，去除了预放大脑电图的增益因子。其次，使用50Hz级联陷波滤波器（二阶巴特沃斯）滤波数据，以去除电源线噪声。第三，数据是通用平均参考，并使用0.5至30Hz（二阶巴特沃斯）的带通滤波器进行滤波，以检测不良信道。第四，通过减去各自的均值，通过每个时间样本的平方计算功率，并计算随时间变化的平均功率来计算每个通道的平均功率。第五，对平均信道功率进行对数变换以提高高斯性和z变换。第六，z分数大于6的通道被认为是坏的。使用此程序发现的不良通道从陷波滤波的脑电图数据中删除，然后以普通平均值为参考。 引用SSEP记录是必不可少的，并在文献中进行了广泛讨论。乳突、耳垂、FZ或FPZ通常推荐作为参考传感器位置。然而，平均参考方法也是有效的。Tsuchimoto等人表明，在提取感觉运动活动时，共同平均参考（CAR）的使用优于其他7种参考方法。从电极阵列到参比电极的阻抗不匹配可能很大。因此，两个电极中噪声的表示不同，因此不能用传统的参考减法完全消除。本研究使用了 CAR，因为uHD EEG系统没有在感兴趣区域的网格旁边提供额外的电极放置。  如文献所发现，测试了不同的过滤方法来预处理数据。根据国际术间神经生理学会（International Society of Interoperative Neurophysiology）为头皮（皮质和皮质下）SSEP记录得出的SSEP迹线和建议，选择了20-300Hz带通。经过上述处理后，数据被划入试验，触发前时间为100ms，触发后窗口为300ms，因为这些bin包含SSEP分析所需的所有信息。对前臂施加300个刺激脉冲，导致300次试验用于平均。计算并绘制了每个通道的平均值，如图5b中的SSEP迹线所示。图3中的图显示了从MNS到对象S1右手的SSEP迹线。 值得注意的是，通过目视检查，与靠近运动和感觉皮层的电极相比，位于中央沟上方的电极的相位反转不那么明显。然而，无论迹线的清晰度如何，所有SSEP迹线都用于分类。还进行了独立成分分析（ICA）以检测上述管道的增产伪影。由于300Hz的低通滤波、使用CAR重新参照以及交替的单极性MNS，因此从用于进一步处理的数据中消除了伪影。因此，无需从数据中去除任何成分即可进行进一步分析。 分类性能 我们根据真实情况计算了正确分类的前通道和后通道的数量。我们计算了真实类和预测类的混淆矩阵。然后使用真阳性（TP）、真阴性（TN）、假阳性（FP）和假阴性（FN）来确定方程（4）中定义的准确性：
研究结论  额叶上的SSEP可以与顶叶上的SSEP分开。表1列出了应用光谱聚类和峰检测方法获得的分类结果。该表显示了从中央沟前部或后部分类的通道获得的精度。平均而言，使用光谱聚类方法对前路和后路进行分类的准确率为95.2%。受试者S5和S4的准确率分别为90.6% 至97.2%。峰值检测方法的平均准确率为91.9%，其中S3和S1的平均准确率分别为86.6%和96.6%。  表2记录了峰值检测方法分类为Ant和Pst的通道的SSEP延迟，该表以ms为单位显示了每位受试者的平均值和标准差，其中包含第一个正（1st P）和第二个负（2nd N）峰的通道，以及第一个负（1st N）和第二个正（2nd P）峰的后验分类通道。 使用峰值检测和频谱聚类进行信道进行信道分类的最终结果如图3所示。图3（a）描述了受试者S1–S5的头部模型和地面实况的通道分布。解剖学上正确的运动和感觉区域（M1和S1）在MRI皮层上用红色和蓝色表示，中央沟以粗体黑色突出显示以将它们分开。模型上总共256个信道由小球体表示，红色和蓝色球体分别表示前后信道位置，灰色球体表示信号质量较差的信道。图3（b）显示了峰值检测方法的结果，该结果在头皮上插值，并按从蓝色（最大感觉峰值）到红色（最小运动峰值）的等级着色，排除了不良通道，值范围从−1到1。第三行（图（c））显示了光谱聚类分类的结果，每个通道在感觉（蓝色）或运动（红色）之间做出决定。分类问题是二元的，因此，对于每个相应通道的预测，仅导致1和−1决策。  —— End —— 仅用于学术分享，若侵权请留言，即时删侵！ |
|
|
