脑电图神经影像数据的应用：事件相关电位、谱功率与多尺度熵

摘要

神经影像学研究人员通常将大脑的反应视为重复实验试次中的平均活动，并将随时间变化的信号变异视为“噪声”而忽略。然而，越来越多的研究表明，这种噪声中实际上包含有意义的信号。本文介绍了多尺度熵这一新方法，用于在时域内量化脑信号的变异性。

摘要

在分析人类神经影像数据时，对信号变异性的理解代表了我们思考脑信号方式的一项根本性创新。传统上，研究者通常将大脑的响应表示为多次重复实验试次的平均值，并将随时间变化的信号波动视为“噪声”而忽略。然而，越来越多的研究表明，脑信号的变异性传递了有关神经网络动态的有意义的功能信息。本文介绍了用于量化脑信号变异性的新方法——多尺度熵（multiscale entropy, MSE）。MSE 可能特别有助于揭示神经网络的动态特性，因为它能够反映时间尺度依赖性，并对数据中的线性和非线性动力学特征具有敏感性。

引言

神经影像学的最新进展极大地增进了我们对大脑功能的理解。然而，许多神经影像数据的应用往往强化了将大脑视为静态状态的观点，而未能突出认知活动在实时过程中的动态展开。因此，目前对大脑网络的时空结构，以及跨多个时间尺度的时空模式变化序列如何贡献于特定认知操作，仍知之甚少。本文介绍了多尺度熵（multiscale entropy, MSE）⁵，这是一种用于神经影像数据的新型分析工具，它通过提供关于功能脑网络中不同神经发生器如何在多个时间尺度上进行通信的信息，来考察特定认知操作背后时空模式的复杂性。

多尺度熵（MSE）源于信息论，这是数学的一个应用分支^7,16，最初设计用于分析心电图信号的复杂性⁴。理论上，MSE可用于分析任意时间序列的复杂性；其主要要求是信号时间序列包含至少50个连续时间的数据点。然而，由于MSE对数据中线性和非线性动力学特征具有时间尺度依赖性和敏感性，因此在揭示神经网络动力学特征方面可能尤为有效。

本文重点介绍多重尺度熵（MSE）在脑电图（EEG）神经影像数据中的应用^9,12。脑电图是一种非侵入性神经影像技术，通过放置在头皮上的电极记录大脑新皮层神经元群体的突触后反应¹。由于具有高时间分辨率，脑电图无需改变常规采集方案即可轻松满足多重尺度熵对时间序列长度的要求。为了突出多重尺度熵应用于脑电图数据的优势，我们将该新方法与事件相关电位和谱功率等传统分析方法进行比较。这些互补的分析方法联合使用时，能够对数据提供更全面的描述，有助于进一步揭示产生认知功能的神经网络活动机制。

方案

1. 脑电图采集

1. 向参与者解释实验步骤，并获得知情同意。
2. 安装下垂式电极。使用酒精棉片清洁面部将要放置下垂式电极的区域。
3. 将电极帽戴在参与者头部。测量参与者的头围并选择合适尺寸的电极帽。按照国际公认的10-20电极放置系统，沿中线测量鼻根至枕外隆突的距离，并将其分为10%的等分。根据该数值，从鼻根向上测量并做标记。将电极帽的Fp位置与此标记对齐，然后向后拉紧电极帽。确保电极帽中心与鼻梁对齐。测量鼻根至Cz的距离，确认该距离为鼻根至枕外隆突距离的一半。系紧下颌带。
4. 将装有导电凝胶的钝头注射器插入电极 holder 中。为形成凝胶导电柱，先使注射器接触头皮，然后挤压并缓慢回拉。注意，使用过多凝胶可能导致相邻电极信号短路。
5. 将主动电极固定到电极 holder 中。
6. 将受试者安置在显示器前方，保持实验所需适当距离。要求参与者保持静止，并强调尽量减少眼动和眨眼以获得清晰记录的重要性。
7. 在采集计算机上检查电极连接情况和脑电（EEG）信号质量。确认所有电极偏移量均较低（< 40 mV）且稳定。若某个电极存在问题，取出该电极并重新注入凝胶，以调整该位置的阻抗。
8. 保存文件并开始实验。

2. 脑电图分析

1. 实验结束后，在提取特定统计量之前，使用标准的滤波和伪迹剔除方法对连续脑电数据进行预处理以去除伪迹。将连续脑电数据切割为与每个离散事件相对应的片段，例如照片呈现事件。在每个片段中，包含刺激前100毫秒的时间窗作为基线。
2. 事件相关电位（ERP）分析可捕捉与事件 onset 相位锁定的同步脑活动。通过对多次试验进行平均，将诱发反应从“噪声”背景中分离出来。即 非相位锁定）的背景活动。这种跨试次和被试间的变异性给事件相关电位（ERP）分析方法带来了主要挑战。为了获得良好的信噪比，实验方案应包含大量具有明确定义起始时间的离散事件。通过将大脑反应时间锁定到显著事件的起始点，并对多个相似事件进行叠加平均，有助于降低部分噪声；然而，该方法所产生的时间同步性通常在1秒内消失。识别每位被试ERP成分的峰值振幅和潜伏期（有关ERP分析的更详细指南，参见Picton） 等, 2000).
3. 使用傅里叶分析将脑电图信号从时域转换到频域，并将信号分解为不同频率组成的正弦波 ⁶.
4. 多尺度熵（MSE）是一种基于信息论的度量方法，用于评估神经电生理信号在时间进程及多个时间尺度上的变异性。为了直观说明MSE分析的概念，可考虑两个模拟波形：一个规则波形和一个更具随机性的波形。规则波形的样本熵值接近于零，而变异性较高的波形样本熵值约为2.5。样本熵的增加对应于信号复杂性的增加，根据信息论，这可被解释为系统潜在的信息处理能力增强。 ^7,16请记住，大脑的容量并非固定不变，而是随着神经环境的不同而发生变化 ², 即 在特定时间点恰好功能上相互连接的脑区
5. 要计算均方误差（MSE），请使用以下网址提供的算法： www.physionet.org/physiotools/mse/，该方法分两步计算均方误差（MSE）。
6. 首先，该算法针对每次试验和每个条件逐步对脑电图（EEG）时间序列进行降采样。通过对原始时间序列进行降采样，生成多个具有不同时间尺度的时间序列。时间序列1为原始时间序列。为生成后续时间尺度的时间序列，将原始时间序列划分为长度等于该时间尺度的非重叠时间窗，并对每个时间窗内的数据点取平均值。降采样过程类似于低通滤波；将采样频率除以时间尺度，可近似得到该特定时间尺度下信号进行低通滤波的截止频率。将多尺度熵（MSE）应用于特定频率范围（例如α：9 Hz 至 12 Hz）可被解释为表示该频率范围内节律的组成以及这些频率之间的相互作用。
7. 其次，该算法计算每个粗粒化时间序列的样本熵 ¹⁴样本熵用于估计时间序列的复杂性。在脑电图（EEG）的非线性分析中，通常假设单个时间序列代表了一个潜在的多维非线性动力学模型的表现形式（参见Stam，2005年的综述）。在此示例中，参数m（模式长度）设为2，这意味着每个时间序列的振幅模式变异性将通过考虑连续两个或三个数据点的序列模式，分别在二维与三维空间中表示。参数r（相似性标准）反映了数据点被视为“匹配”时所允许的振幅范围（由彩色条带的高度表示）。对于典型的包含超过100个数据点的EEG时间序列，建议将参数m设为2，参数r设为0.5至1之间的某个值（参见Richman和Moorman，2000）；有关参数选择的详细步骤，请参见Lake 等, 2002).
   为计算该模拟时间序列的样本熵，首先从最初的双组分序列模式（红-橙）开始。第一步，统计该双组分序列模式在时间序列中出现的次数；此双组分序列共有10次匹配。第二步，统计首个三组分序列模式（红-橙-黄）在时间序列中出现的次数；此三组分序列共有5次匹配。接着，对时间序列中的下一个双组分序列（橙-黄）和下一个三组分序列（橙-黄-绿）执行相同的操作。这些序列对应的双组分匹配次数（5次）和三组分匹配次数（3次）将累加至先前的数值中（双组分匹配总数 = 15；三组分匹配总数 = 8）。对时间序列中所有其他序列匹配（直至 N - m）重复上述步骤，以确定双组分匹配总数与三组分匹配总数的比值。样本熵即为该比值的自然对数。对每位受试者，计算每个通道的多尺度熵（MSE）估计值，即在各个时间尺度上单次试验熵测量值的均值。

结果

图1A 和 图2A 表示在呈现面部图像时的脑电图（EEG）信号。对相似试验进行平均可得到事件相关电位（ERP）波形，该波形由一系列被称为ERP成分的正负偏转组成。图1B 展示了单个受试者的平均波形，而 图6A 展示了一组受试者的总平均波形。已有大量文献将各个ERP成分与特定的感知、运动或认知操作相关联。例如，N170是一个负向偏转成分，通常在刺激呈现后约170毫秒达到峰值，被认为参与了面部信息的加工过程^8,15。

图2B 展示了将同一脑电图（EEG）信号分解为不同频率成分频段的过程。功率谱分析的结果揭示了信号的频率组成（图2C），其中特定频率处功率的增加反映了该节律在脑电图信号中出现程度的增强。

与谱功率类似，多尺度熵（MSE）对构成信号的振荡成分的复杂性具有敏感性。然而，与谱功率不同的是，MSE还对不同频率成分之间的相互作用具有敏感性。即 非线性动力学 ¹⁸). 脑电图信号的复杂性以样本熵函数的形式表示（图5）在多个时间尺度上（图4）。如图所示 图3样本熵对于规则信号较低，并随信号随机性的增加而增大。与传统熵值测量方法（其值随随机性程度增加而增加）不同，多尺度熵通过在多个时间尺度上分析熵值，能够区分复杂信号与白噪声。例如，Costa 等2005年，研究人员比较了非相关性（白）噪声与相关性（粉红）噪声的多尺度熵值。在精细时间尺度上，白噪声的样本熵高于粉红噪声；但在较粗的时间尺度（5-20）上则观察到相反的结果。换句话说，当在多个时间尺度上综合考虑熵值时，信号的真实复杂性得以更准确地表征，而仅依赖单一时间尺度则无法实现。根据特定对比的时间动态特征，条件效应可能表现为以下三种形式：1）在所有时间尺度上表现一致；2）仅在某些时间尺度上出现而在其他尺度上不显著；或3）呈现交叉效应，即在精细时间尺度与较粗时间尺度上的对比存在差异。

图6展示了在面孔照片首次呈现与重复呈现条件下，事件相关电位（图6A）、谱功率（图6B）和多尺度熵（MSE，图6C）的差异⁹。在此示例中，所有测量指标均一致揭示了相同效应；然而，伴随面孔重复呈现而出现的样本熵降低具有重要意义，因为它限制了对结果的解释。复杂性的降低表明，其背后的神经功能网络更为简单，信息处理能力也随之下降。

图7展示了对事件相关电位（ERP）、谱功率和多尺度熵（MSE）应用偏最小二乘法多元分析¹¹所得的统计结果。该实验操纵了不同面孔所关联的熟悉度（Heisz 等., 2012）。对比图（柱状图）显示，ERP振幅能够区分新面孔与熟悉面孔，但无法区分先前暴露程度不同的熟悉面孔。谱功率可根据获得的熟悉度区分面孔，但不能准确区分中等熟悉度与低熟悉度的面孔。MSE对条件差异最为敏感，样本熵值随面孔熟悉度的增加而升高。图像图展示了条件效应在所有电极以及时间/频率/时间尺度上的时空分布。此示例表明，在该情况下，采用MSE分析脑电图（EEG）可提供传统ERP或谱功率方法无法获得的独特信息。MSE的这种差异提示，不同条件在神经网络动态的非线性特征方面存在差异，可能涉及不同频率成分之间的相互作用。

图1. A) 单个受试者的脑电图（EEG）反应，显示每次试验中相对于基线的振幅偏转随试验开始后时间的变化。每次试验均呈现一张面部图像的照片。正向振幅偏转以红色表示；负向振幅偏转以蓝色表示。所有试验均在约100毫秒和250毫秒处显示出正向偏转，表明存在与事件相关的锁相活动。B) 对图1A中所有试验进行平均，得到一条平均事件相关电位（ERP）波形，其具有明显的正向和负向偏转，称为事件相关成分，并依据标准命名法进行命名。例如，P1是第一个正向成分，N170是一个负向成分，其峰值出现在刺激 onset 后约170毫秒。

图2. A) 单次试验中单个受试者的脑电图反应，以数据点（采样率512 Hz）表示时间对应的振幅。 B) 脑电图反应 图2A 带通滤波以分离出 delta（0-4 Hz）、theta（5-8 Hz）、alpha（9-12 Hz）、beta（13-30 Hz）和 gamma（> 30 Hz C) 脑电图反应的谱功率密度如图所示 图2A 以功率随频率的变化来表示信号的频率组成。特定频率处谱功率的增加，反映了在此特定频段内同步激活的神经元数量的增加。 单击此处查看大图.

图3. A) 两种模拟波形：紫色表示规则或可预测的波形，黑色表示更具随机性的波形。 B) 两种模拟波形在前三个时间尺度上的样本熵值。高度可预测信号的样本熵低于更具随机性的信号。 点击此处查看大图。

图4. 对原始时间序列进行降采样，生成多个不同时间尺度的时间序列。 时间尺度1为原始时间序列。时间尺度2的时间序列是通过将原始时间序列划分为长度为2的不重叠窗口，并对每个窗口内的数据点取平均值得到的。要生成后续时间尺度的时间序列，需将原始时间序列划分为长度等于该时间尺度的不重叠窗口，并对每个窗口内的数据点取平均值。

图5. 一个模拟波形，其中每个矩形代表时间序列中的单个数据点。 样本熵用于估计时间序列的变异性。在此示例中，m（模式长度）设为2，这意味着通过分别考虑两个或三个连续数据点的序列模式，每个时间序列的振幅模式变异性将在二维或三维空间中表示；r（相似性判据）反映的是数据点被视为“匹配”时的振幅范围（由彩色条带的高度表示）。为了计算该模拟时间序列的样本熵，首先从第一个双组分序列模式（红-橙）开始：第一步，统计该双组分序列模式在整个时间序列中出现的次数，此处共有10次匹配；第二步，统计第一个三组分序列模式（红-橙-黄）在整个时间序列中出现的次数，此处共有5次匹配。接着以相同方式处理下一个双组分序列（橙-黄）和三组分序列（橙-黄-绿），这些序列对应的双组分匹配次数为5次，三组分匹配次数为3次，将它们累加至先前的数值（双组分匹配总数 = 15；三组分匹配总数 = 8）。对时间序列中所有其他序列模式（直至 N - m）重复此过程，以确定双组分匹配总数与三组分匹配总数的比值。样本熵即为此比值的自然对数。对于每位受试者，计算每个通道的多尺度熵（MSE）估计值，即在各个时间尺度上单次试验熵值的均值。

图6. 事件相关电位 (A)、频谱功率 (B) 和多尺度熵 (C) 在面部照片首次与重复呈现时的条件差异。点击此处查看高清大图。

图7. 在ERP、谱功率和多尺度熵测量中，对习得面孔的脑电图（EEG）反应的对比。 柱状图显示了通过偏最小二乘分析确定的条件间差异¹¹。图像图突出显示了通过自助法（bootstrapping）确定的该差异最稳定的时空分布。数值表示约化的z分数，负值表示相反条件效应具有显著性。点击此处查看高清大图。

讨论

本文旨在对多尺度熵（MSE）在脑电图（EEG）神经影像数据中的应用提供概念性和方法学上的描述。脑电图是一种强大的非侵入性神经影像技术，能够以高时间分辨率测量神经网络活动。脑电信号反映了大脑皮层中锥体细胞群体的突触后活动，其集体反应受到多种兴奋性和抑制性反馈连接的调节。因此，存在多种分析脑电数据的方法，每种方法提取数据中不同的独特特征。

我们讨论了两种常见的分析方法：事件相关电位（ERP）分析和谱功率分析。ERP分析捕捉脑电（EEG）信号中与离散事件起始时间相位锁定的同步神经活动。事件相关电位反映了特定的感知、运动或认知操作，因此这一统计指标非常适合用于考察特定的信息加工阶段。谱功率分析则量化了某一特定频率对脑电信号的相对贡献。多种兴奋性和抑制性反馈环路相互作用，使神经元群体的活动在特定频率上发生同步化^1,3。这种不同脑区之间的同步性被认为有助于在广泛分布的神经网络之间整合信息。已有大量文献支持特定频段内的功率与特定情绪或认知功能状态之间的关联³。

在分析脑电图（EEG）时，还需注意神经网络是具有非线性动力学特性的复杂系统。这种复杂性在脑电信号中表现为不规则的振荡，而这些振荡并非无意义的背景噪声所致。与同步振荡活动类似，各种兴奋性和抑制性反馈环路之间的相互作用会导致脑信号随时间发生瞬时波动⁶。此类瞬时波动被认为反映了网络微状态之间的转换或分岔，可用于估计底层神经网络的自由度或复杂性；信号振幅模式随时间变化的变异性越大，表明系统越复杂⁵。关键的是，事件相关电位（ERP）或谱功率分析对这类不规则活动不敏感，而多重尺度熵（MSE）则能够检测到。此外，仅通过统计活跃脑区的数量无法获得网络复杂性的指标，因为这种方法无法捕捉脑区之间瞬时且动态的反复交互作用。

神经影像分析的互补方法相结合，可全面揭示潜在的神经活动。通过复杂性测量（如多尺度熵，MSE）可增强对传统神经影像数据分析结果（如事件相关电位ERP和谱功率）的解释；MSE能够捕捉脑活动在多个时间尺度上时空模式的动态变化序列，这些变化参与特定认知操作的形成。将MSE应用于新的或已有的数据集，可能进一步揭示认知如何从神经网络动力学中产生。

材料

本文使用的材料清单

姓名	公司	目录编号	评论
EEG	BioSemi