儿童高密度脑电图记录的皮层源分析

摘要

近年来，人们对认知神经科学研究中头皮记录的电活动的皮层源定位越来越感兴趣。本文介绍了在伦敦婴儿实验室如何对2岁及以上儿童进行高密度脑电图（EEG）数据的采集，以及如何处理记录数据以进行皮层源估计。

摘要

脑电图（EEG）传统上被认为是一种时间分辨率高而空间分辨率低的神经影像技术。近年来，生物物理建模和信号处理技术的进步使得研究人员能够利用其他成像模态（如提供高空间分辨率的结构磁共振成像，MRI）的信息，以克服这一限制¹。这对于需要在时间和空间域均具备高分辨率的研究尤为有用。此外，由于脑电记录操作简便且成本较低，在研究对功能磁共振成像（fMRI）耐受性较差的人群（如年幼儿童）时，脑电图往往是首选方法。然而，为了探究涉及的神经基础，仍需借助结构磁共振成像提供的解剖学信息。目前大多数脑电分析软件包使用的是基于成人解剖结构的标准头部模型。这些模型在用于儿童时准确性有限²，因为在发育过程中，头部组织的构成和空间构型会发生显著变化³。 

本文概述了我们近期利用基于个体结构MRI扫描或年龄特异性头部模型来重建高密度脑电图皮层源的研究工作。本文描述了如何 在伦敦婴儿实验室，对儿童群体进行脑电图（EEG）记录的采集、处理与分析，包括实验室设置、任务设计、EEG预处理、MRI处理，以及EEG通道水平和源水平分析。 

引言

美国总统巴拉克·奥巴马将人类大脑描述为科学发现的下一个前沿领域，对健康和经济具有重要意义³ （http://www.whitehouse.gov/share/brain-initiative）。然而， 与自然科学的其他领域一样，神经科学的进步依赖于方法学和分析技术的发展。在人类脑功能研究中，两种常用的非侵入性工具是磁共振成像（MRI）和脑电图（EEG）。这些工具利用不同的物理特性，对脑功能提供各自独特的见解，并具有不同的优势与局限性。MRI 利用水分子在磁场中的磁性特性来获取活体组织的图像。受试者需要被置于高强度磁场中，检查过程中活动受到限制，且需耐受因磁场快速变化所产生的噪声。除了可获得结构图像外，MRI 还可通过测量血氧水平的变化来研究脑功能（fMRI）。总之，MRI 可提供高达 0.5 mm 的相对较高的空间分辨率³ 采用现代高场强扫描仪和优化参数⁴相比之下，fMRI的时间分辨率受限于BOLD反应的缓慢动力学，而BOLD信号仅间接反映神经活动的高时间动态性。^5,6.

另一方面，脑电图（EEG）通过放置在头皮上的电极来测量神经元活动所引起的电活动变化。近年来EEG技术的进步使得传感器能够快速、简便地应用于短期或长期、静止状态或活动状态下的记录。由于EEG的限制较少，因此对于某些难以耐受MRI环境的人群（如儿科、部分老年科及精神科人群）而言，EEG成为首选方法。EEG的特性与MRI呈现相反的模式：其时间分辨率极高，可达毫秒级精度，但空间分辨率有限。电流从发生源传导至头皮表面的EEG电极时，需穿过多种不同组织，从而导致信号混合和源活动的空间弥散，这一现象称为容积导电效应。因此，头皮表面电极所测得的活动反映了来自多个可能远离电极位置的脑区的综合活动^1,7。

近年来，大量研究致力于将磁共振成像（MRI）与脑电图（EEG）相结合，以充分利用两者各自的优势。其中一种研究方向专注于在功能研究中同步采集EEG和MRI数据。另一种方法则是利用结构MRI提供的空间信息，通过生物物理建模来考虑容积导电效应。在对儿童群体的研究中，利用结构信息进行EEG记录的源重建尤为有用。对大脑功能发育过程的研究，对于理解复杂的认知技能如何建立在简单的前体基础之上至关重要⁸。

这些研究有助于揭示与行为表现变化相关的神经基础和反应特性的改变。然而，在发育过程中对脑功能和认知的研究也面临特定的挑战。特别是，功能磁共振成像（fMRI）研究的机会受到限制，因为幼儿和婴儿必须处于睡眠状态或接受镇静，才能在无运动伪影且不影响受试者健康的情况下获取磁共振数据。此外，家长通常认为脑电图（EEG）的风险较低且侵入性较小，因此研究参与者的招募更为容易。因此，脑电图成为研究幼儿脑功能的首选方法。脑电图系统的技术进步使得高密度电极阵列（包含128个或更多通道）可在数分钟内完成安装。其操作简便性和佩戴舒适性足以支持在最年幼的婴儿中进行脑电图记录。然而，研究者通常不仅关注对特定刺激反应的时间动态，还希望比较介导这些反应的神经基础。

在比较不同年龄组的通道水平事件相关电位（ERP）分析中，一个普遍的假设是相同的神经基质产生反应，但其反应时序或反应幅度在不同年龄间存在差异⁹。相似的头皮地形图常被用作潜在神经活动相似性的指标。然而，许多不同的源构型都可能产生相似的头皮地形图¹⁰。通过应用源估计方法，可以降低并量化这种不确定性。观察值的独立性对于脑功能网络分析至关重要：如果源信号相互混杂，相关性将偏向于高估局部连接性。源重建可用于减少此类偏差¹¹。此外，也可利用时序和相位差异进行连接性分析，但这些数学模型依赖于一些难以在非模拟数据中评估的假设¹²。综上所述，源估计基于对解剖结构和组织生物物理特性的认知，为通道水平的脑电图（EEG）和事件相关电位（ERP）分析提供了额外的信息。

为解决逆问题，研究人员已设计出多种算法。这些算法大致可分为两类：参数化方法和非参数化方法¹³。参数化模型假设存在一个或多个偶极子，其位置、方向和强度均可变化。相比之下，非参数化模型包含大量位置和方向固定的偶极子。在这些模型中，头皮电活动被解释为这些固定偶极子激活的组合^10,13,14。非参数化的分布式源模型可基于对解剖结构及不同介质导电性的先验知识构建。边界元模型将头部主要组织（如大脑、脑脊液和颅骨）划分为不同的壳层，并赋予相应的导电性值。该模型基于以下假设：每个腔室内部的导电性基本恒定，但在不同腔室的边界处会发生显著变化。有限元模型则进一步将磁共振扫描图像分割为灰质和白质，从而为每个体素分配相应的导电性值¹⁵。

从实际应用来看，非参数化模型在复杂认知任务的源重建中尤为有用，因为在这些任务中所涉及的脑区数量可能未知¹⁰。目前文献中最广泛使用的是边界元模型，这可能是因为有限元模型虽然更为精确，但其计算需求也相对更高。此外，个体间在灰质和白质结构上存在显著差异，因此有限元模型应基于个体的磁共振成像（MRI）扫描数据构建。

非参数模型需要第二步，以将头皮测量到的活动与正向模型的预测结果进行匹配。文献中已讨论了多种具有不同优缺点的方法（参见 Michel et al. 2004 的综述）。目前应用最广泛的算法基于最小范数估计（MNE），该方法将头皮测量到的活动匹配到正向模型中总体强度最低的电流分布¹⁶。MNE 倾向于弱强度和表浅的源。深度加权的 MNE 算法通过引入基于数学假设的加权矩阵，试图减少对表层源的偏好¹⁰。广泛应用的 LORETA 方法同样基于加权 MNE，但额外最小化源的拉普拉斯量，从而得到更平滑的解^17,18。模拟研究发现，在单个源的情况下，LORETA 的表现最佳^19,20。然而，LORETA 可能导致解过度平滑。当源的位置未知或可能存在多个源时，优先选用深度加权 MNE^13,16。建议比较不同算法的结果，以评估不同模型假设的影响。

总之，由于大多数脑电图分析软件依赖基于成人解剖结构的头部模型，这在很大程度上限制了儿童源定位结果的准确性，因此直到最近，通过建模方法进行源重建在儿童中的应用一直受到限制^2,8。计算资源的低成本获取以及用户友好型源重建软件的出现，使得克服这些限制成为可能。与仅基于通道水平观测的分析相比，对脑电图应用源估计具有两个重要优势：更高的空间分辨率和观测值之间的独立性。

在某些情况下，源定位可能无法提供有效信息：需要对头部进行良好的覆盖，才能区分不同的源。建议使用128个或更多电极的高密度系统^10,15；电极覆盖稀疏会起到空间滤波的作用，导致源激活范围更广或出现假阴性结果¹⁰。此外，本文所述方法所基于的源重建仅在皮层发生器中有报道。因此，该方法不太适用于检验有关皮层下结构或皮层-皮层下相互作用的假设。最后，源分析应基于关于皮层底物的详细先验假设，并参考其他成像模态的现有文献。也可采用空间滤波技术，通过减少头皮水平上的空间混合来提高脑电（EEG）信号的空间分辨率。此外，还存在无需头部建模即可减少容积导联效应影响的替代方法，例如，拉普拉斯滤波²¹或电流源密度分析²²。然而，这些方法并不能提供更多关于神经发生器的信息，因为容积导联效应并不仅限于空间位置邻近的传感器¹。

在接下来的章节中，本文介绍了伦敦婴儿实验室如何设计针对2岁及以上儿童大脑与认知功能研究的实验。随后讨论了在儿童中使用高 密度低阻抗系统进行脑电图（EEG）数据采集的方法。接着介绍了通道水平上的EEG预处理与分析流程。最后，文章重点阐述了结构性磁共振成像（MRI）数据的处理，用于皮层源重建及源水平信号的分析。

方案

1. 脑电图设计 & 儿童事件相关电位实验

注意：本文设计了一个简单的实验，可用于研究幼儿的面孔加工能力。下文将描述该实验，并解释如何使用 MATLAB R2012b 和 Psychtoolbox V3.0.11^23,24  来实施该实验。本示例使用了来自 NimStim 情绪性面部表情图库²⁵ 的图片。该刺激集可应研究需求申请获取（http://www.macbrain.org/resources.htm）。

1. 将RGB图像转换为灰度图像，以减少刺激之间的差异。参见表1。注意：这些命令需要使用图像处理工具箱（http://www.mathworks.co.uk/products/image/）。可通过文件交换平台（https://www.mathworks.co.uk/matlabcentral/fileexchange）找到免费替代方案。
2. 使用实验控制软件，通过一系列命令实现实验，并精确控制刺激呈现的触发时机（示例参见表1）。

2. 数据采集

1. 确保儿童对测试环境感到舒适。允许年幼的儿童坐在其看护者的腿上或舒适的儿童座椅中。在将传感器网戴到儿童头部之前，先让儿童观察并触摸感受该传感器网。  如果有备用的传感器网，可让家长也试戴一个，或将传感器网戴在玩偶或毛绒泰迪熊上。  
2. 测量头部最大周长，以选择适合儿童的传感器网尺寸。使用卷尺，将其一端置于鼻根点，然后围绕头部最大周长处（约在枕外隆凸上方1 cm）进行测量。注意：请记录所测得的头围数据以及使用的传感器网型号，以供后续分析使用²⁶。同时测量家长的头围有助于让儿童在测试过程中更加放松。
3. 确定头部顶点位置，即鼻根点与枕外隆凸之间中点与左右耳前点连线的交点。使用陶瓷笔标记该点，以确保佩戴传感器网时顶点通道能准确定位。
4. 佩戴传感器网，并确保关键通道与解剖标志点（鼻根点、枕外隆凸、顶点及左右乳突）对齐。注意：为获得最准确的结果，可使用专用数字化设备对头部上的通道位置进行数字采集。希望获取传感器位置的研究人员应参考相应的硬件和软件手册。或者，也可使用基于解剖标志点标准电极放置位置的电极图。这些电极图可根据分析部分所述方法，变形至适合相应年龄的头部模型。
5. 通过单独调整每个传感器的位置，确保各通道与头皮保持良好接触；轻轻左右旋转每个传感器，以拨开阻碍的头发。
6. 测量通道增益和通道阻抗。在NetStation脑电记录软件中点击“开始”以启动记录，并开始增益和阻抗测量。如果测量未自动开始，请使用“校准放大器”和“测量传感器网阻抗”按钮。
7. 在记录软件中检查阻抗高于50 kΩ的通道（这些通道会显示为红色）。使用移液器添加电解质溶液以降低通道阻抗。同时检查脑电图显示中是否存在尽管阻抗较低但仍显示高频活动的通道，或明显比周围通道活动少的通道（呈直线的通道）。这些通道可能与头皮接触不良，需要进一步调整。
8. 为使儿童在脑电准备过程中保持舒适，可允许儿童听音乐、观看适合其年龄的动画片，或由另一位实验人员通过其他方式转移其注意力，例如，为幼儿吹肥皂泡。

3. 分析

1. 预处理
   1. 使用截止频率为 0.1 Hz 的高通数字滤波器对数据进行滤波，以消除通道漂移²⁷ (表1).
   2. 对于ERP分析，应用截止频率为30 Hz的低通滤波器。²⁷ (表1).
   3. 根据记录期间设置的触发代码对连续数据进行分段。对于大多数实验，使用刺激 onset 前 200 毫秒作为基线期，刺激后 600 毫秒作为响应期，以覆盖感兴趣的时程范围（表1).
   4. 移除包含运动或眨眼伪迹的片段：标记峰峰值幅度超过150 mV的通道——根据被试群体和数据质量调整该阈值。为保持一致性，同一研究中所有被试应使用相同的阈值。若某通道在超过30%的片段中超过该阈值，则移除该通道（如果周围通道数据可接受，可对通道活动进行插值重建）。若某个片段中超过20%的通道被标记为无效，则移除该片段。若算法拒绝的通道比例超过20%，或保留的片段比例少于50%，则考虑将该数据集从后续分析中剔除。表1).
      注意：本研究中设定的片段和通道剔除百分比阈值为经验性数值，根据我们的经验可有效去除足够多的噪声。然而，若使用不同的受试者群体、实验范式或脑电图系统，记录中的伪迹程度可能会有所不同。实验者可根据实际情况调整百分比阈值，并检查伪迹剔除效果是否满意。此外，实验者也可通过目视检查剔除含有伪迹的试验片段。 
   5. 通过从每个通道中减去所有通道的平均活动性来实现相对于平均参考的校正表1）。注意：在 NetStation 中，顶点电极通常用作记录参考电极。
2. 使用独立成分分析进行伪影校正
   1. 将数据导入 FASTER 工具箱²⁸ 并对数据运行自动伪迹剔除算法（表1).
   2. 使用 FASTER 的图形用户界面（GUI）；要打开该界面，可在命令行中输入 FASTER_GUI。
   3. 取消过滤菜单中的过滤选项，因为数据在分段之前已经完成过滤。
   4. 指定通道数量：126个脑电图（EEG）通道，另加2个眼电图（EOG）通道。
   5. 在元胞数组中以字符串形式输入用于分段数据的标记。对于本案例，输入：{'face','scra'}，分别对应面孔和 scrambled face（打乱面孔）条件。
   6. 选择用于独立成分分析（ICA）的通道。通常选择所有记录通道，包括外部非 EEG 通道。
   7. 在图形用户界面的右侧面板中指定输入和输出文件夹。
   8. 选择适合记录的通道文件。注意：大多数脑电图（EEG）系统的通道文件可从制造商处下载，或从 EEGLAB 网站下载。
   9. 点击“运行”以开始更快的处理。根据录音时长和文件数量，此处理过程可能需要数小时。
   10. 处理后，对记录数据、独立成分图谱和事件相关电位进行视觉检查。
3. 事件相关电位数据的通道水平分析
   1. 将多个通道组合以形成信噪比更高的虚拟通道（表1）。注意：通道的选择应基于文献中先前的报道或 先验的 假设。不建议选择在给定时间窗口内显示最高振幅的通道²⁹.
   2. 获取峰幅值、平均幅值和峰潜伏期等参数以表征波形，并进行统计学检验（表1).
4. 创建边界元模型（BEM）
   1. 使用 FreeSurfer 对解剖 MRI 扫描进行分割。注意：为获得最准确的结果，应基于每位参与者的个体 MRI 扫描构建边界元模型。如果不可行，则应使用尽可能匹配参与者年龄的平均 MRI 模板。请注意，边界元模型不适用于 24 个月以下的儿童。边界元模型假设每个壳层（大脑、颅骨、皮肤）均为闭合壳层，但在年幼儿童中，颅骨的囟门尚未闭合，违反了闭合壳层的假设。
      1. 为了安装 FreeSurfer 软件，首先从 FreeSurfer 网站下载该软件（http://freesurfer.net/fswiki/DownloadAndInstall）。接下来，设置包含 FreeSurfer 的 shell 环境；对于 .bashrc，需在 .bashrc 文件中包含以下命令：
         1. 导出 FREESURFER_HOME=/Applications/freesurfer/
         2. source $FREESURFER_HOME/FreeSurferEnv.sh
            注意：这些命令假定 FreeSurfer 文件夹位于 Unix 系统的应用程序（Applications）文件夹中。有关如何在其他 shell 环境中设置 FreeSurfer 的更多详细信息， 例如 csh/tcsh 或 FreeSurfer 网站上的操作系统http://freesurfer.net/fswiki/DownloadAndInstall).
      2. 接下来，定义受试者目录，即使用以下命令指定输出文件将要写入的文件夹：
         1. export SUBJECTS_DIR=/…/BEMs/
            注意：结果可写入系统上的任意文件夹。
      3. 接下来，使用以下命令将工作目录更改为包含用于边界元模型的 MRI 文件的文件夹：
         1. cd /Users/joebathelt/Neurodevelopmental_MRI_database/Children/Brain/
            注：可使用 cd 命令的语法指定系统中的任意文件夹。此为主研人员文件结构的一个示例。
      4. 最后，使用以下命令启动重建：
         1. recon-all -i <mri_file> -subjid <受试者编号>
         2. recon-all -all -subjid <受试者编号>
            注意： <mri_file> 需要替换为当前目录中所需 MRI 扫描文件的文件名。 <subject_id> 可以替换为任意名称。FreeSurfer 将在受试者目录中创建一个以此名称命名的文件夹。根据所使用的系统，最后的命令可能需要一些时间才能运行完毕。
   2. 检查 FreeSurfer 分割结果中是否存在错误的分割， 例如. 相互重叠的球体，解剖学上不可能存在的区室 等等通过将片段导入 BrainStorm 并使用其图形用户界面中的显示工具：
      1. 在 BrainStorm 中，选择解剖面板。通过右键单击受试者并选择“导入解剖文件夹”来导入分割后的 MRI 数据。确保选中包含 FreeSurfer 输出结果的文件夹。通过右键单击并选择“显示”来直观检查分割结果。注意：也可使用 FreeSurfer 命令，详细说明可在 FreeSurfer 官方网站找到。 http://surfer.nmr.mgh.harvard.edu/fswiki/RecommendedReconstruction. 若需基于解剖分区进行感兴趣区域分析，可使用 FreeSurfer 的相关功能 mris_ca标签, mri_annotation2label 和 mri_mergelabels 可使用上述方法。有关更详细的信息，请参阅 FreeSurfer 的出版物和在线帮助页面。
5. 估算 BrainStorm 中的源活动
   1. 在命令窗口中输入“brainstorm”以启动 BrainStorm。
   2. 通过从“文件”菜单中选择“新建方案”来创建新方案。
   3. 通过从“文件”菜单中选择“新建受试者”，向方案中添加新的受试者。
   4. 右键点击受试者，选择“导入MEG/EEG”，以导入该参与者的EEG数据。
   5. 右键单击并选择“导入通道文件”以导入通道文件。注意： 通道文件需要与 MRI 对齐以进行源重建。BrainStorm 使用一套由用户在 MRI 中标记的 4 个解剖参考点的系统。更多信息请参考 BrainStorm 教程（http://neuroimage.usc.edu/brainstorm/CoordinateSystems可使用由特定脑电图（EEG）系统的通道文件定义的标准位置，或理想情况下，使用在脑电图记录之前已进行数字化的头部位置。
   6. 检查BEM与通道是否按预期对齐：右键单击受试者的通道文件，依次选择“MRI registration”（MRI配准）和“Check”（检查）。注意：如果模型内的球体发生重叠，或通道位于BEM内部，则源重建将产生错误结果。可通过“MRI segmentation”（MRI分割）菜单中的“Edit”（编辑）选项调整对齐。
   7. 右键点击参与者，选择“噪声协方差矩阵”和“从记录计算”，以从每个时间段的基线计算噪声协方差矩阵。注意：BrainStorm 工具箱的作者建议，对于较短的记录（时间点数量少于通道数），使用对角线噪声协方差矩阵；而对于较长的记录，则使用完整的协方差矩阵。更多信息请参考 BrainStorm 源估计教程： http://neuroimage.usc.edu/brainstorm/Tutorials/TutSourceEstimation .
   8. 右键点击受试者并选择“Compute source model”以计算源模型。
   9. 右键点击被试，选择“计算源”和“最小范数估计”，使用深度加权的最小范数估计法计算逆解。注意：其他选项（如dSPM、sLORETA）也可使用，每种方法各有优缺点。算法的选择应基于 先验的 根据文献中的考量和既往报道，某些算法在解析特定区域的局灶性激活方面表现更优，而另一些算法则更适合于广泛性激活的解析。本研究基于文献中的既往报道，选用最小范数估计（MNE）方法。¹⁶为保持一致性，同一项研究中的所有受试者应采用相同的逆解算法。研究者也可比较不同逆解算法对研究结果稳健性的影响。 
   10. 对研究中的所有参与者重复第3节操作。注意：可使用图形化批量处理界面或脚本对参与者重复执行处理步骤。具体操作说明请参见 BrainStorm 文档（http://neuroimage.usc.edu/brainstorm/Tutorials/TutRawScript).
   11. 通过将记录拖动到处理菜单并选择“平均”和“按条件（受试者平均）”，计算每位参与者在各试验中的平均源活动。
   12. 通过选择“Processes 2”并将在一个窗口中拖动每个条件进行对比。然后，根据实验设计选择“Test”中的“Student’s t-test”或“Student’s t-test (paired)”。若需进行多重比较，可在“Stat”菜单中统计图的显示界面设置振幅和面积阈值。注意：也可将激活图导出至 SPM（http://www.fil.ion.ucl.ac.uk/spm/）以进行更深入的统计分析（http://neuroimage.usc.edu/brainstorm/ExportSpm12 HYPERLINK "http://neuroimage.usc.edu/brainstorm/ExportSpm12").
   13. 计算感兴趣区域的事件相关响应。对于基于分区的感兴趣区域，通过在解剖菜单中的皮层表面右键单击并选择“导入标签”来加载 FreeSurfer 分区。浏览相应的文件并加载。随后，在功能数据菜单的“Scout”面板中选择一个感兴趣区域。
   14. 通过将文件拖拽至 Process 1 窗口，并从 Sources 菜单中选择“Extract Scout Time Series”，获取 ROI 事件相关活动。注意：可同时选择多个 ROI，且可通过右键单击 scout time series 数据并选择“Export to Matlab”，导出 ROI 时间序列以进行后续绘图与分析。

结果

为婴儿和儿童设计事件相关电位（ERP）实验通常具有挑战性，因为他们的耐受能力有限，难以接受长时间且重复的实验³⁰。当实验者计划进行源定位重建时，这一问题会进一步加剧，因为准确的源重建需要较高的信噪比¹。图1展示了一种可用于年幼儿童的面孔加工机制研究的实验方案。该实验范式经过以下调整：a）在刺激呈现期间尽量减少眨眼和眼动，因为儿童控制眼动的能力弱于成年受试者；b）在刺激间间隔结束后加入注意力吸引刺激，以提高实验的吸引力。通过在刺激出现前短暂呈现一个注视十字，引导儿童将注意力集中于屏幕中央，从而控制眨眼和眼动。此外，刺激持续时间设定为500毫秒，既允许对刺激产生有意识的知觉，又可最大限度减少通过眼动扫描图像的时间。注意力吸引刺激由儿童友好的图像配合同步声音组成。可随机选用不同的注意力吸引刺激，以保持任务对儿童的新颖性和趣味性。当实验者通过监控系统确认儿童再次注视屏幕中央时，即可启动下一次试验。此外，可借助故事帮助年龄较大的儿童维持对屏幕的注意力。在脑电图（EEG）记录前，通常建议先让儿童练习任务，以确保其理解实验要求。练习阶段中的筛选问题或得分可在后续分析中作为协...

讨论

本文介绍了在适用于儿童的标准事件相关电位（ERP）范式中，利用基于年龄匹配的平均MRI模板的边界元模型和深度加权最小范数估计方法，对高密度脑电图（EEG）进行记录与分析，以重建皮层源。在此范式中，呈现人脸图片和打乱的人脸图片。不同研究者曾采用该范式探究面孔加工机制在发育过程中的发展变化³⁵。在通道水平上，相对于打乱人脸条件，人脸条件在右侧枕颞部通道上表现出更负的偏转。其拓扑分布、潜伏期和反应特征与N170成分一致³⁴。既往的源定位研究及同步EEG-fMRI研究报道，梭状回可能是产生N170反应的主要源区。本分析结果表明，在个体参与者水平上，采用深度加权的边界元模型（BEM）进行源反演，可有效定位面孔-打乱面孔范式中梭状回的源活动。在发育研究中，若无法获取个体解剖结构信息，则使用基于个体参与者解剖结构的头模型或基于年龄匹配的平均解剖扫描图像，将有助于实现最精确的源定位²。此外，可依据解剖学知识或自动分区算法确定感兴趣区域，以进一步分析特定皮层区域的事件相关反应。

目前，源重建在发育样本中存在若干局限性。首先，基于不同年...

材料

本文使用的材料清单

姓名	公司	目录编号	评论
高密度脑电图传感器网（128 或 256 通道）	128导HydroCel地理定位传感器网	美国俄勒冈州，Electrical Geodesic公司
EEG 高阻抗放大器	NetAmps 200	美国俄勒冈州，Electrical Geodesic公司
数据采集计算机	PowerMac G4	Apple 公司，加利福尼亚州，美国
刺激呈现计算机	Optiplex 745	Dell Computers Inc.，德克萨斯州，美国
刺激呈现软件	MATLAB R2012b 配合 PsychToolBox	Brainard 等 1997
脑电图记录软件	NetStation 4.5.1	美国俄勒冈州，Electrical Geodesic公司
脑电图分析软件	MATLAB R2012b	The Mathworks Inc.
	EEGLAB	德洛姆等人 等。 2004
	脑风暴	Sylvain 等 2001
MRI 处理软件	FreeSurfer	Fischl 等 2004
	OpenMEEG	Gramfort 等 2010
德洛姆，A. & Makeig, S. EEGLAB：一个用于分析单次试验EEG动态（包括独立成分分析）的开源工具箱 神经科学方法杂志, <强>134(1), 9–21, (2004).
Sylvain, B., John, C., Dimitrios, P., & Richard, M. Brainstorm：一种用户友好的 MEG/EEG 分析应用程序 计算智能与神经科学, 1–13, (2011).
Fischl, B. 等 自动分割人类大脑皮层 大脑皮层, <强>14(1), 11–22, (2004).
格拉蒙福，A.，帕帕多普洛，T.，奥利维，E. & Clerc, M. OpenMEEG：用于准静态生物电磁学的开源软件。 生物医学工程在线, <强>9(1), 45, (2010).
布拉德福德，D. H. 心理物理学工具箱 空间视觉, (1997).