近日，beat365IDG麥戈文腦科學研究所、beat365解萬澤研究員，于《Developmental Cognitive Neuroscience》發表題為“EEG functional connectivity analysis in the source space”的研究論文，介紹了兩種較新的源空間功能連接分析流程，并基于兩組嬰幼兒（1歲和3歲，各30人）腦電數據展示了兩種方法的使用，揭示了部分腦網絡連接從1歲到3歲的變化。
兩種分析流程所使用的全部程序和材料已公開，歡迎大家嘗試、交流：https://github.com/happytudouni/SourceSpaceFCAnalysis_DCN
腦電圖 (EEG) 具有高時間分辨率、非侵入性、使用便捷、佩戴迅速、受頭動影響相對較小、兒童容忍度高等優點。這些優點使得腦電技術在兒童認知與腦發育的研究中備受歡迎。能否以及如何使用腦電來探究腦網絡在不同頻段上的功能連接、及其發展變化在近些年越來越受到關注。由于體積傳導效應（volume conduction）的影響，僅通過計算頭皮上電極之間的功能性連接所能獲得的關于皮層腦網絡功能連接的信息十分有限。因此，研究者們開始嘗試結合MRI影像（模版）、腦電溯源技術、及源空間功能連接分析技術來評估不同頻段上的腦網絡連接狀态。由于某些影像學手段如PET、fMRI在嬰幼兒中使用所尚存局限性，此類腦電源空間腦網絡分析技術在嬰幼兒中受到了更大的關注。
方法總結
目前在源空間functional connectivity(FC)研究中廣泛采用兩個FC指标：相間同步(phase-to-phase synchrony, PPC)和幅間相關(amplitude-to-amplitude correlation, AAC)，即分别将神經元活動表示為相位和幅度動力學。本研究展示和比較了基于PPS和AAC兩個指标的兩種源空間FC分析流程（pipeline），以下簡稱為“pl_pps”和“pl_aac”。兩種分析流程均在作者們近期的研究中被使用：“pl_pps”(Xie et al., 2019a,b, BMC Med, Dev Sci)和“pl_aac”(Toll et al.,2020, AJP; Zhang et al., Nat. Biomed. Eng.)。
本研究的樣本數據源自兩組不同年齡的兒童，分别為12個月和36個月，每組各30人。使用NetAmps 300 放大器（Electrical Geodesic Inc.，Eugene，OR）和124 通道HydroCel Geodesic Sensor Net (HGSN)采集EEG數據。
源空間中的 EEG FC 分析步驟（圖2）：
pl_pps和pl_aac兩種分析流程的主要步驟與思路有很大重疊，但在頭模型構建、頻率分析、FC計算和體素分割等過程中使用的具體方法上存在差異。具體步驟如下：
1) 使用高密度EEG數據和嬰幼兒MRI模版進行大腦皮層源重建；
圖1. 源重建過程
2) 将重建的源活動（源體素/頂點）分割成大腦感興趣區域(ROI)；
本文中pl_pps使用LPBA40腦圖譜為例子，将3D源體素分割為48個ROI，這些ROI被進一步分為四個主要的腦葉，即額葉、颞葉、頂葉和枕葉。
pl_aac則以數據為導向，對所有源頂點進行分析，找到全局相關性更為顯著（重要連接中心）的相關源頂點，得到功能性ROI，排除先驗的影響。
3) 使用“穩健的FC評估指标”，即加權相位滞後指數 (wPLI) 和正交功率包絡相關性(power envelope correlation between orthogonalized signals)來計算兩兩ROI之間或有限頻段中源體素/頂點之間的FC。
圖2. pl_pps（左）和 pl_aac（右）的步驟
結果概述
pl_pps的分析結果發現大腦FC在不同頻段和年齡間呈現不同的模式（圖3）。在兩個年齡組的θ頻段中都發現了遠程和短程的相關；α頻段FC中心區域在中央、頂葉和枕葉腦區；β頻段FC在額颞腦區最為明顯；在γ頻段發現了類似的FC模式，此外，枕葉也顯示出強的γFC。總體而言，FC自12個月到36個月下降，這可能反映了童年時期腦區神經元功能連接的修剪。
圖3. pl_pps 的大腦 FC 結果
FC的強弱由連線的粗細表示，不同葉的大腦ROI用不同的顔色繪制，藍色為額葉ROI，綠色為颞葉ROI，黃色為中央和頂葉ROI，紅色為枕葉ROI。
使用wPLI時，每個大腦FC圖的鄰接矩陣如（圖4）所示。pl_pps還使用了正交功率包絡相關（AAC），如（圖5）所示，與使用wPLI的結果相比，中心點呈現更分離的腦網絡組織，即中心點更局部化的趨勢。
圖4. 使用wPLI時四個頻段中FC鄰接矩陣
圖5. 使用正交功率包絡相關性時四個頻段中FC鄰接矩陣
pl_aac的分析結果與任何先驗模型或圖譜完全無關，結果發現，每個頻段中都出現了不同的FC拓撲。在θ帶發現了成人研究中常觀察到的hub區域，包括執行和顯著網絡（executive and salience networks）的主要節點(如前額葉、頂葉後部和額島)。兩組被試在α頻段中的拓撲結構差異最大，相較于12個月被試組，36個月被試組，在颞葉表現出更高的FC。
圖6. pl_aac中不同頻段FC中心腦區
紅色表示具有相對較大t值的頂點簇，即大腦中每個頻段連接的重要中心區域；藍色表示具有相對較小的t值統計量的頂點簇，即與其他腦區連接較弱的區域。
pl_pps和pl_aac結果的對比與讨論詳見文章。兩種方法總體上呈現了較為一緻的結果，但主要區别之一在于pl_pps的結果沒有pl_aac結果顯示的偏側化(右半球)。這可能與頭模型創建過程(BEM vs. FEM;表面vs.體積模型)、皮層切割方法(頂點vs. roi)和FC估計方法(PPS vs. AAC)的不同有關，這些差異可能會導緻源空間FC分析得出不同結果。
解萬澤研究員為文章第一及通訊作者，另外兩位作者為德克薩斯大學西南醫學中心（UTSW）的助理教授Russell T. Toll和哈佛大學醫學院(HMS)的Charles A. Nelson教授。
參考論文
1. Toll, R. T., Wu, W., Naparstek, S., Zhang, Y., Narayan, M., Patenaude, B., ... & Etkin, A. (2020). An electroencephalography connectomic profile of posttraumatic stress disorder. American Journal of Psychiatry, 177(3), 233-243.
2. Xie, W., & Nelson, C. A. (2021). A state-of-the-art methodological review of pediatric EEG. Advances in Magnetic Resonance Technology and Applications, 2, 373-391.
3. Xie,W., Toll,R.T., & Nelson,C.A.(2022). EEG functional connectivity analysis in the source space. Developmental Cognitive Neuroscience, 56, 101119. https://doi.org/10.1016/j.dcn.2022.101119.
4. Zhang, Y., Wu, W., Toll, R. T., Naparstek, S., Maron-Katz, A., Watts, M., ... & Etkin, A. (2021). Identification of psychiatric disorder subtypes from functional connectivity patterns in resting-state electroencephalography. Nature biomedical engineering, 5(4), 309-323.
原文鍊接：https://doi.org/10.1016/j.dcn.2022.101119
2022-06-21