# 脑电分析之源分析简介
今天和大家分享的这篇推文是最近在学习的内容——EEG源分析。刚开始我是注重软件的使用了，发现其实对于所有的操作软件来说，操作并不是最重要的点，操作一遍不会可以来第二遍，学习新东西就是要大胆操作，小心调试。后来发现似乎是有结果图像了，我们该怎么去理解它，该怎么去分析它，这才是难点所在。EEG数据的分析是千变万化的，不需要记住一套思路，从不同的切入点进入会发现不同的结果。这也是EEG源分析算法不同带来的思想。
\
通常来说，我们通过EEG设备记录下来的信号，都是有大脑神经元群共同放电的结果，我们可以把这些神经元群看作是放电的源头，这些脑电源向不同方向放电，经过一定的衰减（会随着皮层的褶皱、脑积液、颅骨等组织）然后才会到达头皮表面，才会被eeg设备采集下来，这样采集下来的信号就会是很多脑点源的集合信号，所以采集下来的头皮表面信号并不能简单的对应就是大脑内部放电的对应，那就需要一定的手段来映射脑内的情况——溯源方法.
——来自参考文献2\
脑电的溯源方法，一般来说，有两个方向的问题，一是正向问题（给出脑电活动源的分布位置，正向求解头皮电位信号）；二是逆向问题（根据现有采集得到的信号来反演估计脑内神经活动源的位置、方向和强度大小），目前大家讨论的更多的是逆向求解问题，但是逆向求解问题存在两大难点问题是，根据反演求出的解，并不是唯一的，即有可能会存在多个脑内源；另一个问题是求解的不稳定性，噪声的影响，可能在头皮表面噪声的影响很小，但是在脑内的信号振荡可能会是一个非常大的问题。有人说，想要看到脑内变换，可以尝试fMRI设备，的确fMRI有着EEG高优势的空间分辨率，但是fMRI在时间分辨率上却是一大短板，在很多认知实验中，被激活的脑区可能是在很短的时间内变化的，但是fMRI可能无法捕获到，这也是EEG源定位存在的意义之一。
\
从反演的结果来说，脑电逆问题应该是非线性优化问题，考虑到计算的复杂性，所以近似的规约为线性问题Y=AX，Y表示为头表电极记录到的点位，X是待进行空间定位的源信息向量，A称为传递（增益）矩阵，是脑电正问题的解，可以通过构造合适的头模型等来获得。所以提高数据的准确性和对合适头模型的确定是比较关键的。
采集示意图
——来自参考文献2
EEG源重建
第一个重要的是采集到的头皮表面的准确性，通过来说，导联数越多采集下来的数据是越准确的，在已有的文献中，大量拿来做溯源分析的导联数均在128导以上，就目前现有的溯源分析方法来说，64导联的数据也是可以进行分析的，但是准确性是不能保证的。
——来源文献1
这张图说明的问题是电极数量的多少和排布位置，是会影响到脑内发生源的准确性的。
这是四种不同逆问题算法的电极数量下的误差，这也说明电极数量。
第二个是模型的选择
头模型：头模型包含电信号传递的组织中介，这里面涉及传递信号的电导率等，非常难说明。头模型也是可以分为球模型、椭圆模型和真实头模型（MRI），一般采用的方法是基于真实头模型下使用边界元方法（boundary ellment method,BEM）或者有限元方法（finite leement method,FEM)来计算，增加准确性。
源模型：源的估计数量、位置和方向来计算拟合数据。通过上面说到的这个近似方程Y=AX，Y表示为头表电极记录到的点位，X是待进行空间定位的源信息向量，A称为传递（增益）矩阵，是脑电正问题的解，可以通过构造合适的头模型等来获得。我们就是得算X的信息，从文献1中计算的方法有很多，包括：Minimum Norm、Laplacian weighted minimum norm (LORETA)\
、Weighted minimum norm 、Local autoregressive average (LAURA) 、EPIFOCUS、Beamformer 、Bayesian approaches 、besa等，这些算法小编还没有弄懂，所以就不能一 一介绍了，这个得放到后面去。
\
计算出脑内源后，我们才可能做将头皮表面的网络连接转移到脑内网络连接，论起准确性来说，小编觉得脑内数据比头皮表面数据准确一些（个人观点）。
如果你对EEG溯源有兴趣，推荐查阅以下的文献：
文献一：首推Christoph M. Michela,\*, Micah M. Murray, et al. EEG source imaging.Clinical Neurophysiology 115 (2004) 2195–2222.这篇文献是2004年出版的，但是对于现在的我看着文献还是颇有感触。在这篇文章中介绍了做脑源分析的过程。
（1）电极的数量和位置
（2）逆解模型和算法的种类，
（3）EEG源估计与MRI数据的融合，
（4）时间和频率在源成像中的融合，
（5）反解结果的统计分析
文献二：Roberta Grech1, Tracey Cassar\*1,2,et al. Review on solving the inverse problem in EEG source analysis. Journal of NeuroEngineering and Rehabilitation, 2008, 5:25
这篇文章讨论了解决EEG逆问题的两种主要方法，非参数方法和参数方法。两者之间的主要区别在于是否先验地假定了固定数量的偶极子。描述了属于这些类别的各种技术和优劣势。
文献三：EEG source connectivity: Aiming for high resolution of brain networks in time and space
这篇文章讨论了EEG溯源后处理的源连接的问题，也解释了处理源分析所需要经过的要求。
#### **谢谢大家观看，如有帮助，来个喜欢或者关注吧！**
本文作者：Chen Rui
星球地址 ：[知识星球](https://t.zsxq.com/W5M3F)[Blog ](https://t.zsxq.com/W5M3F)
知乎地址 : [知乎专栏](https://www.zhihu.com/people/braintechnology)
B站地址 : [B站主页]()
公众号：大脑技术\
CSDN地址 : [csdn主页](https://blog.csdn.net/craig_cc)
---
# Agent Instructions: Querying This Documentation
If you need additional information that is not directly available in this page, you can query the documentation dynamically by asking a question.
Perform an HTTP GET request on the current page URL with the `ask` query parameter:
```
GET https://book.7988888.xyz/eeg/10.md?ask=
```
The question should be specific, self-contained, and written in natural language.
The response will contain a direct answer to the question and relevant excerpts and sources from the documentation.
Use this mechanism when the answer is not explicitly present in the current page, you need clarification or additional context, or you want to retrieve related documentation sections.