張 蔚 姜忠義 李文杰 鄒 凌*

1(常州大學(xué)微電子與控制工程學(xué)院，江蘇 常州 213164)

2(常州市生物醫(yī)學(xué)信息技術(shù)重點(diǎn)實(shí)驗(yàn)室，江蘇 常州 213164)

3(常州大學(xué)阿里云大數(shù)據(jù)學(xué)院，江蘇 常州 213164)

引言

情緒重評(píng)被認(rèn)為是最有效但也是最復(fù)雜的情緒調(diào)節(jié)策略之一，它通過修改一個(gè)人對(duì)某一情境的評(píng)估，以改變情緒對(duì)人的影響，達(dá)到調(diào)整情緒體驗(yàn)的強(qiáng)度和對(duì)情緒信息關(guān)注度的目的[1]。由于情緒調(diào)節(jié)與人的精神、情感和生理健康有很大關(guān)聯(lián)，且涉及多種認(rèn)知障礙疾病，包括阿爾茨海默病、邊緣型人格障礙和重性抑郁障礙，因此在執(zhí)行情緒重評(píng)任務(wù)時(shí)，大腦的工作機(jī)制是認(rèn)知科學(xué)領(lǐng)域關(guān)注的重點(diǎn)。

目前，功能磁共振成像(functional magnetic resonance imaging, fMRI)已被廣泛應(yīng)用到該課題的研究中。fMRI利用磁振造影，測(cè)量血管樹為神經(jīng)元提供血氧支持引起的血氧水平依賴信號(hào)(blood oxygen level dependent, BOLD)，從而識(shí)別出含氧濃度顯著不同的區(qū)域，其優(yōu)勢(shì)主要在于具有良好的空間分辨率[2]。已有fMRI分析表明，情緒激活是一個(gè)復(fù)雜的過程，招募與執(zhí)行系統(tǒng)、邊緣系統(tǒng)和注意力系統(tǒng)相關(guān)的區(qū)域，通過重新評(píng)估來調(diào)節(jié)負(fù)面情緒，會(huì)導(dǎo)致支持執(zhí)行認(rèn)知控制區(qū)域的BOLD增加，包括左前額葉、內(nèi)側(cè)前額葉、扣帶和前顳葉皮層；當(dāng)對(duì)負(fù)面刺激進(jìn)行調(diào)節(jié)時(shí)，與視覺處理和情緒相關(guān)的區(qū)域(如島葉、枕葉內(nèi)側(cè)和頂葉下皮層)顯示出顯著的激活減少[3-4]。雖然利用fMRI良好的空間分辨率可以識(shí)別出情緒重評(píng)相關(guān)的腦區(qū)，但是在追蹤大腦神經(jīng)元的動(dòng)態(tài)問題上時(shí)間分辨率受限。

腦電(electroencephalography, EEG)通過放置在大腦頭皮上的電極，瞬時(shí)記錄椎體皮層神經(jīng)元上的突觸后電位，具有便攜、無創(chuàng)、毫秒級(jí)時(shí)間分辨率的優(yōu)勢(shì)[5]。在情緒調(diào)節(jié)的EEG研究中，晚期正電位(late positive potential，LPP)是事件相關(guān)電位(event-related potential，ERP)的一個(gè)重要成分，具有中央-頂葉頭皮分布的特點(diǎn)，在成年人中出現(xiàn)在刺激后的300～2 000 ms，被認(rèn)為是情緒刺激后注意力增加的指標(biāo)[6]。因此，情緒刺激(如視頻、面孔和圖片)引起的LPP幅度比中性刺激的要大，當(dāng)參與者被要求重新評(píng)估負(fù)面圖片的意義時(shí)，LPP幅度降低[7]。EEG信號(hào)雖然具有優(yōu)越的時(shí)間分辨率，但是神經(jīng)元信號(hào)通過大腦、腦脊液、顱骨和頭皮的體積傳導(dǎo)后，與EEG不再具有一一對(duì)應(yīng)的關(guān)系，因此限制了該模態(tài)的有效空間分辨率[8]。

對(duì)同步獲得的EEG-fMRI信號(hào)進(jìn)行融合源定位，可以很好地優(yōu)勢(shì)互補(bǔ)兩個(gè)模態(tài)在時(shí)空中的信息。EEG和fMRI都對(duì)大腦突觸發(fā)生的變化極其敏感，同步采集可以捕獲和分析相同的神經(jīng)事件和大腦狀態(tài)；由于在相同的實(shí)驗(yàn)條件下，所以可以保證來自外部參數(shù)的記錄信號(hào)的完整性[7,9]。EEG源定位是通過構(gòu)建頭模型、根據(jù)頭皮分布的EEG信號(hào)來追溯大腦皮層電位的時(shí)間動(dòng)態(tài)過程。由于體積傳導(dǎo)效應(yīng)的影響，源定位的結(jié)果是不適定的，可以通過加入關(guān)于腦電源的fMRI信息來解決，增加獲得唯一的和生理上有效解的可能性，比如多重稀疏先驗(yàn)(multiple sparse priors，MSP)、基于fMRI的區(qū)域估計(jì)(fMRI-informed regional estimation，F(xiàn)IRE)、基于fMRI網(wǎng)絡(luò)的源成像(network based source imaging，NESOI)和fMRI加權(quán)最小范數(shù)估計(jì)(fMRI-weighted minimum norm estimate， fMNE)等方法[10-13]。其中，fMNE根據(jù)fMRI的統(tǒng)計(jì)激活設(shè)置大腦先驗(yàn)偶極子的權(quán)重，將高空間分辨率信息融合到EEG逆解中。在這種方法中，由于fMRI先驗(yàn)權(quán)重在整個(gè)源定位時(shí)間內(nèi)是恒定的，因此fMRI信息是一種“硬約束”[14]。然而，神經(jīng)活動(dòng)會(huì)隨著時(shí)間變化，雖然fMNE在許多情況下可以提高源定位的準(zhǔn)確性，但也可能會(huì)給涉及深源或試圖描述大腦皮層活動(dòng)的快速、短暫變化的研究帶來問題。近年來，關(guān)于時(shí)變空間約束的EEG-fMRI融合源定位方法有了很多進(jìn)展，比如動(dòng)態(tài)腦轉(zhuǎn)移網(wǎng)絡(luò)(dynamic brain transition network，DBTN)方法在貝葉斯框架下，對(duì)fMRI激活信息進(jìn)行時(shí)變超參數(shù)加權(quán)，獲得動(dòng)態(tài)偶極子先驗(yàn)，解決“硬約束”的定位誤差問題[14]。在fMRI時(shí)變約束(fMRI informed time-variant constraint，F(xiàn)ITC)方法中，先驗(yàn)偶極子協(xié)方差矩陣通過時(shí)變方式，結(jié)合fMRI活動(dòng)和腦電源活動(dòng)來確定，以減少fMRI額外源的影響[15]。目前，已有研究將EEG與fMRI的時(shí)空優(yōu)勢(shì)互補(bǔ)，用于情緒重評(píng)的分析中。例如，鄒凌等應(yīng)用典型相關(guān)分析提取情緒相關(guān)的時(shí)空成分，發(fā)現(xiàn)在采取情緒重評(píng)策略后200～700 ms，負(fù)性情緒得到抑制；在重評(píng)過程中，負(fù)責(zé)情緒加工的杏仁核、額葉、扣帶回等腦區(qū)有明顯激活, 并且負(fù)性情緒在相關(guān)腦區(qū)上得到抑制[7]。Nguyen等通過fMRI約束EEG源定位，重建具有高時(shí)空分辨率的大腦皮層活動(dòng)，并確定了一個(gè)與情緒處理和重評(píng)相關(guān)的因果腦網(wǎng)絡(luò)，發(fā)現(xiàn)腹外側(cè)前額葉皮層是一個(gè)主要的網(wǎng)絡(luò)來源，其有條件的特定交互支持情緒變化[16]。

源定位將EEG信號(hào)映射到大腦皮層后，通過計(jì)算腦電源時(shí)間序列復(fù)雜度，可以在整體上分析不同皮層腦區(qū)的變化，從統(tǒng)計(jì)學(xué)角度探索任務(wù)刺激后一段時(shí)間內(nèi)的活躍與抑制腦區(qū)。熵作為一種非線性動(dòng)力學(xué)指標(biāo)，可用于衡量系統(tǒng)的復(fù)雜度。熱力學(xué)第二定律表明，當(dāng)封閉系統(tǒng)處于平衡狀態(tài)時(shí)，就會(huì)達(dá)到最大熵。因此，為了保護(hù)生命活動(dòng)，生命系統(tǒng)必須不斷保持低熵，從而遠(yuǎn)離平衡。人腦就是這樣一個(gè)生命系統(tǒng)，雖然與處于平衡狀態(tài)的系統(tǒng)相比，它保持著相對(duì)較低的熵水平，但在接受外部刺激時(shí)可能會(huì)導(dǎo)致局部熵的變化，反映出這些區(qū)域功能的差異，通過計(jì)算從大腦獲得的信號(hào)熵，可以研究這些變化[17]。樣本熵[18]是一種有別于近似熵的不計(jì)數(shù)自身匹配的統(tǒng)計(jì)量，具有更好的相對(duì)一致性，且計(jì)算不依賴于數(shù)據(jù)長(zhǎng)度。樣本熵是非負(fù)的，值越大意味著信號(hào)的復(fù)雜度越高，對(duì)應(yīng)腦區(qū)在一段時(shí)間內(nèi)越活躍，信號(hào)強(qiáng)度的變化越大。已有文獻(xiàn)將樣本熵應(yīng)用于fMRI信號(hào)復(fù)雜度分析[17]，但是尚未有文獻(xiàn)對(duì)情緒刺激下的不同腦電源信號(hào)進(jìn)行樣本熵統(tǒng)計(jì)學(xué)度量。

在本研究中，為了追蹤情緒重評(píng)時(shí)的大腦皮層電位動(dòng)態(tài)，提出一種新穎的偶極子特征優(yōu)化融合源定位方法：基于EEG滑動(dòng)時(shí)間窗的融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)。首先對(duì)基于情緒重評(píng)實(shí)驗(yàn)同步采集的EEG-fMRI數(shù)據(jù)進(jìn)行fMNE源定位，然后采用EEG滑動(dòng)時(shí)間窗，根據(jù)求解的融合源信息提取偶極子動(dòng)態(tài)特征，在每個(gè)時(shí)間窗內(nèi)進(jìn)行EEG-fMRI融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)。相對(duì)于fMNE的“硬約束”設(shè)置，該方法提取的偶極子特征參考了真實(shí)的腦電源，具有更精確的生理動(dòng)態(tài)信息。隨后根據(jù)ERP選取感興趣時(shí)間窗，進(jìn)行情緒重評(píng)任務(wù)下的腦電源動(dòng)態(tài)追蹤，并計(jì)算情緒刺激后腦電源時(shí)間序列的樣本熵，從時(shí)空動(dòng)態(tài)變化和信號(hào)復(fù)雜度兩個(gè)角度，分析情緒刺激后的腦電源。

1 材料

1.1 實(shí)驗(yàn)對(duì)象

實(shí)驗(yàn)招募了20名常州大學(xué)的學(xué)生進(jìn)行同步EEG-fMRI實(shí)驗(yàn)，其中5名被試數(shù)據(jù)因頭動(dòng)劇烈和核磁梯度場(chǎng)偽跡干擾過大被剔除；實(shí)際分析的15名被試包括12名男性、3名女性，年齡在19～24歲之間，平均年齡為22歲。所有被試都是健康人，右利手，視力正?；虺C正正常，沒有精神疾病及神經(jīng)系統(tǒng)疾病。實(shí)驗(yàn)方案得到常州大學(xué)研究倫理委員會(huì)批準(zhǔn)，所有被試根據(jù)赫爾辛基宣言給予書面知情同意書。

1.2 同步記錄

同步EEG-fMRI實(shí)驗(yàn)在常州市第二人民醫(yī)院影像科進(jìn)行，被試在實(shí)驗(yàn)過程中頭戴EEG電極帽，在核磁掃描儀中接受掃描。EEG設(shè)備為EGI公司的64導(dǎo)核磁型腦電采集系統(tǒng)，電極位置遵循國際10-10電極系統(tǒng)空間分布，參考電極為Cz電極，采集軟件是Netstation，采樣頻率為250 Hz，在數(shù)據(jù)采集期間，所有電極的阻抗都保持在50 kΩ以下。核磁設(shè)備為Philips公司的3.0 T超導(dǎo)型功能磁共振成像系統(tǒng)，fMRI掃描參數(shù)為：TR=2 000 ms，TE=35 ms，翻轉(zhuǎn)角(flip angle)為90°，視野(FOV)=230 mm×180 mm，層厚4 mm，無間隔連續(xù)掃描24層。實(shí)驗(yàn)通過時(shí)鐘同步盒，使EEG與fMRI數(shù)據(jù)的采集時(shí)間保持同步。

1.3 實(shí)驗(yàn)范式

實(shí)驗(yàn)采用的是經(jīng)典情緒重評(píng)實(shí)驗(yàn)范式，實(shí)驗(yàn)素材為從國際情緒圖片庫(International Affective Picture System, IAPS)中挑選的120張情緒圖片，包含40張中性圖片(日常生活用品、景觀、食物等)，喚醒度為2.91±1.93；80張負(fù)性圖片(傷殘、暴力、災(zāi)難等)，喚醒度為5.71±2.61。單次試驗(yàn)的流程如圖1所示。被試首先在屏幕上看到一個(gè)持續(xù)4 000 ms的提示詞“觀看”或“降低”，之后是2 000 ms的空屏，接下來是6 000 ms的情緒圖片刺激，最后是4 000 ms的休息時(shí)間。根據(jù)前面的提示詞，被試須采用相應(yīng)的策略進(jìn)行實(shí)驗(yàn)?！坝^看”提示詞后中性圖片和負(fù)性圖片隨機(jī)出現(xiàn)，要求被試僅被動(dòng)觀看，不采取任何情緒調(diào)節(jié)策略；“降低”提示詞后出現(xiàn)的是負(fù)性圖片，要求被試采用情緒重評(píng)完成試驗(yàn)，即以第三者的心態(tài)觀看圖片，或想象這是電影中的場(chǎng)景，主觀減少圖片帶來的情緒沖擊。整個(gè)實(shí)驗(yàn)包含120次試驗(yàn)，分為4個(gè)時(shí)鐘循環(huán)。每個(gè)時(shí)鐘循環(huán)30次試驗(yàn)，中性、負(fù)性、負(fù)性重評(píng)的3種情緒刺激以偽隨機(jī)次序各出現(xiàn)10次。

圖1 單試次的實(shí)驗(yàn)流程Fig.1 The experimental procedure for a single trial

2 方法

2.1 EEG逆問題

EEG逆問題的主要目標(biāo)是：根據(jù)頭皮傳感器測(cè)得的EEG信號(hào)及傳感器位置，采用邊界元法或有限元法，構(gòu)建頭模型，精確計(jì)算大腦中的電場(chǎng)，追溯腦電源動(dòng)態(tài)過程。頭模型是根據(jù)MRI結(jié)構(gòu)像的分割計(jì)算得出的，通常白灰質(zhì)界面被認(rèn)為是主要影響EEG的大腦皮層源空間。EEG逆問題模型[13]表示為

Y=GJ+ε

ε～N(0,C,T)，J～N(0,R,T)

(1)

式中：Y∈p×q代表p個(gè)傳感器、q個(gè)時(shí)間點(diǎn)的EEG信號(hào)；G∈p×s代表引導(dǎo)場(chǎng)矩陣；J∈s×q代表s個(gè)偶極子在源空間中的未知腦活動(dòng)，其服從空間協(xié)方差矩陣為R∈s×s的正態(tài)分布，R代表源J分布的任何先驗(yàn)知識(shí)；T∈q×q代表時(shí)間協(xié)方差矩陣，為單位矩陣；ε代表高斯噪聲，服從空間協(xié)方差矩陣為C∈p×p的正態(tài)分布。C由下式求得，有

(2)

式中，SNR為信噪比。

由于在分布源模型下，源的偶極子數(shù)遠(yuǎn)大于傳感器的數(shù)量，即s?p，因此求解式(1)中的J是一個(gè)不適定的問題。通過采用L2范數(shù)最小化期望誤差，求解得到最優(yōu)線性逆算子，有

W=RGT(GRGT+C)-1

(3)

則估計(jì)的源活動(dòng)表述為

J=WY

(4)

如果偶極子協(xié)方差矩陣R被設(shè)置為單位矩陣，所有偶極子具有相同的權(quán)重，即在沒有任何先驗(yàn)假設(shè)的情況下，該方法為最小范數(shù)估計(jì)(minimum norm estimate，MNE)。

2.2 EEG-fMRI融合源定位

在EEG逆問題框架下，首先提取fMRI空間先驗(yàn)特征，進(jìn)行fMNE源定位，然后根據(jù)EEG滑動(dòng)時(shí)間窗，提取源定位后的偶極子動(dòng)態(tài)特征，進(jìn)行融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)，整體流程如圖2所示。

圖2 基于EEG滑動(dòng)時(shí)間窗的融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)Fig.2 Fused priori weighted minimum norm estimation based on EEG sliding time window

2.2.1fMNE源定位

通過從fMRI統(tǒng)計(jì)激活中提取空間先驗(yàn)特征，設(shè)置偶極子協(xié)方差矩陣，將fMRI的空間先驗(yàn)信息加權(quán)融合到EEG源定位的框架中，有

R=Rf

(5)

fMRI先驗(yàn)特征Rf提取主要包括2個(gè)步驟。

步驟1：構(gòu)建一般線性模型(general linear model，GLM)，對(duì)預(yù)處理后的fMRI數(shù)據(jù)進(jìn)行參數(shù)估計(jì)和統(tǒng)計(jì)分析，得到統(tǒng)計(jì)參數(shù)圖[19]。fMRI信號(hào)的GLM模型可表示為

M=Dβ+n

(6)

式中：M代表采集到的fMRI圖像信號(hào)，每張圖像記錄了全腦體素在實(shí)驗(yàn)掃描階段的BOLD信號(hào)強(qiáng)度；D為設(shè)計(jì)矩陣，代表回歸模型中的自變量矩陣，每列代表不同的實(shí)驗(yàn)刺激時(shí)間序列及其他回歸項(xiàng)分別與血流動(dòng)力學(xué)響應(yīng)函數(shù)(hemodynamic response function, HRF)卷積得到的模擬BOLD信號(hào)；通過最小二乘法擬合估計(jì)出參數(shù)β，使誤差平方和最小，參數(shù)β代表不同回歸項(xiàng)對(duì)fMRI信號(hào)所產(chǎn)生的效應(yīng)；然后基于β和殘差n構(gòu)造t統(tǒng)計(jì)量，對(duì)不同實(shí)驗(yàn)刺激下的統(tǒng)計(jì)參數(shù)圖定義統(tǒng)計(jì)閾值，得到離散、局部連續(xù)的聚類激活。

步驟2：使用最近鄰插值方法，將fMRI統(tǒng)計(jì)參數(shù)圖中的3D聚類投影到構(gòu)建的大腦皮層表面，通過插值投影，為EEG源空間中的每個(gè)偶極子分配其最近鄰體素的t值，如果偶極子有幾個(gè)最近鄰體素，則使用平均值，得到ω=(ω1,ω2,…,ωs)。根據(jù)Liu等[20]對(duì)Rf的設(shè)置，有

(k=1,2,…,s)

(7)

2.2.2偶極子動(dòng)態(tài)融合特征

為了得到更精確的具有生理先驗(yàn)信息的腦電源，在使用fMNE源定位方法求解得到JfMNE后，取每個(gè)EEG滑動(dòng)時(shí)間窗twindow內(nèi)偶極子融合特征，構(gòu)成新的時(shí)變先驗(yàn)協(xié)方差矩陣Rwindow，其非對(duì)角線元素設(shè)置為0，對(duì)角線元素如下：

(8)

式中，JfMNE_window為每個(gè)時(shí)間窗內(nèi)的原始fMNE源信號(hào)。

隨后進(jìn)行融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)，求解得到每個(gè)時(shí)間窗內(nèi)的源信號(hào)為

Jwindow=RwindowGT(GRwindowGT+C)-1Ywindow

(9)

這種溯源方法充分利用EEG信號(hào)高時(shí)間分辨率的優(yōu)勢(shì)，并且整合EEG與fMRI兩種模態(tài)的融合信息，在每個(gè)時(shí)間窗內(nèi)，求解快速變化的偶極子權(quán)重。由于每個(gè)偶極子的權(quán)重設(shè)置參考了真實(shí)的源信息，所以其相比傳統(tǒng)fMNE方法更加靈活。

2.3 樣本熵計(jì)算

樣本熵[18]的計(jì)算主要包括6個(gè)步驟。

步驟1：對(duì)于N個(gè)樣本的時(shí)間序列{u(i):1≤i≤N}，給定相空間重構(gòu)維度m，得到一組m維時(shí)間序列，即

Xi,m={u(i),u(i+1),...,u(i+m-1)}

(i=1,...,N-m+1)

(10)

步驟2：計(jì)算向量Xi,m與Xj,m之間的切比雪夫距離，即

(11)

步驟3：對(duì)于給定的相似容限r(nóng)，利用Heaviside函數(shù)計(jì)算Xj,m到Xi,m的相似度Si,j,m(r)，即

(12)

步驟4：定義函數(shù)φm(r)為

(13)

步驟5：同樣地，重構(gòu)時(shí)間序列{Xi,m+1}，定義函數(shù)φm+1(r)為

(14)

步驟6：計(jì)算時(shí)間序列u的樣本熵為

SampEn(m,r,N)=lnφm(r)-lnφm+1(r)

(15)

式中，相空間重構(gòu)維度m一般取1或2，相似容限r(nóng)=δ·λu，λu為時(shí)間序列u的標(biāo)準(zhǔn)差，δ代表一個(gè)很小的數(shù)，取值范圍一般在0.1～0.25之間。

在本文中，相空間重構(gòu)維度m取2，r取0.2λu，因?yàn)榇嗽O(shè)置顯示熵值具有良好的統(tǒng)計(jì)特性，能夠更詳細(xì)地重建腦電源的非線性動(dòng)力學(xué)。

2.4 數(shù)據(jù)處理過程

2.4.1同步EEG-fMRI預(yù)處理

利用Netstation軟件，對(duì)同步采集的EEG數(shù)據(jù)進(jìn)行預(yù)處理，去除梯度場(chǎng)噪聲、心臟偽影等偽跡。首先使用平均偽影減法，對(duì)原始EEG數(shù)據(jù)進(jìn)行梯度偽跡校正，隨后依次經(jīng)過帶通濾波(0.01～40 Hz)、最優(yōu)基集算法抑制心臟偽跡、數(shù)據(jù)分段(情緒刺激前200 ms到情緒刺激后1 500 ms)、偽跡檢測(cè)、壞導(dǎo)替換、基線校正、平均參考步驟。針對(duì)預(yù)處理后EEG數(shù)據(jù)中含有肌電、眼動(dòng)等噪聲問題，本研究首先在 EEGLAB工具箱(https://sccn.ucsd.edu/eeglab)中采用Logistic Infomax ICA方法進(jìn)行識(shí)別，然后結(jié)合 ADJUST插件指出的可疑成分能量地形圖和主觀經(jīng)驗(yàn)，去除 EEG 信號(hào)中的噪聲成分。對(duì)于同步采集的fMRI數(shù)據(jù)，在SPM12工具箱(http://www.fil.ion.ucl.ac.uk/spm)中進(jìn)行核磁噪聲處理，包括時(shí)間層校正(slice time)、頭動(dòng)校正(realignment)、空間標(biāo)準(zhǔn)化(normalize)及空間平滑(smooth)，其中頭動(dòng)校正的范圍是平動(dòng)≤2.0 mm、旋轉(zhuǎn)≤2.0°。

2.4.2真實(shí)頭模型構(gòu)建

對(duì)每個(gè)被試的大腦MRI結(jié)構(gòu)像，采用CAT 12(http://www.neuro.uni-jena.de/cat)進(jìn)行分割，獲得大腦皮層表面和頭部各層(頭皮表面、外顱骨和內(nèi)顱骨)，然后將皮層表面網(wǎng)格降采樣到15 002個(gè)偶極子，生成每個(gè)被試特異的源空間。本研究假設(shè)源方向垂直于皮層表面，使用Brainstorm工具箱(http://neuroimage.usc.edu/brainstorm)中的OpenMEEG，計(jì)算各偶極源對(duì)EEG傳感器貢獻(xiàn)的正演模型；采用由腦、顱骨和頭皮表面(電導(dǎo)率分別為1、0.0125和1 S/m)組成的三層邊界元模型，計(jì)算引導(dǎo)場(chǎng)矩陣G。

2.4.3偶極子動(dòng)態(tài)融合特征提取

首先，對(duì)每個(gè)被試的fMRI信號(hào)構(gòu)建GLM模型，將中性、負(fù)性、負(fù)性重評(píng)模擬BOLD信號(hào)和6個(gè)頭動(dòng)參數(shù)作為回歸變量，估計(jì)每種情緒刺激引起的平均血流動(dòng)力學(xué)響應(yīng)，提取不同刺激下的統(tǒng)計(jì)參數(shù)圖，采用FWE校正，P<0.05，連續(xù)體素聚類個(gè)數(shù)大于10。在本研究中，將信噪比參數(shù)SNR設(shè)置為10[13]。為了充分利用每個(gè)被試同步EEG-fMRI信號(hào)在時(shí)間和空間上的信息，在不同刺激條件下，采用其特異的fMRI先驗(yàn)特征，約束ERP信號(hào)進(jìn)行fMNE源定位。隨后，通過設(shè)置滑動(dòng)時(shí)間窗提取偶極子融合特征，進(jìn)行基于EEG滑動(dòng)時(shí)間窗的融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)。在滑動(dòng)時(shí)間窗長(zhǎng)度的選取問題上，充分考慮其對(duì)腦電源信號(hào)細(xì)節(jié)特異性以及計(jì)算成本的影響[21]。經(jīng)過對(duì)比實(shí)驗(yàn)，將長(zhǎng)度設(shè)置為20 ms，并提取偶極子動(dòng)態(tài)融合特征。

2.4.4腦電源統(tǒng)計(jì)分析

在源定位后，將所有被試的腦電源信號(hào)投影到公共的大腦模板ICBM152上進(jìn)行組分析，認(rèn)為負(fù)性刺激對(duì)比中性刺激代表情緒響應(yīng)，負(fù)性重評(píng)對(duì)比負(fù)性刺激代表情緒重評(píng)[22]。本研究主要關(guān)注情緒重評(píng)的腦電源激活，進(jìn)行了負(fù)性重評(píng)與負(fù)性刺激的對(duì)比。采用配對(duì)樣本t檢驗(yàn)，進(jìn)行1 000次Monte Carlo迭代置換，再執(zhí)行基于聚類的FDR校正，P<0.05。隨后，根據(jù)ERP感興趣時(shí)間窗的選取，對(duì)每個(gè)時(shí)間窗內(nèi)的統(tǒng)計(jì)t圖進(jìn)行疊加平均，追蹤情緒重評(píng)任務(wù)下的腦電源活動(dòng)[23]。

3 結(jié)果

3.1 fMRI統(tǒng)計(jì)激活

fMRI激活圖在統(tǒng)計(jì)學(xué)上，顯示了被試在接受中性、負(fù)性和負(fù)性重評(píng)情緒刺激時(shí)的大腦活動(dòng)。圖3展示了某一被試在負(fù)性刺激對(duì)比基線條件下的fMRI激活圖，fMRI體素活動(dòng)強(qiáng)度按統(tǒng)計(jì)t值進(jìn)行顏色編碼。在接受負(fù)性刺激時(shí)，主要激活了雙側(cè)前扣帶回、枕葉區(qū)、尾狀核、杏仁核、腦島等腦區(qū)。

圖3 某一被試在負(fù)性刺激對(duì)比基線條件下的fMRI激活圖Fig.3 The fMRI activation map of a subject under negative stimuli vs. baseline condition

3.2 腦電源時(shí)間動(dòng)態(tài)分析

通過分析求解的腦電源活動(dòng)如何隨著EEG滑動(dòng)時(shí)間窗口大小的變化而變化，研究所提出方法的穩(wěn)定性[21]。選取12、20、40、60 ms的時(shí)間窗，進(jìn)行了融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)方法的腦電源信號(hào)求解；使用刺激前基線，將源電流密度圖轉(zhuǎn)換為Z分?jǐn)?shù)。用不同的EEG滑動(dòng)時(shí)間窗口求解，前額葉皮層中的一個(gè)腦電源活動(dòng)如圖4所示。對(duì)于較小的時(shí)間窗(如12和20 ms)，其融合先驗(yàn)源定位結(jié)果顯示微小的差異，腦電源信號(hào)的相關(guān)性為0.954。然而，若窗口長(zhǎng)度逐漸增大，則結(jié)果會(huì)逐漸失去細(xì)節(jié)特異性，腦電源信號(hào)波動(dòng)變得平緩，其中40、60 ms時(shí)間窗下的腦電源信號(hào)與20 ms時(shí)間窗下的腦電源信號(hào)相關(guān)性均小于0.750。雖然對(duì)所提出源定位方法的最小EEG時(shí)間窗口大小沒有限制，但是為了避免計(jì)算成本的急劇增加，將窗口大小設(shè)置為20 ms。

圖4 不同EEG滑動(dòng)時(shí)間窗長(zhǎng)下的前額葉皮層腦電源時(shí)間序列Fig.4 The EEG source time series of prefrontal cortex under different lengths of EEG sliding time window

對(duì)所有被試的后枕頂葉電極(Pz, PO3, POz, PO4, O1, Oz, O2)EEG疊加平均，得到3種情緒刺激的ERP波形，如圖5所示。研究發(fā)現(xiàn)，在刺激后200 ms開始出現(xiàn)顯著的LPP。對(duì)3種情緒刺激下的LPP進(jìn)行統(tǒng)計(jì)學(xué)檢驗(yàn)，方差分析的結(jié)果顯示有顯著性差異(F=486.6，P<0.001)。通過事后配對(duì)樣本t檢驗(yàn)發(fā)現(xiàn)，負(fù)性刺激相比中性刺激，其LPP振幅顯著提高(t=31.7，P<0.001)。在采用情緒重評(píng)策略后，其LPP振幅相比負(fù)性刺激振幅顯著降低(t=19.1，P<0.001)。基于此后枕頂葉ERP選取3個(gè)時(shí)間窗：刺激后60～172 ms(紅色)、428～580 ms(綠色)、1 164～1 276 ms(紫色)，分析大腦在執(zhí)行情緒重評(píng)任務(wù)時(shí)的腦電源動(dòng)態(tài)。采用基于20 ms EEG滑動(dòng)時(shí)間窗的融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)和fMNE方法，分析腦電源動(dòng)態(tài)，如圖6所示。較高的t值(紅色)顯示負(fù)性重評(píng)刺激后的偶極子被顯著激活，而較低的t值(藍(lán)色)表示負(fù)性刺激后的偶極子被顯著激活。表1是基于EEG滑動(dòng)時(shí)間窗的融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)在不同時(shí)窗下的腦電源激活統(tǒng)計(jì)。

表1 基于EEG滑動(dòng)時(shí)間窗的融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)腦電源激活統(tǒng)計(jì)Tab.1 EEG source activation statistics with fused priori weighted minimum norm estimation based on EEG sliding time window

圖5 3種情緒刺激的后枕頂葉ERPFig.5 ERP in the posterior occipital parietal lobe of three emotional stimuli

在情緒刺激初始的60～172 ms，后枕頂葉ERP出現(xiàn)了與大腦的空間注意和目標(biāo)識(shí)別加工有關(guān)的N1成分。在兩種方法的源定位結(jié)果中，負(fù)性刺激相比負(fù)性重評(píng)，均引起了強(qiáng)烈的右側(cè)中央?yún)^(qū)體感皮層、右側(cè)額上回與左側(cè)顳上回的激活；負(fù)性重評(píng)策略在兩種方法的結(jié)果中，均引起了頂葉下回的活動(dòng)。在刺激后200 ms，后枕頂葉開始出現(xiàn)LPP。作為注意力增加的指標(biāo)，LPP反映了對(duì)情緒刺激的關(guān)注程度。在刺激后428～580 ms，不同情緒刺激引起的LPP振幅均達(dá)到峰值。相比fMNE方法，在負(fù)性對(duì)比負(fù)性重評(píng)時(shí)，基于EEG滑動(dòng)時(shí)間窗的融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)引起了更廣泛的前額葉和中央頂葉活動(dòng)，其情緒重評(píng)主要激活腦區(qū)位于左外側(cè)枕葉和右側(cè)顳上回。在fMNE方法求解的結(jié)果中，情緒重評(píng)主要引起了左側(cè)中央前回的激活。如圖6所示，隨著時(shí)間的推進(jìn)，在刺激后的1 164～1 276 ms，LPP進(jìn)入慢波階段：在負(fù)性刺激對(duì)比負(fù)性重評(píng)條件下，(a)比(b)引起了更廣泛的左側(cè)前額葉和右側(cè)顳葉激活，而(b)顯示出更強(qiáng)的左側(cè)顳葉活動(dòng)；在負(fù)性重評(píng)對(duì)比負(fù)性條件下，(a)顯示出右側(cè)梭狀回、右側(cè)額中回下部及右側(cè)扣帶回峽部激活，(b)在此對(duì)比下主要激活了左側(cè)中央?yún)^(qū)。

圖6 腦電源動(dòng)態(tài)分析結(jié)果。(a)基于EEG滑動(dòng)時(shí)間窗的融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)；(b)fMNEFig.6 Dynamic analysis results of EEG source. (a) Fused priori weighted minimum norm estimation based on EEG sliding time window；(b) fMNE

3.3 腦電源樣本熵分析

為了觀察大腦皮層電信號(hào)的整體變化規(guī)律，根據(jù)Desikan-Killiany圖譜，提取基于EEG滑動(dòng)時(shí)間窗融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)方法求解的腦電源信號(hào)，得到68個(gè)腦區(qū)在接受情緒刺激后的1 500 ms時(shí)間序列，隨后對(duì)腦電源進(jìn)行樣本熵計(jì)算。如圖7所示，對(duì)不同情緒刺激下的樣本熵進(jìn)行配對(duì)樣本t檢驗(yàn)(P<0.05)，顯示結(jié)果如下：左外側(cè)枕葉在接受負(fù)性刺激時(shí)的樣本熵(0.688±0.124)，要顯著高于接受中性刺激時(shí)的樣本熵(0.590±0.126)；右側(cè)額中回下部在所有腦區(qū)中擁有最高的熵值，且其負(fù)性重評(píng)下的熵值(0.814±0.114)顯著高于負(fù)性刺激下的熵值(0.736±0.123)；在右側(cè)顳上回，負(fù)性重評(píng)下的熵值(0.546±0.090)顯著低于負(fù)性刺激下的熵值(0.642±0.152)。較高的樣本熵意味著信號(hào)的復(fù)雜度越高，腦區(qū)變化更活躍。結(jié)果表明，在情緒響應(yīng)過程中，左外側(cè)枕葉區(qū)域的腦電源活動(dòng)變化最強(qiáng)烈；在情緒重評(píng)過程中，右側(cè)額中回下部最活躍，而右側(cè)顳上回的活動(dòng)受到抑制。

圖7 3種情緒刺激下的腦電源樣本熵具有顯著性差異的腦區(qū)(*代表配對(duì)樣本t檢驗(yàn)具有顯著性差異，P <0.05)Fig.7 Brain regions with significant differences in the EEG source sample entropy under three emotional stimuli (* represents significant difference with paired sample t test, P<0.05)

4 討論

情緒塑造了人們的思維、感覺和行為，可能以各種方式受到調(diào)節(jié)，其中情緒重評(píng)被認(rèn)為是最有效的情緒調(diào)節(jié)策略。在大腦皮層級(jí)別重建腦電源活動(dòng)，追蹤與情緒重評(píng)相關(guān)的大腦皮層信號(hào)動(dòng)態(tài)，是情緒重評(píng)課題研究的重點(diǎn)。

根據(jù)情緒調(diào)節(jié)的感知-評(píng)估-行動(dòng)時(shí)間序列[1,24-25]，在情緒刺激的早期，感覺系統(tǒng)(如丘腦)以及主要和次要的感覺皮層對(duì)情緒刺激類型的感覺輸入進(jìn)行編碼，并將它們傳遞給神經(jīng)系統(tǒng)進(jìn)行估值。已有研究表明，N100和P200成分參與此階段，其中N100部分通常與感官信息的處理有關(guān)，如刺激的頻率和強(qiáng)度，這與負(fù)性刺激初期引起中央?yún)^(qū)體感皮層的激活結(jié)果相一致[26]。情緒感知后是評(píng)估階段，是由一組重疊且相互作用的大腦系統(tǒng)來控制的，這些系統(tǒng)計(jì)算感知輸入的壞或好，涉及皮層、皮層下和腦干系統(tǒng)，包括杏仁核、腦島、前額葉皮層和顳頂葉。一項(xiàng)關(guān)注重新評(píng)估成功的fMRI研究發(fā)現(xiàn)，當(dāng)負(fù)面情緒下調(diào)時(shí)，重新評(píng)估誘導(dǎo)的右側(cè)前額葉區(qū)域的激活與杏仁核腹側(cè)的激活呈負(fù)相關(guān)，且前額葉通過與情緒響應(yīng)相關(guān)的皮層下網(wǎng)絡(luò)之間的相互作用，實(shí)現(xiàn)成功的重新評(píng)估[27]。情緒重評(píng)會(huì)導(dǎo)致參與認(rèn)知控制和注意力部署的前額葉和頂葉區(qū)域活動(dòng)增加，與情緒響應(yīng)相關(guān)的區(qū)域活動(dòng)減少[28]。在本源定位研究中，由于構(gòu)建的是皮層模型，所以未能定位到皮層下的杏仁核，但是刺激后1 164～1 276 ms，在情緒重評(píng)任務(wù)下，基于EEG滑動(dòng)時(shí)間窗的融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)源定位結(jié)果出現(xiàn)了顯著的右側(cè)前額葉激活，這與文獻(xiàn)的激活區(qū)域一致。在兩種方法的定位結(jié)果中，大部分前額葉的激活仍然出現(xiàn)在負(fù)性刺激對(duì)比負(fù)性重評(píng)條件下，這是與fMRI分析結(jié)果的差異。研究表明，在處理感覺信息方面發(fā)揮重要作用的腦島，整合提供關(guān)于當(dāng)前身體狀態(tài)的感知信息，并根據(jù)情緒進(jìn)行語境評(píng)估，判斷是否需要回避當(dāng)前刺激[24]。在基于EEG滑動(dòng)時(shí)間窗的融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)結(jié)果中，腦島活躍在刺激后60～172 ms的情緒重評(píng)任務(wù)和1 164～1 276 ms的負(fù)性情緒對(duì)比負(fù)性重評(píng)中，且由分析結(jié)果可知，該方法在刺激后428～580 ms出現(xiàn)右側(cè)顳上回的激活。顳葉作為大腦記憶的重要區(qū)域，在情緒調(diào)節(jié)過程中，會(huì)將情緒刺激的期望和反饋相結(jié)合，并相應(yīng)地重新定位注意力，確定何時(shí)必須調(diào)整對(duì)目標(biāo)行為和意圖的期望，所以是與情緒重評(píng)相關(guān)的重要腦區(qū)[26]，這在fMNE源定位結(jié)果中沒有看到。感知-評(píng)估-行動(dòng)時(shí)間序列的最后一個(gè)階段是行動(dòng)階段，涉及初級(jí)運(yùn)動(dòng)和輔助運(yùn)動(dòng)區(qū)域、扣帶運(yùn)動(dòng)區(qū)域和島葉區(qū)域，在基于EEG滑動(dòng)時(shí)間窗的融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)結(jié)果中，扣帶回激活出現(xiàn)在刺激后1 164～1 276 ms的情緒重評(píng)任務(wù)中，而在fMNE源定位中未發(fā)現(xiàn)有扣帶回激活。通過兩種源定位的結(jié)果對(duì)比發(fā)現(xiàn)，根據(jù)情緒調(diào)節(jié)的感知-評(píng)估-行動(dòng)時(shí)間序列，本方法求解分析出的腦電源激活與現(xiàn)有情緒重評(píng)機(jī)制的結(jié)論更一致。

在追蹤與情緒重評(píng)任務(wù)相關(guān)的腦電源活動(dòng)時(shí)，經(jīng)常在識(shí)別皮層信號(hào)快速短暫變化及定位深層源的問題上面臨困難。傳統(tǒng)的fMNE源定位方法將fMRI統(tǒng)計(jì)得到的大腦激活，以源協(xié)方差矩陣的形式加入逆解中，可以在一定程度上提高源定位的精度。但是，由于fMNE加入的先驗(yàn)是一種“硬約束”，偶極子權(quán)重在整個(gè)源定位過程中保持不變，因此fMRI中不存在的活動(dòng)源將受到懲罰,并且在多模態(tài)框架下可能會(huì)放大不相關(guān)或錯(cuò)誤的源，這對(duì)探索認(rèn)知任務(wù)快速過渡時(shí)期的大腦動(dòng)態(tài)來說尤其成問題[14]。本研究提出，用動(dòng)態(tài)融合先驗(yàn)源定位方法，將每20 ms EEG時(shí)間窗內(nèi)的fMNE融合源協(xié)方差作為先驗(yàn)，參考真實(shí)的腦電源信息，并通過時(shí)變方式，克服“硬約束”的限制。由不同滑動(dòng)時(shí)間窗長(zhǎng)的實(shí)驗(yàn)結(jié)果可知，隨著時(shí)間窗長(zhǎng)度的增大，腦電源信號(hào)的細(xì)節(jié)減少、特異性降低，因此在考慮計(jì)算成本的前提下，選擇20 ms作為最終滑窗長(zhǎng)度。在腦電源時(shí)空動(dòng)態(tài)分析中，相比fMNE方法，基于EEG滑動(dòng)時(shí)間窗的融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)可定位出更多與情緒重評(píng)相關(guān)的皮層源，比如在LPP波峰階段與情緒注意力及目標(biāo)調(diào)整相關(guān)的顳葉，以及在慢波階段與情緒重評(píng)任務(wù)響應(yīng)相關(guān)的大腦深層扣帶運(yùn)動(dòng)區(qū)。

在進(jìn)行基于EEG滑動(dòng)時(shí)間窗的融合先驗(yàn)加權(quán)最小范數(shù)估計(jì)后，樣本熵作為度量系統(tǒng)復(fù)雜度的指標(biāo)，首次被用于情緒重評(píng)任務(wù)下的腦電源信號(hào)分析。在刺激后1 500 ms時(shí)間內(nèi)，左外側(cè)枕葉是情緒響應(yīng)的活躍腦區(qū)。由于負(fù)性情緒相對(duì)中性情緒會(huì)引起更多的枕葉視覺區(qū)響應(yīng)，所以在此區(qū)域具有更高的腦電源信號(hào)復(fù)雜度，與預(yù)期結(jié)果一致[3]。同時(shí)，在執(zhí)行情緒重評(píng)任務(wù)時(shí)，右側(cè)額中回下部最活躍，該區(qū)域作為認(rèn)知控制、工作記憶的中樞，已經(jīng)被先前的情緒重評(píng)fMRI研究強(qiáng)調(diào)[25]；而右側(cè)顳上回腦電源復(fù)雜度顯著降低，活動(dòng)受到抑制，這或許與有效的情緒重評(píng)有關(guān)[29]。

5 結(jié)論

本研究根據(jù)逆問題模型，在fMNE源定位的基礎(chǔ)上，提取時(shí)變的偶極子融合特征作為EEG源定位的約束，在關(guān)于情緒重評(píng)的EEG-fMRI融合源定位研究中具有一定的創(chuàng)新性。作為數(shù)據(jù)驅(qū)動(dòng)方法，基于同步采集的EEG-fMRI進(jìn)行源定位，充分利用了每個(gè)被試特異生理信號(hào)的時(shí)空間優(yōu)勢(shì)。不同于fMNE源定位中采用的“硬約束”，該方法中的偶極子權(quán)重參考了快速變化的腦電源，具有更精確的生理動(dòng)態(tài)信息。源定位分析結(jié)果表明，該方法可以有效地追蹤腦電源動(dòng)態(tài)。根據(jù)后枕頂葉ERP，識(shí)別出LPP開始出現(xiàn)在情緒刺激后200 ms，負(fù)性重評(píng)刺激的振幅顯著低于負(fù)性刺激的振幅，而高于中性刺激的振幅。在刺激初期，負(fù)性情緒引起了強(qiáng)烈的中央?yún)^(qū)體感皮層激活；隨著后枕頂葉LPP的出現(xiàn)，情緒重評(píng)的主要激活區(qū)由初期的左頂葉下部、右側(cè)額中回下部和左側(cè)腦島，轉(zhuǎn)移到右側(cè)顳上回和左外側(cè)枕葉；最后在LPP慢波階段，激活了右側(cè)梭狀回、右側(cè)額中回下部和右側(cè)扣帶回峽部。在隨后進(jìn)行的腦電源樣本熵分析中，提取出情緒響應(yīng)的重要腦區(qū)左外側(cè)枕葉及情緒重評(píng)的活躍腦區(qū)右側(cè)額中回下部，抑制了腦區(qū)右側(cè)顳上回?？傊?，本研究根據(jù)采集的同步EEG-fMRI，進(jìn)行了基于偶極子特征優(yōu)化的融合源定位探索，為情緒重評(píng)課題提供了相關(guān)皮層腦區(qū)的參考。