基于联合独立成分分析(jICA)的EEG与fMRI耦合与解耦

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。

导读

fMRI和EEG的有意义整合需要了解这些测量是否反映了相同神经源的活动，即估计神经成像模式之间的耦合与解耦程度。本文提出了一种基于联合独立成分分析(jICA)生成的混合矩阵来量化fMRI和EEG信号耦合与解耦的方法，这种方法被称为fMRI/EEG-jICA。与fMRI多元回归分析相比，fMRI/EEG-jICA揭示了不同时空的脑网络，具有更高的灵敏度，说明该方法可以利用EEG信号为fMRI信号的检测和功能表征提供信息，有助于在宏观水平上研究神经血管耦合，如神经血管疾病。

前言

fMRI和EEG是互补的神经成像方法，因为fMRI通过高空间分辨率和低时间分辨率的血流动力学反应间接测量大规模神经活动，而EEG直接在高时间和低空间分辨率下测量大规模的神经活动。然而，与单模态神经成像相比，多模态功能磁共振成像和脑电图神经成像是否能提供更全面的脑功能评估，取决于对影响这些测量的耦合和解耦因素的理解。也就是说，fMRI和EEG的有意义的整合需要了解它们在什么情况下能反映和不能反映同一神经源的活动。

短暂神经活动与脑血流变化之间的关系被称为神经血管耦合，已从单个神经元的微观水平到神经元集合的宏观水平进行了研究。在单个单元和多单元记录的水平上，血流动力学反应与不同频带的突触后局部场电位的功率有较强的正相关性，而与尖峰活动的相关性较弱。在用fMRI和头皮EEG测量的神经网络的宏观尺度上，在感觉及其关联区域，血氧水平依赖(BOLD)和事件相关电位(ERP)反应之间，以及BOLD反应和特定频段的振荡功率之间都存在正相关。然而，由于这些模式在空间和时间敏感性上的差异，fMRI和EEG测量之间也可能存在一定程度的解耦。FMRI对整个大脑具有良好甚至均匀的敏感性，而EEG对径向产生的神经活动比切向定向电偶极子更敏感，对皮层和皮层下深层神经活动更敏感。此外，BOLD和EEG信号的振幅随神经活动的时空稀疏性不同而不同。特别是，由于BOLD信号的时间延迟性可能使其对EEG捕捉到的短暂神经活动不太敏感。

本研究的目的是评估一种基于联合独立成分分析(jICA)产生的混合矩阵来量化EEG和fMRI信号之间关系的方法。为此，研究者考察了作为刺激频率函数的fMRI和EEG信号之间的耦合模式，包括fMRI反应可能与刺激频率和与EEG解耦的范围呈非线性相关。语音音节被选择作为刺激，因为它们自然地以相对较高的频率(2-4Hz)出现，而听觉皮层中的BOLD反应已被发现与刺激频率呈非线性变化。JICA是一种适用于多模态神经成像数据的盲源分离方法。JICA检测了两个与音节感知相关的脑网络，它们在音节频率的作用下具有不同的fMRI和EEG耦合模式。使用受试者工作特征(ROC)分析来测量由fMRI和EEG的jICA得到的fMRI激活图谱与由典型的fMRI多元回归分析得到的图谱之间的空间重叠，以评估每种方法捕获潜在大脑活动的程度。

方法

参与者：13名(9名男性，4名女性)健康右利手，母语为英语者参与了这项研究，年龄为20至33岁。所有参与者都按照威斯康辛医学院和马凯特大学机构审查委员会的政策提供了知情同意，且付一定报酬。

实验设计：在参与者执行音节检测任务期间，fMRI和EEG在单个成像会话中同时被记录。该任务包括在8个音节序列中，以0.25 Hz、0.5 Hz、0.75 Hz、1 Hz、1.5 Hz、2 Hz、2.5 Hz和3 Hz的频率呈现，检测到不频繁的(呈现频率为5%)目标音节(/ta/)时按下按钮。这些音节来自于一个男性说话者在44.1 kHz采样时产生的/bi/、/ba/、/gi/、/ga/、/da/和/do/的自然话语。这些音节用Praat (www.praat.org)进行编辑，有150毫秒的持续时间和5毫秒的升降包络。刺激通过无声扫描气动耳机(Avotec Inc, Stuart, FL)传送，音量约为65 dB，可根据个人听力和耳机位置的喜好进行调整。用EPrime3.0软件呈现刺激。

MRI与EEG采集：MRI和fMRI使用GE 3T扫描仪进行扫描。使用3D扰相梯度回波序列(0.9mm×0.9mm×1 mm体素)收集两组高分辨率全脑解剖图像。功能磁共振图像包括T2加权、梯度回波、回波平面成像，并在每次试验结束时修改成簇的体素序列，获得两个全脑体素(TE=20ms；flip angle=90o；TR=1.8s；slices=29，voxel dimensions=1.875mm×1.875mm×4mm)。每9s的试次包括最初5.4 s的时间内，呈现刺激序列，但不采集图像，然后在3.6 s的时间内获得两个完整的脑体素。该方法最大限度地减少了扫描仪噪声对语音音节的感知掩蔽，并避免了音节呈现过程中MR梯度切换引起的伪影对EEG的影响。对所有条件下的音节序列进行定位，使最后一个音节在第一个函数图像采集结束和第二个函数图像采集开始前4 s开始，两个函数图像与BOLD响应的估计峰值重合。将每个试次中收集的两个图像用于多元回归分析，以获得更大的统计功效。

EEG在全带宽下同时进行连续的记录，采样率为500 Hz，使用MRI兼容的MagLink系统，包括64导MagLink帽(62个单极和2个双极电极)，SynAmps放大器和Scan 4.4工作站(Compumedics Neuroscan, Inc.，TX)。按照扩展的国际10-20系统进行定位，以CPz为在线参考。用双极通道记录ECG活动和垂直眼动。所有电极阻抗保小于10kΩ(图1)。

图1

MRI与EEG预处理：用AFNI的MRI和fMRI进行预处理。在每个个体数据集上，对两幅剖面图进行空间共配准和平均，以提高解剖结构的信噪比。将函数图像序列与平均解剖图像进行空间配准。使用基于体素的多元线性回归分析图像时间序列。通过一般线性检验，获得每个音节呈现频率相对于沉默条件下的激活图，以及音节频率调节激活的大脑区域图。通过线性重采样将个体统计图投影到标准立体定位空间，使用6 mm全宽的高斯核在半最大值处进行平滑，并对每个音节呈现频率(图2)和激活率随音节频率变化的函数进行平均(图3)。多元回归分析得到的组水平激活图在t=2.26时被阈值化，并去除小于126μL(9体素)的簇，以获得校正p＜0.05。

图2.多元回归的fMRI激活图，从0.25(1级)到3(8级)Hz的频率呈现音节序列。

图3.激活的fMRI多元回归组图随音节呈现频率的变化而变化。

采用BrainVision Analyzer v2.1对EEG信号进行预处理。预处理包括扫描仪伪影校正、弹道心电伪影校正、基于独立成分分析(ICA)去除眼动、头部运动和心电伪影，以及使用8阶零相移巴特沃斯滤波器进行0.1Hz到15Hz的带通滤波。水平方向的ERPs呈线性去趋势，并且对刺激开始前200ms至50ms期间的平均电压值进行基线校正。对每个音节呈现率和沉默条件进行ERP总平均，并从每个音节呈现率总平均中减去沉默条件的总平均，以减少与音节加工无关的活动。

ERP可视化和分析如图4所示，对level的反应进行配对平均如下：低音节呈现率(0.25Hz，0.5Hz)、中低音节呈现率(0.75Hz，1Hz)、中高音节呈现率(1.5Hz，2Hz)和高音节呈现率(2.5Hz，3Hz)。采用3因素重复测量方差分析(ANOVA)，将序列中第一个和最后一个音节的ERP峰值振幅作为音节呈现率的函数进行分析，将音节在序列中的位置(第一个，最后一个)、音节呈现率(低，中低，中高，高)、ERP成分(N1，P2，P3a)作为重复测量因子。

图4.ERP可视化图。

FMRI与EEG的jICA：在每个音节呈现率下，fMRI组t-maps和ERP总平均多通道反应提交给jICA，用于在受试者水平上的分析。将fMRI组映射重构为一个N×M矩阵，其中N为层次数，M为单个层次获得的向量化图像体积中的体素数。ERP总平均被重构为一个N×P矩阵，其中P对应于单个水平获得的矢量化时间序列中时间点的数量乘以电极的数量。然后将fMRI和ERP矩阵连接成一个联合的N×(M+P)矩阵作为jICA的输入，该矩阵由8个特征组成，每个特征包含一个音节呈现率下的fMRI和ERP反应。jICA返回包含fMRI和ERP信号的成分，这些信号在不同的音节呈现率上是相同的。在这个概念中，fMRI子成分由无单位的t分数maps组成，ERP子成分由多通道微伏单位的时间序列组成。

空间重叠分析与受试者操作特征(ROC)：为了评估fMRI和EEG的jICA捕获潜在大脑活动的程度，将该方法与典型的fMRI多元回归分析进行比较。将由fMRI和EEG的jICA得到的各显著成分的fMRI激活图与由fMRI多元回归分析得到的fMRI激活图的空间重叠用交集除以并集进行计算。相对于fMRI多元回归分析，采用受试者工作特征(ROC)评估jICA初级和次级fMRI成分的敏感性和特异性。

结果

FMRI多元回归分析：在8个音节呈现率下，fMRI激活的多元回归图如图2所示。在所有呈现率下，大部分的激活都出现在Heschl回和颞上皮层外侧，双侧，包括初级和次级听觉皮层，并延伸到周围的关联区。随音节呈现率(图3)变化的最大和最强的fMRI激活区域在左侧颞上回(STG)的中部，位于Heschl回的后部和腹侧，以及相邻的左侧腹侧中央后回和岛叶，即与听觉处理语音音节相关的区域。左侧额下回、背侧纹状体和角回以及右半球的相应区域出现了较小的激活簇。fMRI多元回归分析显示，fMRI激活与音节呈现率之间无负相关。

ERP方差分析：图4显示了音节在低、中低、中高和高呈现率下的总平均ERP。ERP对第一个音节的反应序列(图4A)由负偏转和正偏转组成，分别在音节开始后142ms和242ms达到峰值，随后在音节开始后的388ms出现顶叶正偏转峰(对于低呈现率的Cz电极点)。序列中第一个音节诱发的ERP在所有音节呈现率下具有相似的振幅。相比之下，序列中最后一个音节诱发的ERP(图4B)在相对较高的三个音节呈现率下有所下降。以音节呈现率(低、中低、中高、高)、音节顺序位置(第一个、最后一个)和ERP成分(N1、P2、P3a)作为重复测量因子，对ERP峰值进行3因素重复测量方差分析发现，ERP成分的主效应显著，音节呈现率与ERP成分之间存在交互作用，音节顺序位置与ERP成分之间存在交互作用，三个因素之间的交互作用显著。事后检验显示，相比于低呈现率，高呈现率下的最后一个音节的N1、P2和P3a峰值振幅有所降低。

FMRI与EEG的jICA：初级fMRI子成分(图5A)包括双侧颞上回(STG)的两个大簇激活。在fMRI多元回归分析中，初级fMRI子成分的STG激活与fMRI多元回归分析中的STG激活有很大的重叠，但簇团更广泛。次级fMRI子成分(图5B)由分布在双侧背侧区域的多个激活簇组成，最大的两个簇位于左侧中央后皮层和顶下皮层。在每个试次中呈现刺激的4秒内，初级(图5C)和次级(图5D) EEG子成分由多通道电压(黑色)，以及GFP(红色)显示。次级脑电图子成分在4s时间窗内有4段超过阈值的活动，分别为3826–4092ms，470–482ms，510–540 ms，2102–2124ms时间段。

图5.由jICA得到的初级(A)和次级(B) fMRI子成分，初级(C)和次级(D) EEG子成分。

图6描述了初级和次级fMRI和EEG子成分的加权混合系数，表示每个子成分在每个音节呈现率下活动的程度。初级fMRI和EEG子成分的加权混合系数通常随着音节呈现率的增加而增加，而次级fMRI和EEG子成分的系数则随音节呈现率的增加而下降，且呈不规则分布。

图6

多元回归分析和jICA得到的fMRI图的空间重叠：在整个大脑中，fMRI多重回归图和初级fMRI子成分之间有68%的重叠。与多重回归fMRI图像相比，这些图像之间不重叠的区域主要包括初级jICA子成分中具有更广泛的颞上皮层激活。相比之下，fMRI多重回归图和次级fMRI子成分之间只有37%的重叠。这些图之间的非重叠区域主要由次级子成分中几个外侧区域的阈上激活组成，而不是在多重回归fMRI图中。jICA和fMRI回归分析所得的fMRI子成分激活图空间重叠的ROC敏感性和特异性分析显示，初级成分(0.5)的曲线下面积大于次级成分(0.38)(图7)，证实了fMRI回归图与jICA初级成分之间的空间重叠大于次级成分。

图7

结论

本研究开发的用于量化fMRI和EEG耦合与解耦的jICA方法揭示了具有明显时空特征的脑网络：初级听觉处理成分随音节率的增加呈非线性增加，次级注意定向成分随音节率呈非线性减少。与fMRI多元回归分析相比，fMRI/EEG-jICA检测次级fMRI子成分相关的活动具有更高的灵敏度，这与EEG信号被用来检测较弱的共变fMRI信号的想法一致。此外，由EEG测量提供的时间过程表征对于解释与每个成分相关的神经网络的假定功能是至关重要的。因此，本文提出的jICA方法可用于研究神经成像耦合，并可用于描述健康人EEG和fMRI信号在实验条件和脑区之间关系的变化。该方法还可以用于阿尔茨海默病、高血压等影响神经血管完整性的疾病的研究。

原文：EEG and fMRI coupling and decoupling based on joint independent component analysis (jICA).

https://doi.org/10.1016/j.jneumeth.2022.109477

文章来源于微信公众号（茗创科技），欢迎有兴趣的朋友搜索关注。

基于联合独立成分分析(jICA)的EEG与fMRI耦合与解耦相关推荐

Hum Brain Mapp | 联合连接矩阵独立成分分析：结构和功能连接的自动链接
导读对人类大脑连接的研究,包括结构连接(SC)和功能连接(FC),这些方面的研究有助于深入了解大脑功能的神经生理机制及其与人类行为和认知的关系.这两种类型的连接测量都提供了重要且互补的信息.然而,将 ...
ICA独立成分分析去除脑电伪影
今天分享的这篇利用独立成分分析ICA去除EEG伪影是翻译自jung大神的一篇文章. 目录 1 介绍 2 方法 3 实验数据样本 1 介绍眼动,眨眼,肌肉,心脏和线的噪音会严重污染脑电图活动,这在脑电 ...
独立成分分析ICA/FastICA
最近在学习CSP,然后又注意到了ICA,这个算法之前就用过,但是没有系统的整理一下,所以就在这里梳理一下相关内容,方便以后查阅. 独立成分分析ICA/FastICA 1 盲源分离(BlindSourc ...
【详细版】独立成分分析：算法和应用（一）
独立成分分析:算法和应用翻译原文+自己的理解原文:Independent component analysis: algorithms and applications 作者:A. Hyvarin ...
独立成分分析ICA系列1：意义
1.前言独立成分分析思想和方法最早源于上世纪八十年代几个法国学者的研究工作,尽管当时他们并没有命名其为ICP;在1986年举行的神经网络计算会议上,法国学者Heraull和Jutten提出了一个基于 ...
《大话脑成像》之：独立成分分析
少年,我看你骨骼精奇,是万中无一的武学奇才,维护世界和平就靠你了,我这有本武林秘籍<九阴真经之万军丛中听声辩位分筋错骨取敌将首级之盲源分离大法>,简称,<独立成分分析>,见与你 ...
独立成分分析 ( ICA )
PCA是一个降维的过程,ICA则是帮助你从多个维度分离有用数据的过程. 独立成分分析思想和方法最早源于上世纪八十年代几个法国学者的研究工作,尽管当时他们并没有命名其为ICP;在1986年举行的神经网络 ...
机器学习教程之独立成分分析：PCA的高阶版
有好些天没写博客了,最近一直忙着在看论文,解模型,着实有点头痛.今天趁着又到周末了更一帖(其实是模型解不下去了-),这次来说一下一个在信号分析与数据挖掘领域颇为使实用的算法,独立成分分析(ICA),这 ...
ICA简介：独立成分分析
1. 简介您是否曾经遇到过这样一种情况:您试图分析一个复杂且高度相关的数据集,却对信息量感到不知所措?这就是独立成分分析 (ICA) 的用武之地.ICA 是数据分析领域的一项强大技术,可让您分离和识 ...

基于联合独立成分分析(jICA)的EEG与fMRI耦合与解耦

导读

前言

方法

结果

结论

基于联合独立成分分析(jICA)的EEG与fMRI耦合与解耦相关推荐

最新文章

热门文章