朱千韻 張治國(guó) 梁 臻 張 力 李琳玲 張紹榮 黃 淦**

（1）深圳大學(xué)醫(yī)學(xué)部生物醫(yī)學(xué)工程學(xué)院，深圳 518037；2）廣東省生物醫(yī)學(xué)信息檢測(cè)與超聲成像重點(diǎn)實(shí)驗(yàn)室，深圳 518037；3）哈爾濱工業(yè)大學(xué)（深圳）計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院，深圳 518055）

腦電圖（electroencephalogram，EEG）和腦磁圖（magnetoencephalography，MEG）是大腦生理信號(hào)的非侵入式腦功能性神經(jīng)影像技術(shù)，在腦科學(xué)研究中具有重要科學(xué)意義和臨床價(jià)值。腦源定位技術(shù)通過(guò)EEG/MEG信號(hào)分析大腦內(nèi)部不同神經(jīng)元活動(dòng)的詳細(xì)時(shí)空功能成像，是神經(jīng)科學(xué)和心理學(xué)研究的有力工具，近年來(lái)逐步成為醫(yī)學(xué)神經(jīng)影像臨床診斷和治療的新途徑［1］。腦源定位也被稱(chēng)作源定位或是腦電溯源，相比功能核磁共振成像，EEG/MEG 腦源定位的優(yōu)勢(shì)在于它是神經(jīng)電活動(dòng)的直接反映，且具有毫秒級(jí)極高的時(shí)間分辨率。腦源定位中的正問(wèn)題［2］是通過(guò)等效電流偶極子模擬大腦神經(jīng)元的電活動(dòng)，建立頭部容積傳導(dǎo)模型，進(jìn)一步求出不同神經(jīng)元電活動(dòng)傳導(dǎo)到頭皮表面各電極的EEG/MEG 信號(hào)。而腦源定位技術(shù)中的逆問(wèn)題，則是通過(guò)頭皮表面記錄的EEG/MEG信號(hào)，反向推算出顱內(nèi)神經(jīng)元活動(dòng)的位置、方向和強(qiáng)度信息。

近年來(lái)，隨著EEG/MEG信號(hào)分析技術(shù)所取得的進(jìn)展，腦源定位技術(shù)也越來(lái)越多地被應(yīng)用于基礎(chǔ)科學(xué)研究和臨床的診斷治療。在基礎(chǔ)科研中，通過(guò)源定位技術(shù)可以分析大腦在源空間的連通性，因此能夠較好地研究各種認(rèn)知任務(wù)和靜息狀態(tài)期間大腦區(qū)域之間的相互作用［3］。在臨床應(yīng)用上，腦源定位技術(shù)已成為輔助醫(yī)生進(jìn)行癲癇和其他腦部疾病診斷治療的有效手段。大腦源層面的連通性分析能夠診斷癲癇和分析發(fā)作間期活動(dòng)是如何影響大腦網(wǎng)絡(luò)的，這可作為定位癲癇發(fā)作起始區(qū)和刺激區(qū)的工具［4］，以及近年來(lái)也常作為患者腦網(wǎng)絡(luò)功能的評(píng)估手段［5］。同時(shí)，由于腦源定位能夠分析大腦活動(dòng)的神經(jīng)機(jī)制，因此常用于認(rèn)知功能障礙的疾病診斷和治療，例如注意缺陷與多動(dòng)障礙（attention deficit and hyperactivity disorder，ADHD）［6］。

然而，實(shí)踐操作和理論分析的不確定性使腦源定位技術(shù)準(zhǔn)確性受到極大挑戰(zhàn)。腦源定位過(guò)程主要由五個(gè)步驟組成（圖1）。a.采集數(shù)據(jù)，包括個(gè)體電極定位、基準(zhǔn)點(diǎn)采集以及個(gè)體解剖像的獲取；b.構(gòu)建頭部容積傳導(dǎo)模型［7］；c.創(chuàng)建源空間及電極坐標(biāo)配準(zhǔn)；d.選擇源成像方法計(jì)算皮層活動(dòng)；e.統(tǒng)計(jì)報(bào)告源分析結(jié)果并可視化呈現(xiàn)。在實(shí)踐操作中，不同的記錄方式、頭部建模誤差、源建模誤差、干擾噪聲和測(cè)量電極數(shù)量等［8］因素對(duì)腦源定位的準(zhǔn)確性都造成極大影響。在理論分析中，由于逆問(wèn)題本質(zhì)上是不適定的，即不同的EEG/MEG信號(hào)對(duì)應(yīng)的神經(jīng)元放電活動(dòng)并不唯一，需要通過(guò)最小范數(shù)法（minimum norm estimates，MNE）和低分辨率電磁層析成像（low resolution electrical tomography，LORETA）等正則化技術(shù)去解決［9］。但不同逆問(wèn)題算法的特性都會(huì)使源定位的結(jié)果產(chǎn)生差異。

Fig.1 Brain source localization technology for accuracy evaluation and application圖1 腦源定位過(guò)程及精度評(píng)估方法和實(shí)際應(yīng)用

據(jù)此，本文主要針對(duì)腦源定位的精度評(píng)估問(wèn)題以及其在臨床和科研中的應(yīng)用進(jìn)行分析。首先，本文回顧了近年來(lái)腦源定位的基本原理與主要發(fā)展過(guò)程。其次，從理論分析層面歸納了基于空間分辨率的精度指標(biāo)，以及基于串?dāng)_和點(diǎn)擴(kuò)散函數(shù)的評(píng)估方法，分析了不同的源定位方法中源的重疊程度和其他源對(duì)目標(biāo)源的影響，以及從實(shí)踐層面總結(jié)了記錄方式、電極數(shù)量和密度、頭部容積傳導(dǎo)模型等因素對(duì)腦源定位精度的影響。此外，梳理了腦源定位技術(shù)在時(shí)頻分析，連通性分析研究中的應(yīng)用，以及其在癲癇、注意缺陷與多動(dòng)障礙和其他腦部異常或疾病方面的臨床應(yīng)用。最后，在介紹了經(jīng)典的最小范數(shù)法的算法基礎(chǔ)上，梳理了非線性優(yōu)化、波束成形、深度學(xué)習(xí)等技術(shù)在腦源定位中的發(fā)展現(xiàn)狀和趨勢(shì)。

1 腦源定位方法

1.1 基本原理和過(guò)程

腦源定位技術(shù)主要分正問(wèn)題和逆問(wèn)題兩部分。正問(wèn)題旨在模擬由大腦活動(dòng)神經(jīng)源產(chǎn)生的頭部表面的電勢(shì)，而逆問(wèn)題旨在重建大腦中電流源的分布。通過(guò)頭模型計(jì)算出的導(dǎo)聯(lián)場(chǎng)矩陣作為正問(wèn)題的解，輸入到逆問(wèn)題算法中計(jì)算出最終的逆解，以此來(lái)獲取源的位置、強(qiáng)度和方向等信息，完成定位過(guò)程。

a.正問(wèn)題。由于逆解的準(zhǔn)確性很大程度上依賴于正問(wèn)題的解，為了高精度求解腦電正演問(wèn)題，容積傳導(dǎo)模型應(yīng)盡可能反映頭部幾何形狀。目前該領(lǐng)域已提出了各種基于解析和頭部數(shù)值的頭模型方案，如三殼同心球［10］、橢球體［11］、偏心球體［12］或是雙中心球體［13］來(lái)建立導(dǎo)聯(lián)場(chǎng)矩陣以得到正問(wèn)題的解。隨著測(cè)量技術(shù)的進(jìn)步，研究人員發(fā)現(xiàn)頭部實(shí)際的幾何形狀以及個(gè)體顱骨的不同厚度和曲率對(duì)腦源定位產(chǎn)生了明顯的影響，因此提出了邊界元法（boundary element method，BEM）［10］、有限單位元法（finite element method，F(xiàn)EM）［14］和有限差分法（finite difference method，F(xiàn)DM）［15］這些常用的數(shù)值計(jì)算方法，結(jié)合幾何形狀更真實(shí)的頭模型，以此更加精確地解決腦電正問(wèn)題。BEM 通常與簡(jiǎn)化的三層頭部模型結(jié)合使用，而FEM和FDM提供了對(duì)更復(fù)雜的幾何形狀和各向異性電導(dǎo)率進(jìn)行建模的可能性。

b.逆問(wèn)題。解決逆問(wèn)題的主要方法分為非參數(shù)法和參數(shù)法。非參數(shù)方法采用分布式源模型，假設(shè)電流活動(dòng)存在于整個(gè)腦活動(dòng)范圍，將整個(gè)連續(xù)的大腦皮層區(qū)域轉(zhuǎn)化為一簇離散的子區(qū)域，每個(gè)區(qū)域是一個(gè)小三角形，叫做源。這種模型的源成像將問(wèn)題轉(zhuǎn)化為線性問(wèn)題的求解，估計(jì)每個(gè)源的幅值，幅值越高的源越深。參數(shù)法也稱(chēng)為等效電流偶極子模型或時(shí)空偶極子擬合模型，將腦內(nèi)局部的神經(jīng)電活動(dòng)等效為一個(gè)電流偶極子。由于偶極子的參數(shù)是未知的，記錄得到的EEG 信號(hào)與源參數(shù)之間呈非線性關(guān)系，因此參數(shù)的調(diào)整過(guò)程有一定的困難。

1.2 最小范數(shù)方法

逆問(wèn)題的不適定問(wèn)題造成了解的不唯一，通過(guò)引入Tikhonov 正則化方法是解決這一問(wèn)題最經(jīng)典的手段［16］，其中包括最小L1 范數(shù)和最小L2 范數(shù)法。最小L1 范數(shù)法包括最小電流估計(jì)（minimum current estimate，MCE）［17］、焦點(diǎn)欠定系統(tǒng)解決方案 （focal underdetermined system solution，F(xiàn)OCUSS）［18］、基 于 矢 量 的 時(shí) 空 最 小L1 范 數(shù) 解（vector-based spatial-temporal analysis using a L1-minimum-norm，VSETAL）［19］等?；谧钚2 范數(shù)的正則化方法主要包括最小范數(shù)估計(jì)（minimum norm estimates，MNE）［20］、低分辨率電磁層析成像（low resolution electrical tomography，LORETA）［21］、標(biāo)準(zhǔn)化的低分辨率腦電斷層掃描（standardized low resolution brain electromagnetic tomography，sLORETA）［22］、精確的低分辨率腦電斷 層 掃 描 （exact low resolution brain electromagnetic tomography，eLORETA）［23］等。

最小范數(shù)估計(jì)技術(shù)是解決逆問(wèn)題的常用方法，其中MNE 適合于分布源模型，但存在深層皮質(zhì)源定位不當(dāng)?shù)娜秉c(diǎn)。加權(quán)最小范數(shù)估計(jì)（weighted-MNE，WMNE）［24］補(bǔ)償了MNE偏向弱源和表層源的趨勢(shì)，通過(guò)對(duì)偶極子引入一組加權(quán)矩陣來(lái)校正這種趨勢(shì)。進(jìn)一步地，混合加權(quán)范數(shù)HWMN（hybrid WMNE）［25］克服了MNE 擴(kuò)散模糊的源分布圖像的缺點(diǎn)，增加了源定位精確度。此外，與MNE 相比，LORETA 雖然更適合處理深度源，但空間分辨率低，點(diǎn)源的局部圖像模糊，圖像分散。sLORETA 考慮實(shí)際信號(hào)中的生物學(xué)誤差，假設(shè)生物學(xué)誤差獨(dú)立均勻地分布在整個(gè)大腦中，因此具有更好的精確定位和零錯(cuò)誤定位。eLORETA 更加重視深層源，通過(guò)深度加權(quán)減少定位誤差，在存在測(cè)量和結(jié)構(gòu)化生物噪聲的情況下提供零錯(cuò)誤的精確定位。除此以外，研究者們還發(fā)展了基于此類(lèi)最小范數(shù)技術(shù)的擴(kuò)展算法，本文對(duì)這類(lèi)逆問(wèn)題算法的發(fā)展和優(yōu)缺點(diǎn)進(jìn)行了概括（表1）。

Table 1 Summary for technique based on minimum norm and extension algorithm表1 基于最小范數(shù)技術(shù)及擴(kuò)展算法總結(jié)

1.3 工具軟件的使用

在腦源定位的過(guò)程中，逆問(wèn)題沒(méi)有唯一的解，本章第1.2節(jié)已提出了幾種經(jīng)典的基于最小范數(shù)法的逆問(wèn)題方法。目前已經(jīng)有幾個(gè)用于EEG 源成像的商業(yè)或?qū)W術(shù)軟件包已經(jīng)實(shí)施了類(lèi)似或者替代的策略， 例 如 Brainstorm、 EEGLAB、 Fieldtrip、RECOR、MNE-Python和BrainVoyager等（表2）。

Table 2 Commonly used brain source localization kits or software表2 常用的腦源定位工具包或軟件

2 定位精度的影響因素

腦源定位的精度是腦科學(xué)研究中的關(guān)鍵指標(biāo)，定位精度受到多種因素的影響，主要包括記錄方式、電極數(shù)量和密度以及頭模型的構(gòu)建。

2.1 記錄方式對(duì)定位精度的影響

由于頭部組織不同的電導(dǎo)率對(duì)EEG 導(dǎo)聯(lián)場(chǎng)的影響，使用EEG和MEG兩種不同的記錄方式會(huì)導(dǎo)致定位精度的差異。Malmivuo等［29］使用半靈敏度體積作為源模型，假設(shè)整個(gè)大腦中的神經(jīng)元在時(shí)間和方向上具有相同的激活概率，證明MEG 和EEG在半靈敏度體積的大小和靈敏度分布形式上的差異非常小，這代表著他們以非常相似的方式記錄大腦的電活動(dòng)。但在經(jīng)驗(yàn)上往往認(rèn)為MEG 的定位精度優(yōu)于EEG，這是因?yàn)镋EG的電極密度遠(yuǎn)低于MEG的電極密度。在2004 年，Malmivuo 等［30］進(jìn)一步證明了在使用顱骨電導(dǎo)率的皮質(zhì)源的球形模型中，當(dāng)顱骨/大腦和頭皮的電導(dǎo)率比為5/1、10/1、15/1時(shí)，EEG 的半靈敏度體積小于MEG 的半靈敏度體積，也就是說(shuō)EEG 的空間分辨率優(yōu)于MEG。Liu等［31］研究表明，對(duì)于相同數(shù)量的電極，在源位置和方向上平均而言，EEG 定位比MEG 定位更準(zhǔn)確。Antonakakis 等［32］在2019 年的研究結(jié)果發(fā)現(xiàn)，使用不同模態(tài)對(duì)P20/N20分量的源重建有不可忽略的影響，雖然MEG 定位穩(wěn)定，受頭部建模及刺激方式的影響較小，但EEG 有助于確定源的方向和強(qiáng)度，因此可以在精細(xì)的個(gè)性化頭模型的基礎(chǔ)上利用EEG和MEG組合兩種模式的互補(bǔ)信息。

2.2 電極數(shù)量對(duì)定位精度的影響

由于電極數(shù)量過(guò)少會(huì)導(dǎo)致對(duì)頭皮電位采樣不足，因此根據(jù)國(guó)際10-20系統(tǒng)，使用少電極記錄腦電圖的電極間距離最小為7 cm?，F(xiàn)如今，高密度腦電圖采樣可支持?jǐn)?shù)量多達(dá)256個(gè)的電極。對(duì)于高密度EEG，10-20 系統(tǒng)的空間分辨率主要受電極數(shù)量的限制，電極數(shù)量的增加可以提高EEG 的空間分辨率。具體來(lái)說(shuō)，Sohrabpour 等［33］在2015 年對(duì)兒科癲癇患者腦電圖通道數(shù)與腦源定位關(guān)系的研究中，證明了隨著電極數(shù)量的增加，腦源定位的精確度越高。以用于識(shí)別癲癇發(fā)作區(qū)的ECoG記錄作為金標(biāo)準(zhǔn)，當(dāng)EEG的電極數(shù)從32依次變?yōu)?4、96和128時(shí)，平均定位誤差分別提高了4、1.3和1 mm。此外，Ryynanen 等［34］研究了在不同噪聲水平下EEG 電極數(shù)量對(duì)空間分辨率的影響，發(fā)現(xiàn)對(duì)于高密度EEG，10-20 系統(tǒng)的空間分辨率主要受電極數(shù)量的限制，而噪聲量對(duì)其的影響較低。但隨著電極數(shù)量的增加，噪聲對(duì)空間分辨率的影響也增加。根據(jù)文獻(xiàn)中描述的規(guī)則，當(dāng)顱骨/大腦和頭皮的相對(duì)電導(dǎo)率為15/1時(shí)，如果相對(duì)噪聲水平小于24%時(shí)，可使用64 個(gè)電極，當(dāng)相對(duì)噪聲水平小于9.2%，則可以使用128個(gè)電極獲得更好的空間分辨率。

總之，在記錄方式上，當(dāng)電極數(shù)量相同時(shí)，EEG 的定位精度比MEG 更高。而未來(lái)將EEG 與MEG 或是其他模態(tài)相結(jié)合進(jìn)行腦源定位分析有巨大潛力。對(duì)于電極數(shù)量來(lái)說(shuō)，雖然數(shù)量越多越精確，但定位效果的改善隨之減弱，因此根據(jù)需求選擇合適的電極數(shù)量也能達(dá)到目標(biāo)精度。同時(shí)，也需要根據(jù)現(xiàn)實(shí)環(huán)境的影響來(lái)選擇電極數(shù)量的最佳方案。

2.3 頭模型對(duì)定位精度的影響

正問(wèn)題中的頭模型也稱(chēng)為容積傳導(dǎo)模型，在準(zhǔn)確的腦源定位中起著核心作用。頭模型的建立必須包含不同組織隔室的幾何形狀和電導(dǎo)率分布，由核磁共振成像（MRⅠ）掃描能夠獲得較為精確的幾何形狀。由于測(cè)量電導(dǎo)率的方法和被測(cè)樣本的條件不同［35］，顱骨致密物、顱骨海綿體、腦脊液、灰質(zhì)和各向同性、各向異性的白質(zhì)具有顯著的差異。因此在2016 年Huang 等［7］開(kāi)發(fā)了具有六層結(jié)構(gòu)的New York Head 容積傳導(dǎo)組織，在源成像和靶向經(jīng)顱電刺激上都具有較高的準(zhǔn)確性，相比普通BEM模型的10.8 mm定位誤差，使用個(gè)性化頭模型的定位精度高達(dá)6.9 mm。因此構(gòu)建逼近真實(shí)的頭部模型對(duì)于提高腦源定位的準(zhǔn)確性是必不可少的。

目前進(jìn)行溯源工作的相關(guān)研究中，大部分采用的頭模型是由計(jì)算機(jī)仿真獲得。為了減小計(jì)算機(jī)模擬建模的不確定性，有研究使用尸體大腦作為建模替代方法，測(cè)量了人體尸體頭部中的電流分布［36］，使用了36個(gè)定制的多點(diǎn)電極進(jìn)行高密度的3D腦內(nèi)測(cè)量，得出大約3/4的電流在頭皮和顱骨上減弱的結(jié)論。這是由于死亡使腦組織的生物物理特性發(fā)生了巨大的變化，從而直接限制了離體與活體間的比較。

在腦研究中，體模實(shí)驗(yàn)可以系統(tǒng)地研究數(shù)據(jù)采集系統(tǒng)、重建算法和成像軟件的性能，并隨后為進(jìn)一步的優(yōu)化或?qū)嶒?yàn)提供合理的信息。因此近年來(lái)有許多研究通過(guò)醫(yī)學(xué)成像和3D重建，使用3D打印技術(shù)創(chuàng)建更貼近真實(shí)人體的頭部模型。在2020 年，有研究者成功使用3D 打印技術(shù)制作大鼠的頭模型用于EEG 源定位［37］，并且使用極細(xì)的同軸電纜實(shí)現(xiàn)的電偶極子來(lái)模擬大腦的神經(jīng)活動(dòng)。這表明使用物理手段進(jìn)行頭部模型的模擬進(jìn)行腦源定位分析具有可行性。

3 定位精度的評(píng)估方法

逆問(wèn)題算法的選擇對(duì)計(jì)算定位區(qū)域至關(guān)重要，但由于不同算法之間難以直接比較定位效果，因此概括了不同的情況下的評(píng)估方法。同時(shí)，EEG 和MEG 作為非侵入式測(cè)量方法來(lái)定位神經(jīng)元活動(dòng)的精度依然存在爭(zhēng)議，因此本章還介紹了臨床植入電極的測(cè)量作為評(píng)估方法。

3.1 定位精度的理論評(píng)估

3.1.1 LORETA系列算法的空間分辨率比較

LORETA是高時(shí)間分辨率神經(jīng)成像領(lǐng)域的一種創(chuàng)新方法，在該方法提出后的十幾年間，研究者陸續(xù)提出了sLORETA和eLORETA，使得定位精度不斷提升。LORETA系列采用空間分辨率來(lái)評(píng)估定位精度，使用Talairach 人腦圖譜進(jìn)行頭部模型的模擬。每個(gè)源在網(wǎng)格點(diǎn)體素上都有一個(gè)固定位置，并由具有未知分量的電流密度向量定義，每個(gè)點(diǎn)的電活動(dòng)強(qiáng)度和方向決定了在頭皮上測(cè)量的電磁場(chǎng)?？梢院?jiǎn)單理解為腦容量被劃分為3D 網(wǎng)格，網(wǎng)格由若干個(gè)體素構(gòu)成，空間分辨率為每單元網(wǎng)格間的距離。LORETA的頭部模型被劃分為了2 394個(gè)體素，具有7 mm空間分辨率。同樣條件下，sLORETA可產(chǎn)生5 mm 空間分辨率的6 430 個(gè)體素。eLORETA是重視更深層次源的方法，通過(guò)以更適當(dāng)?shù)姆绞竭x擇權(quán)重矩陣，通過(guò)實(shí)現(xiàn)深度加權(quán)，將定位誤差從12 mm減少到7 mm。

在三種逆問(wèn)題算法中，sLORETA 的空間分辨率最高。LORETA產(chǎn)生的圖像較模糊，空間分辨率相對(duì)較低，它能夠確定大腦中活動(dòng)最強(qiáng)烈的位置，但有一定的離散度。與在此之前的解決逆問(wèn)題的其他方法相比，它的平均定位誤差只有一個(gè)網(wǎng)格單元。在無(wú)噪聲的仿真中，只有sLORETA 具有精確的零誤差定位，有噪聲的仿真中sLORETA 的定位誤差最低，表明sLORETA是完美的一階定位技術(shù)。與sLORETA 對(duì)比，發(fā)現(xiàn)eLORETA 在具有清晰和更少模糊質(zhì)量的圖像源的定位方面表現(xiàn)更好，同時(shí)能夠更好地抑制不太重要的源［38］。

3.1.2 基于點(diǎn)擴(kuò)散和串?dāng)_函數(shù)的評(píng)估方法

除了LORETA系列算法外，還有MNE、dSPM等經(jīng)典算法也需要進(jìn)行精度評(píng)估。由于每種算法屬性不同，難以比較不同算法間的定位精度。因此，如何公平地評(píng)估和比較這些分布式逆解是一直以來(lái)關(guān)注的問(wèn)題。

線性方法的空間分辨率可以使用分辨率矩陣進(jìn)行評(píng)估，該矩陣分別包含點(diǎn)擴(kuò)散函數(shù)（Point Spread Function，PSF） 和串?dāng)_函數(shù)（Cross-talk Function，CTF）。通過(guò)計(jì)算每個(gè)位置的PSF可以測(cè)試出大腦多個(gè)區(qū)域活動(dòng)是否在正確位置周?chē)a(chǎn)生峰值并且可以互相區(qū)分，評(píng)估它們的重疊程度。CTF則描述了具有單位強(qiáng)度的所有其他可能源將如何影響感興趣源的源估計(jì)。本文歸納了多位研究者［39-40］在評(píng)估過(guò)程中描述PSF和CTF分布的不同方面的度量：a.峰值定位誤差/偶極子定位誤差（peak/dipole localization error，PLE/DLE），即估計(jì)的峰值與真實(shí)源位置之間的歐幾里得距離；b.空間離散度（spatial dispersion，SD），評(píng)估兩個(gè)分布源相互重疊的程度；c.分辨率指數(shù)（resolution Ⅰndices，RⅠ），反映特定位置的活動(dòng)對(duì)該位置的幅度估計(jì)的貢獻(xiàn)程度；d.總振幅（overall amplitude，OA），能夠反映出不同源之間的相對(duì)差異。這些分辨率指標(biāo)通過(guò)數(shù)學(xué)公式表述如表3所示。

Table 3 Summary for technique based on minimum norm and extension algorithm表3 評(píng)估指標(biāo)的公式和描述

Hauk 等［39］對(duì)比了五種基于最小范數(shù)方法的PSF和CTF的的分辨率度量值——定位誤差和空間離散度的分布，并且繪制了相應(yīng)的直方圖進(jìn)行比較。得出MNE 對(duì)于淺層的源，PSF 的峰值出現(xiàn)在較為正確的位置，但誤差隨著源深度的增加進(jìn)入腦溝而增加。外側(cè)裂深部最大，誤差超過(guò)5 cm。深度加權(quán)的MNE 方法的峰值定位誤差較低，但在大腦深部區(qū)域仍有一些較高的值。dSPM在深部區(qū)域的PLE 較低，但淺層區(qū)域的表現(xiàn)不如MNE。sLORETA和eLORETA都顯示了PSF的峰值具有零定位誤差。對(duì)于CTF的分布都與PSF相似，可以得出無(wú)論使用何種方法，在大腦深處位置的源估計(jì)總是會(huì)從更接近電極的源中接收到明顯更多的泄漏。通過(guò)比較PSF 的SD 表現(xiàn)，這些方法在外側(cè)裂較深區(qū)域和顳下葉均顯示出最高值，其中dSPM 和sLORETA尤其明顯。

總而言之，不同的評(píng)估指標(biāo)側(cè)重點(diǎn)不同，應(yīng)該根據(jù)關(guān)注的腦區(qū)和實(shí)驗(yàn)的需求來(lái)選擇相應(yīng)的評(píng)估指標(biāo)。從峰值定位誤差來(lái)看，sLORETA和eLORETA具有零定位誤差。從空間離散度來(lái)看，MNE 和eLORETA 的表現(xiàn)較優(yōu)。此外，在多個(gè)來(lái)源的情況下，估計(jì)幅度較大的來(lái)源可能會(huì)掩蓋較弱的來(lái)源。

3.2 定位精度的實(shí)際評(píng)估

雖然EEG和MEG具有良好的時(shí)間和空間分辨率，但非侵入式方法來(lái)定位神經(jīng)元活動(dòng)的準(zhǔn)確性和精確度始終存在爭(zhēng)議。在臨床上植入皮下或顱內(nèi)電極進(jìn)行記錄是評(píng)價(jià)腦源定位全文精度的金標(biāo)準(zhǔn)之一。2019 年，Seeber 等［41］通過(guò)同時(shí)記錄放置在皮下區(qū)域的電極和高密度的頭皮電極來(lái)驗(yàn)證EEG 或MEG 測(cè)量的準(zhǔn)確性。在進(jìn)行深部腦刺激治療的過(guò)程中，兩名患有慢性多發(fā)性抽動(dòng)的患者和兩名患有強(qiáng)迫癥的患者分別在丘腦和伏隔核植入電極來(lái)記錄。最后將這些深層結(jié)構(gòu)的局部場(chǎng)電位與大腦中從頭皮腦電圖重建的源估計(jì)進(jìn)行比較，結(jié)果證明實(shí)際電極位置的顱內(nèi)記錄和源估計(jì)信號(hào)之間存在顯著相關(guān)性。這說(shuō)明了頭皮腦電圖能夠重建皮下活動(dòng)，因此使用EEG進(jìn)行腦源定位是合理的。

Koessler 等［42］對(duì)10 名癲癇患者進(jìn)行EEG 腦源定 位 ， 并 通 過(guò) 立 體 腦 電 圖（stereoelectroencephalography，sEEG）作為驗(yàn)證方法，來(lái)評(píng)估不同發(fā)作模式下的四種腦源定位方法的準(zhǔn)確性。sEEG記錄期間植入了7～10個(gè)電極，并使用64通道的腦電圖進(jìn)行頭皮記錄。對(duì)于不同患者，至少有一種定位方法產(chǎn)生了與sEEG定義的致癲癇區(qū)相同的定位，使用ECD 方法有9/10 獲得了腦源定位方法和sEEG之間的最佳一致性。多信號(hào)分類(lèi)（multiple signal classification， MUSⅠC） 和LORETA與sEEG的一致性為7/10，而sLORETA的一致性為5/10。其中，有四名患者在所有的腦源定位方法和sEEG 之間具有100%的一致性。進(jìn)一步地，2020 年Sohrabpour 等［43］提出了FAST-ⅠRES 技術(shù)進(jìn)行EEG 源定位，同時(shí)使用了顱內(nèi)腦電圖（intracranial electroencepholography，iEEG） 作 為金標(biāo)準(zhǔn)。研究結(jié)果證明了通過(guò)非侵入式手段測(cè)量的電生理信號(hào)能夠?qū)δX網(wǎng)絡(luò)的位置和空間范圍進(jìn)行成像。

雖然通過(guò)在顱內(nèi)植入電極進(jìn)行記錄能夠直觀地驗(yàn)證頭皮腦電圖的源定位方法，但通常是在特定的情況下，多數(shù)為臨床上致病區(qū)域的測(cè)量，信號(hào)無(wú)法分布在全腦范圍，難以執(zhí)行復(fù)雜的任務(wù)。

3.3 其他精度評(píng)估方法

除了上述常用的評(píng)估方法，還有一些研究者提出了更為適用于其研究問(wèn)題的方法。例如Tait等［44］評(píng)估了基于最小范數(shù)和波束成形估計(jì)方式的六種常用的源重建算法的性能，評(píng)估方法包括逆解的分辨率特性和傳感器級(jí)數(shù)據(jù)的解釋方差。結(jié)果表明，波束形成器的性能明顯優(yōu)于最小范數(shù)方法，sLORETA 是最小范數(shù)方法中性能最高的算法，接下來(lái)是MNE，最后是表現(xiàn)相似的wMNE 和eLORETA。

此外，Samuelsson 等［45］提出通過(guò)使用更通用的評(píng)估方法——受試者操作特征曲線（receiver operating characteristic curve，ROC）和精確召回特征曲線（precision recall curve，PRC）。ROC 分析量化了二元分類(lèi)器系統(tǒng)的性能，PRC 被認(rèn)為對(duì)不平衡數(shù)據(jù)集更好的衡量指標(biāo)。另外，ROC 曲線下方面積（area under curve，AUC）可以用作源估計(jì)方法的空間精確度的衡量。根據(jù)此研究結(jié)果，dSPM在高信噪比下具有更高的定位誤差，而MNE在AUC 分析中的性能稍差，主要原因是較深源的定位誤差相對(duì)較高。

實(shí)際上，每種算法在不同的評(píng)估標(biāo)準(zhǔn)下表現(xiàn)不同，研究者需要根據(jù)其關(guān)心的研究問(wèn)題選擇合適的腦源定位算法，關(guān)注其特定屬性，作為方法學(xué)指南進(jìn)行更深入的研究。

4 腦源定位的應(yīng)用

4.1 時(shí)-頻分析與連通性分析的應(yīng)用

腦源定位常與時(shí)頻分析一起結(jié)合來(lái)研究大腦神經(jīng)活動(dòng)，對(duì)EEG 信號(hào)進(jìn)行相位同步的方法用于檢測(cè)相關(guān)電極信號(hào)之間的相位差，被識(shí)別為強(qiáng)相位同步的潛在源的信道可用于源定位［46］。此外，腦源定位和時(shí)頻分析結(jié)合的方法還可以改進(jìn)致癲癇區(qū)的定位［47］。時(shí)頻分析即時(shí)頻聯(lián)合域分析，通過(guò)時(shí)間和頻率的聯(lián)合函數(shù)可以實(shí)現(xiàn)對(duì)目標(biāo)信號(hào)在不同時(shí)間和頻率的能量密度和強(qiáng)度的描述。非平穩(wěn)信號(hào)具有隨時(shí)間變化的統(tǒng)計(jì)特性，因此使用傳統(tǒng)的傅里葉變換等方式獲得的時(shí)間平均幅度譜不足以描述信號(hào)幅度、頻率或相位的變化。在分析非平穩(wěn)和多分量信號(hào)時(shí)，基于時(shí)頻分析的技術(shù)優(yōu)于基于單一的時(shí)域或頻域的經(jīng)典技術(shù)。對(duì)EEG 數(shù)據(jù)進(jìn)行時(shí)頻分析的方法主要包括短時(shí)傅里葉變換、連續(xù)小波變換、離散小波變換、希爾伯特變換等。

對(duì)于大腦內(nèi)部活動(dòng)的研究也常采用連通性分析的方式，大腦連接可分為結(jié)構(gòu)連接、功能連接和有效連接其中，測(cè)量大腦功能連接的主要方法是腦電圖，能夠提供在認(rèn)知過(guò)程中毫秒時(shí)間尺度上評(píng)估功能的連接動(dòng)態(tài)。然而，這種方法具有局限性，例如腦電圖缺乏腦源位置的信息以及由于體積電導(dǎo)和參考電極導(dǎo)致的信號(hào)混合，使得該方法對(duì)傳感器空間同步測(cè)量的解釋存在問(wèn)題。

為了克服這些限制，目前EEG 源定位技術(shù)已被用于功能連接的分析中，主要可以分成兩種不同的方法［48］。第一種方法是基于生物物理生成模型，它描述了神經(jīng)源動(dòng)力學(xué)和相互作用如何產(chǎn)生頭皮腦電圖，旨在直接估計(jì)來(lái)自傳感器空間數(shù)據(jù)的源之間的功能連接，并需要先驗(yàn)假設(shè)網(wǎng)絡(luò)結(jié)構(gòu)。例如，神經(jīng)質(zhì)量模型有可能模擬神經(jīng)集合的活動(dòng)以及它們之間的聯(lián)系，從而可以產(chǎn)生大腦節(jié)律或與事件相關(guān)的反應(yīng)。另一種方法是無(wú)模型方式，即EEG 源成像結(jié)合多元連通性測(cè)量確定皮質(zhì)活動(dòng)的連通性模式，不需要對(duì)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行任何假設(shè)，共分為兩個(gè)步驟。首先，使用逆問(wèn)題算法確定源信號(hào)，可以基于分布式源模型或偶極源模型。接下來(lái)即可估計(jì)分布或偶極子源之間的功能連接。

功能性和有效性連通性分析通常用于深入了解癲癇或其他腦部疾病的網(wǎng)絡(luò)性質(zhì)。一方面，連通性分析用于確定癲癇或發(fā)作間期活動(dòng)如何影響大腦網(wǎng)絡(luò)，并且認(rèn)知改善或下降可能與癲癇患者特定大腦網(wǎng)絡(luò)的變化有關(guān)。另一方面，由于癲癇發(fā)作和尖峰在大腦中迅速傳播，連通性分析被用作定位癲癇發(fā)作起始區(qū)和刺激區(qū)的工具［4］。根據(jù)Van Mierlo等［49］在2019 年的初步研究表明，即使在EEG/MEG 中沒(méi)有明顯的癲癇活動(dòng)時(shí)，源連通性也有可能獲得預(yù)后相關(guān)性，以幫助診斷癲癇類(lèi)型，并預(yù)測(cè)治療結(jié)果。除此以外，近年來(lái)功能連通性分析常用于評(píng)估患者腦網(wǎng)絡(luò)功能。Ⅰandolo 等［5］對(duì)接受癲癇手術(shù)后兒童的EEG 進(jìn)行研究，量化兒童功能性腦網(wǎng)絡(luò)的變化。也有研究者對(duì)精神分裂癥患者進(jìn)行經(jīng)顱電刺激來(lái)調(diào)節(jié)腦網(wǎng)絡(luò)的功能鏈接。2022年，Yeh等［50］將基于源定位計(jì)算的功能連接結(jié)果作為參考，表明在前額葉皮層上使用經(jīng)顱電刺激來(lái)調(diào)節(jié)伽馬波段的功能網(wǎng)絡(luò)連通性能夠改善精神分裂癥癥狀。

4.2 腦源定位的臨床應(yīng)用

目前，不同的腦源定位方法已應(yīng)用在多種腦部異常和疾病的診斷和治療中，其中關(guān)于診斷治療癲癇和ADHD 的研究較多，除此以外，連通性分析在疾病中的應(yīng)用也極為廣泛。

癲癇治療的最終目標(biāo)是在不引起副作用的情況下使患者無(wú)癲癇發(fā)作，在耐藥性局灶性癲癇中，切除病灶是療效最高的治療方法。多模式術(shù)前評(píng)估旨在通過(guò)描繪所謂的致癲癇區(qū)，但術(shù)前評(píng)估期間的神經(jīng)影像學(xué)檢查依賴于發(fā)作間期癲癇活動(dòng)。因此，定位與發(fā)作間期癲癇活動(dòng)互補(bǔ)的癲癇發(fā)作來(lái)源具有很高的臨床價(jià)值。在術(shù)前評(píng)估過(guò)程中，通過(guò)非侵入腦電圖長(zhǎng)期記錄可以識(shí)別癲癇發(fā)作癥狀，傳統(tǒng)的EEG分析是基于對(duì)波形模式的視覺(jué)檢測(cè)［51］。Lopes等［52］在2020年提出了一個(gè)框架來(lái)搜尋頭皮腦電圖并確定癲癇側(cè)向化以幫助電極植入，使用eLORETA 來(lái)繪制從頭皮EEG 記錄的癲癇發(fā)作時(shí)期的源活動(dòng)，然后使用鎖相值構(gòu)建功能網(wǎng)絡(luò)并使用數(shù)學(xué)模型進(jìn)行研究，通過(guò)從網(wǎng)絡(luò)中移除不同的感興趣區(qū)域（region of interest，ROⅠ）來(lái)模擬它們對(duì)網(wǎng)絡(luò)在計(jì)算機(jī)中產(chǎn)生癲癇發(fā)作的能力的影響。

ADHD 是兒童和青春期普遍存在的神經(jīng)精神障礙，它與許多認(rèn)知功能障礙有關(guān)，包括認(rèn)知控制缺陷。該疾病的特點(diǎn)是注意力不集中、多動(dòng)和沖動(dòng)適應(yīng)癥水平的改變，對(duì)ADHD 患者的腦源定位為疾病的診斷和治療開(kāi)辟了一條新途徑［53］。2018年，Bluschke 等［6］在早期青少年ADHD 中研究了成功和缺陷多成分行為的神經(jīng)機(jī)制，通過(guò)sLORETA 進(jìn)行源定位分析，在單模態(tài)和雙模態(tài)實(shí)驗(yàn)中，通過(guò)神經(jīng)生理過(guò)程在下頂葉皮層中觀察到反應(yīng)選擇機(jī)制。Mccracken 等［54］通過(guò)sLORETA 源定位分析來(lái)研究青年人對(duì)處理視聽(tīng)多感覺(jué)刺激的神經(jīng)結(jié)構(gòu)來(lái)源，發(fā)現(xiàn)ADHD 患者在神經(jīng)水平上對(duì)多感官條件的反應(yīng)與對(duì)照組不同。Mauriello等［55］則比較了ADHD患者和健康人對(duì)于面部注視的視覺(jué)處理功能，發(fā)現(xiàn)患者存在涉及視覺(jué)注視解碼的腦損傷，表明了這種疾病相關(guān)的神經(jīng)特征。

對(duì)于重度抑郁癥患者，Kirsten等［56］使用基于網(wǎng)絡(luò)的統(tǒng)計(jì)方法來(lái)比較對(duì)于治療響應(yīng)者和非響應(yīng)者之間的連通性度量。通過(guò)使用LORETA 對(duì)重度抑郁癥患者的靜息態(tài)腦電圖繪制源估計(jì)和連接測(cè)量，研究者發(fā)現(xiàn)alpha2波段內(nèi)的預(yù)處理腦電圖連接對(duì)電休克療法治療的療效具有預(yù)測(cè)價(jià)值。除此以外，在2021 年，Xie 等［57］研究調(diào)查了頭皮電極中神經(jīng)信號(hào)的振蕩特征，并繪制了大腦的功能連接。參與者在工作記憶任務(wù)中編碼了復(fù)雜的視聽(tīng)對(duì)象，與單一模態(tài)對(duì)象編碼相比，在視聽(tīng)對(duì)象編碼期間，前額葉、頂葉、顳葉和枕葉這些皮層區(qū)域中theta 振蕩頻率的神經(jīng)連通性顯著。結(jié)果表明，theta 波段的局部振蕩和區(qū)域間連通性在視聽(tīng)對(duì)象編碼過(guò)程中發(fā)揮重要作用，并可能有助于形成多感官信息的工作記憶痕跡。

5 腦源定位的發(fā)展趨勢(shì)

逆問(wèn)題算法是腦源定位的核心技術(shù)，與定位精度以及臨床應(yīng)用息息相關(guān)。近年來(lái)，研究者在最小范數(shù)估計(jì)之外也提出了一些其他逆算法的發(fā)展思路。圖2 回顧了不同方法下的逆問(wèn)題算法發(fā)展歷程。

Fig.2 The development and trend of inverse problem algorithm圖2 逆問(wèn)題算法的發(fā)展和趨勢(shì)

a.最小范數(shù)方法。1984 年Hmlinen 提出MNE方法以來(lái)，在此基礎(chǔ)上研究者又發(fā)展了LORETA系列、局部自回歸平均值（local auto-regressive averages，LAURA）［58］和FOCUSS 的腦源定位方法，這些算法都是基于最小范數(shù)的技術(shù)所發(fā)展的，成為了目前最常用的經(jīng)典技術(shù)。

b.非線性優(yōu)化技術(shù)。當(dāng)非線性優(yōu)化程序用于解決腦電逆問(wèn)題時(shí)，目標(biāo)函數(shù)可能會(huì)產(chǎn)生多個(gè)局部解，因此研究者們提出元啟發(fā)式算法來(lái)解決這類(lèi)復(fù)雜的優(yōu)化任務(wù)，對(duì)相關(guān)偶極子進(jìn)行估計(jì)。主要包含的算法有模擬退火（simulated annealing algorithm，SA）［59］、遺傳算法（genetic algorithm，GA）［60］、粒子群優(yōu)化（particle swarm optimization，PSO）［61］和差分進(jìn)化（differential evolution algorithm，DE）［62］等。

c.多信號(hào)分類(lèi)技術(shù)。1998年，Mosher等［63］在MUSⅠC 的基礎(chǔ)上提出了遞歸多信號(hào)分類(lèi)（recursive MUSⅠC）的方法，通過(guò)遞歸使用子空間投影自動(dòng)提取源的位置。此外，有研究者還在此基礎(chǔ)上拓展了空間擴(kuò)展的新皮質(zhì)源多信號(hào)分類(lèi)（ExSo-MUSⅠC）［64］和 投 影 多 信 號(hào) 分 類(lèi)（RAPMUSⅠC）［65］的方法。

d.波束成形方法。波束成形器也稱(chēng)為空間濾波器，Van Veen 等［66］最早提出線性約束最小方差（linearly constrained minimum variance， LCMV）的方法，這種方法不需要對(duì)偶極子數(shù)量先驗(yàn)假設(shè)。在1999 年Van Hoey 等［67］提 出 使 用 波 束 成 形（beamforming，BF）技術(shù)進(jìn)行EEG 源分析。用于空間濾波的波束形成技術(shù)，最初設(shè)計(jì)用于雷達(dá)信號(hào)處理的應(yīng)用，它能夠從測(cè)量的EEG 信號(hào)中提取大腦中預(yù)定義的感興趣區(qū)域的源活動(dòng)。Gross 等［68］在2001 年提出了相干源動(dòng)態(tài)成像（dynamic imaging of coherent sources，DⅠCS），這是一種頻域波束形成技術(shù)，可以研究大腦區(qū)域之間振蕩活動(dòng)和同步的皮層來(lái)源。2009年Antelis等［69］提出了使用卡爾曼濾波器和粒子濾波器（partical filter，PF）的解決方案應(yīng)用在EEG 源定位上。同時(shí)，基于波束成形技術(shù)的擴(kuò)展方法相繼提出，包括波束成形粒子濾波（beamforming particle filter，BPF）［70］、多核BPF、序列蒙特卡羅（sequential Monte Carlo，SMC）［71］等方法。

e.稀疏理論方法。由于一般認(rèn)為只有有限數(shù)量的大腦皮層區(qū)域在短時(shí)間內(nèi)真正激活，因此近年來(lái)稀疏源定位越來(lái)越受到重視。2001 年提出的稀疏貝葉斯學(xué)習(xí)（sparse Bayesian learning，SBL）提供了一個(gè)統(tǒng)一的框架，通過(guò)此框架可對(duì)受生物學(xué)和數(shù)學(xué)約束的EEG 源進(jìn)行估計(jì)。2018 年Ojeda 等［72］提出了新穎的SBL 算法，使用腦圖譜對(duì)源的組稀疏分布進(jìn)行了良好的初始化。另外，有學(xué)者先后提出了VB-SCCD 算法、時(shí)空統(tǒng)一斷層掃描（spatiotemporal unifying tomography，STOUT）以及數(shù)據(jù)驅(qū)動(dòng)的時(shí)空頻率字典（STF dictionary）［73］等算法來(lái)計(jì)算源的稀疏解。

f.張量分析方法?；趶埩康哪鎲?wèn)題算法也逐漸用于優(yōu)化腦電源定位問(wèn)題當(dāng)中，2004 年Miwakeichi 等［74］將典型多數(shù)分解應(yīng)用于空間-時(shí)間-頻率（space-time-frequency，STF）變換的EEG數(shù)據(jù)中。Becker等［75］在2010年提出了基于時(shí)空波矢量（space-time-wave-vector，STWV）數(shù)據(jù)的一種多路方法，它可以在嘈雜的環(huán)境中準(zhǔn)確定位源，而且同時(shí)提取與每個(gè)源相關(guān)的時(shí)間行為。接下來(lái)的幾年里，此研究團(tuán)隊(duì)又相繼提出了用于擴(kuò)展源定位的算法STWV-DA（STWV-Disk algorithm）和STFDA（STF-Disk algorithm）算法［76］。

g.貝葉斯方法。貝葉斯方法是通過(guò)設(shè)計(jì)不同的先驗(yàn)分布來(lái)解決逆問(wèn)題不適定問(wèn)題。根據(jù)先驗(yàn)約束不同，目前主要有基于空間約束先驗(yàn)和基于時(shí)空約束先驗(yàn)貝葉斯方法?；诳臻g約束的技術(shù)是利用皮層神經(jīng)電活動(dòng)在空間上的信息，約束源信號(hào)分布，1.2節(jié)提到的基于L2范數(shù)的方法即為使用的空間先驗(yàn)知識(shí)?；跁r(shí)空先驗(yàn)約束的源定位技術(shù)則是進(jìn)一步利用時(shí)域結(jié)構(gòu)約束解空間，能夠提高定位性能。在1997 年，Baillet 等［77］在考慮了空間先驗(yàn)之外，還提出了懲罰相鄰時(shí)刻的幅度差的時(shí)間先驗(yàn)。在2004 年，Galka 等［78］提出了一種時(shí)空卡爾曼濾波的方法，利用狀態(tài)空間表達(dá)式模型來(lái)表示時(shí)域信息。除此以外，使用時(shí)間基函數(shù)（temporal basis functions，TBFs）［79］能夠降低算法計(jì)算復(fù)雜度，而且能有效減小噪聲量的影響。

h.深度學(xué)習(xí)方法。隨著人工智能的發(fā)展，使用深度學(xué)習(xí)進(jìn)行腦源定位的研究也相繼展開(kāi)。基于人工神經(jīng)網(wǎng)絡(luò)的計(jì)算的逆解遵循數(shù)據(jù)驅(qū)動(dòng)的方法，大量模擬EEG 數(shù)據(jù)樣本用于訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)以正確地將電極空間信號(hào)映射到源空間位置［80］。這可以改善實(shí)時(shí)腦源定位功能，提高醫(yī)療影像的成像質(zhì)量。在2017 年，有研究者提出了一種解決非線性前向算子的逆問(wèn)題［81］，該方法基于經(jīng)典正則化理論和深度學(xué)習(xí)中的卷積網(wǎng)絡(luò)，在利用前向算子、噪聲模型和正則化函數(shù)中編碼的逆問(wèn)題的先驗(yàn)信息的同時(shí)進(jìn)行學(xué)習(xí)，實(shí)現(xiàn)了快速重建圖像的目的。

Cui 等［82］在2019 年使用時(shí)空長(zhǎng)短期記憶遞歸神經(jīng)網(wǎng)絡(luò)（long short term memory，LSTM）來(lái)識(shí)別單一來(lái)源的位置和時(shí)間進(jìn)程。在此研究中，作者使用有限元法使用正向模型生成模擬數(shù)據(jù)，提出了一種腦源定位框架，以基于模擬訓(xùn)練數(shù)據(jù)估計(jì)源位置，模擬數(shù)據(jù)的結(jié)果對(duì)噪聲信號(hào)表現(xiàn)出良好的魯棒性。Hecker 等［83］則提出了ConvDip 的新穎卷積神經(jīng)網(wǎng)絡(luò)架構(gòu)，用于解決分布式偶極子模型中的EEG 逆問(wèn)題。ConvDip 能夠從EEG 數(shù)據(jù)的單個(gè)時(shí)間點(diǎn)產(chǎn)生逆問(wèn)題的解，并且定位準(zhǔn)確，預(yù)測(cè)速度快，產(chǎn)生的偽影少，漏檢率低。2021 年Wei 等［84］提出了一種使用空間基函數(shù)分解進(jìn)行EEG 源定位的邊緣稀疏基網(wǎng)絡(luò)（edge sparse basis network，ESBN），結(jié)合了邊緣稀疏先驗(yàn)和高斯源基。研究表明有監(jiān)督的ESBN在合成數(shù)據(jù)中優(yōu)于傳統(tǒng)的數(shù)值方法，無(wú)監(jiān)督微調(diào)在真實(shí)數(shù)據(jù)中提供了更多焦點(diǎn)和準(zhǔn)確的定位。

在多種逆問(wèn)題算法的發(fā)展歷程中，最經(jīng)典的算法還是基于最小范數(shù)的技術(shù)。但隨著計(jì)算機(jī)計(jì)算能力的大幅增加使得深度學(xué)習(xí)在各個(gè)領(lǐng)域發(fā)展趨勢(shì)不容小覷。此外，深度學(xué)習(xí)對(duì)算法的改進(jìn)程度遠(yuǎn)遠(yuǎn)超過(guò)其他算法，定位精確性也大大提高，可預(yù)見(jiàn)基于深度學(xué)習(xí)的腦源定位技術(shù)將會(huì)成為未來(lái)的主要趨勢(shì)。

6 總結(jié)與展望

本文主要回顧了腦源定位的基本原理與過(guò)程，并且根據(jù)腦源定位過(guò)程中產(chǎn)生的一系列對(duì)定位精度造成影響的因素進(jìn)行梳理。從理論和實(shí)踐的角度上總結(jié)了相應(yīng)的精度評(píng)估指標(biāo)，并且介紹了腦源定位技術(shù)在臨床和科研上的應(yīng)用和發(fā)展。

腦源定位從理論分析和實(shí)踐操作層面中的精度評(píng)估是本文關(guān)注的問(wèn)題，作者從理論的角度給出了五種不同的指標(biāo)，分別為：LORETA系列的空間分辨率、所有算法適用的峰值定位誤差/偶極子定位誤差、空間離散度、分辨率指數(shù)和總振幅。在實(shí)際層面上，則介紹了記錄方式、電極數(shù)量和密度、頭部容積傳導(dǎo)模型等因素對(duì)源定位精度的影響，以及在科學(xué)研究和疾病診斷方面的應(yīng)用。腦源定位技術(shù)應(yīng)用到大腦連通性分析能夠幫助研究者更好地理解大腦認(rèn)知活動(dòng)上各個(gè)區(qū)域的聯(lián)系與功能。同時(shí)，腦源定位也在多種腦部疾病或異常中得以應(yīng)用，其中癲癇與ADHD 的診斷和治療已到了臨床階段。最后本文總結(jié)了腦源定位的發(fā)展趨勢(shì)，羅列了計(jì)算逆解的各類(lèi)方法的發(fā)展歷程。

腦源定位精度是一直以來(lái)的關(guān)注點(diǎn)，它受到多種因素的影響，主要包括記錄方式、電極數(shù)量和密度、頭模型以及逆問(wèn)題算法。電極密度與精度成正相關(guān)，一般情況下128個(gè)電極就足夠獲得最佳分辨率。此外，本文概括了頭部組織電導(dǎo)率以及頭模型的仿真方法，使用計(jì)算機(jī)進(jìn)行仿真模擬已是成熟的技術(shù)手段，使用物理方式建模進(jìn)行源定位分析可能成為新的趨勢(shì)。目前，腦源定位的精度在測(cè)量?jī)x器的層面上已得到了極大的改善，但逆問(wèn)題算法對(duì)定位的精確程度難以定量評(píng)估。因此本文總結(jié)了基于空間分辨率、基于點(diǎn)擴(kuò)散以及串?dāng)_函數(shù)的評(píng)估方法對(duì)于不同腦源定位方法中源的重疊程度和其他源對(duì)目標(biāo)源的影響，并給出相應(yīng)的評(píng)價(jià)指標(biāo)。但此類(lèi)通過(guò)頭皮表面測(cè)量的方法在準(zhǔn)確度上始終存在爭(zhēng)議，因此將臨床上植入皮下或顱內(nèi)電極進(jìn)行記錄作為評(píng)價(jià)腦源定位精度的金標(biāo)準(zhǔn)之一。雖然顱內(nèi)電極記錄能夠直觀地驗(yàn)證頭皮腦電圖源定位，但通常為臨床上致病區(qū)域的測(cè)量，信號(hào)無(wú)法分布在全腦范圍，也難以執(zhí)行復(fù)雜的任務(wù)。因此，公平準(zhǔn)確地評(píng)估腦源定位的精度在未來(lái)還需進(jìn)一步的探究。最近Toi等［85］提 出 的fMRⅠ的 神 經(jīng) 元 活 動(dòng) 直 接 成 像（DⅠANA-fMRⅠ），在時(shí)間分辨率上達(dá)到了毫秒級(jí)的精度同時(shí)保留了MRⅠ的高空間分辨率，能夠無(wú)創(chuàng)神經(jīng)成像來(lái)檢測(cè)神經(jīng)元活動(dòng)。由于其具有高時(shí)空分辨率，若能應(yīng)用到人類(lèi)大腦上，或許在未來(lái)可以應(yīng)用在腦部疾病的病灶區(qū)的精準(zhǔn)定位，以及其無(wú)創(chuàng)神經(jīng)成像的優(yōu)勢(shì)更適合作為頭皮腦電圖源定位的精度評(píng)估手段。

此外，研究者們對(duì)于腦源定位中最重要的逆問(wèn)題的解上保持著持續(xù)不斷的探索和優(yōu)化，從基于最小范數(shù)的技術(shù)發(fā)展以來(lái)，陸續(xù)提出了基于優(yōu)化技術(shù)、多信號(hào)分類(lèi)、波束成形、張量和稀疏理論等方法。近年來(lái)提出的卷積神經(jīng)網(wǎng)絡(luò)在腦源定位上的應(yīng)用是基于數(shù)據(jù)驅(qū)動(dòng)的方法，大量模擬EEG 數(shù)據(jù)樣本用于訓(xùn)練網(wǎng)絡(luò)，從而精確快速地將電極空間信號(hào)映射到源空間位置。隨著計(jì)算機(jī)性能的增加以及人工智能技術(shù)的發(fā)展，目前深度學(xué)習(xí)在醫(yī)療領(lǐng)域上的應(yīng)用越來(lái)越受歡迎，使用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行腦源定位或許是新趨勢(shì)。