第6章:溯源分析¶
这正是 Brainstorm 最为人所知的分析:估计一段记录到的信号来自大脑的哪个位置,而不只是头皮上某个传感器测到了什么。
处理流程¶
- 头模型 ——描述电活动/磁活动如何从皮层传播到传感器的物理模型。对 EEG 而言,通常使用 Brainstorm 内置的 OpenMEEG 工具箱计算边界元模型(BEM);MEG 中也常用一种更简单的"重叠球体"模型。
- 噪声协方差 ——对传感器背景噪声的估计,可以由记录中的基线时段计算得到,也可以来自单独采集的空场/静息记录。它决定了下一步对每个传感器的信任程度。
- 逆模型 ——结合头模型与噪声协方差,求解"逆问题":皮层上怎样的活动模式最能解释传感器数据?Brainstorm 提供了多种标准方法作为处理选项(最小范数估计、dSPM、sLORETA)。
- 溯源结果 ——最终输出:皮层表面每一点随时间变化的活动估计值,可以三维查看并逐帧滚动。
如何运行¶
三个计算步骤(头模型、噪声协方差、逆模型)各自都是独立的处理,运行方式与本线索中其他处理完全一致:选中相关文件,拖入 Process1,选择处理,设置参数,点击 Run。你不需要提前知道底层的参数名称,Brainstorm 会通过引导式对话框带你完成每一步。
查看结果¶
双击一个溯源结果文件,会打开 Brainstorm 的三维皮层查看器:一个折叠的脑表面,按估计的活动强度着色,并配有时间滑块,可以拖动查看活动在皮层上随时间移动的过程。你可以旋转视角、在膨胀表面与折叠表面之间切换,也可以导出静态图像或动画。
如果这套流程让你觉得眼熟,那就对了:它与 MNE-Python 中 mne.make_bem_model、mne.compute_covariance、mne.minimum_norm 所做的事情在数学上完全一致,只是这里用图形对话框代替了函数参数。