《Psychophysiology》：sBOSC: A Method for Source-Level Identification of Neural Oscillations in Electromagnetic Brain Signals
编辑推荐：
神经振荡被认为是脑电磁活动的基本组成部分，其与多种认知过程有关，并被提议作为脑通信的核心机制。然而，区分真正的神经振荡与非周期背景活动仍存在方法学挑战。研究人员开发了sBOSC(source-BOSC)，扩展了BOSC(Better OSCillation d
神经振荡被认为是脑电磁活动的基本组成部分，其与多种认知过程有关，并被提议作为脑通信的核心机制。然而，区分真正的神经振荡与非周期背景活动仍存在方法学挑战。研究人员开发了sBOSC(source-BOSC)，扩展了BOSC(Better OSCillation detection)系列算法，用于在源水平直接识别振荡片段。与现有方法一致，sBOSC检测同时超过设定功率阈值和最小持续时间标准的振荡片段；不同的是，sBOSC还要求被检测的振荡片段在功率谱中存在峰值(即局部极大值)，并在全脑体素中具备空间峰值(即三维空间局部极大)。研究人员通过一系列模拟信号检验了sBOSC在不同场景下检测和定位振荡的能力，结果表明在大多数振荡源位置上可准确检测振荡片段，在最优条件(高信噪比、较低频率、较多连续周期)下准确率高于95%。此外，研究人员使用静息态和运动任务采集的真实脑磁图(magnetoencephalography, MEG)数据验证了sBOSC的性能：从检测到的振荡片段中提取出的自然频率地形分布与既往研究一致，且在运动准备期间感觉运动皮层上方观测到预期的α频段和β频段调制。综上，sBOSC为识别生理电信号中的振荡活动提供了新方法，通过在源空间运行并验证真实频谱峰的存在，扩展了先前算法，为探索脑动态开辟了新可能。
论文解读：sBOSC——基于源空间峰值校验的脑神经振荡片段检测方法
《Psychophysiology》刊发的此研究针对当前脑电磁信号(MEG/EEG)中神经振荡检测的两大瓶颈：一是传统BOSC类算法未强制要求功率谱出现窄带峰值，易将无非周期峰值的宽频高功率误判为振荡；二是传感器水平检测无法确认神经源发生器且受容积传导影响。为此，研究人员提出sBOSC(source-Based Oscillation detection using Spectral and Spatial peak verification within the BOSC framework)，在LCMV(linearly constrained minimum variance，线性约束最小方差)波束形成逆解得到的源空间时间序列上，结合FOOOF(Fitting Oscillations and One-Over-F，振荡与1/f拟合算法)分离非周期成分，并追加功率谱局部极大值校验与三维脑体素空间局部极大值校验来剔除泄漏与伪峰，最终以≥3个连续周期作持续时长阈值界定振荡片段(oscillatory episode)。模拟与实证数据显示该方法在源水平具高检出率与极低假阳性。
主要关键技术方法：
研究人员采用Open MEG Archive(OMEGA)数据库中128名健康被试的静息态MEG数据及Human Connectome Project(HCP)数据库中61名被试左手/右手运动准备期MEG数据。预处理含降采样、工频谐波去除与ICA(Independent Component Analysis，独立成分分析)伪迹剔除。核心流程为：(1)基于单壳体导模型计算导联场，用LCMV波束形成重建源空间(网格分辨率1 cm)时间序列；(2)滑动20 s(任务数据为试次长1.2 s)窗对每体素用FOOOF拟合提取非周期(aperiodic)成分时间序列，以其RMS(root mean square，均方根)校正波束形成器的头中心偏差(head bias)；(3)对原始与仅含非周期成分的时间序列做STFT(Short-Time Fourier Transform，短时光傅里叶变换，Hanning窗宽自适应为所分析频率5个周期)得到时频功率；(4)以各频率下非周期成分功率分布的95百分位设功率阈值(power threshold)；(5)标记同时通过功率阈值、功率谱局部极大值(spectral peak)、脑体素三维空间局部极大值(spatial peak)的时频点；(6)连接相邻点形成片段并要求持续≥3个连续周期(允许间隔<半周期的短暂跌落合并)。模拟数据通过预设振荡源(5 10 20 hz，3 10 20周，深度65 75 85 mm，snr 0.5 1.0 1.5)叠粉红噪声(pink noise)与白噪声生成，重复5次不同非周期源位置，以命中率(hit rate)与假阳性率(false positive>
3 Results
3.1 Detection Performance of sBOSC on Simulated Data
经405组模拟(34×5次重复)，78%振荡片段精确定位于真源1.5 cm内；平均命中率受频率(Kruskal–Wallis, p=0.003；低频5 Hz优于20 Hz)、周期数(p<0.001；20周优于3周)与SNR(p<0.001；SNR 1.5优于0.5)显著影响，源深度与粉红噪声位置无显著影响(p>0.05)。SNR 0.5/1.0/1.5条件下平均命中率分别为62%、87%、90%，全场景假阳性率<0.05%，无真振荡时假阳性率0.055%±0.0067。STFT窗宽取3/5/7个周期不影响性能(p>0.05)。
3.2 Characterization of the Brain's Natural Frequencies Using sBOSC on Resting-State MEG Data
将sBOSC应用于128人静息态MEG，按各体素振荡周期数最多之频率定义为自然频率(natural frequency)，经bootstrap中位值聚合得组水平拓扑图，与Capilla等人基于功率谱k-means聚类所得地图在体素水平Pearson相关r=0.634(p<0.001)。二者均显示：眶额及颞叶内侧为δ(2–4 Hz)，内侧前额叶为θ(4–8 Hz)，顶枕区为α(8–12 Hz)，感觉运动及外侧前额叶为β(13–30 Hz)；sBOSC对δ频段敏感性略增，部分顶叶显示低β而非α。
3.3 Identification of Lateralized Alpha- and Beta-Band Oscillatory Episodes During a Motor Preparation Task
对HCP运动任务试次(运动前1.2 s)用sBOSC检测，对侧感觉运动皮层α(8–12 Hz)与β(18–30 Hz)频段振荡功率与持续时间显著低于同侧(即事件相关去同步化，event-related desynchronization, ERD)，经非参置换校正后显著(p<0.05)；β源稍偏前于α源，符合经典感觉运动皮层α/β分布特征。
讨论与结论翻译：
研究人员指出sBOSC在BOSC框架上引入两项改进——功率谱峰值校验提升特异性防误检，源空间加空间峰值校验抑制源泄漏、提高空间精度并可推广至EEG。模拟证明其对源水平振荡片段稳健(高命中、极低假阳)，受振荡总时长与SNR调节；静息态复现已知自然频率分布；任务态捕获经典感觉运动α/β去同步化。局限含默认≥3周期门槛可能漏短促瞬态振荡 burst，且逆解误差致约22%正确检测被偏移>1.5 cm(多数仍<2.5 cm)；EEG应用因容积传导精度可能更低。总之，sBOSC扩展了BOSC族算法，支持多通道M/EEG在源空间直接识别超越非周期背景的振荡活动，为探索脑动态及后续连通性分析提供新工具。
Conclusion(原文结论翻译)：
本研究介绍sBOSC——专用于M/EEG数据源水平振荡片段检测的算法。研究人员通过模拟与真实数据集验证了该方法。该算法扩展了BOSC系列方法，支持多通道数据并确保识别活动高于非周期背景。sBOSC为在源水平研究振荡动态、识别未经叠加的振荡事件及开展脑连通性测量提供了补充途径。
