《Brain-Apparatus Communication: A Journal of Bacomics》：Uncovering brain spatiotemporal information via simultaneous EEG-fMRI fusion: a methodological review
编辑推荐：
为了进一步理解脑功能的神经基础，需要利用多模态脑成像（multimodal brain imaging）获得关于信息处理时空方面的更多知识，超越单一模态所能提供的。头皮脑电图（EEG）和功能磁共振成像（fMRI）是人体神经科学中常用的两种无创神经影像技术。鉴于
为了进一步理解脑功能的神经基础，需要利用多模态脑成像（multimodal brain imaging）获得关于信息处理时空方面的更多知识，超越单一模态所能提供的。头皮脑电图（EEG）和功能磁共振成像（fMRI）是人体神经科学中常用的两种无创神经影像技术。鉴于它们在时间和空间方面各自的优势和劣势具有互补性，同步EEG-fMRI融合为揭示脑功能的重要时空信息提供了新手段。本综述将首先介绍EEG和fMRI的基本测量原理以及同步EEG-fMRI融合的动机。接着，将考虑在空间和时间方法背景下融合同步EEG-fMRI的最新进展。最后，介绍前沿的同步EEG-fMRI及其暗示未来发展的应用趋势。研究认为，同步EEG-fMRI是一种有前景的无创工具，能够揭示脑功能及功能障碍的时空信息。
人类脑功能需要不同解剖结构间的紧密协调，这反映了神经元集群的复杂相互作用和功能模式，这些相互作用伴随电磁信号、血流动力学反应和代谢过程的变化。为了进一步理解脑功能的神经基础，需要利用多模态脑成像（multimodal brain imaging）获取时空信息，超越单一模态所能提供的。头皮脑电图（EEG，一种记录皮层电活动的方法）和功能磁共振成像（fMRI，基于血氧水平依赖信号测量神经活动）是常用的无创神经影像技术，但EEG时间分辨率高（毫秒级）而空间分辨率低（厘米级），fMRI空间分辨率高（毫米级）而时间分辨率低（秒级）且间接测量神经活动。因此，同步EEG-fMRI采集技术被开发，期望融合两者优势获得高时空分辨率的神经影像。目前存在的主要问题是：如何有效融合这两种模态的数据，以及如何克服各自的局限性，如信号噪声、血流动力学响应函数（HRF）变异、非线性耦合、空间不一致等。开展这项研究是为了总结当前融合方法，判断其进展与不足，并展望未来方向。
研究人员从时空信息融合的角度，总结了同步EEG-fMRI的融合方法，包括时间融合、空间融合和时空融合三大范式，并介绍了开源工具和未来应用。结论是：同步EEG-fMRI是一种有前景的无创工具，能够揭示脑功能和功能障碍的时空信息。重要意义在于为多模态神经影像融合提供了方法论指导，并指出未来在脑-器械通信（BAC）、三模态成像和精准精神病学中的应用。该论文发表在《Brain-Apparatus Communication: A Journal of Bacomics》。
### 关键技术方法
论文中涉及的关键技术方法包括：**时间融合**，利用EEG时间特征（如事件相关电位（ERP）幅值、谱特征）作为回归量，通过HRF卷积后建立一般线性模型（GLM）估计EEG特征与BOLD信号的关系；**空间融合**，将fMRI空间信息作为先验知识用于EEG源定位，如基于贝叶斯理论的方法；**时空融合**，分为模型驱动（如动态因果模型（DCM），结合神经、代谢和血流动力学过程）和数据驱动（如多模态典型相关分析（mCCA）、联合独立成分分析（joint ICA）、并行ICA）方法，以及深度学习（卷积神经网络）的应用。此外，开源工具如SPM、GIFT/EEGIFT、FIT、EEGLAB和NIT提供了融合分析平台。样本来源包括癫痫、精神分裂症等患者数据。
### 研究结果
#### 1. 引言（Introduction）
通过文献综述，指出脑功能需要多模态成像，EEG和fMRI互补，同步EEG-fMRI融合是当前多模态神经影像的前沿，能够为研究脑活动时空信息提供新手段。
#### 2. EEg-fMRI基本测量原理（Basic measurement principles of EEG-fMRI）
- **2.1 EEG**：EEG信号由皮层锥体细胞突触后电位产生，具有毫秒时间分辨率，但受容积传导效应影响，空间分辨率仅厘米级，且难以记录深部脑区和闭合电场结构的电活动。
- **2.2 fMRI**：BOLD-fMRI基于神经血管耦合，通过HRF间接测量神经活动，空间分辨率达毫米级，但时间分辨率受限（秒级），无法通过提高采样率改善。
- **2.3 同步EEG-fMRI**：同步采集可实现两种模态信号的时间对应，但会降低信噪比（SNR），已有伪迹去除方法，本文聚焦于如何融合以揭示脑活动。
#### 3. 同步EEG-fMRI融合（Simultaneous EEG-fMRI fusion）
- **3.1 时间融合（Temporal fusion）**：通过将EEG时间特征与HRF卷积后作为GLM回归量，生成与EEG特征（如ERP、谱特征、网络变化）相关的fMRI统计激活图。研究表明，EEG功率波动与BOLD信号在一定条件下可近似线性，但受限于HRF变异、非线性耦合（如跨频耦合）和EEG非平稳性，影响分析稳健性。
- **3.2 空间融合（Spatial fusion）**：利用fMRI空间信息作为先验约束EEG源定位，如通过结构MRI构建头部模型、使用贝叶斯理论识别共同神经活动。研究表明，当EEG和fMRI激活空间一致时，fMRI先验可改善源定位精度，但空间不一致时可能引入系统性误差，需检验两者的共同神经发生器假设。
- **3.3 时空融合（Spatiotemporal fusion）**：旨在提取共同神经活动信息，分为模型驱动（如DCM，结合神经、代谢和血流动力学过程，具有生理可解释性但计算复杂）和数据驱动（如mCCA、joint ICA、并行ICA，计算简便但可能缺乏生理意义）。深度学习（如CNN）也被用于融合，但面临小样本、过拟合、可解释性差等挑战，需结合外部验证和生理约束。
- **3.4 开源融合工具（Open-source fusion tools）**：介绍了SPM、GIFT/EEGIFT、FIT、EEGLAB和NIT等工具，这些工具提供了多种融合分析功能，促进了融合研究的发展。
#### 4. 未来方向（Future of EEG-fMRI fusion）
- **4.1 EEG-fMRI与脑-器械通信（Bacomics）**：同步EEG-fMRI在实时多模态集成（BAC-1，如基于EEG-fMRI信号生成无尺度脑波音乐）、神经刺激（BAC-2，如结合经颅磁刺激（TMS）进行精确定位）和闭环脑训练（BAC-3，如结合神经反馈同时调节电生理和血流动力学活动）中具有潜力，但仍需进一步研究。
- **4.2 三模态成像（Trimodal imaging）**：结合正电子发射断层扫描（PET）的EEG-fMRI-PET可充分利用功能、代谢和分子信息，如研究脑微状态和静息态网络中的葡萄糖代谢和神经受体改变，为脑疾病诊断/治疗提供依据。
- **4.3 EEG-fMRI在精准精神病学中的应用**：研究显示，精神分裂症患者EEG与BOLD信号耦合改变，与感觉处理和情绪调节障碍相关。结合机器学习的EEG-fMRI有望实现个体化生物标志物识别、治疗分层和纵向监测。
### 讨论与结论
讨论部分指出，未来进展取决于解决关键方法学挑战，包括神经血管耦合变异、跨模态验证以及深度学习模型的可解释性，并需向精准精神病学、闭环神经刺激和脑-器械通信等应用扩展。结论部分翻译如下：在本综述中，我们从时空信息融合的角度总结并讨论了同步EEG-fMRI结合的最新进展。三种主要融合范式——时间、空间和时空——各自具有独特的优势和局限性。时间融合利用EEG的毫秒级分辨率来指导fMRI分析，但受限于HRF变异和非线性耦合。空间融合受益于fMRI的毫米级精度来约束EEG源成像，但受限于病态逆问题和模态间的潜在空间不一致。时空融合，无论是模型驱动还是数据驱动，旨在从两种模态中提取共同神经信息，但需要仔细验证所识别成分的生理意义。本综述表明，EEG-fMRI仍然是一种重要的无创工具，有希望揭示脑功能和功能障碍的时空信息。未来的进展将取决于解决关键的方法学挑战——包括神经血管耦合变异、跨模态验证以及深度学习模型的可解释性——以及向精准精神病学、闭环神经刺激和脑-器械通信等应用扩展。预计同步EEG-fMRI将支持更多研究应用。
