来源： 整理文件的时候翻到的來源已经找不到了囧感觉写得还是不错，贴在这里保存

近年来，血氧水平依赖性磁共振脑功能成像(Blood oxygenation level-dependent functional magnetic resonance imaging, BOLD-fMRI)技术得到极快的发展除了与扫描硬件、扫描技术的进步有关外，更得力于以图形图像等计算机科学为核心的相关学科的支持：图像数据的后处理技术成为fMRI中的关键环节

一、功能图像数据的性质

功能磁共振数据包括解剖（结构）像和功能像两类解剖像采用高分辨的T1、T2及FSPGR三维成像方式。功能像的处理是fMRI数据处悝的关键因为脑皮层活动瞬息变化，相应要求足够快的成像序列对某一个刺激任务造成的皮层活动进行记录并且要有对脑血氧代谢的產物——脱氧血红蛋白产生的T2*缩短效应敏感，EPI(Echo planar Imaging)、FLASH(Fast Low Angle Shot)等序列可以满足这两个条件现在大都采用EPI序列采集fMRI功能像。

EPI于频率编码上采用一系列反姠梯度通过一次激发产生建成一幅MR图像的所有信号采集技术，基于小角度激发的GRE-EPI(Gradient echo- Echo planar Imaging)技术在很短的TR时间内得到一系列（数幅至数十幅）图潒。每次采集得到的图像组成一个脑体积(Volume)相应要求在fMRI实验组块(Epoch/block Paradigm)设计时，每个组块的时间必须为TR时间的整数倍实际的血流动力相应是一個缓慢的过程，任务激发后信号采集技术经过一个小的下降期开始上升4-8秒达到高峰然后缓慢下降，11-14秒恢复在事件相关设计(Event-related Paradigm)时，如果不栲虑两（次）任务间的相互作用需要保证间隔时间大于一次响应时间 。但也有研究显示短的刺激间隔时间对统计结果并无多大影响

EPI序列鉯极快的采集速度在一个数分钟的实验(Session)中，产生数百至数千幅图像几十个不同时间的脑体积成为EPI图像的时间序列(Time-series Image)。快速以牺牲图像的汾辨率为代价典型的EPI图像采集矩阵为64×64，提高采集矩阵会延长采样时间并且导致更严重的图像几何变形除此之外，EPI序列图像对外在磁場环境的影响十分敏感微弱的BOLD信号采集技术会伴有大量的干扰成分。较突出的问题有：

1. 扫描过程中的头部运动的影响虽然可以采取各種物理方法加以限制，但头部的运动还是难以完全消除其副作用远不止于功能像与结构像叠加融合时的不匹配。头部微小的运动会使激活体素位置改变而造成真正功能信号采集技术的改变场强为1.5 Tesla时，BOLD信号采集技术本身只有0.5-2.0％但通常两个相邻体素的信号采集技术差都大於10％，大脑边缘的甚至达到70％而且头部运动可能是激活相关的规律性运动，将导致激活区的完全错误严重影响实验的结果。

2. 易感性伪影由于梯度磁场的高速切换产生的MR设备导体表面强度的涡流，人体头部组织磁敏感性的差别尤其是靠近副鼻窦等含有空气的空腔时，導致局部磁场不均匀将使重建的EPI图像在相位编码的方向上产生几何变形，使功能区不准确

3. 扫描设备和生理运动产生的噪声干扰，多属高频噪声生理运动包括呼吸、心跳等，特别是这些运动与任务相关时对BOLD信号采集技术的检出影响更大。同时由于BOLD效应是血流调节，噭活区域信号采集技术的改变速率有限生理自发活动会引起热噪声和高时间频率的波动、扫描硬件的不稳可以产生低频漂移。

4. N/2伪影或鬼影(N/2 ghosts)由于不准确的采集时序和不均匀的静磁场，k空间交替的回波呈献一定的相位差以方向相反频率读出梯度交替MR信号采集技术奇、偶回波的EPI序列，信号采集技术经傅立叶变换重建后出现沿相位编码方向的成对假影是EPI图像质量受损的最大原因。

EPI图像数据的大量、低分辨率忣干扰因素严重等特点决定了（1）务必除去与BOLD信号采集技术相关的干扰信号采集技术提高信噪比。（2）大量时间序列的四维EPI图像要通過转化为三维的形式表现出来。（3）通过合适的算法把真正的BOLD信号采集技术提取出来（4）低分辩率的功能像要与高分辨率的解剖像叠加融合，或配准到已知的空间解剖结构中加以表现是fMRI数据处理和分析的主要任务。可分为数据的处理、分析和结果的呈示（见图2）

二、功能图像数据的处理

1. 校正(Re-alignment)。头部运动的校正是一个理想的单体 (Subject)单模态(Modality)配准常基于刚体运动模型，迭代计算平移、旋转参数使参考图像（通常为时间序列的第一幅）与后续序列图像之间的不匹配程度最小化，实现所有时间序列图像的配准三维空间校正选用三个方向的平迻与三个坐标轴的旋转6个参数对头部刚体模型进行描述；三维配准时还需要考虑每个脑体积中（TR时间内）头部运动的影响，以二维配准方法分别校正每一幅图像Friston强调了基于自动回归移动平均模型(Autoregistration Moving Average ,ARMA)的重要性，可以消除对象自旋激励历史中的运动影响

此外还必需注意在EPI多层采集过程中，同脑体积中每层采集时间的轻微差异（数十毫秒）在组块设计实验时，由于每个任务组块时间持续时间较长（数秒至数十秒）可以不考虑这些时间差异；但在事件相关设计时，任务激发的时间性要求高就必需对每层采集的不同时间差异进行校正，保证组荿每个脑体积的数十层图像在相同时间内完成常采用Sinc 法插值。

通常每一个实验采集数百至数千幅图像大量的数据使校正过程非常耗时，某些机器附带商业软件为了提高处理速度达到实时效果，而舍弃此步骤快速运动校正算法的开发对实时成像（Real-time imaging）十分有意义 。

2. 配准(Registration)低分辨率的EPI功能图像经常需要叠加在高分辨率的解剖图像上进行功能区的辨认，通过配准功能激活映射图和解剖图像实现因Ghost效应及磁敏感效应导致EPI图像的几何及强度变形，需要对变形的图像进行反卷积(Unwrapping)校正这是一个单体多模态配准。J. Asbnrner等提出联合头部尺寸和形态的贝叶斯最大后估计量(Bayesian Maximum a posterior estimator, MAP)方法利用中间图像实现多种类型的功能数据和解剖数据的精确配准。但如果进行数据的空间归一化这些变形也都可解決。

3. 归一化(Normalize)将检测的功能激活区准确地映射到高分辩率的解剖结构图上是fMRI可视化的关键，功能激活映射图根本不含任何解剖信息无法囷解剖图配准，但功能映射图和功能图像可共享同样坐标系统故可以先把功能图像与解剖图像配准，将得到的变换应用于功能映射图与解剖像之间把空间校正产生的平均图像(Mean image)或配准好的解剖图像与预先设计好的标准解剖空间的模板图像(Template image)的卷积参数应用于每一个断层图像(Slice image)。这样就可以保证不同样本、不同模态的图像数据在相同的坐标系统进行评价对于单样本分析，可以不归一化到标准空间而是到单独創建的模板上；对于脑占位或梗塞等脑结构明显受损的样本图像，务必不能归一化到正常的模板上自动算法的线性和非线性转换过程中會抹除所有受损部位的特有信息，使归一失败对于这样的样本，除了用单独创建的模板外还可以采用有偿函数遮盖（Cost-function Masking）技术对病变部位进行遮盖处理，然后再归一化到标准空间中以资比较 归一化的本质是一个多体多模态配准。

Institute建立的MNI系统采用305例正常人的MR脑扫描，经過映射到Talairach and Tournoux获得如著名的软件SPM99，标准模板即采用MNI系统MNI系统尚无与Brodmann's分区的对应信息资料，MNI系统脑模较Talairach and Tournoux系统稍大虽然有的使用者把二者对等使用，但最好采取一定的方法进行坐标点互换

由于全局的脑血流改变以及扫描硬件不稳定，时间序列图像的平均图像的平均信号采集技术强度随时间发生与功能活动无关的改变使得每次刺激的响应不在同一水平，减少了统计检测功能激活信息效果需要调整每一副图潒使其平均值等于全局的平均值，即时间序列的归一化

对于硬件不稳及生理运动产生的干扰信号采集技术，可以通过平滑消除：空间平滑减小MR图像随机噪声、提高信噪比与功能激活数据的检测能力通过将fMRI数据与一个三维高斯函数进行卷积积分形成一个滤波器，滤波器的岼滑范围可用高斯核(Gaussian kernel)的全宽半高(FWHM)来表示理论上高斯核应该与反应区的尺度一样，但要保证高斯核一定要大于一个体素的尺度否则将造荿数据再采样，使内在分辩下降信噪比较低时，采用较宽的滤波器检测到的激活区覆盖较大的范围。多样本对比的样本间分析时 FWHM也偠大一些（8mm），以使各样本数据能够投射到共同的功能解剖像上减少样本间差异。滤波器虽然可以有效地滤掉特定频率的噪声也会牺牲一部分频率相当的真正BOLD信号采集技术。

对于时间序列信号采集技术的低频漂移可以采用与BOLD信号采集技术波形相似的滤波器（FWHM＝2.8mm），对烸个体素的时间序列进行时间平滑；如果用短TR采集功能像可用频带抑制或最小均方适应滤波器去除与呼吸心跳相关的生理噪声。提高反應体素时间过程的信噪比增加统计检测信号采集技术的能力。

此外虽然真正的BOLD信号采集技术主要源于激活脑组织的毛细血管中的血氧玳谢的贡献，但由于大血管的流空流入效应在非激活区也有大量的脱氧血红蛋白流入，造成信号采集技术增高称为“流入性伪影”，絀现在较多引流静脉的皮层区域低场强机器的伪信号采集技术更严重，提高场强可以减少这种大血管效应SE-EPI序列也可以减少流入效应，對于单层EPI成像通过增加射频翻转脉冲的作用时间可以限制血流敏感性。但多层EPI则无法满足每层足够长的翻转脉冲时间有学者通过加权各种组织的统计参数图T对比来减少其影响

在数据预处理之后，采用适当的算法把真正的代表激活的象素提取出来即功能数据的分析。在朂先的fMRI研究中 仅采用图像相减的简单方法来演示任务依赖的脑区域。这是基于心理学的Pure insertion假说的认知相减(Cognition Subtraction)原理用任务状态的图像减去控淛状态的图像，差值图像高的灰度值反应的就是任务产生的有效活动区这种方法对判别活动和非活动体素的阈值设置太过草率，并且对運动相关的效应以及其它未知原因干扰特别敏感更可靠的脑图是采用参数和非参数检验的方法。常用的有零假设t检验基于每个体素计算，加权平均信号采集技术差异t值大于设定的阈值（如p=0.05）的体素认为是激活，常以伪彩的形式表现出来相关系数法脑图中，每个体素嘟与线性交叉相关系数r值有关此系数表示时间序列的体素信号采集技术强度与参考函数的相关性，测定的是时间序列过程中体素的灰阶徝与期望的氧代谢反应间的关系相关性大于设定阈值的体素认为是激活。此外还有F检验z检验等。从统计的观点来看这些参数检验可鉯认为是广义线性模型(General Linear Model ,GLM)的特例。GLM是由K.J. Friston和其同事用作PET数据处理时开发的一个标准的统计工具可以将所有感兴趣和非感兴趣的因素都包含于設计矩阵，如果能够充分考虑时间序列间的时间空间自相关可以用于fMRI数据的分析。

假设检验时首先构建关于某一统计量的统计参数映射图，计算每个体素反应的时间过程与参考函数之间的线性相关系根据检验的显著性水平确定一个阈值，对零假设进行检验通过阈值囮统计参数映射图判别激活与非激活。构建统计映射参数图时重要的是每个体素的灰度水平时间过程与期望的血流动力函数相似程度。通常选用血流动力相应的脉冲函数与一个理想的on-off函数的卷积积分作为参考函数所以准确地建立血流动力相应模型十分重要。目前已提出哆种建立血流动力相应模型的方法如Bandettini的傅立叶频谱分析技术、Bullmore的正、余弦波的线性组合拟合实验数据等。

上述方法最主要的问题是如何選择阈值分隔统计参数映射图来确定激活与非激活体素。确定合适的未校正的单象素显著性阈值非常困难低的阈值可以增加激活检出嘚敏感性，但将非激活区作为激活区的可能性增大增加检测结果的假阳性率。并且GLM方法对每个体素进行假设检验变成多假设(Multiple Comparisons)检验，总體脑体素的检验将导致更多错误率为了控制假阳性，常用Boferroni法校正但过于保守，导致检出率下降采用高斯随机理论(Gaussian Random Field)，可以保证体素以仩水平多假设时假阳性的发生需要采用相同高斯核对图像进行平滑，以保证数据逼进高斯分布对这样的数据，K.J. Friston提出检验的等级理论鈳分为集合(Set)水平、聚类(Cluster)水平和体素(Voxel)水平，虽然增强了统计能力但降低了空间分布特性。也可认为真正激活的体素相邻聚类的超过阈值的鈳能性也较大用联合强度阈值与聚类尺寸阈值分隔统计参数映射图法，在降低假阳性发生的同时又不降低统计能力蒙特卡罗仿真技术鈈需很多假设，但较耗时

前面提到的体素依赖方法只适用于时间参数已明确知道的任务设计的实验数据分析，对于未知刺激任务时间的實验如睡眠、癫痫放电等自发生理活动的数据分析时，将无法应用这类实验的数据可采用主成分分析(Principal Component Analysis, PCA)和独立成分分析(Independent Component Analysis, ICA)等多变量分析，將fMRI数据分解成正交的空间成分或具有不同时间过程的独立的成分提取包含于时间序列图像中的功能信息，不需要任何血流动力学响应的時间过程数据及皮层幅度的先验假设其实验设计也就无需依赖任何实验模型（如组块或事件相关）。 故体素依赖的单变量方法又称模式驅动(paradigm driven)相应多变量分析称数据驱动(data driven)分析模式。PCA通过检测随实验条件变化的开始一部分空间特征模式的时间形式确定与反应有关的功能系統的分布特征，侧重于描述功能系统的分布而不是定位用于探索各功能区之间的相互联系。ICA通过提取一系列空间独立的空间模型相比PCA哽侧重空间定位，最适合于探索一个新假说模型的发生而非已知假设的检验如fMRI对药物作用、睡眠、饥饿感的中枢机制研究等 ，近来有把時间聚类分析(Temporal Clustering Analysis) 用于无EEG联合的癫痫灶定位研究中 PCA和ICA的缺点是对于大部分的不同成分的数据相关性难以给出一个生理解释。

四、功能磁共振數据可视化方法

fMRI数据经过处理和分析以直观的形式表现出来，以方便结果观察和引用除了解剖像与映射参数图叠加外，还可采用大脑皮层重建提供关于大脑皮层表面解剖结构和几何特性，依此对反应的功能区进行皮层定位对标准T1解剖像进行灰白质及脑脊液成分分隔(Segment)，行皮层解剖重建在功能磁共振的视网膜脑图(Retinotopic map)技术中 ，把枕叶的脑沟脑回结构展开在平面图像上进行评价。有许多重建方法如基于體素方、2D轮廓重建方法等，重要的是保持皮层的解剖拓扑结构

现在普遍采用Brodmann's 分区对脑功能区定位，由于脑皮层结构的特异性除了初级運动及感觉皮层区域较恒定外，其它功能区与解剖关系之间变异普遍存在除非对神经解剖以及Talairach and Tournoux系统很熟悉，一般都难以在肉眼下对反应區进行功能定位如前所述，把个体脑图归一化标准脑结构之后就可以方便地对反应区坐标点按Brodmann's分区进行确认，也有专业的软件自动处悝

以上简单介绍了fMRI数据处理与分析的原理及方法。这些步骤的实现均靠软件根据不同算法完成专业软件多种多样，但方法和步骤都基夲相同国际较为通用的功能影像软件有综合的处理分析软件，如英国伦敦大学神经影像科学系Wellcome实验室的SPM(Statistical Parametric Mapping)系列软件以及MCW AFNI(Medical College

请点击上面“思影科技”四个字选择关注我们，思影科技专注于脑影像数据处理涵盖（fMRI,结构像,DTI,ASL,EEG/ERP,FNIRS,眼动）等，希望专业的内容可以给关注者带来帮助欢迎留言讨论及转發推荐，也欢迎了解思影科技的课程及数据处理服务可添加微信号采集技术siyingyxf或进行咨询(咨询电话，杨晓飞）(文末点击浏览）

小脑在运動学习、协调等方面起着关键作用，并且也与感觉和认知过程有关目前对其电生理机制的了解主要来自动物的直接记录，而人类小脑功能研究主要依赖于病变、血液动力学和代谢成像研究成像研究提供了关于小脑调节行为的各种小脑-皮质路径的基本见解，但在时间和频率分辨率方面仍然受到限制虽然皮层下脑电图（EEG）和脑磁图（MEG）的有限空间分辨率和小脑剖结构会影响小脑无创电生理研究，不过越来樾多的研究挑战了MEG和EEG无法检测小脑活动的说法本文通过大量列举运动、感知觉、脑网络及神经障碍等领域通过MEG/EEG记录到的小脑各神经震荡活动来证明MEG和EEG无创性记录小脑活动确实可行；并且通过总结已有研究中具体的研究方法，提供关于如何优化MEG和EEG记录小脑活动的建议比如茬源空间中使用连通性分析；此外还讨论了可能导致杂散小脑源定位的MEG和EEG信号采集技术污染并提出了解决此类伪迹的方法。本文发表在Neuroimage杂誌

小脑除了在运动行为控制和协调中有明确作用外，还参与感觉加工以及从学习记忆到高水平认知控制的认知任务功能磁共振成像（fMRI）研究显示小脑参与各种功能，例如手部动作扫视，注意力分散流利表达，自传性回想单词理解，动作观察心算，情感处理和语訁处理等进一步证明，人类大脑研究中无法忽视小脑的作用然而，诸如脑电图（EEG）和脑磁图（MEG）等非侵入性电生理技术在测量小脑反應中的可用性尚未明确且使用EEG或MEG描绘大脑网络的研究通常不认为小脑是潜在信号采集技术来源。本文对EEG和MEG检测小脑活动的能力持更乐观看法并为如何使用MEG改善小脑记录提供了建议。

目前对调节小脑活动的电生理机制的了解主要来自动物的直接记录人类小脑研究主要包括小脑病变患者的研究或追踪代谢、血液动力学过程的研究，例如正电子发射断层扫描（PET）和fMRI神经影像技术只能通过监测局部代谢或血液动力学反应来提供神经活动的间接测量，尽管如此其在阐明小脑功能性作用（运动控制视觉引导行为和许多认知任务）中仍起着关键莋用。由于它们同时测量整个大脑活动因此这些成像技术还用于检查小脑在可能的大规模脑网络中的参与情况以及评估小脑-丘脑-皮质路徑的功能性作用。

血流动力学和代谢反应相对缓慢的性质仍然严重局限了小脑活动的精确时间特性的研究因此，通过电生理级别的时间汾辨率（即毫秒范围）记录小脑信号采集技术对于研究小脑活动与行为参数（例如反应时间或随时间变化的运动参数）的相关性和对研究尛脑与其他大脑结构之间的激活潜伏期至关重要还可用来评估小脑与脑网络节点之间假定的精细同步性。因此需要一种提供毫秒级时间汾辨率并覆盖整个头部的无创技术实现上述目的EEG和MEG满足这些要求，前者测量头皮电信号采集技术而后者则测量相同的可能大脑信号采集技术源在头皮产生的微小磁信号采集技术。二者都能以毫秒级的分辨率记录大脑信号采集技术并且当前可用系统提供多达大约300个记录位点的可完全覆盖头部密集传感器阵列。

无法简单回答EEG/MEG是否为研究人类小脑生理提供了最佳时空分辨率其一，它们在深层结构（远离传感器的结构）中的空间分辨率差距传感器阵列的距离和信号采集技术扩散问题会在单个记录位置产生低信噪比（SNR）和线性混合。从信号采集技术来源角度看与位于深层大脑结构（例如海马或小脑下部结构）的来源相比，浅层来源（例如初级听觉或运动感觉区）更容易通过MEG或EEG进行无创定位。此外小脑皮层的神经元结构导致的信号采集技术消除也可能是阻止通过非侵入性方法检测小脑源的特定限制因素。MEG和EEG信号采集技术来自于（a）神经活动的空间总和即具有相似方向的相邻树突中的许多突触后电位，以及（b）这些电势的时间总和即鉯相同短时间间隔产生的电流。人们认为由于小脑相对于大脑皮层更复杂的折叠相邻的小脑激活区会产生相反方向的电流进而信号采集技术相互抵消。这些潜在困难以及MEG、EEG信号采集技术强度随深度衰减导致普遍认为MEG和EEG不适合检测小脑活动，以至小脑信号采集技术通常被懷疑是人工伪迹或噪音尽管如此，越来越多MEG和EEG研究报告了一系列任务中小脑激活文献中已有足够的证据来回答MEG和EEG是否可以检测出小脑活动及如何优化其检测并排除误报的问题。

2．为什么用EEG和MEG检测小脑活动是一个有争议的问题

由于小脑神经元排列成“封闭区域”，很难鼡无创EEG（包括MEG）记录小脑活动不过，小脑皮层浦肯野细胞排列与大脑皮层锥体细胞排列非常相似（见图1）并且可能对头皮EEG / MEG信号采集技術有贡献。乌龟小脑研究表明在一定距离处可以检测到外部磁场当激活一个10 mm3的小脑贴片时，在17 mm处检测到1pT磁场乌龟小脑皮质结构与包括囚类在内的较高物种的结构非常相似。具有有序结构的小脑会产生一个开放磁场配置但小脑主要的局部激活意味着相应微弱的外部磁场。但是从外部对小脑施加同步活动的情况下，可能会产生足以被MEG检测到的强磁场比如癫痫相关治疗病例。由于同步活动也可能通过神經科学中常规使用的直接大脑刺激方法施加于小脑因此至少原则上可以用MEG或EEG检测小脑活动。与EEG源定位相比MEG源定位受头部模型不准确的影响较小；这使得在相同头部模型质量的情况下，使用MEG进行源定位比使用EEG更为精确和准确此外对于高频振荡，MEG比EEG具有更高的保真度

图 1浦肯野细胞（小脑）和锥体细胞（大脑皮层）之间的相似性。

A.人类小脑浦肯野细胞的草图

B.成人感觉皮层和运动皮层中不同皮层的锥体细胞草图。

以往方法局限了EEG/MEG测量小脑活动以往EEG、MEG研究采用事件相关平均值对不同锁相诱发的活动进行优化，因而较少的报告小脑激活甚臸采用侵入式记录动物小脑活动的实验也仅偶尔报告事件相关电位（ERP）;而现在绝大多数小脑研究报告神经振荡活动调制。

这表明小脑可能主要表现出不一定锁相的神经振荡调制经典猫、豚鼠实验均发现小脑高频振荡活动，也在三例植入小脑电极尝试进行刺激治疗的Lennox-Gastaut综合征患者中观察到低频振荡（1.5-6 Hz）Wistar大鼠浦肯野细胞层中产生会诱使单位放电的200 Hz振荡；分子和颗粒细胞层中的高频LFP远不那么明显。刺激小鼠下橄欖核会引发小脑高频振荡（350 Hz）对极为罕见人类小脑颅内记录研究整理发现小脑存在β（15–30 Hz）以及低γ（35–50 Hz）和高γ（80–100 Hz）自发振荡，此外还包括250 Hz神经振荡少量的人类小脑颅内记录结果似乎与动物文献相对应。

小脑的神经机制或形态可能阻止了强锁相诱发反应这令人认為小脑非头皮EEG/ MEG信号采集技术源，直到时频分析技术中的非锁相分析出现之后，随着源空间时频分析技术越来越普及小脑活动MEG发现也更為引人注目。

传感器覆盖范围也可能是一个因素传统10/20、高密度电极覆盖EEG系统以及大多数全脑MEG系统都可能无法在小脑信号采集技术可能投射区域（例如颈部顶部）提供足够的空间采样。使用低技术（low-tech）解决方案可以部分解决此问题例如精心布置传统MEG传感器阵列（也许头部仳平时更向前倾斜，以牺牲正面覆盖范围来获得更好的小脑覆盖；或在颈部以下使用额外的自由电极来补充EEG帽）随着头皮MEG技术出现，例洳光泵磁强计（OPM）和高临界温度（ 高-Tc）SQUID放置传感器也变得自由，从而将它们尽可能靠近小脑放置在头部背面或放置口腔中以从另侧接菦小脑。

适合大脑皮层的传统假定球形头模型的源定位可能导致小脑皮层拟合不佳。真实头部模型的应用通常会忽略小脑比如将其完铨移除或将其包含在大脑皮层区域中。另外由于小脑不易分割，假设源与皮质表面正交的技术可能需要为小脑进行细化由于小脑形态鈈同以及其皮层被厚硬脑膜（小脑腱）分离，考虑其实际电特性的模型可能有益于定位模拟研究表明，没有对硬脑膜进行建模的头部模型会高估EEG中相应的电势同样，鉴于MEG中次级电流对测量信号采集技术有贡献通过仔细模拟小脑腱可以改善某些MEG源定位。

沟回上的信号采集技术源（同时具有相反的电流）可能同时处于活动状态小脑特别精细的折叠会导致在MEG或EEG处记录的信号采集技术被抵消。然而最近非瑺高分辨率的非侵入MRI（9.4T，体素大小190μm）创建的小脑边界成分模型量化了预期的信号采集技术消除程度模拟估计相对于大脑皮层小脑信号采集技术平均仅衰减30–60％，这表明大部分小脑信号采集技术的最终强度仍在MEG和EEG可测量范围内

时频分析的引入大大增加了有关小脑活动的研究数量，这些发现主要来自于MEG和一些EEG记录（表1）本文将更详细地介绍其中某些使用fMRI无法提取的频谱信息。

表格 1 MEG、EEG小脑研究按领域，主题组反应类型和源定位方法分类。

使用相干源动态成像技术（Dynamic Imaging of Coherent Sources DICS）发现正弦运动引起的肌电（EMG）与对侧感觉运动皮层MEG活动之间的相干性（即皮层相干性），进而定位到运动自然中断相关的8-10 Hz振荡反馈回路中与感觉运动皮层振荡相干的脑区：同侧小脑丘脑和运动前皮层（PMC）。

通过使用DICS将与预期运动有关的小脑-丘脑-顶区（小脑到大脑）耦合增加及与非预期运动有关的顶区-小脑（大脑到小脑）耦合增加扩充到補充运动区（SMA）和顶叶后皮质（PPC）这两个不同方向耦合分别对应了自主运动控制和失匹配检测。小脑与运动皮层的耦合也编码了手运动速度（图2）这些研究利用外周EMG信号采集技术通过计算仅包括皮质脑-肌肉相干性最大值的脑区的脑-脑相干性来减少潜在相干性的空间分布。此外使用小脑贡献没有争议的简单运动任务和个体MR来创建逼真的头部模型。

图2.基于任务的小脑与初级皮层相干性强度：受试通过移动軌迹球来抵消围绕中心旋转的立方体的不可预测运动记录轨迹球运动的运动特性，并估计其与神经信号采集技术的时间序列耦合性使鼡和M1活动（白点）的任务相关Z变换相干性作为结果量度（ΔZcoh）显示与小脑的相干性

运动前后出现小脑β（15–30 Hz）活动（图3）。当受试者进行掱指运动时小脑发生高γ（> 65 Hz）活动，基于整个大脑定位而不是基于与那些表现出最大皮质相干性的区域

图3.小脑皮质中的运动前β激活。屈伸运动后同侧小脑皮质β激活。最大值在同侧小脑分隔（cerebellum crus）Ⅱ的下部

以上表明可以通过MEG检测到简单运动时小脑活动。最近一项EEG研究使鼡分布式模型来重建与腕部简单弯曲有关的锁相活动使用MEG是否可以完成相同的操作还有待观察。

除了在健康参与者中检测小脑活动外茬网络功能障碍或病理性运动功能异常的患者中也检测到小脑活动。使用DICS（相干源动态成像技术）发现6名帕金森病患者手部震颤EMG与其对侧M1の间存在振荡相干性、对侧M1-同侧小脑相干性的证据在8名原发性震颤患者中发现手部EMG和对侧M1之间存在振荡相干性，使用DICS发现了M1-同侧小脑相幹性威尔逊氏病有关的震颤也发现了类似的结果。

小脑参与纯躯体感觉的MEG研究要早于其参与运动控制的研究不同于远距离EMG连接的运动研究，正中神经刺激引起小脑事件相关反应同研究组发现如果没有预期的体感刺激，则在应该发生刺激的时间点之后会引发小脑振荡活動并且在随后预期刺激之前振荡活动再次增加。在这些研究中神经活动并不是严格来自小脑；而是首先假设神经活动源自小脑进而估計了小脑源活动时程。不过以这种方式测量活动时程，神经活动源可能包括在与假定源相邻的其他源使用波束形成器技术将正中神经誘发反应定位到小脑。由于该研究突出了传感器覆盖范围的重要性因此在下一部分（第4节）中将对该研究进行更深入的讨论。

除肌电外还发现身体运动的运动学信号采集技术在各种情况下都与小脑活动耦合，这种现象称为皮层运动相干性（CKC）例如，小脑活动与手指运動的速度和方位有关综述认为CKC反映了本体感受性脊髓皮质输入信号采集技术，而CMC则反映了皮质脊髓输出信号采集技术这与使用EMG作为外圍信号采集技术来减少相干性源分布空间非常相似。

使用非耦合DICS(图4)发现局部小脑振荡活动与更新和保持躯体感觉期望有关且θ和β活动出现在受刺激手同侧与听觉研究相似，表明低频小脑振荡可能与更新和维持预期有关DICS研究与上文运动研究的重要区别是，上文运动研究间接依赖于外围参考信号采集技术比如EMG或手运动学。在引用的大多数运动研究中首先测量外部参考信息（例如EMG）-M1相干性然后研究了M1-其他區域之间相干性。而非耦合DICS研究虽然也使用DICS，但改用DICS输出的功率图谱而非全脑DICS这表明，使用最新MEG和源重建方法可以检索小脑信号采集技术

图4.预期刺激和非预期刺激的小脑激活差异。对受试者的右手食指进行节奏性（每3秒一次）刺激时不时地撤销刺激呈现。对比表明重复刺激（另一刺激之后的刺激）的大脑区域比第一刺激（遗漏之后的刺激）具有更大的功率，其中0 ms表示刺激呈现

与运动有关的可预期（与运动有关）或不可预期（与运动无关）听觉反馈MEG研究发现，θ（3–7 Hz）和β（15–30 Hz）活动在两种不同反馈模式中有所不同通过共同空間模式（CSP）分析发现预期和不可预期反馈差异最密切相关的活动模式，与偶极子相匹配后揭示小脑是这些神经活动的源头当TMS破坏小脑活動时，如听觉场减少那样自生音衰减会降低；此外，小脑蚓部在真实自生音衰减期更活跃即在TMS的假状态期间更为活跃。使用eLORETA算法基于倳件相关场（ERF）重构信号采集技术源

EEG研究发现小脑参与所谓的40 Hz听觉稳态反应（ASSR）。40 Hz ASSR是当音调以40 Hz的频率进行幅度调制时产生的神经振荡使用LORETA算法加权/不加权独立PET扫描的方法重建该活动后将其定位在小脑左侧。

每3秒进行一次水平扫视的任务中通过非线性最小二乘拟合在八洺受试者分别拟合双偶极子模型，每个模型都有一个偶极子定位于小脑一个偶极子定位于顶叶后皮层。还发现扫视开始后约170毫秒出现诱發反应但是这些偶极子拟合表明溯源定位而不是时程的估计。在观察实验者有节奏地（3 Hz）移动手指的研究中使用DICS方法减少相干源分布空間后发现观察者运动皮层出现与手指移动频率一致的3 Hz神经振荡；此外初级运动皮层与小脑、V3在3 Hz处出现神经震荡相干性。

在视觉运动任务Φ使用EEG比较了宇航员失重状态（在太空中）或在地球上时的α-mu（~8–12 Hz）振荡,宇航员在太空中目视目标刺激时会出现更大的mu失调使用LORETA算法发現小脑活动导致了这种差异，可能反映了姿势稳定所必需的小脑激活

Hz）与决策制定、决策/感知和运动的内省有关。当参与者做出与数字呈现外显记忆和自我表示有关的决策时，小脑出现高γ活动。小脑左半球和顶下小叶是内部暗示决策的关键结构对音素感知、反应决筞或反应执行的时间进程进行反思的激活网络中包含小脑。以上相关结果通过时频波束形成器技术以及基于非参数映射统计的群体统计数據获得使用LCMV（线性约束最小方差）波束形成器在MEG中发现情绪唤醒、情绪效价及其相互作用的神经活动（60-100 Hz）位于小脑的不同区域，并且遵循时间进程在处理效价之前处理唤醒

在三名小脑刺激实验疗法候选癫痫患者的小脑植入深度电极上以及头皮EEG中记录到小脑信号采集技术，这表明侵入式和非侵入式均可记录小脑活动包括明显正常的睡眠纺锤波和癫痫发作活动。使用LCMV（线性约束最小方差）波束形成器对一洺4岁男孩MEG宽带活动（25–100 Hz）分析发现运动皮层激活14s后小脑出现活动小脑延迟可能在癫痫发作终止中起调节作用。然而14个月女孩的高密度頭皮EEG研究发现小脑病变是癫痫主要的发源地，随后在手术切除前的颅内脑电图以及术后无癫痫发作则证实了小脑病变通过使用DICS分析癫痫發作期间记录的10s EEG频谱信号采集技术源头，也在一部分患者中发现小脑活动

3.7 静息态和神经网络

小脑被认为是默认模式网络一部分。波束成形-独立成分分析（ICA）组合检索到的组成默认网络成分与fMRI研究中发现的网络组成成分有很大的重叠小脑β（13–30 Hz）活动。使用转移熵和DICS波束荿形技术在听觉短期记忆研究中发现了γ（60-120 Hz）脑-小脑连接阅读任务中的相位耦合研究使用DICS波束形成器发现，阅读过程中α（8–13

以上表明某些情况下MEG和EEG可以检测到小脑活动。许多研究依靠外部参考（例如运动和观察到的运动）来建立脑区相干性、振荡相干性而不是标准嘚与任务相关的源激活相干性。同时小脑中除神经振荡反应外也发现事件相关场/电位。

如果您对脑电及脑磁图数据处理感兴趣欢迎浏覽思影科技课程及服务（可添加微信号采集技术siyingyxf或进行咨询）：

4．如何增强MEG监测小脑的能力

本节将介绍提高MEG检测到小脑活动的方式方法并討论进一步有希望的策略。

4.1 优化设计（表层目标和初始定位）

MEG传感器距小脑的距离导致小脑前部信号采集技术相对较弱基于其他研究发現的特定小脑区域，研究目标可以针对小脑相对表层的区域一种相关策略是使用一种可以强烈引发小脑反应也可以将其有效局部化的研究范式。使用这种范式首先定位小脑源，然后估计其时程以进行更精细的操作和定位范式变化一个可能范式是眨眼条件范式。在眨眼條件范式中眨眼和音调开始形成连接（条件刺激），然后向眼睛吹气（非条件刺激）这种条件反应取决于已被MEG研究验证的完整小脑。泹是该范式估计的是假定小脑源的时间过程

通过扩展10/20导联到电极Oz下方，发现这些“小脑”电极记录到高频神经振荡（> 100 Hz）而在上方枕骨電极或下方脾肌电极上均未有相似发现，这表明真正覆盖小脑的重要性：可以及时记录小脑信号采集技术

使用160轴梯度-Yokogawa MEGVISION研究了正中神经刺噭引起运动感觉场。使用波束形成器方法重建小脑内侧部分产生的磁场如图5所示，该研究通过让受试者相对于头盔向前倾斜头部将传感器覆盖范围扩展到小脑以下包括颈椎上部。牺牲额叶来提高小脑采样能力是非常简单有益的策略如图5下所示，当受试者不倾斜头部时小脑无法被完全覆盖。

图 5倾斜头部以获得更好的小脑传感器覆盖范围

上，现代MEG系统Neuromag Triux中典型的头部放置其102个传感器位置用蓝色表示。雖然小脑被部分覆盖不过相对于传感器阵列向后倾斜头部可以提供对小脑的更完整覆盖。

由于小脑活动容易被颈部肌电掩盖或混淆建議记录主要颈部肌电。最小范数估计和偶极子拟合的源重建（将传感器记录的所有磁场分配到假定的源空间）将从此受益如果源空间包括小脑，并且在重建源之前未除去颈部肌肉活动则可能由于错认为小脑信号采集技术而将颈部肌肉活动重建。即使存在伪像波束形成器方法也是有用的，因为这些方法可以在每个假定的信号采集技术源位置独立地重建信号采集技术活动通过创建一个空间过滤器来将来洎其他来信号采集技术源（如大脑和噪声）的贡献降至最低。

第3节中讨论了一种成功定位小脑活动的策略是根据其与“远距离”信号采集技术（如EMG或手脚的运动信号采集技术）相干性来进行定位由于短距离连接性评估有很多解释上的缺陷，远程耦合为连接性评估增加了一萣程度的可信度但是，策略相关范式可能仅限于感觉和运动范式

4.5 使用皮层信号采集技术抑制来减少新皮层活动

皮层信号采集技术抑制（CSS）方法基于分别使用平面梯度计和磁力计的独特特征。简单说平面梯度是“近探测点”，对大脑皮层产生的信号采集技术最敏感而磁力计对大脑皮层以外的信号采集技术也敏感。通过仅从磁力计信号采集技术中投射出磁力计和平面梯度计之间共享的信号采集技术就鈳以获得一个唯一代表非大脑皮层的磁力计信号采集技术。将这种方法应用于听觉稳态反应（ASSR）能够将大脑皮层产生的ASSR信号采集技术降低为97％，皮质下产生的ASSR信号采集技术增加10％该方法尚未用于研究小脑活动。该方法不需要任何特殊的数据获取过程因此，如果预期信號采集技术来自小脑或皮层下可以使用CSS（皮层信号采集技术抑制）对已有数据重新分析。

4.6 改善小脑的解剖模型

在波束形成器应用中通瑺不会将源方向包括在源模型中而是选择使波束形成器输出SNR最大化的方向作为源方向，该方向是通过奇异值分解优化后获得的但是如果引入解剖学约束，则可以改善波束形成器的信号采集技术从而在源模型中正确定向信号采集技术源。信号采集技术改善关键取决于MEG和MRI之間的共配准误差以及放射源方向估计的精度对于这些解剖学约束，这些误差必须分别小于2mm和10。目前有几种不同的策略将共配准误差减尛到2mm以下例如摄影测量法，结构光扫描仪以及头模型（head

关于放射源方向的估计，MEG典型解剖学约束是假设放射源与从MRI T1结构扫描提取的皮層表面正交但是，由于皮层太薄造成1.5T或3T MRI收集到的高质量皮层数据较难分析小脑信息造成大多数依赖于皮层信息的源分析方法都只能将尛脑从完整源空间中剔除，不过7T MRI有足够的分辨率来合理提取小脑皮层信息另外，标准分割小脑低估信号采集技术抵消而导致对小脑信号采集技术的高估这可以通过高分辨率小脑皮层模型来避免。高分辨率模型还显示与大脑皮层相比小脑中信号采集技术消除更多，尽管洳此也可以使用MEG和EEG来检测小脑活动作为高分辨率扫描表层信息提取的替代方法，神经纤维方向可以从3T弥散加权MRI（DWI）序列中获取该方法鈳以帮助区分视觉皮层和小脑的激活。小脑侵入性电生理记录与MEG/EEG不能提供有关小脑中信号采集技术消除幅度的实际信息不过数据模型表奣，小脑信号采集技术消除不太可能使MEG/EEG无法记录小脑信号采集技术

试图创建头皮上或几乎头皮上的MEG传感器阵列的技术正在研发中。一种鈳能方法是已经成功记录了体感和听觉区域信号采集技术d 高-Tc SQUID已经建立了多达7个高-Tc SQUID磁力计的阵列，且几乎可以放在头皮上（<1毫米）另外┅种方法是使用已经商业化的光泵磁力计（OPM）组装成适合MEG的小型系统。已实现利用放置在距头皮约6.5 mm的20个 OPM记录信号采集技术由于朝向头皮迻动时，磁力计的拾波线圈尺寸可以做得更小因此空间分辨率将提高。与最新的MEG相比可以对大脑活动更精密区域的磁场进行采样。更恏的空间分辨率可以减轻折叠而导致的信号采集技术消除问题另外， Yokogawa系统的记录面积比当前CTF系统和Neuromag系统更精细然而高-Tc SQUID中的拾波线圈尺団仅81 mm2，等效OPM的记录面积甚至更精细已有研究使用OPM(光泵磁力计)记录小脑诱发磁场。此外在经典正中神经刺激研究中有可能使用头皮技术從小脑中记录诱发的反应。头皮MEG还可提高高频神经振荡SNR因为它比从远处采样大脑的常规MEG更稀疏地采样大脑活动。OPM中带宽和灵敏度成反比因此不能使用同一传感器同时采样低频和高频活动；不过，某些类型OPM可以单独调整使其带宽适合进行相关活动。而高-Tc SQUID带宽与MEG状态系统帶宽相同

在设计阵列时，传感器位置要比目前固定低-Tc SQUID阵列位置低（图5）构建具有高-Tc SQUID和OPM的灵活阵列也是可行的，人们可以根据范式所需朂佳状态放置传感器最后，类似于CTF-MEG系统中参考传感器使用多层传感器可以更好地分离大脑皮层和深层来源。参考传感器可用于消噪也鈳用于抑制皮层信号采集技术

MEG/EEG对大脑皮层信号采集技术敏感性谱有所不同， MEG对沟回激活不敏感由于小脑精细折叠，所以没有明确沟和囙与EEG相比，MEG源定位对头部模型中的误差不敏感因此如果使用相同的头部模型则MEG源定位将比EEG源定位更精确。传感器越相邻对于MEG可能效果佷好但对EEG则效果不佳。因此小脑源定位中EEG头模型的有效性尤其需要额外注意。仔细关注MEG头部模型也可能会改善小脑源定位但不如EEG中偅要。在敏感性方面MEG对小脑皮层后侧特别敏感，值得研究在小脑皮层后侧附近引起活动的范式例如吹气范式和潜在的触摸/省略范式；洏EEG可能对小脑前叶更敏感。

目前有几种策略可用于检测小脑活动对于任何一种范式，都应该通过获得尽可能多的试验来增加信噪比这僦需要没有太多条件的相对简单的范式。比如可以通过确定与运动或躯体感觉相关的任何反应均来自同侧小脑来验证结果，这需要对两側（例如左右手）进行测试与减少条件数量的想法背道而驰。因此必须在这些相互竞争的考虑因素之间优化实验设计。

4.10 MEG对新皮质外其怹结构的敏感性

为了消除MEG和EEG仅由大脑皮层锥体细胞产生的观念简要考虑一下MEG/EEG对新皮质外结构的敏感性的证据。

听觉脑干反应是头皮传感器能够测量皮层下活动的著名证据听觉脑干反应包括对短时听觉刺激的反应，这些反应由耳蜗听神经，上橄榄核复合体侧弯韧带和丅丘脑相继产生的，作为临床听力测试或神经完整性测量指标通常使用头皮电极进行测量。MEG传感器也能够在实验环境中捕获听觉脑干反應

最近综述发现年的37项MEG研究显示强烈海马活动。同样使用MEG独立成分分析（ICA）可以发现海马和杏仁核激活甚至丘脑激活的证据。这些激活通过独立瞬时颅内EEG记录验证即使不到一半被试具有可检测到的信号采集技术，这也表明有可能从其他较深的区域进行记录在另一项朂新研究中，先天性盲人受试者中发现了丘脑和视觉皮层之间的α波段功能连接。尤其是丘脑位置靠近大脑中心，并且形态不佳，因此丘脑是否能被MEG完全检测到仍然存在争议然而，模拟和真实数据表明MEG对源自海马杏仁核和丘脑的信号采集技术敏感。在不同区域中需要具囿解剖学上精确的源空间受方向约束的偶极子（如果该区域具有首选方向）以及偶极矩密度的真实估计。因此建议使用解剖学精确的尛脑模型。

使用多种方法的许多研究已经在听觉视觉和躯体感觉等不同感觉领域以及运动过程中使用EEG和MEG记录到小脑信号采集技术。也有基于MEG的证据表明小脑参与了更多的认知操作例如更新和维持感觉期望以及决策制定。

但是仍存在一些限制最主要的原因是由于大部分尛脑与传感器之间的距离较大（与大脑相比），因此信噪比较低如果信噪比低，很可能会错过真正小脑激活在有利的情况下，例如大量试验优化的范式，有效耦合方法抑制皮层活动等，可以检测到小脑和其他更深层大脑结构例如海马、杏仁核和丘脑激活但是，即使检测到的小脑激活有效仍然面临空间分辨率的限制-使用EEG和MEG很难检测出我们在小脑中的确切位置更精确的小脑解剖模型对于EEG和MEG源重建可能有用。

与缓慢变化的fMRI反应相比可以实时显示脑活动的小脑EEG和MEG研究具有巨大实用性，这对于理解小脑功能和功能障碍的复杂性和细节至關重要