为了加深理解,我还是用中文描述

 

1. 第一步要对标准MRI(Colin27)进行分层, EEG一般使用BEM{ Brain,Skull,Scalp}, 此为 “Headmodel”

headmodel

2. 第二步需要将Channel  Align到scalp表面 此处可以需要手动调节headmodelwithelec

3. 将整个大脑数据化,生成一个3D的grid 此处只打印brain的部分

grids

对于上述图grids部分,我们有时候也叫sourcemodel,其中有个很重要的部分就是leadfiled

对于leadfiled我们有必要加深理解, 比如 我们有一个维度【15 18 16】的grid 其实就是把整个大脑离散成4320个点,分布在三个面, 其中有1929个在brain,剩余在skull和scalp上, 每个点上有储存有一个leadfiled,用于前向和反向计算, Leadfiled怎么来的? 这是根据前面我们使用的volume conductor  sourcemodel和导电率计算出来的,

 


在Filedtrip里面  sourcemodel 和grid是一个东西,问题是有时候leadfiled也被称为grids

 

潜意识里面我们必须明确:

 

sourcemodel就是一系列你要溯源的信号的位置,就像一个包围在大脑上一层渔网。

 

leadfiled就是渔网上每个网格上的点的一系列值 用于反向和前向计算的矩阵

 

Filedtrip对于leadfiled有时候也用grid来表示 容易引起误解

 

另外再生成leadfiled时候  不提供sourcemodel(grid)

 

程序会自动生成sourcemodel.

 

你可以这样理解:我们在脑皮测到的信号就是源信号和leadfiled乘积的结果。


反向过程:

 

测量信号=源信号*Leadfield(1)

 

预测源信号=反向矩阵*测量信号(2)

 

将一代入二得到:

 

预测源信号=反向矩阵*源信号*leadfiled.

 

我们的目的是尽可能使预测源信号和源信号相等,那么就是反向矩阵*leadfiled=1

 

如何使得 反向矩阵*leadfiled=1?

 

我们已经知道本数据中每个grid点的值(131×3的矩阵)

 

我需要找到一个矩阵使得与leadfiled的乘积无限接近于1,转化成了优化问题,很容易解决,这就是反向问题。

4. 利用反向计算source,得到EEG信号的脑部定位,


对于source的表达方式我们也有必要理解下,filedtrip里面 我们有个source.pow

 

比如我们对Delta频段进行溯源后,就会得到一个source.pow , 是一个4320×1的矩阵, 在brain内的每个点都有一个对应的pow值。

5. 将mri切片 然后将source插入mri 从可以可以在mri上进行可视化, 这里主要是坐标的匹配问题


将mri reslice可以降低mri的解析度还有调整坐标轴 使得画出的图像更加准确,一般为了做组分析,有两种方式:1,使用个人的mri模型生成grid,做好溯源后,将功能数据插入解剖模型 2,将插入后的数据使用volumenormlise 正规化到mni坐标系,然后可以做一些可视化或者统计,但此方法不准确

 

第二种方式:使用统一的grid 然后再做后续的分析, 一般使用第二种方式。

6.将数据插入之后,我们基本将原信号进行定位,实际问题中我们需要知道这些点属于哪个anatomical label, 或者给定anatomical label 我们必须找到对应的点

这里用到的主要是ft_volumelookup函数,使用系统提供的atlas(aal),所有数据的分析都是基于MNI坐标系统的,