电生理方法如何诱发脑神经活动

㈠ 记录神经元活性的电生理方法-1： 神经元放电特性及电生理平台组成

参考文献：
《Guide to Research Techniques in Neuroscience》
《The Axon Guide: A guide to Electrophysiology and Biophysics Laboratory Techniques》

视频：
膜片钳电生理技术_哔哩哔哩

网站：
膜片钳技术|电生理学|电生理学工具-Molecular Devices官网
膜片钳电生理技术 - JoVE

主要是根据电极插入检测样本神经元细胞的位置来划分：

膜片钳有不同的钳制方式，如：

根据需求，不同的电生理记录方法可以宽森迹分别用于记录 体内 和 体外 的神经元细胞的电特性 ( the electrical properties )。(后面将哪种情况下用哪种合适)。

我们首先得知道，电生理研究的是什么？
研究神经元的电生理活动，就研究 不同刺激下 神经元的放电性质(频率，强弱，时长等)，所以我们必须先了解神经元的电特性。

细节这里不讲(另一篇再整理)，这里有几点需要知道的：

工欲善其事，必先慎并利其器
知道了我们想干嘛，我们先看看春碧看记录神经元电生理活动的设备

The Patch-Clamp Rig

我们先从源头开始讲，那当然是微电极 Microelectrode, ME

These metal electrodes not only provide more stable isolation of single units than micropipettes, but they tend to sample from a larger morphological variety of cells and also help in better localization of electrode tracks to identify where recordings took place in whole brains.

Smaller tips have higher resistances, and they restrict the area from which potentials can be recorded, thus permitting the isolation of the activity of either a fiber or a cell. Large tips and low resistances pick up the activity from a number of neurons and are of limited use in efforts to identify the functional properties of single cells.

Tips with very high resistances are also of little use, as they cannot record neural activity unless they are very close to the cell membrane or actually inside a cell.

The headstage is the central hub that connects the electronic equipment to the tissue preparation. It contains an electrode holder that stabilizes the microelectrode ring recordings and also directly connects the microelectrode to the first stage of amplifier electronics needed to detect the electrical signals. The headstage passes the signal to the main amplifier for the main signal processing. The headstage is carefully positioned by the micromanipulator and is also attached to the microdrive.

Accurately placing a patch electrode onto a 10-20 μm cell requires an optical system that can magnify up to 300- or 400- fold with contrast enhancement (e.g. Nomarski/DIC ( 微分干涉相差显微镜 ), Phase, or Hoffman) and a micromanipulator that stably positions the electrode in 3D space. An inverted microscope(倒置显微镜) is preferable because it allows easier access for electrodes from above the preparation and also provides a larger, more solid platform to bolt the micromanipulator. (更好地为微电极腾出操作的空间) A micromanipulator has the ability to move the electrode in very minute distances along the X, Y, and Z axes. The micromanipulator can then hold that position indefinitely.

A microdrive is used to lower or raise the microelectrode to a specific depth in tissue in very fine steps. It is usually preferable to use remote-controlled microdrive systems to eliminate hand vibration. Thus, the headstage (and consequently the electrode) can be set into place by hand using the micromanipulator and then finely adjusted in and out of tissue using a microdrive for the final approach to the cell.

An instrument that contains the circuitry required to measure electrical currents passing through ion channels or changes in cell membrane potential. The amplifier contains the circuitry necessary to measure current passing through the cell membrane both in magnitude and direction. The amplifier can also measure the cell membrane potential in response to the movement of current.

To initiate current movement, the experimenter can deliver a voltage command (钳制电压) to the cell, and the cell will respond by passing the current necessary to maintain that voltage command. (电压钳，用于测过膜电流。) Conversely, the experimenter may also inject current and then measure the change in membrane potential resulting from that change in current. (电流钳，注入衡定电流测膜电位变化，模拟生理状态下离子流动触发动作电位)

*The current acquired by the amplifier is an analog signal, but in order to perform data analysis needed for high resolution patch-clamp measurements, the analog signal must be converted into a digital one. *

然后既然提到了 带宽 和 采样频率 ，就来说说为什么这两者会影响采样的质量。首先要弄清楚一点， 带宽 是也是表示频率，单位是 Hz，带宽代表的是 数据本身的频率 ，而 采样频率 指的是 从数据中抽样的频率 。如下图，左边是 原始数据的频率 ，右边是 采样数据的频率 。很明显可以看出，采样频率越高，数据还原度越高。

然而，带宽只是代表，而并不等于 数据本身的频率 ，因为模拟信号存在着衰减的情况。先来看看从microelectrode 到 Digitizer 的结构。

模拟信号输入路径(Analog-Input-Path)

The analog input path attenuates, amplifies, filters, and/or couples the signal to optimize it in preparation for digitization by the ADC. The ADC samples the conditioned waveform and converts the analog input signal to digital values that represent the analog input waveform. The frequency response of the input path causes an inherent loss of amplitude and phase information.

带宽Bandwidth
It is defined as the frequency at which a sinusoidal input signal is attenuated to 70.7 percent of its original amplitude, which is also known as the -3 dB point. It is defined as the frequency at which a sinusoidal input signal is attenuated to 70.7 percent of its original amplitude, which is also known as the -3 dB point.

Bandwidth describes the analog front end’s ability to get a signal from the outside world to the ADC (analog-to-digital converter) with minimal amplitude loss—from the tip of the probe or test fixture to the input of the ADC. In other words, the bandwidth describes the range of frequencies an oscilloscope can accurately measure.

(不知道这一块有没有讲清楚，到这里电信号是如何产生，以及如何采集已经基本讲完了，后面就是数据的可视化，屏蔽环境噪音等)

Oscilloscope & Loudspeaker System & Computer & Software

An oscilloscope receives the electrical signal from the amplifier and displays the membrane voltage over time. This is the major source of data output in electrophysiology experiments. They can also be heard by connecting the output of the amplifier to a loudspeaker. Action potentials make a distinctive popping sound, so recording the activity of an active neuron can sound like popcorn popping. Loudspeakers can be helpful when trying to locate a neuron of interest, because different types of neurons have distinctive firing patterns.

Computers have greatly aided electrophysiological studies by automating stimulus delivery and electrical signal recording. Computers can easily manipulate many parameters ring recordings, such as the recording thresholds and stimulus delivery timing. Computers also allow simple real-time data analysis, displaying the results of an experiment, even while the experiment is occurring.

这一篇主要讲了：
1. 主要的电生理技术
2. 神经元电特性
3. 电生理实验的设备

还没讲的有(放到后面吧，看那么多大家也累了)：
1. 什么是电流钳？什么是电压钳？
2. 实现的电路原理 (现在只是简单介绍了一些信号采集的过程)
3. 信号处理 (最原始数据是怎么变成我们拿到手的数据的，这部分我可能能力不足先跳过)
4. 胞外记录，胞内记录，膜片钳的应用
5. 文章中的电生理图怎么看？figure (其实就是拿到手的 data 怎么加工变成文章展示出来的 data)
6. 其他拓展应用，如果结合光遗传

㈡ 重磅综述：人类电生理的脑连接组学

脑连接组学是一门快速发展的神经科学子学科，可以用来从宏观尺度上检查不同脑区之间的功能和结构连接关系。研究表明，功能性磁共振成像中常见的规范脑连接网络实际上植根于电生理过程。电生理学研究将为分层大脑网络中的信息整合提供可测试的机制模型。总之，电生理学包含一组交叉科学技术和方法，可提供对大脑系统神经动力学的探索。原则上，它们可以就功能通信如何在大脑网络中以生物学方式实现提供独特的见解，从而在广泛的时间范围内实现复杂的行为 。 此综述的目标是解释电生理学方法与连接组学研究之间的相关性。

1  简介

脑连接是神经科学中一个年轻而快速发展的分支学科，它已经改变了人类的大脑图谱。 连接组研究起源于21世纪初的核磁共振，在图论等数学工具的推动下，旨在提供对健康和疾病中大脑结构和功能的综合分析 。 电生理功能连通性可以定义为一组描述“跨低级别网络的高级别耦合”的指标。低水平网络是由相互连接的细胞组成，分布在1厘米或更大的皮质上--这种空间尺度在整个大脑中随局部细胞密度、区域深度和该区域内电流的主要方向而变化。因为这种局部回路在功能上是相对同质的，所以我们猛衡把它们称为“大脑区域”。高水平的耦合构成了这些局部区域之间的信号相互作用。这些相互作用的区域相隔的距离基本上大于网络中每个区域的空间范围，它们构成了本文提厅知隐及的高级网络。

电生理技术是历史上第一个测量大脑活动的技术，在基础(人类和动物研究)和临床神经科学中仍然是最容易获得和发表最多的技术。它们由非常多样化的方法组合而成，这些方法随着几十年来传感和计算技术的进步而演变。 它们的特殊优势是：1) 直接评估神经活动的能力，对比间接代谢信号；2) 毫秒级的时间分辨率；3) 从单个细胞到整个大脑的多空间尺度记录；4) 通过神经刺激确定因果效应；以及5) 便携式、可移动仪器的可用性、成本效益和数据质量的日益增长 。

总扮厅而言之，电生理学包括一套交叉的科学技术和方法，为研究大脑系统的神经动力学提供了独特的途径。原则上，它们可以对大脑网络中如何在生物学上实现功能性通信提供独特的见解，从而在广泛的时间范围内实现复杂的行为分析 。 我们在这里的目标是解释为什么这些独特的特性使电生理方法特别适用于脑连接组研究。

2 电生理连接的度量

2.1 电生理数据类型

大脑区域之间的电生理高级连接的测量必须提供 1）高保真度，即足够的信噪比（SNR），以准确表征来自不同大脑区域的信号之间的统计依赖性；2) 足够的空间分辨率，以确保区域之间的连通性估计不会因从一个区域到另一个区域的虚假信号交互（“泄漏”或“串扰”）而显着降低。考虑到这两点，电生理测量可以分为两类：

(1)    非侵入性方法 包括脑电图 (EEG) 和脑磁图 (EMG)。前者测量大脑中波动电流产生的头皮表面的电位差，后者测量相同电流波动产生的相应磁感应。

(2)    侵入性测量 通常统称为颅内脑电图 (iEEG)，范围从皮层电图 (ECoG)到更深结构的深度电极。电极参考位置的选择通常决定了进行测量的神经元群体的大小。测量结果通常反映了来自皮层锥体细胞 (类似于MEG/EEG) 的 LFP，这些细胞总和超过了数千个神经元。

由于颅外传感器远离脑源，脑磁图和脑电图具有较低的信噪比（尤其是在高频下）。与EEG相比，MEG提供更高的空间精度，因为它对头部组织的几何形状和电导不太敏感。MEG也不太容易受到生物伪影的影响。然而，MEG 的购买和运营成本也更高，因此更难获得。传感技术的重大进步有望提供新的、更灵活和负担得起的 MEG 仪器，这些仪器最近被证明对连通性测量有效。

2.2 电生理信号连通性评估方法

从广义上讲，电生理连接指标可以分为两类，频带内和频带间。目前流行的两类频带内连通性度量：固定相位关系和幅度相关度量。这些不同的技术被认为可以深入了解两种不同的功能连接模式。对于频带间测量，存在三种典型的技术系列：相位-相位、幅度-幅度和相位幅度耦合，后者是最常用的 。 图1中展示了常规的基于生理电信号的脑连接构造步骤。     

图1处理电生理数据以得出电生理连接组测量的基本方法

与所有类型的生物信号分析一样，对电生理连接的最大威胁源于数据质量的固有限制，最值得注意的是空间分辨率和信号泄漏有关——尤其是对于 MEG/EEG。近年来，已经引入了可靠且稳健的方法来减轻泄漏。其中大多数依赖于这样的想法，即泄漏必然表现为具有零时滞的信号之间的关系。在探测信号之间的固定相位关系时，可以轻松消除这种零滞后效应——例如，仅采用相干计算的虚部，或通过使用相位滞后指数。除了上面定义的一类指标，研究者还开发了许多有向指标，例如格兰杰因果、部分定向相干性和动态因果建模。 这些指标利用电生理测量的高时间分辨率来推断两个区域之间信息流的平均（在某个时间窗口内）方向。

2.3 面向动态时序连接

上述连接性度量通常应用于许多分钟或几个小时的数据，并且被称为“静态”连接体。事实上，情况并非如此，因为大脑必须在快速(毫秒)的时间尺度上持续形成和分解网络，以回应不断变化的认知和行为需求。

2.3.1 滑动窗方法

在最简单的层面上，动态连接可以通过“滑动”窗口计算。一个关键点是这种技术提供的效用取决于窗口的长度。反过来，这取决于人们在多大程度上可以在短时间内获得可靠的连通性度量，而这本身取决于信号中自由度的数量。一个信号的时间自由度 n  = 2 Bw D ，其中 Bw 是信号带宽， D 是窗口的时间宽度。虽然fMRI信号的带宽为~ 0.25 Hz，但电生理信号的名义带宽至少为100 Hz。这意味着，在电生理学中，基于滑动窗口的连接测量的时间窗口比fMRI短约400倍。这反过来又使电生理学成为动态功能连接测量的首选技术。在实践中，电生理信号在不同波段包含不同的特征，人们通常会考虑计算窄带信号(如alpha、beta、gamma波段)的连通性。这意味着fMRI在时间分辨率上的改善并没有那么显着。然而，即使对于最窄的波段(例如8-13 Hz alpha波段)，带宽仍然保持在5 Hz，在时间分辨率上比fMRI至少提高20倍。

然而，尽管电生理信号的带宽很高，滑动窗口宽度的选择仍然是一个有趣问题。人们真的希望窗口宽度与大脑中网络波动的时间尺度相匹配。然而，在实践中，这几乎肯定是未知的，并且可能在实验过程中发生变化。同样，对于不同的网络，它可能是不同的，随着年龄或参与者的病理状态而变化。也有可能，连通性波动的时间尺度可能太短，无法有效测量窗口内的连通性(例如，对于alpha波段，1秒的窗口，与认知加工相比仍然很长，只包含10个自由度)。由于这些原因，虽然滑动窗口仍然是一个有用的和概念上直接的工具，但很可能其他方法可以更好地利用电生理学提供的高时间分辨率。

2.3.2   除滑动窗方法之外

许多技术试图“时刻”检查连通性，即在电生理时间过程中获得每个样本的功能连通性估计。一种可用的技术是相位差导数 (PDD)。简而言之，PDD探测固定相位关系的存在，采集来自远端区域的信号的瞬时相位，并随时间测量它们之间的差异。如果差分导数为零，则暗示瞬态固定相位关系。近年来，基于隐马尔可夫开发的一种技术能够回避窗口问题。该方法假设电生理数据由一系列相互排斥的隐藏“状态”控制。这意味着在任何一个时间点，大脑都可以说是处于一种特定的状态。在未平均或静止状态中，PDD和类似指标往往是不稳定的，并且最终会在时间窗口上取平均值，这最终导致滑动窗口面临同样的问题。然而，在基于任务的研究中，假设相同的实验范式重复多次，PDD 可以在试验中平均。

一种基于隐马尔可夫建模的技术（HMM）能够回避窗口问题。迄今为止，该技术主要应用于MEG，但最近的论文已将其用于EEG和fMRI。HMM假设电生理数据由一系列相互排斥的隐藏“状态”控制。这意味着在任何一个时间点，大脑都可以说是处于一种特定的状态。在最简单的形式中，HMM可以描述单个电生理时间过程中的状态。每个状态都可以用电生理数据的高斯分布来描述。使用这种无监督的方法，大脑何时进入或离开特定状态的识别是自动化的。因为 HMM以数据驱动的方式自动选择时间窗口。

3  利用正在进行的电生理活动来定义电生理连接组

许多常见的电生理分析本身无法提供对大脑行为关系的全面机制理解。电生理测量通常重复多次，并且在试验中对数据进行平均，以检测相对于“基线”参考期的可能影响 。 在大多数电生理研究中，基线被丢弃，将持续的大脑动力学视为“噪音”。在这里，我们主张充分利用，而不是“纠正”，正在进行的神经过程及其空间组织对电生理记录的贡献。与任务相关的连通性变化通常将正在进行的电生理过程视为“噪音”。 同样重要的是，研究少数与任务相关的传感器的选择方法忽略了电生理数据的分布式空间组织 。 3.1小节详细阐述了正在进行的电生理活动的空间组织（即跨区域对的连接强度的全脑模式），并讨论其行为意义。3.2小节简要回顾了有关正在进行的活动动态的最新证据。

3.1  持续的电生理活动具有内在的时空组织

3.1.1 颅内电生理学中的内在空间组织

尽管颅内研究通常缺乏全面描述内在连接网络所需的全脑覆盖，但个别研究证实了特定内在连接网络的存在 。 一项研究报告表明，在所有规范频带中，组级 fMRI 连接组与汇集的全脑ECoG连接组之间存在适度的关联。值得注意的是，尽管许多寻求与 fMRI 衍生的功能连接相似性的研究都集中在高伽马功率的缓慢共波上，但上述研究扩展到其他振荡频率的幅度耦合以及振荡相位的测量。总之，人类 iEEG 研究提供了关于存在跨振荡频率和连接测量的持续电生理连接的内在空间组织的信心，并且还为 fMRI 中经常报告的空间网络组织提供支持。

图2 电生理数据中内在的全脑连接组织。A)在源空间MEG幅度耦合中通过基于种子的连接观察到的感觉和运动的内在脑连接。光谱图（右）表明alpha和beta波段振荡对这些内在网络的贡献很大；B) MEG中特定频带的振荡幅度的内在脑连接（显示了四个作为示例），包括感觉/运动以及高阶网络；C)连接强度在 fMRI 和颅内电生理学（ECoG 幅度耦合）之间存在空间关联。对于所有频段，这种相关性的强度约为 0.35；D）在 fMRI 和同时记录的头皮脑电图（相位耦合）之间观察到类似的连接强度的空间关联。左侧散点图显示了 beta 波段的示例，其中每个数据点来自连接组的一个区域对，平均跨受试者中以相似的效应大小重现。

3.1.2 颅外电生理信号的内在空间组织

有了对内在空间组织建立的信心，我们转向全脑连接组的MEG和 EEG 源空间研究。许多 MEG 幅度耦合研究为使用基于种子的相关性提供了感觉和运动趋同的证据。虽然其中一些研究使用宽带信号，但那些专注于不同频段的研究通常报告 α 和β 频段在反映 内在脑连接方面占主导地位。此外，虽然幅度耦合一直是MEG 静息状态连接组研究中更常用的连接模式，但 MEG 相位耦合显示出由内在脑连接锚定的类似空间分布。 尽管与 MEG 相比，EEG 对体积传导的敏感性更强，但 EEG 同样有力地反映了连接组的内在空间组织 。

图3 功能网络的毫秒动态。A）应用于静息状态MEG的隐马尔可夫模型(HMM)提取数据。每个状态都由特定的地形决定。这些状态图类似于fMRI通常观察到的典型内在连接网络 (ICN)。B）与 HMM 状态相关的时间尺度显示在面板A中；C)“重放”是大脑自发地重新审视最近获得的信息以例如巩固记忆的过程。这些重播事件与特定 HMM 状态发生概率的改变有关。左图显示了“重放”事件期间 HMM 状态发生概率的变化。右侧的地图显示了在回放期间更有可能表达的四个大脑网络，其中包括默认模式和顶叶阿尔法网络。

3.1.3 跨认知状态的内在电生理连接组的稳定性

大规模连通性的内在空间组织的一个关键特征是其认知上下文的相对独立性。这种对认知环境的不敏感性在fMRI中得到了很好的量化，表明大脑的fMRI 衍生的时间平均连接组组织的特定任务变化很小。然而，与 BOLD 信号的非周期性慢速波动相比，基于振荡的功能连接可以很好地支持认知过程所需的数十到数百毫秒的快速时间尺度上的远程通信。这种能力是否会导致认知环境对电生理 FC 组织进行更强的重构？诸如上述讨论的电生理连接组研究通常侧重于无任务静息状态，很少有电生理连接组研究定量比较认知状态。

一项这样的研究分析了不同唤醒水平和日常活动的一天 iEEG 记录。源自 100秒和更长周期的幅度和相位耦合在昼夜循环中显示出一致的空间组织。一项使用传感器级脑电图的相关研究确定了振幅和相位耦合组织在不同睡眠阶段和觉醒的高度空间相关性。源空间中的EEG研究表明，在对不同任务（静止状态、视频观看和闪烁光栅）进行几分钟计算时，相位耦合在空间上是一致的，并且跨频带具有相似的模块化组织。相位和幅度耦合揭示了跨认知状态的高度相似、很大程度上与状态无关的空间分量。这种空间组织在所有频带之间共享。

总的来说，这些研究表明，功能连接的空间组织在认知状态（包括觉醒水平、静息清醒和具有不同认知需求的任务期）上基本稳定，即它本质上主要是内在的。该组织在很大程度上也是跨频段共享的。因此，电生理连接组的动态变化，包括那些自发发生的、由任务环境引发的或由刺激引起的变化，应该根据相对稳定的内在组织的信息偏离来研究 。

3.2 持续的活动在快速的时间尺度上动态变化

连接性随时间变化的现象已得到充分证实。虽然连接的静止状态波动很明显，但有时很难（甚至不可能）将这些波动与行为联系起来 。 奥尼尔等人使用滑动窗口来演示电生理连接如何随着运动任务而变化。这项工作采用了一种基于典型相关性的方法，能够检测感觉运动系统中的“子网络”。Neill 等人使用 6 秒滑动窗口测量了完整的连接组矩阵，并展示了 Sternberg 工作记忆任务期间网络的形成和分解。 这些研究开始表明，功能连接的完整动态方法为任务诱发动力学提供了新的见解 。

使用隐马尔可夫模型可能会消除滑动窗口（和类似）方法的局限性 。 在 Baker 等人的早期论文中，这种方法被用来揭示大脑状态的复发，这些状态被证明存在于几百毫秒的时间尺度上。Vidaurre 等人表明可以从正在进行的电生理数据中提取规范的 ICN（运动、视觉、默认模式）。重要的是，这些网络再次被证明可以在快速（<100ms）的时间尺度上进行调制。这些研究表明，规范ICN的表达可能会在比以前想象的更快的时间尺度上发展。

测量网络动力学毫秒波动的能力引出了一个问题，即是否可以使用相同的方法来理解电生理数据的持续时空特征如何与任务相交 。 Higgins 及其同事最近的工作解决了这个问题。作者使用 HMM 来模拟自发记忆“重放”期间的网络波动。回放是与特定项目相关的神经活动自发启动以巩固记忆的过程。回放事件通常在默认模式和顶叶 alpha 网络的激活期间选择性地发生——这两个网络已知与内向注意力相关。 这些发现提供了迄今为止最清晰的指示，表明正在进行的电生理网络活动如何被动态和选择性地调节以支持认知处理 。

综上所述，电生理学为以毫秒级时间和高空间精度标测动态连接体提供了最佳途径。结合对神经生理学相互作用的有意义的测量，它有助于更好地表征静息状态无任务数据。此外，电生理学还有助于更深入地理解任务诱发事件与正在进行的大脑活动之间的关系 。

4  有意义的电生理信号的频率带宽是多少？

电生理信号的毫秒级分辨率是他们最大的神经科学资产。信息论的一个主要结果是，信号分量以采样频率的一半的速度演化，就可以传达有意义的内容。当前电生理学硬件的数字化采样率可以高达每通道几十kHz。这是否意味着高达10kHz的大规模大脑信号波动传达了对识别连接组相互作用有意义的信息位 。

在特定环境中测量特定生物系统的每一种仪器都容易受到噪声的影响。噪声表征经常被随便忽视，因为它具有挑战性或根本不切实际。在我们的领域中，MEG系统最适合仔细表征环境和仪器噪声条件。运行“空房间”测量确实被认为是一种很好的做法，即在每个实验会话周围没有参与者在 MEG 传感器阵列下的情况下，以捕获可能在会话之间发生变化的噪声条件的导数，此类“干”数据运行有助于表征技术本底噪声及其频谱时间结构。

对于EEG，“空房间”条件是不切实际的，因为电极信号需要直接接触导电介质，即头皮或精心制作的导电体模设置。因此，截止频率和采样率通常是特殊定义的，通常设置在数百赫兹的范围内。这既不完全严谨也不令人满意，而只是举例说明了实验神经科学的某些方面如何仍然受到实践的指导。

考虑1 kHz采样的数据，这是该领域常见的范围。因此，理论上可用于信号分析的最大频率为500 Hz，实际上约为 250-300 Hz，这通常由仪器的附加抗混叠硬件滤波器强加。一个 250Hz 的大脑信号频带代表了一个由慢到快波动的广阔领域，以表征 电生理连接 组。从电气工程的角度来看，电生理数据因此被认为是 宽带 信号。有经验证据表明，头皮和皮质记录可以捕获与复杂的人类行为或临床症状有意义相关的快速（高频）信号。例如，外部感觉信号的神经夹带是一种强大的实验方法，可以通过在高达100 Hz左右的快速频率下特别提高它们的信噪比。刺激事件也可以诱发100 Hz以上的高频振荡突发并且由癫痫脑自发产生。这种快速信号是否在大脑网络的区域间通信中发挥作用是一个积极研究的问题。

总之，宽带信号可以实现丰富多样的信息通道。这意味着神经信息位可以通过不同的信息通道（例如限制在窄频带内的振荡信号）和/或通过更复杂的信号编码形式（例如相位幅度、交叉频率）在区域之间并行传输互动或以上所有。这些考虑对于产生可测试的机械假设以理解定义功能连接组的电生理信号相互作用的性质具有深远的意义 。

5  总结

本文总结了跨电生理学和功能磁共振的连通性在空间和时间上的收敛，它们不受逆问题的影响。我们还强调了电生理连接与个体内部和个体之间的行为的关联，以及与认知过程（如记忆巩固）相关的快速时变连接动力学，这些进一步支持了源定位电生理连接的重要性。使用血流动力学信号在很大程度上无法获得如此快速的连接组状态变化。此外，电生理和功能磁共振连接可能反映部分不重叠的神经和生理现象。功能性磁共振被概念化为由血流动力学反应平滑的电生理活动。然而，经过优化以在快速或慢速时间尺度上进行通信的神经群体和神经束可能分别通过电生理和功能磁共振测量得到更大的权重，并且功能磁共振连接可能容易受到跨区域血管需求的影响 。

最后，我们认为全脑电生理连接组学是基础和临床神经科学研究的机会。我们希望当前的观点和立场能够激发人们的信念，以充分利用人类大脑的分布式持续电生理中未知的财富。

参考文献：

Connectomics of human electrophysiology

㈢ 脑电波是什么

脑电波是一种使用电生理指标记录大脑活动得方法，大脑在活动时，大量神经元同步发生的突触后电位经总和后形成的。

脑电波是一些自发的有节律的神经电活动，其频率变动范围在每秒1－30次之间的，可划分为四个波段，即δ（1－3Hz）、θ（4－7Hz）、α（8－13Hz）、β（14－30Hz）。

1、δ波：频率为1～3Hz，幅度为20～200μV。当人在婴儿期或智力发育不成熟、成年人在极度疲劳和昏睡或麻醉状态下，可在颞叶和顶叶记录到这种波段。

2、θ波：频率为4～7Hz，幅度为5～20μV。在成年人意愿受挫或者抑郁以及精神病患者中这种波极为显着。但此波为少年（10－17岁）的脑电图中的主要成分。

3、α波：频率为8～13Hz（平均数为10Hz），幅度为20～100μV。它是正常人脑电波的基本节律，如果没有外加的刺激，其频率是相当恒定的。人在清醒、安静并闭眼时该节律最为明显，睁开眼睛（受到光刺激）或接受其它刺激时，α波即刻消失。

4、β波：频率为14～30Hz，幅度为100～150μV。当精神紧张和情绪激动或亢奋时出现此波，当人从噩梦中惊醒时，原来的慢波节律可立即被该节律所替代。

(3)电生理方法如何诱发脑神经活动扩展阅读：

大脑电波分为左右两部分：左脑负责数字、语言、逻辑及分析；右脑负责音乐、美术、想象、创造等。

左脑电波的天然频率是BeTA，而右脑电波的天然频率是Alpha。

成年人一般只用左脑思考，而忽略右脑，故脑电波以BeTA为主。

7～14岁的小孩子则不同，他们较多用右脑思考，故脑电波以AlphA为主。这时的儿童，爱好音乐、颜色、美术、想象及创作等活动。但随着他们年龄增长及教育制度的使然，大脑的思考活动会逐渐转到左脑去，脑电波亦跟着加快到BeTA。

㈣ 自发和诱发电生理活动之间的动态关系

文章来源于微信公众号（ 茗创科技 ），欢迎有兴趣的朋友搜索关注。

自发的神经活动波动已被证明会影响感知、认知和行为结果的变化。然而，这些波动形成刺激诱发的神经活动的复杂电生理机制仍有待进一步探索。 自发和诱发电生理活动之间的动态关系 这篇研究使用大规模脑磁图数据集和脑电图可复制数据集，考察了一系列电生理变量中自发和诱发神经活动之间的关系。研究结果发现， 对于高频活动，刺激前高振幅会导致更大的去同步诱发电位，而对于低频，刺激前高振幅会导致更大的事件相关同步。 研究者进一步将电生理功率分解为振荡和无标度分量，并且展示了每个分量的自发-诱发相关电位的不同模式，发现了自发和诱发时域电生理信号之间的相关性。这种多个电生理变量的动力学在自发和诱发活动之间的关系，对非侵入性电生理学的实验设计和分析具有启示意义。

1.前言

即使在没有特定的实验刺激的情况下，神经活动也会显示出时间和空间结构的自发波动。这种自发的神经活动与各种形式的内在认知有关，例如思维游离、自我参照加工、心理时间旅行和社会认知/心理理论。虽然自发活动通常是在无刺激的“静息状态”中进行研究的，但它在认知任务中的神经活动波动是持续存在的。最近的多项研究表明， 刺激开始前的自发神经活动可以预测或影响参与者与刺激相关的知觉，自我感知，意识，注意力，反应时间和工作记忆。 刺激前活动对行为结果的普遍影响引发了关于这种效应的神经机制的问题。 如果自发的刺激前神经活动 能够在 行为上观察 到 ，那么它必须影响大脑对外部刺激的 加工 ，从而影响刺激 开始 后的神经活动变化。 然而，目前对自发的刺激前和刺激诱发活动之间的动态关系仍知之甚少。

关于自发和诱发活动关系的脑电图(EEG)和脑磁图(MEG)研究通常侧重于刺激开始两侧的神经生理的不同方面，基于普遍的生理学变量的假设，选择刺激前活动的特定操作变量，如去同步化。纳亮段然而，在相同的电生理特征下，自发活动和诱发活动之间是否存在系统的关系，而不是通过不同的测量方法来操作这两种分量的，目前仍未可知。 例如，是否存在 一种 动态机制，通过这种机制， 刺激前 伽马功率的自发变化会影响刺激诱发的伽马反应，或者，诱发反应是否主要受更普遍的大脑兴奋和同步状态的影响？ 虽然这种自发-诱发关系已经在fMRI的BOLD信号动力学中显示出来，但从未在MEG/EEG中进行研究。这对于MEG/EEG信号的生理学解释的可行性是相当重要的。

脑电图和脑磁图提供了一个了解大量神经生理洞誉现象的窗口，并且时域和频域的分析反映了不同的潜在神经生理过程。 时域电生理信号反映了许多神经元的同步突触后电位，而频域分析允许记录如(8-13 Hz)，(4-8 Hz)和(13-25 Hz)的皮层振荡。 这些被认为反映了皮质反馈回路或神经递质相关的过程。频域键粗分析也揭示了节律性无标度活动，这与兴奋-抑制平衡和自组织临界的复杂网络模型有关。

本研究针对一组不同的电生理变量来考察自发和诱发的神经活动之间的关系，即使用 简单感觉范式的大规模脑磁图数据集 ，以及具有更 复杂的认知任务的可复制脑电图数据集 。这使研究者们能够 探索刺激前和刺激诱发的任务特异性与非特异性。 在频域中，研究者观察到多个频段中的自发和诱发功率存在广泛相关性，这一发现在不同的模式和任务中是一致的。然而，这种相关性的类型和大小在不同频段有所不同。研究者发现， 在检查纯振荡功率时，在混合功率中的自发和诱发活动的相关性在很大程度上得到了概括。 无标度活动的两个参数(标度指数和宽带偏移)也显示出自发和诱发之间的正相关关系。 在时域中也观察到自发和诱发活动之间的相关性，它们似乎是特定于任务或模式的。本研究揭示了许多常见电生理变量自发和诱发神经活动之间的不同关系。这可能 在未来有助于解释自发活动的反复波动影响认知和知觉结果的神经生理学机制。

2.材料和方法

评估自发和诱发活动之间相关性的方法。研究刺激前和刺激后活动关系的fMRI研究采用了两种不同的方法： 试次间变异性(TTV)和伪试次。 试次间变异性(TTV)利用总变异率来评估自发活动(X)和诱发活动(Y)之间的相关关系。

自发和诱发活动之间假定的相关性用r XY 表示。 由于方差始终为正，唯一可以观察到试次间变异性降低的情况是该系数为负的情况。因此， TTV的降低意味着自发活动和诱发活动之间存在负相关。 然而，三种模型中的任何一种都可以使TTV增加。研究发现，在刺激开始后，fMRI反应的试次间变异性降低，这种模式只能通过假设自发的BOLD与诱发BOLD信号之间存在负相关来解释。

最近，出现了一种更直接的方法来评估 fMRI 中自发活动和诱发活动之间的相关性。评估这种关系的一种直观方法是比较刺激前活动高/低的试次的时间过程。然而，这种方法可能会被均值回归所混淆，具有高刺激前活动的试次可能有自然地向均值回归的趋势。为了校正这一点，Huang等人将相同的程序应用于“伪试次”，即任务中没有刺激的部分。伪试次根据其“刺激前”活动（伪试次开始前的活动）的中位数分为几组：这提供了自发活动对中值分割过程反应的估计。然后 将 每个条件下的 真实 试 次 时间过程减去每个刺激 前 条件下的伪试 次 时间过程。 真实试次刺激前高和低组之间的剩余差异反映了自发活动对诱发活动的真实影响。这种方法的一个优点是，它可以 从理论上检测自发活动和诱发活动之间的正相关 ， 并将其与负相关区分开来，这是 试次间变异性 (TTV)方法无法实现的 。

数据集和实验设计

研究者使用了两个先前发表的数据集，以两种不同的成像方式来研究假设。来自剑桥老龄化和神经科学中心(CamCAN)  MEG 数据集 （可从http://www.mrc-cbu.cam.ac.uk/datasets/camcan/上获取） （文末提供了MEG和EEG数据集的网址链接，有需要的小伙伴可以去看看~） 。采用Vectorview 306通道MEG系统(Elekta Neuromag, Helsinki)记录数据。与此数据集相关的任务是一个简单的感觉运动任务，在该任务中，给参与者呈现一个多模态听觉(300 ms音调)和视觉(34 ms棋盘模式)刺激。接下来给被试呈现120个试次，试次间隔(ITIs)在2到26s之间不等。听觉和视觉刺激同时呈现，要求参与者在感知到刺激后进行按键反应。

为了验证这些结果，研究者使用了Wolff等人先前发表的 道德决策范式 的数据。在这个任务中，参与者(n = 26)会面临 天桥困境 。要求参与者通过按键来回答“是”或“否”，从而得到死亡和获救的比例。另一种外部引导条件是要求参与者简单地比较屏幕左侧和右侧的人数。为了本研究目的，研究者将这两种情况结合起来考虑。共有420个试次被纳入分析，ITI在5到6s之间抖动。

3.结果

同一参数的自发活动和诱发活动之间的关系通常可以用简单的相关性来概括： 在 正相关中，高刺激前活动 会 导致更大的 诱发 反应，而在负相关中，低刺激前活动 会 导致更大的 诱发 反应。 然而，自发活动和诱发活动之间的关系经常被刺激后时期自发活动的持续存在所混淆。因此， 在研究同一变量内自发活动和诱发活动之间的动态关系时， 只用 相关性方法是不够的。目前有两种方法可以 用于 评估自发和诱发活 动 之间的相关性 ， 即 TTV法和伪试 次 法。 对于TTV方法，TTV是计算跨试次信号的标准差： 根据总方差定律(见方法和图1c，右)，刺激后TTV的降低表明自发活动和诱发活动之间存在负相关。

另一种方法是使用伪试次法以更直接的方式计算刺激前活动的影响(图1c，左)。试次被分为两组：高于中值和低于中值的刺激前活动水平组，并且相对于基线计算刺激后的时间过程。然后，通过 从试次间隔中减去“伪试次”来校正这些时间过程（见图 1c，左） 。这可以校正具有相同初始条件的正在进行的自发波动，从而回归到自发活动的平均值。如果高刺激前活动的试次显示出比低刺激前活动的试次更大的诱发增加（或更少的诱发减少），这就是自发活动和诱发活动之间正相关的证据。相比之下，如果高刺激前活动的试次显示出比低刺激前活动的试次更小的诱发增加（或更大的诱发减少），那么，这就是负相关的证据。由于伪试次方法能够检测正相关和负相关，本研究将分析重点放在这种方法上，并且使用TTV方法来证实这些发现。

图1. 本研究主要目标和研究方法示意图

应用这两种方法来检测时域和频域信号中自发活动和诱发活动之间是否存在相关性。为此，研究者 同时使用了 MEG 和 EEG 数据集 。

频域中 的 自发 - 诱发相关 —— 因 频带 而异

使用伪试次的方法，通过比较低与高刺激前功率试次中的诱发功率来测试MEG中自发活动和诱发活动之间的相关性（图 2）。在宽带数据中，可以观察到在 刺激后200ms左右开始的低刺激前功率和高刺激前功率条件之间存在显着差异。 对于特定频段，结果显示了多个频段中刺激前功率的显着影响，包括 delta、theta、alpha、beta和低伽马波段。 使用试次间变异性法（TTV；图2b）证实了自发和诱发光谱功率之间的相关性。从图中可以观察到 宽带中TTV的早期增加和随后的下降（图 2b) 。研究者计算了不同频段的TTV。 对于theta，alpha，beta和低伽马波段，可以看到TTV（相对于刺激前期）有非常明显的下降，且在 400-500ms之间达到峰值。

图2. 在CamCAN数据集中使用伪试次方法和TTV方法评估自发功率谱和诱发功率谱之间的相关性。

时域中 的 自发 - 诱发相关 —— 方法之间的冲突

采用与功率谱相同的方法，在时域中检测刺激前和刺激后活动之间非加和关系的可能性（图 3）。 使用伪试次方法，可以观察到时域电生理信号中自发活动和诱发活动之间存在显着的正相关，这表明对于高（正）刺激前的场强比低刺激后的磁场强度更高（图 3a） 。 有趣的是， 这种影响在整个刺激后时期基本保持不变，而不是达到峰值后下降。

图3. 自发和诱发磁场强度的时域相关性，使用CamCAN数据集中的两种方法进行评估。

为了检查两种方法之间差异的可能来源，研究者进行了模拟分析（图 4）。正如材料和方法中描述的那样， 模拟自发电压和诱发电压之间的负相关，而振荡功率没有变化，以及振荡功率降低与刺激前电压和刺激后电压之间没有相关性。 研究者发现在两个模拟中，TTV 都显着降低。然而，只有在自发-诱发相关模拟中，才观察到使用伪试次方法校正刺激前的高低振幅有显着差异。这表明， 上述使用TTV方法得出的负相关结果可能会被刺激开始后alpha功率的降低所混淆 ；出于这个原因，研究者认为使用伪试次方法获得的结果反映了时域信号中的真实情况。然而，伪试次的方法也可能受到ERP信号的宽带性质的影响，这种可能性在讨论中进行了详细阐述。

图4. 解开图3中方法上出现的不一致而进行的模拟结果。

频域的自发 - 诱发相关 —— 振荡分量和分形分量

本研究的第三个目的是分别研究振荡和节律性失常、无标度活动中自发活动和诱发活动之间的关系；此外，检查这些参数中哪些参数最能解释混合数据中所观察到的效果。根据图4的结果，研究者集中分析了伪试次方法中的振荡和分形功率（使用TTV方法的结果与使用伪试次方法的结果一致）。

使用伪试次方法的结果表明， delta和theta的自发和诱发振荡活动之间呈正相关 （图 5a），以及 alpha、beta和低伽马的自发和诱发振荡活动之间呈负相关 。 此外，研究者定量比较了振荡和分形活动之间的自发-诱发相关性，发现 在 给定频带内的振荡活动通常比相同频率范围内的分形功率表现出更强的 自发 - 诱发相关性。

无标度活动可以用幂律分布来描述，幂分布为1/fβ ：这可以通过对数尺度上的线性拟合来建模。无标度活动可以用两个参数来描述： 标度指数和宽带偏移。 研究者考察了这两个参数是否与无标度活动相关。 分形活动的标度指数和宽带偏移上的自发和诱发活动之间呈正相关(图5 b)。 中央传感器上的宽带偏移的自发和诱发活动之间存在负相关，使用TTV方法达到显着性水平，但使用伪试次方法未达显着性。 该结果表明，振荡和节律性失常/分形分量对自发活动和诱发活动的正相关和负相关测量有显着贡献，而混合数据中观察到的相关主要归因于皮层振荡，而非无标度活动。

图5. 功率谱的振荡和分形分量的自发和诱发活动的关系，使用伪试次方法进行评估。

在 EEG数据集中 验证 自发 - 诱发 活动 的相关性

为了确保研究结果的稳健性，研究者在EEG 数据集中应用相同的步骤（图6和7）。该数据集包含一个对认知要求更高的范式，即Wolff等人研究中的道德决策任务。使用伪试次的方法，发现与图2中相同的自发-诱发相关模式，其中 delta显示正相关，而alpha、beta 和 gamma显示负相关（图 6a）。 然而， theta波段在EEG数据的中呈负相关，在MEG 中呈正相关。 研究者认为， theta的这种差异可能是由于波段是delta中的正相关机制与alpha和beta中的负相关机制之间的过渡段。

采用TTV法得到的结果在很大程度上证实了采用伪试次法得到的结果（图6b）。只是TTV方法在theta波段没有显示负相关，然而，这并不意味着这种相关绝对不存在。对于所有波段，用每种方法计算的效应大小是相关的（图6c）。研究者还评估了脑电图数据在时域中的自发-诱发相关性。与MEG数据类似，研究者观察到刺激后的较长时间段内TTV的下降（图7b）。然而， 与MEG结果相反，使用伪试次的方法在时域EEG数据中观察到自发活动和诱发活动之间呈负相关（图7a）。 伪试次方法和TTV方法的结果不存在相关。

 图 6. EEG数据集中自发和诱发光谱功率的相关性。

图7. 验证EEG数据集中自发和诱发EEG电压的相关性。

4.讨论

本研究考察的神经生理学变量中显示出刺激前的自发活动与刺激后的诱发活动之间存在明显的关系。 alpha和beta波段中的自发和诱发活动之间呈负相关 （刺激前高alpha/beta振幅导致更大的刺激诱发去同步化）， 而在delta波段中为正相关 （刺激前高delta振幅导致更大的刺激诱发同步电位）。而且，这种效应主要在有限频宽振荡动力学中存在，而不是在非周期性、无标度动力学中发现，尽管无标度活动也显示了标度指数和宽带偏移的自发和诱发动力学之间的关系。最后， 在时域中观察到自发 - 诱发相关性，在MEG多感 觉 任务中 ， 自发活动和诱发活动之间呈 显着 正相关，而在EEG道德推理任务中呈 显着 负相关 。

本研究首次显示了自发活动和诱发活动在不同电生理变量之间的差异，包括频带之间的差异，振荡和无标度过程之间的差异，以及时域和频域电生理信号之间的差异。未来， 这些研究可能有助于更全面地理解自发活动的波动如何影响行为和认知特征（如知觉、自我、注意和意识）的变化。 通过不同的测量方法来表征刺激前和刺激后时间段，并不能避免评估自发活动和诱发活动之间关系所面临的方法上挑战，因为脑电图指标是高度相关的，并且容易混淆：ERP成分与皮层振荡的功率和相位变化有关，熵测量与光谱功率有关，而且皮层振荡和无标度活动经常相互混淆。鉴于此，在刺激前和刺激后时间段，表面上不同测量之间的相关性可能会导致虚假效应，因为在刺激前和刺激后时间段测量的非独立性。本文利用功能磁共振成像(fMRI)来解释刺激后时期自发活动的持续存在，首次在脑电图(EEG)的不同电生理变量的动力学中探讨了自发活动和诱发活动之间的相关性。研究结果证实了自发活动和诱发活动之间的关系，并展示了感兴趣的电生理变量的持续活动和诱发活动之间的具体关系。

相同参数的刺激前和刺激后活动之间存在广泛的非加和性对脑电图/脑磁图中诱发活动的分析具有影响，基于试次的研究范式假设自发和诱发活动的线性叠加是进行任务相关神经科学研究的主要方式。本研究结果与许多其他研究结果共同表明， 忽略刺激前活动的影响，这种方法漏掉了与依赖诱发反应对刺激前和正在进行的活动影响相关的重要数据。

不同的电生理变量中自发活动和诱发活动之间存在着明显的关系—不同频带中存在着正相关和负相关。 本研究在多个电生理变量中证明了刺激前和刺激后活动之间的非加和性。对于频谱功率，MEG中的感觉活动和EEG中的认知活动，使用不同的方法（TTV和伪试次法）。这表明，在频谱功率中自发活动和诱发活动之间的密切关系适用于不同的任务和方法。 自发活动和诱发活动之间的负相关在alpha带中很明显，约刺激后400ms。与这些结果和先前的fMRI研究不同的是，在delta带中观察到正相关的时间段更早，约在200ms左右。

鉴于先前的数据显示刺激前alpha对刺激后知觉、自我和刺激意识的影响，自发和诱发alpha功率之间存在负相关是值得注意的。刺激前alpha对刺激后ERP的影响也得到了充分的研究，特别是 刺激前alpha功率可以预测P1和N1 ERPs 。 alpha一般被认为是一个抑制过程，alpha去同步化反映了抑制的释放，即反映了对“知识系统”的控制。 此外， 刺激前或预期alpha去同步化与注意分配和更好的后续知觉任务表现有关。

此外， delta带的自发和诱发活动之间呈正相关。 Delta带活动已经被证明与清醒状态下的觉醒和注意力有关，包括对p300事件相关电位的调节。 delta也被认为与默认模式网络活动的电生理学关联，是动机、觉醒和体内平衡的组成部分。 刺激前的delta带功率被证明可以预测P3 ERP成分，而P3 ERP本身也被认为反映了相位同步 ，本研究结果扩展了这一发现，表明 这种效应适用于delta功率和相位，并且不受自发活动延续到刺激后时期的影响。

不同电生理变量的时域与频域、振荡与分形动力学的自发-诱发相关性。 在MEG数据集中，自发磁场强度和诱发磁场强度在刺激前的大部分时间段内呈正相关，而在EEG中，刺激后(300~600ms)时间段内呈负相关。这可能是因为 MEG和EEG对不同的皮质源敏感度不同。 另一种可能是，任务（简单的感觉vs复杂的认知）对时域信号的影响。几个常见的ERP成分可能表现出对自发活动的依赖性。特别是， MEG结果表明，N1和P1与正在进行的活动呈现正相关，因此当电压高且膜强烈去极化时，P1振幅更大，N1振幅更正 （即，较低）。此外，EEG结果（以及去除高通滤波后的MEG结果）都表明，正在进行的活动与晚期正电位振幅之间存在负相关，这与Iemi等人（2019）的非零均值振荡框架是一致的。

最后， 本研究观察到无标度动力学和皮层振荡中自发和诱发活动之间的差异，不仅对最近观察到的振荡和无标度动力学与fMRI信号的差异关系进行了补充，而且对认知加工速度方面也具有一定的贡献。 自发活动对诱发反应的更大影响是在振荡分量中，而不是在无标度分量中，这加强了皮层振荡在刺激反应中的核心作用。

原文：Wainio-Theberge, S. , Wolff, A. , & Northoff, G. . (2021). Dynamic relationships between spontaneous and evoked electrophysiological activity.  Communications Biology , 4(1).