核心内容摘要
糖心logo白桃少女：那一抹初恋的粉红，藏在心底的温柔
目录摘要
引言
第一步数据清洗结果展示去伪迹前后对比
第二步构建大脑信息流热力图结果展示Alpha 波段有向连接矩阵
第三步解码网络拓扑与图论指标
1 网络拓扑结构
2 关键节点
具体解析
右额叶 (F
的“指挥官”角色
Alpha 抑制与枕叶 (Oz)
左侧运动区 (C
的准备
6.
总结摘要如何从看似杂乱无章的脑电EEG信号中解码出大脑各区域是如何“交谈”的本文基于 2023 年 Chiarion 等人的综述论文框架利用MATLAB (EEGLAB MVGC BCT)工具箱对一组斯特恩伯格工作记忆任务 (Sternberg Working Memory Task)数据进行了完整的分析。
复现了从预处理去伪迹、格兰杰因果计算到图论网络拓扑分析的全流程并揭示了右额叶在认知控制中的核心地位。
引言大脑不是一堆孤立的岛屿而是一个高度互联的复杂网络。
在 EEG 分析中我们需要从结构连接走向功能连接最终到达有效连接——即确定“谁驱动了谁”。
本文使用的数据集syn02-s253-clean.set来源于一项经典的视觉工作记忆任务。
将通过探索大脑在记忆保持阶段Alpha 波段的动态网络结构。
第一步数据清洗在计算复杂的数学模型之前我们必须确保数据的纯净。
结果展示去伪迹前后对比图解分析上图原始数据我们可以清晰地看到在
4s,
1s,
2s 等时刻出现了巨大的尖峰幅度高达 150 µV。
这是典型的眨眼伪迹。
如果不去除这些强信号会瞬间传导至全脑电极容积传导导致算法误判为“全脑强连接”。
下图预处理后经过ICA和ICLabel自动剔除眼电成分后大幅度的尖峰消失了。
剩余的信号幅度在 /- 25 µV 之间呈现出密集的神经震荡特征。
关键点只有经过这样彻底的清洗后续的格兰杰因果分析才具有生理学意义。
第二步构建大脑信息流热力图在确保数据干净后使用MVGC 工具箱计算了频域格兰杰因果 (Spectral Granger Causality)。
我们聚焦于Alpha 波段 (
Hz)因为该频段被认为与大脑的抑制控制和信息门控密切相关。
结果展示Alpha 波段有向连接矩阵图解分析这张热力图展示了大脑区域两两之间的因果强度红色代表强连接蓝色代表弱连接。
非对称性注意矩阵不是对称的。
例如F4 - C3是红色的强驱动但C3 - F4颜色较浅。
这证明了捕捉到了有向的信息流而非简单的同步。
关键连接可以观察到右侧额叶 (F
和左侧中央区 (C
作为源发出了大量强连接而枕叶 (Oz) 作为目标接收了大量输入注意 Oz 所在行的深色区域较少说明它很少驱动别人但所在列颜色较深说明它在被驱动。
第三步解码网络拓扑与图论指标为了量化上述观察我们将连接矩阵转化为有向加权网络并使用Brain Connectivity Toolbox (BCT)计算图论指标。
我们保留了前 30% 最强的连接来构建拓扑图。
1 网络拓扑结构图解分析这是一个非常直观的圆环图。
信息流向请注意箭头的方向。
明显的趋势是从上方额叶 Fz, F4, F3指向下方枕叶 Oz, Pz。
结构化特征这是一个典型的自上而下的控制网络而非随机网络。
2 关键节点图解分析柱状图量化了每个脑区的角色Out-Degree (驱动力)C3 (左运动区)最高F4 (右额叶)紧随其后。
脑网络并非单一中心而是多核心驱动。
In-Degree (接收力)Oz (枕叶)达到了惊人的高值。
它是网络的信息汇 (Sink)。
Betweenness (枢纽性)F4最高说明它是连接不同脑模块的“桥梁”。
具体解析结合工作记忆任务的背景我们可以尝试对上述结果给出解释
右额叶 (F
的“指挥官”角色结果显示F4是网络的绝对核心。
在认知神经科学中右侧前额叶皮层是中央执行系统的关键部分。
解释在记忆保持阶段被试需要集中注意力维持脑中的信息。
F4 通过发出强烈的控制信号维持任务目标并监控冲突。
Alpha 抑制与枕叶 (Oz)比较引人注目的发现是Oz (视觉皮层)是最大的接收者被全脑驱动。
解释当我们试图在脑海中“记住”东西时我们需要切断外界的视觉干扰。
大脑通过自上而下的控制信号从 F4 等区域下行到 Oz在视觉皮层产生 Alpha 振荡以此抑制视觉信息的输入。
Oz 的高入度反映了它正在被“命令”保持沉默以保护工作记忆。
左侧运动区 (C
的准备C3对应左侧运动皮层控制右手表现出的高活跃度。
解释这可能反映了运动准备。
在 Sternberg 任务中被试通常需要用右手按键反应。
即使在记忆阶段运动皮层也可能处于预激活状态准备随时执行指令。
6.
总结通过这套基于 MATLAB 的 EEG 分析流程我们处理了高噪声的脑电数据更重要的是我们提取出一种大脑网络模式在工作记忆任务中大脑形成了一个以右额叶为核心的、自上而下的控制网络该网络主动抑制视觉皮层的活动以屏蔽干扰。
这一结果证明了MVGC (有效连接)结合图论分析是揭示大脑动态机制的强大工具。
参考文献与工具Dataset:Sternberg Working Memory Task (EEGLAB Tutorial Data).Paper:Chiarion et al., “Connectivity Analysis in EEG Data: A Tutorial Review of the State of the Art and Emerging Trends”,Bioengineering