![]()
● 认知神经科学前沿文献分享
![]()
本期介绍4篇来自bioRxiv的神经影像方法学预印本。前两篇聚焦脑电分析:电极数量如何影响结果,时间平滑又会怎样改变我们观察到的脑动态。后两篇关注磁共振成像与机器学习:自动估计的颅内体积是否可靠,以及如何减少多中心数据差异,同时防范预测模型的数据泄漏。
![]()
电极数量越多,脑电分析就越可靠吗?
关键词:脑电图|电极密度|微状态|功能连接|皮层网络
论文标题:How Much Does Electrode Density Matter? A Multilevel Evaluation from EEG Signals to Cortical Networks
DOI:10.64898/2026.09.26.754643
作者:Aya Kabbara、Marc Vérin、Mahmoud Hassan
来源:bioRxiv,2026-10-01(v1,预印本)
脑电图(electroencephalography,EEG)研究使用的电极数量差异很大,从十几个到数百个不等。高密度电极能提供更丰富的空间信息,也意味着更高的采集成本和计算负担。那么,究竟多少电极才够用?
Kabbara等人使用两套独立的静息态脑电数据,分别来自120名儿童和98名成人,原始采集配置为128通道和256通道。研究者通过模拟减少电极数量,比较不同配置对频谱、微状态、连接、行波及皮层网络分析的影响。
结果发现,电极数量的重要性,取决于研究者希望从脑电中获得什么信息。整体相对频谱功率等概括指标相对稳定,区域频谱分布、微状态动态和连接指标则更容易受到影响。
源空间网络枢纽的位置及中心性排序尤其敏感,在32通道和19通道条件下,不同电极配置之间的一致性明显下降。多个依赖空间信息的指标还在约64通道附近出现转变。
这提示研究者,较少的电极可能保留部分整体脑电特征,但涉及具体脑区、时空动态或皮层网络的推断时,需要更加重视空间采样密度。64通道是这两套静息态数据中的参考,不能作为所有脑电任务的统一标准。
![]()
时间平滑会怎样改变我们看到的脑动态?
关键词:脑电微状态|时间平滑|插值|脑动力学|数据预处理
论文标题:The effects of temporal smoothing and interpolation on EEG microstate parameters, syntax, and our view of resting-state brain dynamics
DOI:10.64898/2026.09.30.755764
作者:Frederic von Wegner、Gesine Hermann、Inken Tödt 等
来源:bioRxiv,2026-10-08(v1,预印本)
脑电微状态分析把连续变化的脑电活动划分为一系列短暂、相对稳定的空间模式,用于研究大脑活动随时间变化的规律。分析时,研究者常对微状态序列进行时间平滑或插值,让序列更连贯。这些处理会不会改变最终结果?
von Wegner等人分析了201名健康参与者的公开闭眼静息态脑电数据,比较两种常见处理方法:参数化时间平滑,以及全局场功率(global field power,GFP)峰插值。
研究发现,随着平滑窗口增大,估计得到的微状态持续时间明显增加,出现频率降低,总体覆盖率则变化较小。平滑还会改变序列的复杂度和时间结构,并削弱其中的动态不对称性与非平衡特征。
对于多数指标,GFP峰插值产生的影响,与28至44毫秒的平滑窗口相近。在本研究条件下,超过30毫秒的较强平滑,会明显改变对静息态脑动态的描述;这一数值不能直接套用于所有微状态分析。
预处理参数会影响我们如何解释脑动态。比较不同微状态研究时,除了看持续时间、出现频率等结果,也需要核对平滑和插值设置。作者建议避免过强的平滑,以减少对初始序列的改变。
![]()
自动估计的颅内体积,也需要质量检查
关键词:磁共振成像|颅内体积|FreeSurfer|纵向研究|质量控制
论文标题:Widely Used Calculations of Intracranial Volume Provide Inaccurate Estimates in Developmental Cohorts: Evidence and Recommendations for the Neuroimaging Community
DOI:10.64898/2026.10.03.751882
作者:Amalia M. Skyberg、Ava J. Reck、Jolinda Smith 等
来源:bioRxiv,2026-10-08(v1,预印本)
在磁共振成像(magnetic resonance imaging,MRI)研究中,颅内体积常被用于控制个体头部大小的差异。这个指标能够由软件自动估计,但自动输出的数值是否可靠,仍需要检查。
Skyberg等人分析了两套青少年纵向MRI数据,考察常用软件FreeSurfer的颅内体积估计结果。
研究发现,使用FreeSurfer 7时,部分参与者在相隔约1.5至2年的两次扫描之间,估计颅内体积的变化幅度最高达到39%。作者认为这一幅度不合理,提示自动估计存在问题。相关误差在西门子扫描仪采集的数据和女性参与者中更加明显;在FreeSurfer 8和另一种影像分析工具AssemblyNet中,这类问题明显减少。
39%指部分参与者的最大纵向变化,不能理解为样本的平均误差率。颅内体积也不同于脑组织体积,不能据此推断所有MRI脑体积测量都不可靠。
这项研究提醒我们,即使只是用于统计控制的辅助指标,也需要结合软件版本和纵向变化进行质量检查。
![]()
多中心脑影像研究,如何减少差异并防范数据泄漏?
关键词:多中心神经影像|数据协调化|机器学习|数据泄漏|MIRTH
论文标题:Imputation-Based Harmonization Mitigates Site Effects Without Data Leakage in Machine Learning Studies
DOI:10.64898/2026.09.28.755204
作者:Noah Hillman、Andrew A. Chen、Fengling Hu 等
来源:bioRxiv,2026-10-05(v1,预印本)
大型脑影像研究常需要整合不同医院或研究中心的数据。扫描设备、采集参数等技术差异可能使影像指标产生系统性偏移,让模型难以区分真实的生物学信号与站点效应。
研究者通常通过数据协调化来减少这些差异。但如果协调化时使用了测试阶段本应未知的真实结局,例如待预测的诊断结果,就会发生数据泄漏,使模型的预测性能被高估。
Hillman等人提出MIRTH(Multiple Imputation for Removing Technical Heterogeneity),一种利用多重插补减少技术差异的协调化方法。它使用插补得到的结局信息处理测试数据,避免在预测时使用未知的真实结局。
研究者通过模拟数据,以及阿尔茨海默病神经影像计划(ADNI)和巴尔的摩纵向老化研究的脑体积数据评估这一方法。结果显示,当不同站点的结局分布不均衡时,MIRTH能获得较高的预测准确度,同时避免性能被高估。
减少技术差异与客观评估模型,需要在同一流程中共同考虑。协调化应与训练、测试划分一起设计。不过,这些结果来自本研究评估的数据和流程,尚不能据此认定MIRTH适用于所有预测任务。
![]()
从方法选择,到结果解释
这4篇研究从不同角度说明,神经影像结果不仅取决于采集到了什么数据,也取决于研究者如何处理和分析数据。
电极配置、时间平滑、软件版本,以及机器学习的训练与测试流程,都可能影响最终的科学解释。充分报告这些选择,做好质量检查,并验证结果在不同设置下是否稳定,有助于提高研究的可信度。
分享人:Chase
审核:PsyBrain 脑心前沿编辑部
● 原文信息与获取方式
获取原文:
1. 三连后添加小助手:PSY-Brain-Frontier 获取
2. 点击文中各篇论文的 DOI 链接,查看对应原文。
版权归属作者团队和出版社,本文仅做分享
![]()
![]()
特别声明:以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布,本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.