神踪前沿丨深耕厚积！神踪科技首席科学家、浙大孙煜教授团队在脑电源成像领域取得系列突破
脑电/磁图（E/MEG）作为一种无创、便捷的神经活动采集技术，因其毫秒级的时间分辨率在神经科学研究和临床诊断中得到了广泛应用。然而，受容积传导效应的限制，头皮记录信号的空间分辨率较低，难以精确定位脑区功能活动。为了克服这一局限，脑电源成像（electrophysiology source imaging， ESI）技术从头皮E/MEG信号中反演出颅内的高时空分辨率源活动，为研究大脑功能活动的发生位置和时间动态模式提供重要助力。近日，浙江大学孙煜教授课题组围绕这一主题在IEEE TMI、IEEE JBHI、NeuroImage上发表系列工作，涵盖了源成像的理论综述和核心算法突破，旨在为无创脑功能解析提供更精确、更可靠的解决方案。
1. 理论奠基与挑战剖析：源成像算法综述
孙煜教授课题组在生物医学工程领域旗舰期刊《IEEE Journal of Biomedical and Health Informatics》上发表Explaining E/MEG Source Imaging and Beyond: An Updated Review综述文章，系统回顾了源成像算法的研究进展，深入剖析了当前面临的挑战与机遇，并展望了其在神经科学与临床应用中的前景。这篇文章不仅为新入行者提供了全面的研究指南，也为领域未来挑战与方向提出了深刻洞见（图1），被遴选为期刊的特色文章（Feature Article）。
源成像在数学上等价于求解一个高度不适定的逆问题：由于潜在的神经源活动维度远高于观测信号的维度，存在无穷多的解满足数学要求。源成像算法的核心在于根据神经生理学知识和数学假设，构建并施加准确的先验约束，以在庞大的解空间中求解出最符合生理现实的源活动。从该领域的代表性算法发展历程来看，脑电源成像算法已从最初的简单模型和单一空间维度约束，逐步发展为复杂的建模与多维度约束，对源活动的重建精度也随之不断提高。
图1. 脑电源成像算法发展历程及代表性算法示意图
尽管目前受限于颅内外信号同步采集技术，导致领域内对真实源活动的内在性质尚未有全面的认识，现有算法还无法实现对源活动性质的全面刻画。然而，基于现有的神经生理学发现，通过开发更先进的约束模型，有望在源活动的位置、空间范围和时序重建上实现更高的精度，从而为特定研究与应用场景提供精准的脑功能活动解析。
2. 时间维度优化：μ-STAR
传统源成像算法常常仅关注空间维度的约束而忽视了脑功能活动时间上的信息。为了利用E/MEG信号的连续性、节律性等动态特征，孙煜教授课题组在神经影像学权威期刊《NeuroImage》上发表了μ-STAR: A Novel Framework for Spatio-temporal M/EEG Source Imaging Optimized by Microstates，通过将时间动态特性融入源活动重建中，从而提高其时空解析精度。文章提出了一种时空约束的源成像算法μ-STAR（图2），其在传统空间平滑约束的基础上加入了时间基函数约束，将源活动建模为一系列时间基函数的加权组合以有效捕捉感兴趣源活动的时间动态特性。考虑到真实脑电信号的非稳态特性，算法进一步引入了微状态分析，将信号分割成稳定的微状态时间段后进行源成像求解，显著增强了算法在实际场景下的鲁棒性。
图2. 时间维度优化溯源算法μ-STAR示意图
本研究通过一系列仿真实验对算法表现进行定量评估，结果表明，相比于传统的仅包含空间约束的算法，μ-STAR显著提高了源活动的空间位置和时间动态估计的准确率。针对非稳态的脑电活动重建任务，研究发现引入微状态分析能有效提高该场景下算法的性能。此外，研究人员在真实数据上对算法进行定性验证，结果表明引入微状态分析的μ-STAR算法能够有效重建出不同阶段的大脑功能活动时空信息，该结果与fMRI的发现具有良好一致性。本研究成功验证了在空间约束基础上，引入时间信息能够有效提升源成像的精度。
3. 空间维度优化算法：Block-Champagne
现有源成像方法通常在准确重建源活动空间范围上存在局限。针对这一问题，孙煜教授课题组在医学影像学Top期刊《IEEE Transactions on Medical Image》上发表了Block-Champagne: A Novel Bayesian Framework for Imaging Extended E/MEG Source，通过改进空间维度约束实现源活动空间重建能力的突破。文章提出了一种创新的区域稀疏的空间先验模型，并在此基础上开发了新型贝叶斯源成像算法Block-Champagne（以下简称Blk-Cham）。该算法能够以数据驱动的方式，精确重建出具有明确界限的源活动范围，有效解决了传统方法重建结果过度弥散或过度聚焦的固有缺陷。此外，Blk-Cham算法还支持将来自其他模态（如fMRI）的活动信息作为先验整合进统一求解框架中，进一步提升了源成像结果的精度与生理可解释性（图3）。
图3. 空间维度优化算法Block-Champagne示意图
本研究通过一系列仿真实验对算法性能进行定量评估，结果表明Blk-Cham算法能够准确重建源活动的范围，且其表现显著优于对比方法。研究人员随后采用同步采集的深部脑刺激EEG数据集验证算法在真实场景中的表现。图4展示了五种源成像方法的定位结果，其中刺激点位置已在各大脑皮层中标出。结果显示，Blk-Cham算法不仅可以准确定位出刺激位点，同时也能重建出清晰集中的刺激活动范围，证明了其在复杂真实数据场景下的优异性能。本研究结果表明所提出的基于区域稀疏空间约束的Blk-Cham算法具有卓越的源活动空间重建性能。
图4. 深度脑刺激源重建结果示意图
4．时空联合自适应建模：STARTS
源活动的求解是一个高度不适定的逆问题，其合理结果的获得严重依赖于神经生理学先验知识的引入。目前研究的核心挑战在于，如何构建能够准确描述源活动性质的约束模型，并将其有效地进行数学建模。基于上述两部分内容的研究，孙煜教授团队在《IEEE Transactions on Medical Image》上发表论文STARTS: A Self-Adapted Spatio-Temporal Framework for Automatic E/MEG Source Imaging，提出了一种融合时间基函数和空间区域稀疏约束的时空自适应源成像算法START。该算法通过贝叶斯分析，从EEG数据中自适应学习得到源活动时空特征（图5）：
1) 在空间维度上，STARTS将每个潜在源及其相邻节点构建为区域稀疏的基本模块。这些模块可以通过数据驱动的贝叶斯框架进行组合，从而重建出具有任意形状和大小的源活动脑区。此外，STARTS也对噪声信号的空间协方差进行建模，提高算法的鲁棒性。
2) 在时间维度上，STARTS通过时间基函数构建源活动的时间序列信息。同样，该算法通过贝叶斯学习迭代更新时间基函数，能够得到感兴趣的时间震荡模式并显著提高源活动的定位准确率。STARTS还对噪声时间序列进行建模，使其能够从EEG信号中有效分离并排除背景噪声。
为了评估算法在真实数据中的表现，研究人员在Brainstorm癫痫公开数据集上验证了STARTS对癫痫样放电活动的定位表现（图6）。癫痫间期的放电样波形经过叠加平均后得到显著的癫痫spike波形，采用STARTS进行源成像分析后找到两个源，其中位于左侧前额叶的源活动为癫痫spike活动，该结果与此数据集的临床手术切除病灶位置一致。这一结果表明STARTS在癫痫定位等临床应用中有潜在价值。
图6. STARTS算法公开癫痫数据评估
5．成果集成：SEAL源成像分析平台
鉴于不同的 ESI 算法基于不同的先验假设，研究者必须针对具体的应用场景选择最合适的算法。当前领域面临两大实践挑战：其一，对于研究人员，尽管存在多个支持源成像分析的开源工具箱，但它们往往只集成了有限的几种经典算法，这极大地限制了研究者对不同类别方法进行系统性的对比评估。其二，对于算法开发者而言，目前亦缺乏一套公认的、标准化的评估范式来客观衡量新算法的性能。鉴于以上不足，孙煜教授团队开发了基于MATLAB的源成像分析平台SEAL（图7），旨在实现以下目标：
1) 统一的研究分析框架：SEAL集成了多种经典及前沿的源成像算法（包括本文中提出的三种方法），支持通过图形用户界面（GUI）对不同方法的便捷调用与深度对比，从而辅助用户根据其数据特性选择最优分析策略；
2) 标准的算法评估基准：平台内置了一套标准化的评估流程（pipeline），包括可定制的仿真数据生成模块、多维度定量评估指标以及领域内常用的真实数据集，从而为新算法的性能验证提供一个全面、可复现的测试平台。
SEAL平台下载链接（优化中）：https://github.com/ZJUNeural/ESI_Review.git
参考文献
[1] Z. Feng, I. Kakkos, G. K. Matsopoulos, C. Guan, Y. Sun*, “Explaining E/MEG Source Imaging and Beyond: An Updated Review,” IEEE Journal of Biomedical and Health Informatics, vol. 29, no. 12, pp. 9271 – 9286, 2025.
[2] Z. Feng, C. Guan, Y. Sun*, “Block-Champagne: A Novel Bayesian Framework for Imaging Extended E/MEG Source,” IEEE Transactions on Medical Imaging, 2025.
[3] Z. Feng, C. Guan, R. Zheng, Y. Sun*, “STARTS: A Self-Adapted Spatio-Temporal Framework for Automatic E/MEG Source Imaging,” IEEE Transactions on Medical Imaging, vol. 44, no. 3, pp. 1230 – 1242, 2025.
[4] Z. Feng#, S. Wang#, L. Qian, M. Xu, K. Wu, I. Kakkos, C. Guan, Y. Sun*, “m-STAR: A Novel Framework for Spatio-Temporal M/EEG Source Imaging Optimized by Microstates,” NeuroImage, vol. 282, art. no. 120372, 2023.
[5] 孙煜等.脑功能状态判断方法、装置及存储介质: CN202210026658.4 [P]. 2022-01-11.
[6] 孙煜等.一种基于微状态分析的脑电信号溯源重建方法及装置: CN202211447411.6 [P]. 2022-11-18.
[7] 孙煜等. 一种基于脑电信号的定位方法及系统: CN 118252513 B [P]. 2024-09-20.
