腦電圖（EEG）記錄方式中存在一個根深蒂固的持續性問題，即在任何單一電極上偵測到的電壓，都不是其正下方大腦組織的乾淨讀數。它是一種混合訊號，受到組織層、電極放置位置以及記錄操作者所選擇的任意參考點的影響。
拉普拉斯導聯（Laplacian montage）正是為了解決這種混合問題而開發的。它不直接報告原始電壓，而是將頭皮訊號轉換為局部電流源密度的估計值，這種測量方法不依賴於任何外部參考，並且與感測器正下方皮質中發生的電活動有更直接的相關性。
以下章節將逐步介紹為什麼這種轉換是必要的、它是如何透過數學推導出來的，以及相關支持研究對於其在實際應用中的優勢有何發現。
什麼是腦電圖（EEG）中的拉普拉斯導聯（Laplacian Montage）？
臨床腦電圖依賴於頭皮傳感器的排列，以準確地將神經活動模式視覺化。傳統的電極導聯記錄相對於特定參考點的電位，這有時會在較大的表面積上混淆信號的清晰度。拉普拉斯導聯 EEG 通過關注局部差異而非全局電位，提供了一種獨特的分析替代方案。
了解 EEG 拉普拉斯導聯的基本原理
EEG 信號本質上反映了頭皮下方錐體神經元的集體電活動。當電極捕獲一個電位時，由於顱骨和頭皮的體積傳導特性，它不可避免地包含了來自遠端大腦區域的貢獻。
提取這些細微節律的過程需要清晰的方法學，通常涉及 neuroscience（神經科學）的紮實原理，以確保所分析的波形對應於離散的局部大腦區域。
為什麼頭皮 EEG 信號難以準確解讀
大腦的電信號不會以直線傳播到電極。在被測量之前，它們必須穿過腦脊液、顱骨和頭皮組織，而這些層中的每一層傳導電的方式都不同。
特別是顱骨，其行為就像一個空間低通濾波器，它會平滑並傳播信號，將可能在皮質中非常局限的活動模糊成一個寬廣、瀰漫的圖案，等它到达頭皮時已經模糊不清。
Research（研究）（Srinivasan 等）將頭部模擬為四個同心球層（大腦、腦脊液、顱骨和頭皮），結果表明這種傳播非常強烈，以至於相距遠達 10 到 12 厘米的電極也會表現出人為的相關性，即使底層的神經源完全無關。這就產生了一個真實的風險，即將相關的頭皮讀數解讀為大腦活動協調的證據，而這種相關性可能僅僅是電在組織中擴散的產物。
第二種失真來自參考電極本身。傳統的 EEG montages（EEG 導聯）將電壓報告為有源電極與參考點之間的差值，但該參考點從來都不是電靜止的。
Simulation studies（模擬研究）和實證記錄（Nunez 等）已經證明，參考點的選擇會改變大腦事件的表面時間，這意味著用一種參考方案記錄的誘發反應潛伏期可能與用另一種 scheme 記錄的潛伏期不匹配。這是一個微妙但重要的問題，因為 EEG 的臨床和研究價值很大程度上取決於精確的時間定位。
第三個污染源是肌肉，而非神經。中央和中央周圍的頭皮部位（即位於頭頂和兩側的電極）非常靠近頭皮和下頜肌肉組織。這些肌肉的電活動很容易洩漏到記錄中，尤其是在高頻段，而傳統的參考方案在區分肌肉產生的信號和大腦產生的信號方面收效甚微。
總之，體積傳導、參考依賴性和肌肉污染構成了三個複合原因，說明為什麼原始頭皮電位無法精確描繪皮質的實際活動。
問題 | 描述 |
|---|---|
體積傳導 | 顱骨模糊並傳播信號 |
參考電極依賴性 | 參考點選擇會扭曲事件時間定位 |
肌肉污染 | 肌電圖洩漏到中央電極中 |
什麼是表面拉普拉斯算子，它是如何工作的
表面拉普拉斯算子通過改變測量對象來解決這些問題。它不是直接記錄電壓，而是計算整個頭皮電壓場的二次空間導數，本質上是詢問頭部每個點上的電位彎曲程度有多大，而不是其絕對值是多少。
這種曲率測量與在該位置流入和流出頭皮的徑向電流成正比，這使其成為局部電流源密度的物理估計，而不是受遠處活動影響的原始電學讀數。
因為微積分中的微分是一種消除常數偏差的數學運算，所以這種方法具有內在優勢：均勻添加到每個電極的任何電壓（這正是使用共享參考電極時會發生的情況）在計算過程中都會抵消。
結果得到一個不再依賴於參考點放置的信號。這就是為什麼拉普拉斯算子通常被描述為“免參考”的原因。
拉普拉斯算子的功能還類似於研究人員所說的空間帶通濾波器。它能抑制非常寬廣、瀰漫的電壓變化圖案（即由穿過大片頭皮區域的體積傳導所產生的那種圖案），同時也能衰減極其尖銳的局部噪聲。
剩下的是一個中等規模的活動估計，這似乎與來自皮質的電流如何實際穿過人類頭部分層傳導非常吻合。實際上，這種轉換被調整到了新皮質源真正影響頭皮的物理尺度，過濾掉了過寬和過窄的干擾。
參考電極標準化技術 (REST)
在應用拉普拉斯變換之前，主要物理參考點的選擇通常會影響初始記錄質量。
許多診所利用參考電極標準化技術（REST），該技術在數學上將原始 EEG 數據轉換為近似的獨立於參考點的分布。這確保了隨後的計算不會因為初始記錄所選擇的特定電學部位而產生偏差，這對於客觀的臨床評估至關重要。
樣條拉普拉斯（Spline-Laplacian）在實踐中是如何計算的
從有限的離散電極讀數集中計算二次導數並不簡單，因為電極只能在頭皮上的離散點進行採樣，而不是連續採樣。
樣條拉普拉斯（spline-Laplacian）方法通過在實際電極位置擬合一個平滑、靈活的數學表面（模擬為球體或更符合解剖學實際的橢球體）來解決這個問題。一旦定義了這個連續表面，就可以直接從中計算導數，從而在每個電極位置根據其周圍鄰近電極記錄的值產生一個拉普拉斯估計值。
該方法最初是針對球形頭部模型推導出來的，後來在數學上擴展到橢球形表面，這能更接近人類頭部的實際形狀。這兩種推導都被證明即使在頭部幾何形狀不準確或不同組織層的電阻率存在不確定性的情況下也能保持穩定，而這些因素在真實的臨床或研究記錄中基本上是不可避免的。
這種強健性意味著樣條拉普拉斯不需要個人頭部的完美解剖模型即可產生有用且穩定的結果。
有一個實際要求決定了該方法能帶來多少益處：電極密度。Nunez 等人比較不同電極布局下樣條拉普拉斯性能的研究發現，特別是在相鄰傳感器之間的平均間距小於大約 3 厘米時，空間分辨率有了戲劇性的提高。
在此間距以下，可以以足夠的精度估計導數，從而顯著提高基礎信號的清晰度。相比之下，稀疏的電極陣列對頭皮的採樣不夠精細，無法支持準確的二次導數計算，限制了轉換對原始電位的改進程度。
計算拉普拉斯電位
為了計算電位，軟件系統會將中心傳感器與其徑向圖案中的直接鄰近傳感器的加權平均值進行評估。這會創建一個電流密度的虛擬地圖，這在診斷過程中通常更容易解讀。
此計算的核心數學步驟詳述如下：
步驟 | 操作 | 目的 |
|---|---|---|
1 | 電極選擇 | 選擇分析的中心點。 |
2 | 空間權重 | 將數值應用於鄰近的頭皮傳感器的數值。 |
3 | 梯度計算 | 從中心減去局部平均值。 |
以下標準有助於確定配置是否已針對清晰的結果進行了優化：
在可能的情況下，電極間的距離必須保持均勻。
所有周圍鄰近傳感器的信號質量必須具有可比性。
配置應圍繞感興趣的區域保持對稱。
一旦滿足這些標準，所得數據就能有效地突出大腦活動的局源，顯示出遠場圖案干擾的減少。
使用拉普拉斯導聯的優勢
空間濾波為旨在分離特定皮質發生源的研究人員提供了幾個明顯的好處。通過減少對單一參考點的依賴，該技術有助於在不同的實驗條件下獲得更可靠的結果。
利用拉普拉斯變換提高空間分辨率
拉普拉斯導聯背後的核心實用聲明是，與未處理的頭皮電壓相比，它能顯著提高大腦活動的空間圖像。
Nunez 等人在球形和橢球形表面上使用基於樣條的推導進行的研究表明，空間分辨率比傳統記錄提高了至少三倍。這種改進在計算機模擬、誘發電位數據、自發靜息態 EEG 以及癲癇棘波記錄中都得到了保持，這表明它不限於一種狹隘的大腦信號類型。
另一項由 Law 等人進行的分析加強了這一發現，表明分辨率的提高在很大程度上獨立於對信號源做出的特定假設或用於表示頭部的幾何模型。這是一個重要的區別。
許多 EEG 源定位技術要求研究人員預先假設信號可能來自大腦的哪個部位。樣條拉普拉斯在不嚴重依賴這些假設的情況下實現了其分辨率的提高，這使得它在不同類型的研究和患者群體中具有更廣泛的適用性，前提是電極密度足夠。
消除參考電極失真
因為拉普拉斯計算在數學上消除了在所有電極上增加的任何常數值，所以它是通過結構而非選擇一個所謂的中性參考部位來消除參考電極的影響。
Nunez 等人直接檢查電位數據的對比工作表明，仍然與所選參考點綁定的原始頭皮電位會扭曲事件相關大腦反應的表面形狀和時間定位。相比之下，拉普拉斯變換產生的電流源密度估計被證明能對同一個基礎事件提供更準確的時空描述。
在實際應用中，這意味著兩個在同一個受試者身上使用不同參考電極的實驗室可能會從原始電位中報告出明顯不同的波形，而他們的拉普拉斯變換數據則會收斂於對基礎皮質活動更一致的表示。
減少體積傳導產生的人為相干性
相干性，一種衡量兩個信號隨時間波動相似程度的統計指標，在 EEG研究中常用於推斷兩個大腦區域是否在進行交流或協同工作。問題在於，僅憑體積傳導（而不涉及實際協調的神經活動）就可以在鄰近電極之間產生高相干值，僅僅是因為基礎電壓已穿過頭皮擴散。
Srinivasan 小組的研究人員使用頭部分層電導率的分析模型證明，這種體積傳導效應可以在相距達 10 到 12 厘米的電極之間產生人為的相關性。將表面拉普拉斯算子應用於相同的數據顯著降低了這種人為的相干性，因為它的空間帶通特性精確地過濾掉了會產生錯誤相關的那種寬廣、瀰漫的傳播。
這並不意味著應該完全放棄原始電位相干性。同一項研究強調，原始頭皮相干性和拉普拉斯導出的相干性對皮質活動的不同空間帶寬敏感，這意味著每一種都捕獲了新皮質動力學中有些許不同的部分。
與其用一種測量方法取代另一種，建議的做法是並行檢查這兩種方法，因為它們在一起能提供比單獨任何一種更完整的畫面。
時間準確性：為什麼潛伏期估計會有所改善
EEG 的聲譽很大程度上基於其速度，即在毫秒級時間尺度上追蹤大腦活動的能力。當應用於原始頭皮電位時，這種聲譽有些言過其實。
上述模擬工作表明，體積傳導和參考電極選擇不僅會扭曲信號出現的位置，還會扭曲其發生的時間。頭皮電位可能會錯誤估計真實大腦事件的潛伏期，因為組織傳導的模糊效應和參考點的影響將來自不同時間點和不同源的信號混合在一起。
同一項研究發現，通過表面拉普拉斯算子生成的電流源密度估計避免了大部分這類失真，提供了研究人員所描述的對大腦活動時空動力學更豐富、更準確的觀察。這一發現在兩項模擬研究和兩個經驗數據集中得到了複製，使其具有相當一致的證據基礎。
實際意義在於，研究認知或臨床事件精確時間定位（而不僅僅是其空間起源）的研究人員有理由將拉普拉斯變換數據視為更值得信賴的大腦實際發生事件記錄。
中央頭皮導聯中的肌肉偽跡抑制
肌肉產生的電活動，或肌電污染，是 EEG記錄中較為頑固的干擾源之一，尤其是在靠近下頜和頭皮肌肉的中央頭皮部位。
由 Fitzgibbon 等人進行的一項研究旨在隔離這種效應，對清醒受試者在完全神經肌肉阻滯前後的記錄進行了比較，這使得研究人員能夠測量在正常情況上記錄的信號中實際上是有多少是肌肉活動而非大腦活動。
該研究將幾種表面拉普拉斯估計器與左耳參考和公共平均參考導聯進行比較，發現表面拉普拉斯處理將中央和中央周圍導聯中 30 赫茲以上的大腦信號中的肌肉功率降低到六分之一以下，腦與肌肉比大於六。
據報導，這種性能比公共平均參考（最廣泛使用的傳統導聯之一）好兩到三倍。因為肌肉污染往往集中在較高的頻率範圍，所以這一優勢對於任何試圖研究伽馬頻帶活動（一個具有臨床和認知價值的頻率範圍，否則很容易被頭皮和下頜肌肉噪聲掩蓋）的人來說特別相關。
研究人員指出，這使拉普拉斯算子成為檢測高頻活動和研究疾病電生理學相關性的有用標準，包括在 brain disorders（大腦疾病）研究中研究的病症，其中微妙的高頻信號可能具有診斷價值。
拉普拉斯導聯 EEG 的應用
癲癇的臨床評估仍然是這種空間處理方法的主要應用之一。通過確定發作間期放電的確切空間分布，神經學家可以更好地定義癲癇病灶。這提供了比標準記錄更清晰的視野，標準記錄通常由於周圍的顱骨解剖結構而呈現出顯著的模糊。
認知神經科學研究也採用這種方法，特別是在探測需要精確時間和位置的高頻振盪時。研究通常會在皮質表面追踪這些脈衝，以觀察它們如何在感覺處理中心之間傳播。
最後，該技術廣泛應用於 Brain-Computer Interface (BCI)（腦機接口）開發中，在這些開發中，實時準確性對於運動控制至關重要。通過分離運動皮質中產生的特定 mu 節律，系統可以更準確地解讀意圖。
這一應用展示了拉普拉斯濾波器將原始電位轉化為外部設備功能性輸入的多功能性。
局限性與解讀注意事項
這些優點並不能使拉普拉斯算子成為其他 EEG 分析方法的普遍替代品，支持性研究明確指出了其界限。
首先，拉普拉斯算子不是定位信號確切解剖位置意義上的源定位技術。它產生的是估計中等空間尺度上的電流密度，這與偶極子擬合或其他基於模型的方法所執行的源定位是不同的目標。
其次，該轉換被描述為對源自大腦深處（遠離皮質表面）的源，或位於電極陣列物理邊界之外的源不敏感。如果信號來自皮質下結構或電極網未覆蓋的區域，則無論周圍電極放置多麼密集，拉普拉斯算子都無法很好地表示它。
第三，分辨率的提高是有條件的。實質性的改進取決於電極平均間距小於大約 3 厘米，因此稀疏或分佈不均勻的陣列將無法提供基礎研究中證明的相同好處。任何將該方法應用於較低密度記錄的人都應該預期會獲得較為適度的收益。
最後，過濾掉體積傳導偽跡的同一空間帶通特性也會衰減真正廣泛的皮質事件，因為非常寬廣的活動圖案類似於該濾波器旨在抑制的瀰漫信號。
這就是為什麼相干性研究建議並行分析原始電位數據和拉普拉斯變換數據，而不是將其中一個視為另一個的嚴格升級。每一種方法都捕獲了新皮質活動的不同的空間帶寬，而最完整的解讀來自於將兩者結合在一起考慮。
結論：拉普拉斯算子是更清晰觀察皮質活動的透鏡
表面拉普拉斯算子重構了頭皮 EEG 的測量對象。它不是報告取決於任意參考點且已被顱骨過濾效應模糊的電壓，而是使用基於樣條的方法直接從電極陣列的幾何形狀估算局部電流源密度，這些方法已被證明在真實世界的頭部建模誤差下仍能保持穩定。
在這些研究中建立的實證記錄指向了一致、可衡量的優勢：
空間分辨率提高三倍或更多
抑制了遠距離電極之間的人為相關性
能更好地反映大腦實際時間定位的潛伏期估計
肌肉污染減少到傳統參考方法所允許的一小部分
這些收益取決於足夠的電極密度，並且帶有真實的解讀局限性，特別是在深部或陣列外源以及衰減寬廣皮質模式的風險方面。與原始電位分析並行使用，而不是作為其替代品，拉普拉斯導聯為觀察局部皮質活動解開了一個意義非凡的、更清晰、免參考的窗口。
參考資料
Srinivasan, R., Nunez, P. L., & Silberstein, R. B. (1998). Spatial filtering and neocortical dynamics: estimates of EEG coherence. IEEE transactions on Biomedical Engineering, 45(7), 814-826. https://doi.org/10.1109/10.686789
Nunez, P. L., & Pilgreen, K. L. (1991). The spline-Laplacian in clinical neurophysiology: a method to improve EEG spatial resolution. Journal of Clinical Neurophysiology, 8(4), 397-413.
Law, S. K., Nunez, P. L., & Wijesinghe, R. S. (2002). High-resolution EEG using spline generated surface Laplacians on spherical and ellipsoidal surfaces. IEEE transactions on Biomedical engineering, 40(2), 145-153. https://doi.org/10.1109/10.212068
Fitzgibbon, S. P., Lewis, T. W., Powers, D. M., Whitham, E. W., Willoughby, J. O., & Pope, K. J. (2012). Surface laplacian of central scalp electrical signals is insensitive to muscle contamination. IEEE Transactions on Biomedical Engineering, 60(1), 4-9. https://doi.org/10.1109/TBME.2012.2195662
常見問題
EEG 分析中的表面拉普拉斯算子是什麼？
表面拉普拉斯算子估算頭皮電壓場的二次空間導數，這對應於流入和流出頭皮的徑向電流。這將記錄轉換為局部電流源密度的度量，而不是原始電壓，使其在很大程度上獨立於參考電極。
拉普拉斯導聯是如何消除參考電極問題的？
拉普拉斯計算在數學上消除了均勻添加到所有電極上的任何常數電壓，而這正是共享參考點所產生的情形。由於這種內置的消除功能，所得信號不再取決於參考電極的放置位置。
拉普拉斯算子在減少體積傳導偽跡中起什麼作用？
拉普拉斯算子起到空間帶通濾波器的作用，抑制由通過顱骨和頭皮的體積傳導引起的寬廣、瀰漫的電壓圖案。這種過濾減少了遠處電極之間的虛假相干性，否則會被誤解為協調的大腦活動。
拉普拉斯算子如何提高 EEG 信號的時間準確性？
體積傳導和參考選擇會模糊原始頭皮電位中大腦事件的時間定位。拉普拉斯的電流源密度估計減少了這種模糊，提供了皮質活動實際何時發生的更準確的表徵。
為什麼高電極密度對樣條拉普拉斯方法很重要？
樣條拉普拉斯從一組離散的電極讀數中計算出二次導數，因此必須對頭皮進行足夠細緻的採樣以捕捉電壓曲率。當平均傳感器間距足夠小時，可以精準估算導數，從而顯著提高空間分辨率。
拉普拉斯算子能幫助減少 EEG 中的肌肉偽跡嗎？
可以，表面拉普拉斯處理可顯著減少肌肉產生的電噪聲，特別是在下頜和頭皮肌肉附近的中央頭皮部位。這導致大腦信號與肌肉污染之比高得多，尤其是在像伽馬這樣的高頻範圍內。
拉普拉斯導聯的主要局限性是什麼？
拉普拉斯算子無法定位深部腦源或電極陣列之外的信號，並且由於其濾波器會抑制廣泛的模式，它可能會衰減真正廣泛傳播的皮質活動。它最好與原始電位分析並行使用，因為每一種方法都捕獲了大腦活動的不同空間尺度。
拉普拉斯導聯與雙極導聯有何不同？
雙極導聯比較兩個不同的電極以顯示電壓差，而拉普拉斯導聯使用一組基於中心電極及其直接鄰近電極的數學二次導數來估算整個表面的局部電流密度。
該技術是否需要特定數量的電極？
是的，導聯的效果與通道數成正比，因為計算取決於傳感器陣列的空間密度以及鄰近網格布局的相對準確性。
拉普拉斯導聯可以與標準 10-20 系統布局一起使用嗎？
如果使用專門的插值，在電極有限的情況下數學上是可行的，但標準 10-20 系統可能缺乏高可靠性或詳細空間解讀所需的密度。
拉普拉斯導聯能檢測深部大腦結構嗎？
因為該導聯起到空間高通濾波器的作用，所以它旨在強調淺表皮質活動，與基於電位顯示的視圖相比，通常對深部皮質下源不太敏感。
Emotiv 是一家神經科技領導者，透過可近用的 EEG 和腦部資料工具，協助推動神經科學研究進展。
克里斯蒂安·布爾戈斯
