EEG 记录中一直存在一个顽固的问题，即在任何单个电极上检测到的电压都不是其正下方脑组织的干净读数。它是一种混合信号，受组织层、电极放置以及记录操作人员选择的任意参考点的影响。
拉普拉斯导联（Laplacian montage）正是为了解决这种混合问题而开发的。它不报告原始电压，而是将头皮信号转换为局部电流源密度的估计值，这一测量值不依赖于任何外部参考，并且与传感器正下方的皮层中发生的电活动更直接地相关。
以下章节将详细介绍为什么这种转换是必要的、它是如何进行数学推导的，以及相关研究对其在实际应用中优势的证明。
什么是脑电图（EEG）中的拉普拉斯导联？
临床脑电图依赖于头皮传感器的排列来准确地可视化神经活动模式。传统的电极导联记录的是相对于特定参考电极的电位，这有时会在较大的表面积上模糊信号的清晰度。拉普拉斯导联 EEG 通过关注局部差异而非全局电位，提供了一种截然不同的分析选择。
理解脑电图拉普拉斯导联的基础知识
EEG 信号本质上反映了头皮下方锥体神经元的集体电活动。当电极捕获到电位时，由于颅骨和头皮的容积传导特性，它不可避免地会包含来自遥远脑源的贡献。
提取这些微弱节律的过程需要清晰的方法学，通常需要结合 神经科学 的基本原理，以确保分析的波形对应于离散的局部大脑区域。
为什么头皮 EEG 信号难以准确解读
大脑的电信号并不是沿直线传播到电极的。它们在被测量之前，必须穿过脑脊液、颅骨和头皮组织，而这些介质层的导电性能各不相同。
尤其是颅骨，其作用类似于空间低通滤波器，会平滑并扩散信号，将皮层中可能非常局限的活动，在到达头皮时模糊成大范围的弥漫性模式。
研究（Srinivasan 等人）将头部模拟为四个同心球层（大脑、脑脊液、颅骨和头皮），结果表明这种扩散作用非常强烈，以至于相距 10 到 12 厘米的电极之间也会出现人为的相关性，即使底层的神经源完全无关。这带来了一个真正的风险，即容易将相关的头皮读数误认为是协调的大脑活动的证据，而这种相关性可能仅仅是电在组织中扩散而产生的人工伪影。
第二种畸变来自参考电极本身。传统的 EEG 导联 将电压报告为活动电极与参考点之间的差值，但该参考点绝非电静默的。
模拟研究和实证记录（Nunez 等人）已经表明，参考电极的选择会改变大脑事件表现出的时间，这意味着使用一种参考方案记录的诱发电位潜伏期，可能与使用另一种方案记录的潜伏期不一致。这是一个微弱但重要的问题，因为脑电图在临床和研究中的大部分价值都取决于精准的时间。
第三种污染源是肌肉活动，而非神经活动。中央和中央旁头皮区域（即位于头顶和两侧的电极）靠近头皮和下颌肌肉组织。这些肌肉的电活动很容易泄漏到记录中，特别是在高频段，而传统的参考方案对分离肌肉产生的信号与大脑产生的信号作用甚微。
总之，容积传导、对参考电极的依赖以及肌肉污染，构成了原始头皮电位无法精确反映皮层实际活动的三个叠加原因。
问题 | 描述 |
|---|---|
容积传导 | 颅骨模糊并扩散信号 |
参考电极依赖性 | 参考电极的选择会扭曲事件的时间 |
肌肉污染 | 肌电图（EMG）泄漏到中央电极 |
什么是表面拉普拉斯及其工作原理
表面拉普拉斯通过改变测量对象来解决这些问题。它不直接记录电压，而是计算跨头皮电压场的空间二阶导数，本质上是询问头皮上每个点电位的弯曲程度有多大，而不是它的绝对值是多少。
这种弯曲测量与在该位置流入和流出头皮的径向电流成正比，这使其成为对局部电流源密度的物理估计，而不是受远处活动影响的原始电学读数。
因为微分是一种能消除恒定偏移的数学运算，所以这种方法具有与生俱来的优势：任何均匀添加到每个电极的电压（在使用共享参考电极时恰好会发生这种情况），在计算过程中都会被消去。
其结果是一个不再依赖于参考电极位置的信号。这就是为什么拉普拉斯通常被称为“无参考”的原因。
拉普拉斯还具有研究人员所描述的空间带通滤波器的功能。它能抑制非常宽、弥漫性的电压变化模式（由跨越头皮大片区域的容积传导产生），同时也能衰减极度尖锐、局部的噪声。
剩下的是对活动的中等规模估计，这似乎能很好地对应大脑皮层的电流实际穿过人体头部各层的方式。实际上，这种变换调整到了新皮层源真正影响头皮的物理尺度，过滤掉了过宽和过窄的信息。
参考电极标准化技术（REST）
在应用拉普拉斯变换之前，主要物理参考电极的选择往往会影响初始记录的质量。
许多临床机构使用参考电极标准化技术（REST），该技术将原始脑电图数据数学转换为近似无参考的分布。这确保了后续的计算不会因为初始记录所选择的特定电学点而产生偏差，这对于客观的临床评估至关重要。
样条拉普拉斯在实践中是如何计算的
从有限的一组分散电极读数中计算空间二阶导数并不简单，因为电极只能在离散的点而不是连续地对头皮进行采样。
样条拉普拉斯方法通过拟合一个平滑且灵活的数学表面（模拟为球体或更符合解剖学实际的椭球体）来解决这一问题，该表面穿过实际的电极位置。一旦定义了这个连续表面，就可以直接从中计算导数，从而根据周围邻近电极记录的值，在每个电极位置产生拉普拉斯估计值。
该方法最初是为球形头部模型推导出来的，后来在数学上扩展到了椭球表面，后者能更好地逼近人类头部的实际形状。这两种推导都被证明在头部几何形状不精确或不同组织层电阻率不确定的情况下仍能保持稳定，而这些因素在实际的临床或研究记录中基本上是无法避免的。
这种鲁棒性意味着，样条拉普拉斯不需要个人头部的完美解剖模型来产生有用且稳定的结果。
有一个实际的要求决定了该方法能带来多少益处：电极密度。Nunez 等人比较了不同电极布局下样条拉普拉斯性能的研究发现，特别是在相邻传感器之间的平均间距小于约 3 厘米时，空间分辨率会得到显著提升。
在此间距以下，可以以足够的精度估计导数，从而使基础信号显著清晰化。相比之下，稀疏的电极阵列无法对头皮进行足够精细的采样，因而无法支持准确的二阶导数计算，限制了该变换对原始电位的改善程度。
计算拉普拉斯电位
为了计算该电位，软件系统会根据径向模式下其中央传感器与其紧邻电极的加权平均值进行评估。这会创建一张电流密度的虚拟图，在诊断过程中通常更容易解读。
该计算的核心数学序列详见下表：
步骤 | 操作 | 目的 |
|---|---|---|
1 | 电极选择 | 选择分析的中心点。 |
2 | 空间加权 | 将权重值应用于相邻的头皮传感器。 |
3 | 梯度计算 | 从中心减去局部平均值。 |
以下标准有助于确定配置是否优化以获得清晰的结果：
电极间距必须尽可能保持均匀。
所有周围邻近电极的信号质量必须相当。
配置应保持在感兴趣区域周围的对称性。
一旦满足这些标准，所得数据就能有效地突出大脑活动的局灶性源，显示出远场模式干扰的减少。
使用拉普拉斯导联的优势
空间滤波为旨在分离特定皮层发生器的研究人员提供了几个独特的益处。通过减少对单一参考点的依赖，该技术在不同的实验条件下能产生更可靠的结果。
通过拉普拉斯变换提高空间分辨率
拉普拉斯导联背后的核心实用主张是，与未经处理的头皮电压相比，它显著提高了 大脑活动的空间图像 清晰度。
Nunez 等人利用球形和椭球表面上的样条推导进行的研究报告称，空间分辨率比传统记录提高了至少三倍。这种改善在计算机模拟、诱发电位数据、自发静息态 EEG 以及癫痫棘波记录中均得到了保持，表明它不局限于某一种狭窄的大脑信号类型。
另一项由 Law 等人进行的研究 强化了这一发现，表明分辨率的提高在很大程度上独立于对信号源或用于表示头部的几何模型所做出的特定假设。这是一个重要的区别。
许多脑电图源定位技术需要研究人员预先假设大脑信号可能来自何处。样条拉普拉斯在不严重依赖这些假设的情况下实现了分辨率的提高，这使得它能更广泛地应用于不同类型的研究和患者群体，只要电极密度足够即可。
消除参考电极畸变
因为拉普拉斯计算在数学上抵消了跨所有电极添加的任何恒定值，所以它是通过计算结构而不是选择一个所谓的“中性”参考部位来消除参考电极的影响。
Nunez 等人直接检查电位数据的对比工作表明，仍与所选参考紧密关联的原始头皮电位，会扭曲事件相关脑电反应的表观形状和时间。相比之下，由拉普拉斯变换产生的电流源密度估计被证明能对相同的底层事件提供更准确的时空描述。
在实际操作中，这意味着在同一个受试者身上，两个使用不同参考电极的实验室可能会从原始电位中报告出明显不同的波形，而他们的拉普拉斯变换数据则会收敛于对底层皮层活动的更一致的表示。
减少容积传导产生的人工相干性
相干性，一种衡量两个信号随时间波动相似程度的统计指标，在 脑电图研究 中常用于推断两个大脑区域是否在进行通信或协同工作。问题在于，在没有实际协调神经活动参与的情况下，仅容积导电一两项，就能在相邻电极之间产生高相干值，仅仅是因为底层电压在头皮上扩散开了。
Srinivasan 小组的研究人员利用头部多层导电性的分析模型证明，这种容积传导效应会在相距远至 10 到 12 厘米的电极之间产生人工相关性。将表面拉普拉斯应用于相同的数据后，这种人工相干性显著降低，因为它的空间带通属性过滤掉了产生虚假相关的宽、弥漫性扩散。
这并不意味着应该完全摒弃原始电位相干性。同样的研究强调，原始头皮相干性和拉普拉斯推导的相干性对皮层活动的不同空间带宽很敏感，这意味着每种方法捕捉到的都是新皮层动力学略微不同的片段。
建议是将这两种指标进行并行检查，而不是用一种指标去完全替代另一种，因为它们结合起来能提供比单一指标更完整的画面。
脑电图声誉主要建立在它的速度上——在毫秒级时间尺度上追踪大脑活动的能力。但当应用到原始头皮电位时，这种声誉在某种程度上被夸大了。
上述模拟工作表明，容积传导和参考电极的选择不仅会扭曲信号出现的源位置，还会扭曲其发生的时间。头皮电位可能会误估真实的脑部事件潜伏期，因为组织传导的平滑效应和参考电极的影响，会将来自不同时间点和不同源的信号混合在一起。
同样的一系列研究发现，通过表面拉普拉斯生成的电流源密度估计避免了大部分这种畸变，提供了被研究人员描述为对大脑活动的时空动力学更丰富、更准确的视角。这一发现在两个模拟研究和两个实证数据集中得到了复制，使其具有相当一致的证据基础。
实际的意义在于，研究认知或临床事件精确时间（而不仅仅是其空间来源）的研究人员，有理由将拉普拉斯变换数据视为更值得信赖的大脑实际活动发生的时间记录。
中央头皮导联的肌肉伪影抑制
肌肉产生的电活动（即肌电污染）是 脑电图记录 中较顽固的干扰之一，尤其是在靠近下颌和头皮肌肉组织的中央头皮位置。
一项由 Fitzgibbon 等人设计 的旨在分离这种效应的研究，对比了清醒受试者在完全神经肌肉阻滞之前和之后的记录，这使得研究人员能够测量在正常情况下，记录的信号中有多少实际上是肌肉活动，而不是大脑活动。
通过将几种头皮表面拉普拉斯估计器与左耳参考和平均参考导联进行对比，研究发现，表面拉普拉斯处理将 30 赫兹以上中央和中央旁导联的肌肉电能降低到大脑信号的六分之一以下，脑肌比大于六。
据报道，这一表现比平均参考（使用最广泛的传统导联形式之一）要好两到三倍。由于肌肉污染往往集中在较高频段，这一优势对于任何试图研究伽马频段活动的人都尤为重要，该频段是具有临床和认知价值的研究领域，否则极易被头皮和下颌肌肉噪声挡住。
研究人员指出，这使拉普拉斯成为检测高频活动和研究疾病电生理相关性的有用标准，包括在 大脑障碍 研究领域中研究的病症，在这类研究中，微弱的高频信号可能具有诊断权重。
拉普拉斯导联脑电图的应用
癫痫的临床评估仍然是这种空间处理方法的主要应用之一。通过确定发作间期放电的准确空间分布，神经病学家可以更好地确定癫痫灶。这比标准记录提供了更清晰的视野，因为标准记录往往由于周围颅骨解剖结构而呈现显着的模糊。
认知神经科学研究也采用了这种方法，特别是当探测需要精确时间和位置的高频振荡时。研究通常在皮层表面追踪这些脉冲，以观察它们如何在感觉处理中心之间传播。
最后，该技术广泛应用于 脑机接口（BCI） 开发，其中实时精度对运动控制至关重要。通过分离运动皮层中产生的特定 mu 节律，系统可以更准确地解读意图。
这一应用展示了拉普拉斯滤波器在将原始电位转化为外部设备功能性输入方面的多功能性。
局限性与解读注意事项
上述这些优势都不能使拉普拉斯导联普遍替代其他脑电分析方法，支持性研究也明确了其局限。
第一，拉普拉斯并不是那种精确定位大脑内部解剖位置的源定位技术。它在适度的空间尺度上产生电流密度的估计，这与偶极子拟合或其他基于模型的方法进行的定位目标存在差异。
第二，该变换被认为对源自大脑深部（远离皮层表面）或位于电极阵列本身物理边界之外的源不敏感。如果信号来自皮层下结构，或者来自电极网未覆盖的区域，那么无论周围电极放置得多么密集，拉普拉斯都无法很好地表示该信号。
第三，分辨率的提升是有条件的。实质性的改善取决于电极间的平均间距小于大约 3 厘米，因此稀疏或不均匀分布的阵列不会带来基础研究中展示出的相同益处。将此方法应用于低密度记录的人应当预期会获得较低的提升效果。
最后，过滤掉容积传导伪影的相同空间带通滤波属性也会衰减大范围真实的皮层事件，因为非常宽泛的活动模式类似于该滤波器旨在抑制的弥漫信号。
这就是为什么相干性研究建议并行分析原始电位数据和拉普拉斯变换数据，而不是将其中一者视为对另一者的绝对升级。每种方法都捕捉了新皮层活动的不同空间带宽，最完整的解读来自于对两者的综合考虑。
结论：拉普拉斯作为观察皮层活动更清晰的透镜
表面拉普拉斯重构了头皮脑电图的测量方式。它不报告取决于任意参考电极且已被颅骨滤波效应模糊的电压，而是利用已被证明在实际头部建模误差下仍能保持稳定的样条法，直接从电极阵列的几何结构中估计局部电流源密度。
在这些研究中建立的实证记录指向了一致、可衡量的优势：
空间分辨率提高了三倍或更多
远距离电极之间的人工相关性得到抑制
潜伏期估计能更好地反映真实的大脑时间
肌肉污染减少到传统参考方案所允许的一小部分
这些收益取决于充足的电极密度，并伴随着切实的解读限制，特别是在针对深度或电极阵列外的源以及削弱广泛皮层模式的风险方面。将拉普拉斯导联与原始电位分析结合使用（而非作为其替代品），为局部皮层活动提供了一个更有意义、更清晰、无参考的观察窗口。
参考文献
Srinivasan, R., Nunez, P. L., & Silberstein, R. B. (1998). 空间滤波与新皮层动力学：EEG 相干性的估计. IEEE transactions on Biomedical Engineering, 45(7), 814-826. https://doi.org/10.1109/10.686789
Nunez, P. L., & Pilgreen, K. L. (1991). 临床神经生理学中的样条拉普拉斯：一种提高脑电图空间分辨率的方法. Journal of Clinical Neurophysiology, 8(4), 397-413.
Law, S. K., Nunez, P. L., & Wijesinghe, R. S. (2002). 在球形和椭球表面上使用样条产生的表面拉普拉斯的高分辨率 EEG. 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). 中央头皮电信号的表面拉普拉斯对肌肉污染不敏感. IEEE Transactions on Biomedical Engineering, 60(1), 4-9. https://doi.org/10.1109/TBME.2012.2195662
常见问题解答
脑电图分析中的表面拉普拉斯指的是什么？
表面拉普拉斯估算头皮电压场的空间二阶导数，该导数对应于流入和流出头皮的径向电流。这使测量转换为对局部电流源密度的评估，而不是原始电压，使其在很大程度上独立于参考电极。
拉普拉斯导联如何消除参考电极问题？
拉普拉斯计算在数学上抵消了均匀添加到所有电极上的任何恒定电压，这恰好是共享参考所产生的。由于这种内在的抵消过程，产生的信号不再取决于参考电极的放置位置。
拉普拉斯在减少容积传导伪影方面起什么作用？
拉普拉斯充当空间带通滤波器，能够抑制由通过颅骨和头皮的容积传导产生的广泛、弥漫的电压模式。这种滤波减少了远距离电极之间的人工相干性，否则这种相干性可能会被误读为协调的大脑活动。
拉普拉斯如何提高波电信号的时间准确性？
容积传导和参考电极选择会模糊原始头皮电位中脑部事件的时间。拉普拉斯的电流源密度估计减少了这种模糊，对于皮层活动何时实际发生提供了更精准的重现。
为什么充足的电极密度对样条拉普拉斯方法很重要？
由于样条拉普拉斯从一组离散的电极读数推导二阶导数，因此必须对头皮进行足够精细的采样以捕获电压弯曲。当平均传感器间距足够小时，便能以极高精度估算该导数，从而使空间分辨率获得显著提升。
拉普拉斯有助于减少脑电图中的肌肉伪影吗？
是的，表面拉普拉斯处理显著减少了肌肉产生的电噪声，特别是在中央头皮区域，即下颌和头皮肌肉附近的部位。这显著提高了大脑信号与肌肉污染的比率，尤其是在高频段（如伽马频段）。
拉普拉斯导联的主要局限性有哪些？
拉普拉斯无法测定大脑深层或电极阵列外部的信号，并且由于其滤波抑制了大范围模式，它可能会减弱真实的、广泛分散的皮层活动。最好将其与原始电位分析并行使用，因为两者各捕捉到不同空间尺度的大脑活动。
拉普拉斯导联与双极导联有何不同？
双极导联比较两个不同的电极以获得电压差，而拉普拉斯导联使用数学上的二阶导数，基于中心电极与其邻近电极来估计整个表面的局部电流密度。
该技术需要特定数量的电极吗？
是的，导联方案的成效随着通道数量的增加按比例提升，因为计算取决于传感器阵列的空间密度和相邻电极网格布局的相对准确性。
拉普拉斯导联可以与标准的 10-20 系统布局一起使用吗？
在使用专门的插值法时，虽然数学上在极少数电极的情况下也可行，但标准 10-20 系统可能缺乏提供高度可靠或详细空间解读所必需的密度。
拉普拉斯导联能检测大脑深部结构吗？
由于该电极导联作为空间高高滤波器的功能运作，它的设计旨在强调皮层浅表的活动，与基于电位的显示方法相比，它对脑深部底下的源通常较不敏感。
Emotiv 是一家神经技术领域的领导者，致力于通过易于获取的 EEG 和脑数据工具推动神经科学研究发展。
克里斯蒂安·布尔戈斯
