参与者招募与数据采集
获取药物难治性颞叶癫痫患者在MEG和fMRI下的语言任务数据。
从癫痫连接组计划（ECP）纳入74名TLE成人，完成MEG语义决策与符号匹配任务及fMRI语义决策与音调决策任务。MEG采用306通道VectorView系统，fMRI采用3T GE Discovery MR750。
关于丁香通
公司信息
个人用户
企业机构
无忧采购 轻松科研
- 移动端
基于MEG β功率调制确定半球语言优势：与fMRI的一致性
Determining Hemispheric Language Dominance from MEG Beta-Power Modulations: Concordance with fMRI
实验完整度
高包含MEG与fMRI两种独立神经成像模态的对比，明确的功能验证（语义决策任务）和机制验证（β功率抑制与BOLD相关性）。
主要模型
74名颞叶癫痫成人患者
重点核对
样本量：74名TLE患者，年龄19-60岁 MEG任务：视觉语义决策 vs 符号匹配，刺激呈现2s，SOA 3.0-3.5s fMRI任务：听觉语义决策 vs 音调决策，块设计，24s块，12s休息 MEG分析窗口：300-1200ms，固定或参与者特异性窗口 LI计算方法：加权自举LI，阈值网格20，300次重采样
摘要
准确识别语言优势半球对于耐药局灶性癫痫的手术计划至关重要。功能性MRI被广泛用作Wada试验的无创替代方法，但在某些患者中可能禁忌或不可靠，促使需要脑磁图（MEG）等补充方法。我们测试了当结合任务匹配的非语言对照、参与者/ROI特异性时间以及多阈值加权自举偏侧指数（LI）时，β频段MEG功率抑制是否能提供可靠的语言偏侧化。74名颞叶癫痫成人完成了MEG期间的视觉语义决策和假字体对照任务。使用DICS波束形成估计β频段（17–25 Hz）源功率，并在额叶、颞叶、角回和复合外侧ROI中使用300毫秒滑动窗计算LI。为了比较，参与者还完成了听觉语义决策与音调决策的fMRI方案，fMRI LI来自匹配的ROI。MEG显示了一个左偏侧化的时空序列，其中额叶LI比颞顶LI更早出现，在早期双侧颞枕顶参与之后。与前刺激基线相比，假字体对照对比增加了LI幅度并改善了MEG-fMRI对应性，峰值MEG-fMRI相关性为r = 0.65。参与者/ROI特异性时间仅产生小而混合的一致性变化。使用优化的MEG流程，MEG和fMRI在67/74名患者中一致（90.5%；95% CI: 83–96%；κ = 0.81）。自举LI的表现与基于幅度和顶点计数的变体相似，同时提供了置信区间。这些发现表明，语义决策期间的β频段MEG抑制，特别是与非语言对照任务对比时，提供了高时间分辨率和临床可行的半球语言优势标记，与fMRI高度一致。
实验结论
提炼研究问题、关键发现与证据，快速把握文章的核心贡献。
- 研究问题
- MEG β频段功率抑制，结合任务匹配的非语言对照、参与者/ROI特异性时间和多阈值加权自举LI，能否提供可靠的半球语言优势估计并与fMRI一致？
- 核心机制
- 语义决策任务引起左侧偏侧的β频段（17-25 Hz）功率抑制，反映了语言相关的神经活动，与fMRI的BOLD信号相关。
- 主要证据
- 74名TLE患者中，MEG与fMRI在67/74（90.5%）一致（κ=0.81）；使用符号对照（SD>SYM）提高了LI幅度和MEG-fMRI相关性（峰值r=0.65）。
- 研究意义
- 该MEG流程可作为术前语言优势评估的补充方法，尤其适用于fMRI禁忌或不可靠的患者。
研究路径
按研究推进顺序梳理实验设计、验证步骤与关键观察。
MEG数据预处理与源建模
去除噪声并估计β频段源功率。
使用tSSS去噪，ICA去除伪迹，DICS波束形成估计β频段（17-25 Hz）源功率，滑动窗300ms步进10ms。
计算偏侧指数（LI）
量化每个ROI的语言优势方向。
在额叶、颞叶、角回和外侧Lateral ROI中，使用幅度求和、顶点计数和加权自举三种方法计算LI。
评估MEG-fMRI一致性
比较MEG与fMRI语言偏侧化分类的一致性。
将MEG和fMRI的LI分类为左、右或对称，计算一致率，并使用Pearson相关评估连续LI的相关性。
分析时间窗和对照条件的影响
评估固定窗口与参与者/ROI特异性窗口，以及基线选择对MEG-fMRI一致性的影响。
比较了前刺激基线和符号对照两种对比，以及固定300ms窗口和基于rRI的个体化窗口。
研究方法
按研究目的归类文中使用的方法，便于定位所需技术。
产品清单
| 实验环节 | 名称 | 品牌 | 货号 |
|---|---|---|---|
| 数据采集 | VectorView™脑磁图系统 | Elekta Neuromag | -- |
| GE Discovery MR750磁共振扫描仪 | GE | -- | |
| 32通道头阵列线圈 | -- | -- | |
| 数据处理 | MaxFilter软件 | Elekta Neuromag | -- |
| Brainstorm软件 | -- | -- | |
| FreeSurfer软件 | -- | -- | |
| FSL软件 | -- | -- | |
| AFNI软件 | -- | -- |
关键环节
汇总复现实验时建议重点确认的条件及原文阅读提示。
| 环节 | 核对要点 |
|---|---|
| 参与者纳入 | 纳入标准：药物难治性TLE，完成MEG和fMRI协议，数据完整。 阅读提示：Methods 2.1 Participants |
| MEG任务 | 语义决策和符号匹配任务，刺激呈现2s，SOA 3-3.5s，每条件128试次，共256试次。 阅读提示：Methods 2.2.1 MEG Semantic-decision and symbol-matching tasks |
| fMRI任务 | 听觉语义决策 vs 音调决策，块设计，24s块，12s休息，每个run 4个SD块和4个TD块。 阅读提示：Methods 2.2.2 fMRI Semantic-decision vs. tone-decision protocol |
| MEG预处理 | tSSS参数：Lin=8, Lout=3, 10-s buffer, subspace correlation limit 0.98。 阅读提示：Methods 2.3.2 Preprocessing |
| DICS源建模 | β频段17-25 Hz，中心21 Hz，平滑±4 Hz。 阅读提示：Methods 2.3.3 DICS Beamformer source modeling |
| LI计算 | ROI定义，阈值（50%最大源值），自举参数（20阈值，300重采样）。 阅读提示：Methods 2.3.6 Laterality index (LI) |
| fMRI预处理 | 去除前4个volume，slice-timing校正，运动校正，归一化到MNI，平滑6mm FWHM，高通滤波128s。 阅读提示：Methods 2.4 fMRI Data analysis |