目录
- 摘要
- [1. 引言](#1. 引言)
- [2. 第一步：数据清洗](#2. 第一步：数据清洗)
- [3. 第二步：构建大脑信息流热力图](#3. 第二步：构建大脑信息流热力图)
-
- [结果展示：Alpha 波段有向连接矩阵](#结果展示：Alpha 波段有向连接矩阵)
- [4. 第三步：解码网络拓扑与图论指标](#4. 第三步：解码网络拓扑与图论指标)
-
- [3.1 网络拓扑结构](#3.1 网络拓扑结构)
- [3.2 关键节点](#3.2 关键节点)
- [5. 具体解析](#5. 具体解析)
-
- [1. 右额叶 (F4) 的"指挥官"角色](#1. 右额叶 (F4) 的“指挥官”角色)
- [2. Alpha 抑制与枕叶 (Oz)](#2. Alpha 抑制与枕叶 (Oz))
- [3. 左侧运动区 (C3) 的准备](#3. 左侧运动区 (C3) 的准备)
- [6. 总结](#6. 总结)
摘要
如何从看似杂乱无章的脑电（EEG）信号中，解码出大脑各区域是如何"交谈"的？本文基于 2023 年 Chiarion 等人的综述论文框架，利用 MATLAB (EEGLAB + MVGC + BCT) 工具箱，对一组斯特恩伯格工作记忆任务 (Sternberg Working Memory Task) 数据进行了完整的分析。复现了从预处理去伪迹、格兰杰因果计算到图论网络拓扑分析的全流程，并揭示了右额叶在认知控制中的核心地位。
1. 引言
大脑不是一堆孤立的岛屿，而是一个高度互联的复杂网络。在 EEG 分析中，我们需要从结构连接 走向功能连接 ，最终到达有效连接------即确定"谁驱动了谁"。
本文使用的数据集 syn02-s253-clean.set 来源于一项经典的视觉工作记忆任务。将通过探索大脑在记忆保持阶段（Alpha 波段）的动态网络结构。
2. 第一步：数据清洗
在计算复杂的数学模型之前，我们必须确保数据的纯净。
结果展示：去伪迹前后对比
图解分析：
- 上图（原始数据）： 我们可以清晰地看到在 0.4s, 1.1s, 3.2s 等时刻出现了巨大的尖峰，幅度高达 150 µV。这是典型的眨眼伪迹。如果不去除，这些强信号会瞬间传导至全脑电极（容积传导），导致算法误判为"全脑强连接"。
- 下图（预处理后）： 经过 ICA 和 ICLabel 自动剔除眼电成分后，大幅度的尖峰消失了。剩余的信号幅度在 +/- 25 µV 之间，呈现出密集的神经震荡特征。
关键点： 只有经过这样彻底的清洗，后续的格兰杰因果分析才具有生理学意义。
3. 第二步：构建大脑信息流热力图
在确保数据干净后，使用 MVGC 工具箱 计算了频域格兰杰因果 (Spectral Granger Causality) 。我们聚焦于 Alpha 波段 (8-13 Hz)，因为该频段被认为与大脑的抑制控制和信息门控密切相关。
结果展示：Alpha 波段有向连接矩阵
图解分析：
这张热力图展示了大脑区域两两之间的因果强度（红色代表强连接，蓝色代表弱连接）。
- 非对称性： 注意矩阵不是对称的。例如，
F4 -> C3是红色的（强驱动），但C3 -> F4颜色较浅。这证明了捕捉到了有向的信息流，而非简单的同步。 - 关键连接： 可以观察到右侧额叶 (F4) 和左侧中央区 (C3) 作为源 发出了大量强连接；而枕叶 (Oz) 作为目标 接收了大量输入（注意 Oz 所在行的深色区域较少，说明它很少驱动别人，但所在列颜色较深，说明它在被驱动）。
4. 第三步：解码网络拓扑与图论指标
为了量化上述观察，我们将连接矩阵转化为有向加权网络 ，并使用 Brain Connectivity Toolbox (BCT) 计算图论指标。我们保留了前 30% 最强的连接来构建拓扑图。
3.1 网络拓扑结构
图解分析：
这是一个非常直观的圆环图。
- 信息流向： 请注意箭头的方向。明显的趋势是从上方（额叶 Fz, F4, F3） 指向 下方（枕叶 Oz, Pz）。
- 结构化特征： 这是一个典型的自上而下 的控制网络，而非随机网络。
3.2 关键节点
图解分析：
柱状图量化了每个脑区的角色：
- Out-Degree (驱动力)： C3 (左运动区)最高，F4 (右额叶)紧随其后。脑网络并非单一中心，而是多核心驱动。
- In-Degree (接收力)： Oz (枕叶) 达到了惊人的高值。它是网络的信息汇 (Sink)。
- Betweenness (枢纽性)： F4 最高，说明它是连接不同脑模块的"桥梁"。
5. 具体解析
结合工作记忆任务的背景，我们可以尝试对上述结果给出解释：
1. 右额叶 (F4) 的"指挥官"角色
结果显示 F4 是网络的绝对核心。在认知神经科学中，右侧前额叶皮层是中央执行系统 的关键部分。
- 解释： 在记忆保持阶段，被试需要集中注意力维持脑中的信息。F4 通过发出强烈的控制信号，维持任务目标并监控冲突。
2. Alpha 抑制与枕叶 (Oz)
比较引人注目的发现是 Oz (视觉皮层) 是最大的接收者（被全脑驱动）。
- 解释： 当我们试图在脑海中"记住"东西时，我们需要切断外界的视觉干扰。大脑通过自上而下的控制信号 （从 F4 等区域下行到 Oz），在视觉皮层产生 Alpha 振荡，以此抑制视觉信息的输入。Oz 的高入度反映了它正在被"命令"保持沉默，以保护工作记忆。
3. 左侧运动区 (C3) 的准备
C3（对应左侧运动皮层，控制右手）表现出的高活跃度。
- 解释： 这可能反映了运动准备。在 Sternberg 任务中，被试通常需要用右手按键反应。即使在记忆阶段，运动皮层也可能处于预激活状态，准备随时执行指令。
6. 总结
通过这套基于 MATLAB 的 EEG 分析流程，我们处理了高噪声的脑电数据，更重要的是，我们提取出一种大脑网络模式：
在工作记忆任务中，大脑形成了一个以右额叶为核心的、自上而下的控制网络，该网络主动抑制视觉皮层的活动以屏蔽干扰。
这一结果证明了 MVGC (有效连接) 结合 图论分析 是揭示大脑动态机制的强大工具。
参考文献与工具：
- Dataset: Sternberg Working Memory Task (EEGLAB Tutorial Data).
- Paper: Chiarion et al., "Connectivity Analysis in EEG Data: A Tutorial Review of the State of the Art and Emerging Trends", Bioengineering 2023.
- Toolboxes: EEGLAB (Preprocessing), MVGC (Granger Causality), Brain Connectivity Toolbox (Graph Theory).