基于fMRI与MEG数据融合的大脑语言处理的激活分析.doc

《基于fMRI与MEG数据融合的大脑语言处理的激活分析.doc》由会员分享，可在线阅读，更多相关《基于fMRI与MEG数据融合的大脑语言处理的激活分析.doc（14页珍藏版）》请在得力文库 - 分享文档赚钱的网站上搜索。

1、2018 年 2 月 中央民族大学学报 自然科学版（ ） Feb ， 2018 第 27 卷 第 1 期 Journal of MUC（ Natural Sciences Edition） Vol 27 No 1 基 于 fMI 与 MEG 数 据 融 合 的 大 脑 语 言 处 理 的 激 活 分 析 （ 韦洁瑶 中央民族大学 信息工程学院情感计算实验室 ，北京 100081） 摘 要 ： 本文对同一组被试进行相同的语言实验任务 ，同时采集被试的功能磁共振图像数据和脑磁数据 ，通 过对两种神经成像技术进行融合，弥补两种方法在 分辨率上各 自存在 的不足 本 实验采用 fM I-MEG 数据

2、融 合的方法对采集的数据进行处理，得到了具有高时空分辨 率的信号，从而 能够更加精 确地对大 脑在处理语 言 任务时的激活区域进行定位 通过激活区域分析 ，更好地理解大脑在处理语言任务时的工作机制 由本实验可 以推断大脑在处理语言任务的过程是 听觉冲动首先传导到 听觉区域并产生听觉 同时韦尼克区会强烈激活： ， ， 随后神经传导到运动性语言中枢控制所有与运 动有关的皮质以做出相应的反应 关键词： 功能磁共振图像； 脑磁图； 数据融合； 语言任务 中图分类号： TP391 文献标识码： A 文章编号： 1005-8036（ 2018） 01-0041-08 近年来，为了探索人类大脑在处理语言信息

3、的过程中有哪些脑区被激活、各脑区之间的功能连接机 制是怎样的，各个学科的科研工作者，包括生理学、语言学、计算机科学研究者，开发并使用了多种先进 的脑成像技术 脑磁信号（ magnetoencephalography， MEG） 、功能磁共振成像技术（ functional magnetic reso- nance imaging， fM I） 、脑电信号（ electroencephalography， EEG） 、正电子发射断层显像技术（ positron Emis- sion Tomography， PET） 和弥散张量成像（ diffusion tensor imaging， DTI）

4、等多种成像方式在脑科学研究中 得到广泛应用 其中，因为可以无损伤地测量人脑内部结构，并记录大脑内部神经激活的区域，功能 磁共振（ functional magnetic resonance imaging， fM I） 和脑磁图（ Magnetoencephalography， MEG） 成为目前 最具代表性、最常使用的两种神经成像工具，并广泛地应用于学术研究和临床诊断中 两种神经成像技术有各自的优势， fM I 是利用磁振造影来测量神经元活动所引发血液动力的改 变，其成像空间分辨率较高，可以精确到 mm 量级； 而 MEG 通过探测线圈的磁通量的变化，确定脑内信 号源的精确位置和强度，在时间

5、分辨率上有着很大的优势，可以达到 ms 量级 越来越多的研究使用功 能磁共振 成像分析大脑语言处理机制，然而关键的问题是： 由功能磁共振成像采集的大脑血流动力学信 号仅仅是神经元活动的间接反射，其时间分辨率由于受到血流动力学反应的滞后性和头平面回波成像 （ EPI） 的采样率（ 通常是 2 秒左右） 的限制，不能很好地反应大脑内部的实时变化 研究者也将 MEG 技 术用于探测脑功能的研究中，得到了较好的时间分辨率，但是受到定位激活区逆问题的影响，其空间分 辨率不高 自现代脑成像技术诞生以来，科研工作者就不断地试图通过将 fM I 技术与 MEG 技术相结合，探 索如何对大脑 进行多模态的融合观

6、测 在探究大脑内部神经结构的最基本的要素包括时间信息和空 间信息 两种信息的获取对研究神经， 、精神疾病的发病原理、治疗方法以及预防手段起到关键性的作用， 因此探究 fM I-MEG 数据融合方法的可行性，并将其应用于脑科学具有重要的价值 近二十年来，人 脑功能研究取得了丰硕的成果，科研工作者在不断地探索中，尝试使用多种扫描方式的成像优势相结合 的方法 克服单一模态的不足， ，是近年来脑认知神经科学 领域的热点研究 对于语言 1 2 3 4 5 功能的研究同样是 收稿日期： 2017 09 06 作者简介： 韦洁瑶（ 1991 ） ，女（ 壮族） ，北京人，中央民族大学信息工程学院助教 研究方

7、向 脑神经科学与情感计算， ： 42 ， 中央民族大学学报（ 自然科学版） fM I MEG ， 第 27 卷 脑科学中非常 重要的内容 通过使用 与 技术相融合的方法 进行对大脑语言处理加工的连接 6 模型的研究，可以得到更加精确的激活图像，更加准确地理解大脑在处理语言时的连接机制 1 数据来源与实验方法 1. 1 数据来源 （ Human Connectome Project， HCP） NIH 2009 5 人脑连接组项目 ， 是美国国立卫生院 ， 于 开始资助的一 个 年项目 其主要目标是勾画健康成人的大脑结构和功能连接的模式 并将这些数据作为公共资源提 供给生物医学的研究 项目计划分

8、两个阶段： 第 1 阶段获取数据，优化数据分析方法等，目前已经完成； 第 2 阶段有 1200 余名被试参与测试，目前正在进行中 第 1 阶段的数据已经公开上传至官网，免费提供 给科学研究使用 数据采集过程中使用了 4 种成像方式： 静息态 fM I（ rfM I） 、弥散张量成像（ dfM I） 用 以提供大脑的连接信息； 任务态 fM I 揭示大脑功能； 结构 M I（ sM I） 用以捕捉大脑皮层高度复杂的形 状 本文的实验数据是由 WU-Minn 脑成像国际联盟（ WU-Minn HCP 500 Subjects Data elease） 于 2014 年 6 月发布的 500 个被试

9、的实验数据信号采集 参与此语言任务研 究的数据采集的是 500 名健康的成 年人，年龄分布在 18 岁至 50 岁之间 （ 平均 29 岁） ，无神经系统疾病史 其中同时采集了 MEG 数据和 fM I 数据的被试者有 56 名，作为本文的数据处理集 1. 2 语言任务设计 语言任务包括 7 个模块的故事任务和 15 个模块的数学任务，每个被试者会做两遍测试 在每一个 模块开始之前都会有一个长度为 3 秒的听觉提示词，例如： “故事 ”或 “数学 ”，用以告诉被试者接下来将 要听到的任务内容是关于故事理解的或是数学计算的 被试者在听到每个模 块最后提出的问题后，按下 按钮来选择问题的答案 在每

10、一个任务结束后会为被试者提供一段两秒的作答时间 由于本实验所有的 刺激呈现均为听觉刺激，故在整个功能扫描的过程中被试者被要求闭上眼睛 测试过程中仅使用调整到， 一个舒适的听力水平的 M I 兼容的耳机做听觉测试 1. 2. 1 寓言故事刺激 被试者在做语言任务期间听到的内容是一段简短的寓言故事，实验中所采用的是改编自伊索寓言 的故事 实验过程中要求被试者集中注意力， ，理解故事的主要内容 整个实验过程中使用了一个文本到 语音的合成器 MacinTalk，把伊索寓言转换为口语版本并播放给被试者，使用此合成器可以控制文字播 放频率、语言风格以及韵律特征 实验所选择的伊索寓言故事都是相对简短（ 大约

11、包含 5 9 句话） 并吸 引人的 故事都涉及动物形象或人类角色在社会中发生的易于理解的事件 在每个故事结束后，被试者 将被询问此故事的主题并提供两个强迫性的选项 例如，在一个关于一只老鹰救了一个曾经帮助过它的 男人的故事之后，被试者被问到： “本文的主题是报复还是报恩？ ”被试者按下右手 食指下方的按钮以选 择第一个选项或按下右手中指下方的按钮以选择第二个答案 1. 2. 2 数学算式刺激 数学任务作为对比试验，在测试过程中进行心算，需要被试者的持续注意力 实验过程中采用与语 言任务相同的文本到语音的合成器，以及相同的文字播放频率、语言风格以及韵律特征 被试者在测试 过程中会听到一系列的算术

12、运算 包括加法和减法， ，然后听到 “等于 ”和 2 个可供选择的选项 例如， “四 加十二减二加九等于二十三或二十二？ ”，参与者按下右手食指下方的按钮以选择第一个答案或按下 右 手中指下方的按钮以选择第二个答案 1. 3 实验处理步骤 本文使用 SPM8 对所有实验数据进行处理，其中包括 fM I 数据预处理： 包括时间校正、空间校正、 个体分析以及组分析； MEG 数据伪迹去除、基线校正和滤波； 使用 fM I 空间激活信息作为先验知识，用 于融合分析 第 1 期 1. 3. 1 fM I 韦洁瑶： 基于 fM I 与 MEG 数据融合的大脑语言处理的激活分析 数据处理流程 43 1.

13、3. 1. 1 数据预处理 在对原始数据进行数据格式的转换后，本文按照如下的数据预处理流程对 fM I 数据进行处理 （ 1） 时间层校正 在使用 fM I 对大脑进行扫描的过程中，我们所说的某一时刻的大脑图像其实是具有时间偏差的， 因为功能磁共振成像是对大脑进行逐层或隔层的扫描，所以获取到的每一层大脑图像的时间是不同的 时间层校正步骤试图通过使用数学方 法对所有脑图进行处理，使得数据采集过程中在不同的时间点扫 描获得的脑图可以看作是在同一时间获得的 本实验中共 72 层图像，采用隔层扫描，使用大脑的时间中间层作为参考层，由于本实验中有偶数个 图像，故选择第 71 或第 2 层作为参考层，本文

14、数据处理过程中使用的是第 71 层作为参考层 T = 0. 72 s， TA = T -T / slices = 0. 71 （ 2） 头动校正 在实验开始前，会告知所有被试者在实验过程中尽量保持头部不要动，但是实际测量过程中，让被 试者做到这点是比较困难的，被 试不可避免地会存在头动的情况 如果我们发现被试在实验过程中头动 的比较厉害的话，需要将此被试的数据进行剔除 若被试的头动不是很严重的话，则通过本步骤对被试 的头动进行校正 本步骤处理得到的结果如图 1 所示，图中部 “translation”表示被试脑部的平动，蓝色、绿色、红色分 别代表被试头部在 x、 y、 z 三个方向上的平移；

15、“rotation”表示被试头部的转动 一般选择平动范围在 2. 5 mm，转动在 2. 0 度的范围内的被试数据，若大于该数值则该被试的实验数据将被剔除 图 1 空间校正结果 图 2 图像配准结果 （ 3） Fig 1 The results of spatial correction （ coregistration） Fig 2 The results of coregistration） 图像配准 ， 被试的功能像和结构像之间需要进一步的线性变换 （ coregistration） 功能像和结构像间的转换信息是使用上一步 ， 中空间校正生成的矩阵 ， 图像配准 将被试者的结构像进行单体

16、的变换 2 ， ， 配准到精度更高 的功能像空间 ， 使分辨率更高 图像配准结果如图 所示 左边是被试者的功能像 右边是被试者的结构 像 可见结构像的分辨率比功能像的分辨率高很多 （ 4） 图像分割（ segmentation） 44 中央民族大学学报（ 自 然科学版） 、 ， ， 第 27 卷 将大脑的原始结构像分割成灰质 白质和脑髓液 图像 （ 5） 标准化（ Normalize） ， 与功能像进行配准 得到空间分辨率更高的功能 ， 因为每个被试者的大脑是不同的 我们需要将所有被试者的大脑统一标准化到标准空间 使用一个 公用的坐标系统用于对大脑中特定区域的具体位置进行描述，只要报告出激活位

17、置的坐标，其他科研工 作者便可以清晰地知道这个激活区域的位置 用结构像进行分割，使用分割的信息对被试的功能像进行 空间标准化 本实验的具体参数设置为： bounding box： 90 126 72； 90 90 108，这是由于默认值偏 小； voxel size： 3 3 3 （ 6） 空间平滑 1. 3. 1. 2 个体分析 本文根据 WU-Minn 脑成像国际联盟（ WU-Minn HCP 500 Subjects Data elease） 数据包中的信息，分 别设置每个被试者的 7 个 conditions： （ 1） 提示语句 cue； （ 2） 故事呈现 s_p； （ 3） 故事

18、的问题陈述 s_q； （ 4） 故事的反应时间 s_r； （ 5） 数学呈现 m_p； （ 6） 数学的问题陈述 m_q； （ 7） 数学的反应时间 m_r 并将相应 的开始时刻 onset 和持续时间 duration 依据原始数 据依次输入，并进行仿真 1. 3. 1. 3 功能数据分析： 组分析 在进行组分析时， contrast 设置使用 t 检验 s_m_p： 故事和数学呈现时的比较 即用每个被试者的故 事呈现减去数学呈现，得到语言理解相 对数学计算时大脑的激活 具体的实验参数设置为： （ 1） Mask with other contrast（ s ） ： none； （ 2） p

19、 value adjustment to control： none； （ 3） p value （ false discovery rate） ： 0. 05； （ 4） extent threshold voxels ： 10 通过统计分析得出所有被试的平均激活情况 1. 3. 2 MEG 数据预处理 MEG 预处理包括以下 3 个方面： （ 1） 伪迹去除 由于脑磁信号在采集过程中非常容易受到外界环境以及其他电磁生理信号产生的 磁场的干扰，自身的波形很有可能会被掩盖，这就对 MEG 后续的分析带来很大的困难 为了有效去除伪 迹，我们借鉴脑电信号去除伪迹的方法，目前常采用的方法有主成分分析

20、法（ PCA） 、独立成分分析法 （ ICA ） 等 ICA 的基本原理是脑的电磁活动与伪迹的产生过程是相互独立的且伪迹源的数据比 EEG / MEG 的通道数目少 ICA 相对于 PCA，实现了信号去相关且要求高阶统计量相互独立，同时在去除眼动 伪迹上有着明显的优势，更多地应用于伪迹去除 （ 2） 基线校正 基线校正的目的是确定波形的基准基线 ，对 MEG 数据进行拟合从而减少基线漂移 （ 3） 滤波 MEG 的时间信息是作为数据分析的重要基础，滤波的作用 是进一步减小干扰，使结果更 加准确 1. 3. 3 fM I-MEG 数据融合处理流程 使用 2. 3. 1 的 fM I 统计结果作为

21、 2. 3. 2MEG 预处理后的空间先验，进行 3D 源重建，得到高时空分 辨率的激活图像 （ 1） 正演头模型的建立 使用 2. 3. 1 中 fM I 组分析结果建立被试者的头部模型， 2. 3. 2 中 MEG 处 理结果将被分割用以进行从结构空间到模板空间的非线性变换 ，此时，将得到由 fM I 图像得到高密 度的标准皮层网络，模板中所有的信息包括皮质、 内颅骨 外颅骨和头皮将与、 fM I 组分析结果以 3 个维 度的信息进行叠加，得到更加精准的头部模型 其中与解剖模板相关的默认基准点用浅蓝色显示，如图 3 所示 （ 2） 配准 为得到被试者的脑网格 ，被试者的脑成像结果需要与模板

22、的解剖结构像进行配准，配准 7 过程中的形变参数将用来指导标准网格的形变 最终形成个体网格， 将电极位置配准到头表，从皮层到 头表的体积传导效应采用三层球模型模拟 为了 使电极位置能够定位在其对应的 fM I 结构像的坐标系 统中，将头模型配准到 fM I 功能像空间，需要输入基线（ fiducials） 信息如图 4 所示，以及电极（ sensors） 第 1 期 5 ， 韦洁瑶： 基于 fM I 与 MEG 数据融合的大脑语言处理的激活分析 3D ， 6（ a） 45 的信息如图 所示 便得到配准后的 脑模型 如图 所示 之后会计算每个在皮质上的电极会对 信号源产生的干扰，并进行校正，如图

23、 6（ b） 所示 图 4 基线信息 图 3 使用 fM I 先验信息进行源空间建模 Fig 4 Fiducials Fig 3 Source space modeling using fM I prior information 图 5 Fig5 电极信息 Sensors 图 6 头表电极配准 （ 3） eML Fig 6 Head surface electrode registration ， ， 逆向重建 图 7 所示 逆向重建利用 2 算法得到功能网络对应的超参数 实验结果及分析 进而得出信号源的分布 如 fM I 组分析激活区域结果图如图 8，阈值设为 p 0. 05 可以得到如下

24、结果： （ 1） 在处理语言理解过程任务中，激活区域主要包括上下颞叶皮层、腹外侧前额叶皮层 叶和双侧颞枕叶交界区 （ 2） 、双侧后颞 交界区 语言理解任务中的左侧颞枕叶交界区下部的激活源的数目及其激活强度 明显高于右侧颞枕叶 （ 3） 在处理数学计算任务过程中，刺激诱发的大脑激活区域主要包括双侧额下回、颞上回、颞中回、 左侧颞顶叶交界区左角回、双侧顶叶 丘脑等、 46 中央民族大学学报（ 自然科学版） 第 27 卷 图 8 fM I 组分析结果 Fig 8 The results of group fM I analysis 图 7 逆向重建 Fig 7 everse reconstruct

25、ion 图 9 fMI-MEG 数据融合结果 （ 4） Fig 9 The results of fM I-MEG data fusion 数字计算任务中的左侧顶叶以及左颞顶叶交界区的激源的数目和激活强度明显大于对应的右 侧顶叶和右侧颞顶叶交界区的激活源的数目和激活强度 （ 5） 与大脑处理数学计算任务时诱发的大脑内的激活源相比，大脑在处理语 言理解任务时双侧颞 枕叶交界区下部的激活体素和激活强度明显大于在数学计算任务中该脑区的激活体素和强度； 而在处 理数学计算任务过程中更多激活的是顶叶顶内沟区，明显高于大脑处理语言理解任务时该脑区的激活 体素的数量和强度 通过使用 fM I 处理结果作为空

26、间先验对 MEG 数据进行融合，我们得到的融合结果如图 9 所示： MEG 的测量过程中直接测量神经细胞的电磁生理学变化，而 BOLD -fM I 则是依据激活脑区的血 流动力学变化进行成像 MEG 可以同时捕捉到大批神经元群强烈的瞬时反应，而 BOLD-fM I 则更加 适用于对神经元的持续兴奋进行测量 MEG 的激活区通常显示的是大脑内最兴奋的点，它只记录大脑 内的激活最强烈的部分神经细胞的生物磁场，而忽略了某些与头皮垂直的磁场数据，因此可能会造成一 些具有科学意义的数据信息的丢失； BOLD-fM I 则是以高空间分辨率显示大脑在处理语言任务过程中 所有的激活区域 大脑在处理语言理解任务

27、的过程中颞叶的颞上回以及颞中回后部、左侧 Wernicke 区以及顶叶的神 经激活 表明这些脑区与大脑的语音处理， 、语义理解的过程有关 实验过程中颞叶激活尤为明显，原因是 实验任务是由听觉呈现的，颞叶具有处理听觉信息的功能，同时与记忆有关 颞上回的 41 区和 42 区及 颞横回为听觉皮质区，颞上回的后部在优势半球为听觉言语中枢，称为韦尼克区 听觉性语言中枢的 22 区位于颞上回后部，是韦尼克区的一部分，在调整自己的语言和听取并对别人的语言进行理解过程中有 重要的作用 若此处受损，患者表现出能够说话，但没有逻辑、思维混乱或能听到别人说的话语，但不能 理解语言所表达的意思，即听觉上的失认，在

28、临床上此种症状称为感觉性失语症 当大脑处理数学计算 任务时，双侧额下回、颞上回、颞中回、左侧颞顶叶交界区左角回、双侧顶叶明显激活，这表明这些区域与 8 9 第 1 期 数字认知 、数学计算有关 韦洁瑶： 基于 fM I 与 MEG 数据融合的大脑语言处理的激活分析 47 大脑中的各语言区之间不是割裂的而是具有千丝万缕的联系，语言认知需要大脑内部的所有 相关 区域进行协调配合才能完成 通过结合数据融合激活结果以及前人相关的数据研究结果综合分析，我们 可以推测语言理解的处理过程： （ 1） 首先，被试者在听到实验内容后，听觉冲动会传到听觉区域，产生听觉，此时韦尼克区会强烈激 活，因为韦尼克区是处理

29、语义理解的主要神经区域； （ 2） 随后 通过神经传导所有信息将被传导到运动性语言中枢， 运动性语言中枢控制所有与运动有 关的皮质，包括手部等器官的运动以作出相应的回答 而对于数学计算等任务的研究中 人们已经发现顶叶的病变可以导致计算能力的丧失， ，这也与 本文的研究结果相一致 Gerstmann 在其研究中发现左侧顶叶内侧沟区的病变会导致患者的计算能力的 丧失，虽然患者可以理解数字，但却表现出计算困难的症状，说明左顶叶顶叶沟区与数字认知和计算有 关，与本文的研究结果相一致 同时，在处理数学计算任务过程中，左侧顶叶顶内沟区的激活强度相较右 侧顶内沟区更加强烈，说明左顶叶顶内沟 区与数学计算过程

30、有着更密切的联系 使用 fM I-MEG 数据融合的方法可以对与语言理解、数字处理相关任务的脑区进行更加准确客观 地定位， fM I-MEG 等多模态成像工具的融合分析方法成为科学家在探索语言认知机制、数字处理机制 等人类高级认知能力的新方法，在未来会有更好的应用前景 3 总结与展望 随着科学技术日新月异的发展，越来越多的设备及研究方法被用于探索人脑认知的复杂过程中，使 得人们在探索大脑各个层面的神经结构和功能结构的工作机制变为了可能 fM I 和 MEG 是作为脑科 学研究中最常使用的成像技术，在探究大脑在处理语言时的激活情况、揭开大脑在处理语言理解与逻辑 分析任务时的工作奥秘中起到了积极的

31、作用 本文主要借鉴国际近来兴起的数据融合方法，围绕 fM I 和 MEG 信号在时间分辨率和空间分辨率 上的互补关系，对 fM I-MEG 的融合技术及应用进行了比较深入的研究，并且将此方法应用于语言认知 任务的实验中 在探索大脑处理语言的奥秘的过程中， fM I-MEG 数据融合方法和理论的研究还在处于 不断地发展和完善的阶段，对此方法的深入挖掘还 将继续，在今后的一段时间里，以下几个方面将是研 究的发展趋势所在，同时也是我们今后需要继续学习并不断探索的任务： （ 1） 在大脑神经生理基础的研究方面，随着人类对大脑工作机制的研究不断地深入，神经活动和电 磁信号之间的相互关系将更加明确 未来的

32、研究趋势会更多地偏向研究如何将多种方法得到的脑成像 数据与 MEG-fM I 融合模型进一步进行融合 为了更加准确地对大脑的结构特点、实时神经生理活动进 行描述，将更好地利用大脑具有的电磁特性及血氧动力学响应特性等特点，使用数据融合的新方法进行 进一步深入的探 究 （ 2） fM I 与 MEG 数据融合方法具有的诸多优势将被更好地运用在相关科研工作的开展中 例如 大脑语言加工的网络连接模型的建立、神经和精神疾病的发病机理、治疗方案和预防手段等具有重要研 究意义的领域中，将会更多地尝试使用新的方法，使脑科学相关领域更好地发展 （ 3） 可以肯定的是， fM I 与 MEG 数据融合方法的应用研

33、究将是未来脑功能研究中最具发展前景 的领域之一 为了更加精准地对大脑神经活动的动态过程进行记录并探究大脑的工作机制，认知科学、 神经科学、计算机科学 医学等多学科交 叉研究将使融合技术更快更好地发展、 如何提高 fM I 与 MEG 数据融合方法在定位脑区激活的准确性及实时性，也是今后的研究中应当重点关注的方向 10 48 中央民族大学学报（ 自然科学版） 第 27 卷 参考文献 1 ： ， ， ， J ， 2015， 阿布都克力木 （ 3） ： 88 89 阿布力孜 江铭 虎 姚登峰 等 语 言产生 和加 工的脑 神经 成像研 究综 述 现代 语言 学 2 ， ， ， fM I J ， 20

34、10， 42（ 4） ： 515 钟元 王惠南张志强 等 基于 的逻辑运算脑功 能效应连 接 南京 航空航天 大学学 报 3 4 5 6 7 8 9 10 520 LAUFS H， DAUNIZEAU J， CA MICHAEL DW， KLEINSCHMIDT A ecent advances in recording electrophy siologi- cal data simultaneously with magnetic resonance imaging J Neuroimage， 2008，（ 40） ： 515 528 DING L L， HE B Integration

35、of EEG / MEG with M I and fM I J IEEE Engineering in Medicine Biology Magazine the Quarterly Magazine of the Engineering in Medicine Biology Society， 2006， 25（ 4） ： 46 53 OU W， NUMMENMAA A， M， et al Multimodal functional imaging using fM I-informed regional EEG / MEG source estimation C / /Internati

36、onal Conference of the IEEE Engineering in Medicine Biology Society， 2009： 88 100 KOBAYASHI T Integrative fM I-MEG Methods and M I-MEG Fused Systems using Optically Pumped Atomic： Magne- tometers for Exploring Higher Brain Functions and Clinical Diagnosis J Higher brain function research， 2010， （ 30

37、） ： 378 386 J ASHBU NE， K J F ISTON Unified segmentation J NeuroImage， 2005， 26（ 3） ： 839 851 张坤毅 核磁共振（ M I） 的成像原理与临床应用 J 中国医疗设备， 2008， 23（ 5） ： 101 103 何继军 脑电与功能磁共振成像（ EEG /fM I） 多模态融合分析 D 长沙： 国防科学技术大学， 2006 张华宁 语言认知功能的磁源成像研究 D 石家庄： 河北医科大学， 2003 Activation Analysis of the Brain fM I-MEG Processing

38、Datafusion Language Based on WEI Jie-Yao （ MinZu University of China， Laboratory of Affective Computting， Beijing 100081 ， China） Abstract： Signal with high temporal and spatial resolution is obtained by integrating information from MEG and the blood oxygenated level dependent（ BOLD） signal recorded

39、 with fMI By using fM I-MEG data fusion method to deal with the experimental data and get the signal with high tempo- ral and spatial resolution， we can locate the activated area of the brain processing language more ac- curately In this paper， we have run the same language task testedon the same pa

40、rticipants and sim- ultaneously and continuously recorded the MEG data and fM I data Through the MEG-fM I fusion analysis， we get to know the connection mechanism of brain processing language task， thus draw the conclusion that the auditory impulse is first transmitted to the auditory area and produces hearing Wernicke s area is strongly activated at the same time Then the nerve is transmitted to the motor speech center， which controls all motor related cortices to respond accordingly Key words： fM I； MEG； data fusion； language task 责任编辑 ： 关紫烽