CN103932701A - 一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法 - Google Patents

Abstract

一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法，属于神经工程领域。所述方法包括以下步骤：对采集到的皮层脑电（ECoG）数据进行预处理；计算时频事件相关同步化强度；统计显著性检验并提取脑功能指数；个体化脑功能映射。所述方法通过对ECoG数据的深入挖掘能够快速、准确、全面地系统分析脑功能区相关脑电数据，获取脑功能指数，实现了有个体化针对性的脑功能映射，能够提升我们对复杂认知任务加工脑机制的理解，为认知神经科学脑功能研究以及临床神经科学基础研究提供有力帮助。

Description

一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法

技术领域

本发明涉及神经工程领域，尤其是涉及一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法。

背景技术

认知神经科学以及临床神经科学基础研究中，往往会牵涉到脑功能区的映射，然后对该特定的脑区进行调控或干预等。例如利用一种非侵入性的，恒定、低强度的经颅直流电刺激（transcranial direct current stimulation，tDCS)来调节大脑皮层神经元的活动，事先需要对特定的脑区进行精确定位，这样才能够保证调控的靶向性，同时也不至于影响远隔脑区皮层。传统的脑功能定位方法利用脑解剖形态学识别脑功能区，由于个体间脑解剖结构存在着差异、解剖结构变形以及观察者的主观判断等因素限制，客观精确的定位脑功能区存在困难。目前，皮层电刺激（electric cortical stimulation,ECS）因其直接、客观，作为脑功能映射的“金标准”具有无可替代的作用。但它仍有很多不足之处：1）电刺激可能诱发后放电，具有一定的风险性；2）需要对电极的排列组合进行逐对刺激，完成一例刺激通常需要很长时间；3）对医生经验和被试配合程度要求很高。

随着科技发展，血氧依赖功能磁共振（BOLD-fMRI）以其极高的空间分辨率能为脑功能映射提供一定的辅助参考，但在脑功能映射中存在明显缺陷：1）fMRI依靠脑血流水平进行功能映射，这在理论上限定了其不能反映复杂认知任务脑功能区的动力学特性；2）fMRI对运动区较敏感，并且对于病变脑区功能映射会有较大误差。而利用脑代谢活跃的区域进行脑功能映射的正电子发射计算机断层扫描（PET）成像系统在语言功能区映射研究中，与ECS结果仅有65%的一致性。

皮层脑电（ECoG）以其极高的时空分辨率为我们探究大脑功能提供了新“窗口”。目前在人类皮层脑电的研究中发现，大脑皮层功能的激活与高频gamma神经振荡（>60Hz）功率的增加相关。在语言、听觉以及运动等功能区都可观察到这种高频gamma神经振荡的增强。此外，在脑磁图（EMG）和头皮脑电（EEG）的研究中也可见高频gamma神经振荡的增强。然而，目前还没有一种从皮层脑电的角度确定脑功能，进而为认知神经科学脑功能研究以及临床神经科学基础研究进行有个体化针对性的脑功能映射提供有力帮助的方法。

发明内容

本发明的目的在于提供一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法，以便能够快速、准确、全面地系统分析脑功能区相关脑电数据，获取脑功能指数，实现有个体化针对性的脑功能映射，促进对复杂认知任务加工脑机制的理解，为认知神经科学脑功能研究以及临床神经科学基础研究提供有力帮助。

为实现上述目的，本发明提出一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法，包括以下步骤：

步骤S1，对采集得到的ECoG数据进行预处理；

步骤S2，根据预处理后的ECoG数据，计算时频事件相关同步化强度；

步骤S3，对所述时频事件相关同步化强度进行统计显著性检验，提取脑功能指数；

步骤S4，根据所述脑功能指数，在三维立体脑结构上进行个体化脑功能映射。

1.一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法，其特征在于，包括以下步骤：

步骤S1，对采集得到的ECoG数据进行预处理；

步骤S2，根据预处理后的ECoG数据，计算时频事件相关同步化强度；

所述步骤S2具体包括以下步骤：

步骤2.1：利用Morlet小波变换对预处理后的ECoG数据进行时频分析；

${\mathrm{\ω}}_s(u,c)={\∫}_{-\∞}^{+\∞}s\left(t\right)\frac{1}{\sqrt{c}}{\mathrm{\ψ}}^{*}\left(\frac{t-u}{c}\right)\mathrm{dt}---\left(1\right)$

其中，s(t)是待分析的ECoG信号，ψ(t)为Morlet母小波函数，*号表示共轭，u和c分别是平移因子和缩放因子，表示由母小波函数ψ(t)进过平移和缩放产生的一簇小波函数，u和c的大小由待分析ECoG信号的频率范围来确定，通过调整缩放因子能观测具有非平稳特性的ECoG信号的瞬时频谱特征，ω_s(u，c)表征了信号s(t)的时频谱图；

所述Morlet小波函数ψ(t)的具体表达式为：

$\mathrm{\ψ}\left(t\right)={\mathrm{\π}}^{-\frac{1}{4}}{e}^{{\mathrm{i\ω}}_{0}t}{e}^{-\frac{1}{2}{t}^2}---\left(2\right)$

其中，ω₀是小波函数的中心角频率，为保证具有较好的时频分辨率一般取ω₀=6；

利用Morlet小波与每个Trial的ECoG时间序列按公式（1）分别进行运算，得到时频谱图，然后把这些时频谱图平均叠加，这样计算得到每一电极通道的时频能量分布图；

步骤2.2：利用事件相关同步化技术，计算其时频事件相关同步化强度ERS；

量化计算公式为：

$\left\{\begin{array}{c}\stackrel{\‾}{E(t,f)}=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ω}}_n(t,f)\\ \stackrel{\‾}{E_{\mathrm{ref}}\left(f\right)}=\frac{1}{{\mathrm{NN}}_{\mathrm{ref}}}\underset{n=1}{\overset{N}{\mathrm{\Σ}}}\underset{t\∈t_{\mathrm{ref}}}{\mathrm{\Σ}}{\mathrm{\ω}}_n(t,f)\\ \mathrm{ERS}(t,f)=\frac{\stackrel{\‾}{E(t,f)}-\stackrel{\‾}{E_{\mathrm{ref}}\left(f\right)}}{\stackrel{\‾}{E_{\mathrm{ref}}\left(f\right)}}\end{array}\right.---\left(3\right)$

其中，ω_n(t，f)为时频谱图ω_s(u，c)按设定的时频分辨率离散化了的时频谱图，N为总的Trial数，n为Trial编号，N_ref为基线时长，一般设定为刺激呈现前的200ms,ERS(t，f)即为在时间t和频率f时的ERS强度值；

步骤S3，对所述时频事件相关同步化强度进行统计显著性检验，提取脑功能指数；

步骤S4，根据所述脑功能指数，在三维立体脑结构上进行个体化脑功能映射。

进一步，所述步骤S1具体包括以下步骤：

步骤1.1：对所述ECoG数据进行0.1-220Hz滤波和50Hz陷波处理，以消除低频飘移和工频干扰；

步骤1.2：对滤波处理后的ECoG数据进行坏通道检验处理，去除坏通道，避免不可靠数据的影响；

步骤1.3：对去除坏通道后的ECoG数据进行转换参考处理，取平均参考；

步骤1.4：对转换参考后的ECoG数据进行基线校正处理，去除基线漂移，以使ECoG数据趋于平稳；

步骤1.5：对基线校正后的ECoG数据进行伪迹检测处理，去除头、面部肌肉抖动干扰的数据片段。

进一步，所述步骤S3具体包括以下步骤：

步骤3.1：利用bootstrapping方法，在每一个时频点计算其对应P值；

P值为将观测结果认定为同总体相比具有显著性差异时所犯错误的概率；在这里表示了在ERS强度值与它相关的假设正态分布的均值相等时，认为他们在P值的概率下不相等，即犯此类错误的概率为P；

步骤3.2：对所述P值进行多重比较校正；

首先，把每一通道相同频率点的对应P值，设为P_k，其中k=1,2,…,M，按从小到大排列；M为通道总数，脑电系统为64通道；

然后，在条件P_k<α×k/M的约束下，确定最大下标m值；

最后，设定校正后的显著水平α=0.05，这样所有满足k<m的P值被认定为具有统计显著性；

步骤3.3：计算高频gamma频段的ERS强度值，提取脑功能指数G_ERS；

高频gamma频段的ERS强度值与大脑皮层的激活程度相关，可能参与多脑区和多种模式的信息交互与整合加工过程；因此，把高频gamma频段的ERS强度值作为脑功能指数G_ERS，则有：

$G_{\mathrm{ERS}}=\underset{f=f_1}{\overset{f2}{\mathrm{\&Sigma;}}}\mathrm{ERS}(t,f)---\left(4\right)$

其中，f₁为高频gamma频段的起始频率，设为60Hz，f₂为高频gamma频段的终止频率，设为180Hz；

为了去除在高频gamma频段仅从数学的角度具有统计显著性意义的孤立时频ERS值，得到更具生理学意义的时频ERS值，每个通道的ERS强度值在高频gamma频段需满足以下准则：

（1）在时域上，经过多重比较校正后具有统计显著性的ERS值至少要持续10ms；

（2）在频域上，经过多重比较校正后具有统计显著性的ERS值至少要持续10Hz；

根据上述检验准则，计算得到的脑功能指标。

进一步，所述步骤S4具体包括以下步骤：

步骤4.1：综合利用多模态医学影像数据，对颅内电极进行三维立体定位，以得到电极三维坐标；

首先通过X线平片建立颅内电极与脑组织结构的联系，然后对扫描脑部获取的MRI影像进行分割与重建得到单一被试个体的真实脑模型，再把提取得到的电极坐标标定到重建得到的真实脑模型上，完成颅内电极的个体化三维立体定位；

步骤4.2：根据重建得到的颅内电极三维坐标和脑功能指数，在三维立体脑结构上进行个体化脑功能映射；

利用基于高斯核函数的三维插值方法，对所述脑功能指数G_ERS在三维立体脑结构上进行三维插值计算：

$\mathrm{mapping}(x,y,z,t)=\underset{n=1}{\overset{M}{\mathrm{\&Sigma;}}}{G}_{\mathrm{ERS}}(t,n)W_n---\left(5\right)$

$W_n=\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&delta;}}{e}^{-\frac{{(x-x_n)}^2+{(y-y_n)}^2+{(z-z_n)}^2}{2{\mathrm{\&delta;}}^2}}---\left(6\right)$

其中，δ为高斯分布的方差，M为颅内电极通道总数，(x_n，y_n，z_n)为电极n的三维坐标，G_ERS(t，n)为第n个电极在时刻t时的脑功能指数。

本发明所述的基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法，通过ECoG数据预处理，利用事件相关同步化技术计算其时频事件相关同步化强度，再对所述时频事件相关同步化强度进行统计显著性检验，提取脑功能指数，最后在三维立体脑结构上对经过显著性检验的脑功能指数进行个体化脑功能映射。所述方法利用皮层脑电高频Gamma神经振荡实现快速、可靠、安全的个体化脑功能映射，能够促进我们对复杂认知任务加工脑机制的理解，为认知神经科学脑功能研究以及临床神经科学基础研究提供有力帮助。同时，将为获取脑功能指标提供新的技术手段，对人类复杂认知任务加工脑机制的理解具有重大意义，也为高级认知功能科学研究提供新思路，具有巨大科研价值和临床实践意义。

附图说明

图1为本发明个体化脑功能映射方法流程图；

图2a为所述ECoG数据经过预处理后其结果图；

图2b为每一电极通道的时频能量分布图；

图2c为即为在时间t和频率f时的ERS强度值；

图2d为每一电极通道的时频能量分布图；

图3为一实施例使用本方法计算得到的脑功能指数；

图4为一实施例使用本方法得到的个体化脑功能映射结果。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，以下结合具体实施例，并参照附图，对本发明进一步详细说明。

参照图1，本发明所述的一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法，具体实施步骤如下：

步骤S1：对采集得到的ECoG数据进行预处理。

所述步骤S1具体包括以下步骤：

步骤1.1：对所述ECoG数据进行0.1-220Hz滤波和50Hz陷波处理，以消除低频飘移和工频干扰。

步骤1.2：对滤波处理后的ECoG数据进行坏通道检验处理，去除坏通道，避免不可靠数据的影响。

步骤1.3：对去除坏通道后的ECoG数据进行转换参考处理，取平均参考。

步骤1.4：对转换参考后的ECoG数据进行基线校正处理，去除基线漂移，以使ECoG数据趋于平稳。

步骤1.5：对基线校正后的ECoG数据进行伪迹检测处理，去除头、面部肌肉抖动干扰的数据片段。

所述ECoG数据经过预处理后其结果如图2a所示。

步骤S2:根据预处理后的ECoG数据，计算其时频事件相关同步化强度。

所述步骤S2具体包括以下步骤：

步骤2.1：利用Morlet小波变换对预处理后的ECoG数据进行时频分析。

Morlet小波变换是连续小波变换的一种，它提供了一种在时间和频率的二维平面上表征信号能量分布的可能性，从而获得随时间变化的时频能量分布，计算公式为：

${\mathrm{\&omega;}}_s(u,c)={\&Integral;}_{-\&infin;}^{+\&infin;}s\left(t\right)\frac{1}{\sqrt{c}}{\mathrm{\&psi;}}^{*}\left(\frac{t-u}{c}\right)\mathrm{dt}---\left(7\right)$

其中，s(t)是待分析的ECoG信号，ψ(t)为Morlet母小波函数，*号表示共轭，u和c分别是平移因子和缩放因子，表示由母小波函数ψ(t)进过平移和缩放产生的一簇小波函数，u和c的大小由待分析ECoG信号的频率范围来确定，通过调整缩放因子可以观测具有非平稳特性的ECoG信号的瞬时频谱特征，ω_s(u，c)表征了信号s(t)的时频谱图。

所述Morlet小波函数ψ(t)的具体表达式为：

$\mathrm{\&psi;}\left(t\right)={\mathrm{\&pi;}}^{-\frac{1}{4}}{e}^{{\mathrm{i\&omega;}}_{0}t}{e}^{-\frac{1}{2}{t}^2}---\left(8\right)$

其中，ω₀是小波函数的中心角频率，为保证具有较好的时频分辨率一般取ω₀=6。

利用Morlet小波与每个Trial的ECoG时间序列按公式（1）分别进行运算，得到时频谱图，然后把这些时频谱图平均叠加，这样就可计算得到每一电极通道的时频能量分布图，如图2b所示。

步骤2.2：利用事件相关同步化技术，计算其时频事件相关同步化强度ERS。

当大脑皮层受到外界刺激时，大脑响应外界刺激进行信息加工，大脑皮层相关区域开始激活，该区域的血流和代谢也会相应增加，导致皮层脑电信号相应频段神经振荡的幅度显著增强，这一电生理现象称作事件相关同步化（ERS）。其量化计算公式为：

$\left\{\begin{array}{c}\stackrel{\&OverBar;}{E(t,f)}=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_n(t,f)\\ \stackrel{\&OverBar;}{E_{\mathrm{ref}}\left(f\right)}=\frac{1}{{\mathrm{NN}}_{\mathrm{ref}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{t\&Element;t_{\mathrm{ref}}}{\mathrm{\&Sigma;}}{\mathrm{\&omega;}}_n(t,f)\\ \mathrm{ERS}(t,f)=\frac{\stackrel{\&OverBar;}{E(t,f)}-\stackrel{\&OverBar;}{E_{\mathrm{ref}}\left(f\right)}}{\stackrel{\&OverBar;}{E_{\mathrm{ref}}\left(f\right)}}\end{array}\right.---\left(9\right)$

其中，ω_n(t，f)为时频谱图ω_s(u，c)按设定的时频分辨率离散化了的时频谱图，N为总的Trial数，n为Trial编号，N_ref为基线时长，一般设定为刺激呈现前的200ms,ERS(t，f)即为在时间t和频率f时的ERS强度值，如图2c所示。

步骤S3，对所述时频事件相关同步化强度进行统计显著性检验，提取脑功能指数。

所述步骤S3具体包括以下步骤：

步骤3.1：利用bootstrapping方法，在每一个时频点计算其对应P值。

P值为将观测结果认定为同总体相比具有显著性差异时所犯错误的概率。在这里表示了在ERS强度值与它相关的假设正态分布的均值相等时，认为他们在P值的概率下不相等，即犯此类错误的概率为P。

步骤3.2：对所述P值进行多重比较校正。

首先，把每一通道相同频率点的对应P值（P_k，k=1,2,…,M）按从小到大排列。M为通道总数，一般脑电系统为64通道。

然后，在条件P_k<α×k/M的约束下，确定最大下标m值。

最后，设定校正后的显著水平α=0.05，这样所有满足k<m的P值被认定为具有统计显著性，如图2d所示。

步骤3.3：计算高频gamma频段的ERS强度值，提取脑功能指数G_ERS。

高频gamma频段的ERS强度值与大脑皮层的激活程度相关，可能参与多脑区和多种模式的信息交互与整合加工过程。因此，可以把高频gamma频段的ERS强度值作为脑功能指数G_ERS，则有：

$G_{\mathrm{ERS}}=\underset{f=f_1}{\overset{f2}{\mathrm{\&Sigma;}}}\mathrm{ERS}(t,f)---\left(10\right)$

其中，f₁为高频gamma频段的起始频率，一般设为60Hz，f₂为高频gamma频段的终止频率，一般设为180Hz。

为了去除在高频gamma频段仅从数学的角度具有统计显著性意义的孤立时频ERS值，得到更具生理学意义的时频ERS值，每个通道的ERS强度值在高频gamma频段需满足以下准则：

（1）在时域上，经过多重比较校正后具有统计显著性的ERS值至少要持续10ms；

（2）在频域上，经过多重比较校正后具有统计显著性的ERS值至少要持续10Hz。

这样在检测脑功能区激活或失活时，就保证了犯Ⅰ型错误的概率非常小，根据所述检验准则，计算得到的脑功能指标如图3所示。

步骤S4，根据所述脑功能指数，在三维立体脑结构上进行个体化脑功能映射。

所述步骤S4具体包括以下步骤：

步骤4.1：综合利用多模态医学影像数据，对颅内电极进行三维立体定位，以得到电极三维坐标。

首先通过X线平片建立颅内电极与脑组织结构的联系，然后对扫描脑部获取的MRI影像进行分割与重建得到单一被试个体的真实脑模型，再把提取得到的电极坐标标定到重建得到的真实脑模型上，完成颅内电极的个体化三维立体定位。

步骤4.2：根据重建得到的颅内电极三维坐标和脑功能指数，在三维立体脑结构上进行个体化脑功能映射。

利用基于高斯核函数的三维插值方法，对所述脑功能指数G_ERS在三维立体脑结构上进行三维插值计算：

$\mathrm{mapping}(x,y,z,t)=\underset{n=1}{\overset{M}{\mathrm{\&Sigma;}}}{G}_{\mathrm{ERS}}(t,n)W_n---\left(11\right)$

$W_n=\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&delta;}}{e}^{-\frac{{(x-x_n)}^2+{(y-y_n)}^2+{(z-z_n)}^2}{2{\mathrm{\&delta;}}^2}}---\left(12\right)$

其中，δ为高斯分布的方差，M为颅内电极通道总数，(x_n，y_n，z_n)为电极n的三维坐标，G_ERS(t，n)为第n个电极在时刻t时的脑功能指数。

根据所述基于高斯核函数的三维插值方法，利用颜色来编码脑功能指数，即可在个体化的三维立体脑结构上描绘出脑功能的模式图，完成个体化的脑功能映射，如图4所示。

从以上基于真实皮层脑电ECoG高频gamma神经振荡的个体化脑功能映射结果可以看出，本发明所述的基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法，通过ECoG数据预处理，计算时频事件相关同步化强度，统计显著性检验，提取脑功能指数，最后利用三维插值技术，实现了有个体化针对性的脑功能映射。所述方法利用ECoG高频gamma神经振荡实现快速、可靠、安全的个体化脑功能映射，将能够促进我们对复杂认知任务加工脑机制的理解，为认知神经科学脑功能研究以及临床神经科学基础研究提供有力帮助。同时，将为获取脑功能指标提供新的技术手段，对人类复杂认知任务加工脑机制的理解具有重大意义，也为高级认知功能科学研究提供新思路，具有巨大科研价值和临床实践意义。

从事本领域研究工作的工程技术人员应当意识到，以上所述的实施例是为了帮助读者理解本发明的原理，应被理解为发明的保护范围并不局限于这样的特别陈述和实施例。凡是根据上述描述做出各种可能得等同替换或改变，均被认为属于本发明的权利要求的保护范围。

Claims (4)

1.一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法，其特征在于，包括以下步骤：

步骤S1，对采集得到的ECoG数据进行预处理；

步骤S2，根据预处理后的ECoG数据，计算时频事件相关同步化强度；

所述步骤S2具体包括以下步骤：

步骤2.1：利用Morlet小波变换对预处理后的ECoG数据进行时频分析；

${\mathrm{\&omega;}}_s(u,c)={\&Integral;}_{-\&infin;}^{+\&infin;}s\left(t\right)\frac{1}{\sqrt{c}}{\mathrm{\&psi;}}^{*}\left(\frac{t-u}{c}\right)\mathrm{dt}---\left(1\right)$

其中，s(t)是待分析的ECoG信号，ψ(t)为Morlet母小波函数，*号表示共轭，u和c分别是平移因子和缩放因子，表示由母小波函数ψ(t)进过平移和缩放产生的一簇小波函数，u和c的大小由待分析ECoG信号的频率范围来确定，通过调整缩放因子能观测具有非平稳特性的ECoG信号的瞬时频谱特征，ω_s(u，c)表征了信号s(t)的时频谱图；

所述Morlet小波函数ψ(t)的具体表达式为：

$\mathrm{\&psi;}\left(t\right)={\mathrm{\&pi;}}^{-\frac{1}{4}}{e}^{{\mathrm{i\&omega;}}_{0}t}{e}^{-\frac{1}{2}{t}^2}---\left(2\right)$

其中，ω₀是小波函数的中心角频率，为保证具有较好的时频分辨率一般取ω₀=6；

利用Morlet小波与每个Trial的ECoG时间序列按公式（1）分别进行运算，得到时频谱图，然后把这些时频谱图平均叠加，这样计算得到每一电极通道的时频能量分布图；

步骤2.2：利用事件相关同步化技术，计算其时频事件相关同步化强度ERS；

量化计算公式为：

$\left\{\begin{array}{c}\stackrel{\&OverBar;}{E(t,f)}=\frac{1}{N}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}{\mathrm{\&omega;}}_n(t,f)\\ \stackrel{\&OverBar;}{E_{\mathrm{ref}}\left(f\right)}=\frac{1}{{\mathrm{NN}}_{\mathrm{ref}}}\underset{n=1}{\overset{N}{\mathrm{\&Sigma;}}}\underset{t\&Element;t_{\mathrm{ref}}}{\mathrm{\&Sigma;}}{\mathrm{\&omega;}}_n(t,f)\\ \mathrm{ERS}(t,f)=\frac{\stackrel{\&OverBar;}{E(t,f)}-\stackrel{\&OverBar;}{E_{\mathrm{ref}}\left(f\right)}}{\stackrel{\&OverBar;}{E_{\mathrm{ref}}\left(f\right)}}\end{array}\right.---\left(3\right)$

其中，ω_n(t，f)为时频谱图ω_s(u，c)按设定的时频分辨率离散化了的时频谱图，N为总的Trial数，n为Trial编号，N_ref为基线时长，一般设定为刺激呈现前的200ms,ERS(t，f)即为在时间t和频率f时的ERS强度值；

步骤S3，对所述时频事件相关同步化强度进行统计显著性检验，提取脑功能指数；

步骤S4，根据所述脑功能指数，在三维立体脑结构上进行个体化脑功能映射。

2.根据权利要求1所述的一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法，其特征在于，所述步骤S1具体包括以下步骤：

步骤1.1：对所述ECoG数据进行0.1-220Hz滤波和50Hz陷波处理，以消除低频飘移和工频干扰；

步骤1.2：对滤波处理后的ECoG数据进行坏通道检验处理，去除坏通道，避免不可靠数据的影响；

步骤1.3：对去除坏通道后的ECoG数据进行转换参考处理，取平均参考；

步骤1.4：对转换参考后的ECoG数据进行基线校正处理，去除基线漂移，以使ECoG数据趋于平稳；

步骤1.5：对基线校正后的ECoG数据进行伪迹检测处理，去除头、面部肌肉抖动干扰的数据片段。

3.根据权利要求1所述的一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法，其特征在于，所述步骤S3具体包括以下步骤：

步骤3.1：利用bootstrapping方法，在每一个时频点计算其对应P值；

P值为将观测结果认定为同总体相比具有显著性差异时所犯错误的概率；在这里表示了在ERS强度值与它相关的假设正态分布的均值相等时，认为他们在P值的概率下不相等，即犯此类错误的概率为P；

步骤3.2：对所述P值进行多重比较校正；

首先，把每一通道相同频率点的对应P值，设为P_k，其中k=1,2,…,M，按从小到大排列；M为通道总数，脑电系统为64通道；

然后，在条件P_k<α×k/M的约束下，确定最大下标m值；

最后，设定校正后的显著水平α=0.05，这样所有满足k<m的P值被认定为具有统计显著性；

步骤3.3：计算高频gamma频段的ERS强度值，提取脑功能指数G_ERS；

高频gamma频段的ERS强度值与大脑皮层的激活程度相关，可能参与多脑区和多种模式的信息交互与整合加工过程；因此，把高频gamma频段的ERS强度值作为脑功能指数G_ERS，则有：

$G_{\mathrm{ERS}}=\underset{f=f_1}{\overset{f2}{\mathrm{\&Sigma;}}}\mathrm{ERS}(t,f)---\left(4\right)$

其中，f₁为高频gamma频段的起始频率，设为60Hz，f₂为高频gamma频段的终止频率，设为180Hz；

为了去除在高频gamma频段仅从数学的角度具有统计显著性意义的孤立时频ERS值，得到更具生理学意义的时频ERS值，每个通道的ERS强度值在高频gamma频段需满足以下准则：

（1）在时域上，经过多重比较校正后具有统计显著性的ERS值至少要持续10ms；

（2）在频域上，经过多重比较校正后具有统计显著性的ERS值至少要持续10Hz；

根据上述检验准则，计算得到的脑功能指标。

4.根据权利要求1所述的一种基于皮层脑电高频Gamma神经振荡的个体化脑功能映射方法，其特征在于，步骤S4，根据所述脑功能指数，在三维立体脑结构上进行个体化脑功能映射；

所述步骤S4具体包括以下步骤：

步骤4.1：综合利用多模态医学影像数据，对颅内电极进行三维立体定位，以得到电极三维坐标；

首先通过X线平片建立颅内电极与脑组织结构的联系，然后对扫描脑部获取的MRI影像进行分割与重建得到单一被试个体的真实脑模型，再把提取得到的电极坐标标定到重建得到的真实脑模型上，完成颅内电极的个体化三维立体定位；

步骤4.2：根据重建得到的颅内电极三维坐标和脑功能指数，在三维立体脑结构上进行个体化脑功能映射；

利用基于高斯核函数的三维插值方法，对所述脑功能指数G_ERS在三维立体脑结构上进行三维插值计算：

$\mathrm{mapping}(x,y,z,t)=\underset{n=1}{\overset{M}{\mathrm{\&Sigma;}}}{G}_{\mathrm{ERS}}(t,n)W_n---\left(5\right)$

$W_n=\frac{1}{\sqrt{2\mathrm{\&pi;}}\mathrm{\&delta;}}{e}^{-\frac{{(x-x_n)}^2+{(y-y_n)}^2+{(z-z_n)}^2}{2{\mathrm{\&delta;}}^2}}---\left(6\right)$

其中，δ为高斯分布的方差，M为颅内电极通道总数，(x_n，y_n，z_n)为电极n的三维坐标，G_ERS(t，n)为第n个电极在时刻t时的脑功能指数。