导读

自从脑电图(EEG)被发现以来，人们希望EEG能提供一个了解大脑的窗口，研究人员一直试图用EEG无创定位大脑中产生头皮电位的神经元活动。20世纪50年代的早期探索使用电场理论从头皮电位分布推断大脑中电流偶极子的位置和方向，引发了大量定量推断这些来源的研究。最初，选择的是偶极子拟合或偶极子定位方法，许多研究在实验和临床研究中使用了这种方法，并取得了显著成果。后来，有人提出了新的方法，试图克服必须预先确定源的数量的问题。这些方法被称为分布式源成像技术。磁共振成像技术的引入和普及，使大脑和头部的详实解剖结构能够纳入源定位方法，极大地提高了这种方法的精度。如今，EEG(或MEG)源定位已具备良好的稳定性和精度水平，使得这些方法可以被并入脑成像技术家族中。与其他成像方法相比，它们的特殊优势在于其高时间分辨率，这可以将活动的起源与它的传播和信息流在待检测的大规模脑网络中区分开来。本文概述了这些方法，并用几个例子加以说明，并介绍了EEG源成像在临床中的应用。

前言

一般认为，脑电图(EEG)的主要产生器是发生在锥体皮层神经元上的突触后电位。这些突触电流的同步活动导致了脑内的电流流动。由于头部是导电介质，容积传导允许这些电流传播到头皮表面，在那里它们会在放置在头皮不同位置的电极之间产生电位差。通过使用电极阵列记录这些电位，可以构建地形图，显示活跃神经元群在任何给定时刻产生的头皮电位分布。如果只有一个脑区活动，则头皮上的电位分布相当简单和偶极。然而，如果大脑的几个区域同时活跃，就会出现头皮电位的复杂模式，而推断潜在的来源就成为一项艰巨的任务。一般来说，需要进行先验假设，优先结合解剖学、生理学和生物物理学知识。一个重要的发展是引入头部的解剖约束，以促进解决EEG源定位问题。进一步的发展引入了皮层源的生理约束，以促进解决分布式源成像问题。尽管只是对潜在源的估计，但是这种先验约束极大地提高了EEG源定位的可解性和精确性。

EEG源定位的第一次尝试是基于强大的先验假设，即在某个时间点只有一个源是活跃的，头部可以近似为一个球体，并且整个大脑的电导率是均匀的。在这种情况下，非线性多维优化方法允许在大脑中发现等效偶极子的位置、方向和强度，以最好地解释所观察到的头皮电位测量。很快，不同组织之间的电导率差异被纳入多层球形头部模型中，最终，基于磁共振(MR)图像的真实几何头部模型被开发出来，使用边界或有限元重建头皮和不同组织。逆模型从一个或几个时变偶极子的强约束发展到估计整个脑容量中三维电流密度分布的分布式源重建方法。本文接下来回顾了EEG源定位的概念和原理。现代EEG源成像的全管道示意图如图1所示。

图1.现代EEG源成像管道示意图。

EEG正问题

由同步突触后电位产生的电势在大脑中不均匀地传播。不同的组织，如头皮、颅骨、脑脊液和大脑，具有不同的导电特性，因此会在不同程度上衰减电流。如果电导率参数已知并正确选择，泊松方程允许在每个头皮电极上确定由大脑中已知源产生的电势。因此，源通常被建模为等效电流偶极子，由一对源电流和汇电流组成，代表流经皮层锥体细胞顶端树突状的突触后电流。由这种源产生的头皮电位的计算通常被称为EEG正问题。

EEG正问题的最简单的解决方案是无限齐次模型，其中整个空间被假定为均匀导电介质所占据。更复杂但更现实的模型将不同的导电性能归因于头部的不同组织，在球形模型中表示为均匀的壳层。这种模型已用于大多数使用等效偶极子拟合的初始源定位研究。其中许多研究使用了40多年前Rush和Driscoll(1969)定义的电导率值，其中头骨电阻率被认为比头皮和大脑的电阻率高80倍。最近的几项研究表明，这些值过高，其实颅骨和大脑之间的电导率仅为20∶1左右。不仅颅骨电阻率比之前假设的要小，而且整个头部的颅骨厚度也不同，更重要的是，它随着年龄的变化而变化，年幼儿童的颅骨更薄，电阻率更低(图2A)。这使得EEG的空间分辨率更高(更少的涂抹)，因此这对于正确采样头皮电场所需的电极数量有着重要的影响。

图2.头部作为容积导体。由于不同的脑区具有不同的电导率特性，正确的EEG源定位需要正确的容积导体模型。最重要的是头骨的电阻率，其厚度和电导率会随着年龄的变化而变化。在建立容积导体模型时必须考虑这一重要事实。(A)颅骨厚度和颅骨电导率相对于不同年龄的变化。(B)根据T1 MRI估计局部颅骨厚度。

虽然具有不同组织均匀电导率特性的球形头部模型提供了EEG正问题的解析解，但这样的头部模型是不现实的。电势从大脑到头皮的传播受到不同组织的电导率特性和头部的几何形状的影响。对这些特性的准确了解和对不同组织的精确建模是EEG正确定位源的基础。通过使用单个磁共振成像(MRI)，可以精确地模拟头部形状、脑沟回和组织厚度，并将其纳入所谓的正向解(即大脑中的电流源和头皮上的电位之间的关系)中。目前解决EEG正问题的方法是边界元法(BEM)。BEM的使用允许将头部的解剖信息，以及主要的电导率特征(如大脑、颅骨和头皮)合并到EEG正向解中。BEM用三角形网格对头部每个组织之间的接口进行建模，例如空气/头皮、头皮/颅骨和颅骨/大脑接口。每种类型的组织被认为是电均质的和各向同性的，并给出了每种组织不同的电导率值。另一方面，有限元方法(FEM)已被用于模拟白质内的组织电导率不均匀性和电导率各向异性分布。这些数值技术利用MRI提供的解剖信息来分割不同的脑组织和头部结构。

建立头部有限元模型仍然是一项相当费力的工作。Spinelli等人(2000)提出了一种替代方法，该方法结合了球形模型的简单解析解，但考虑了头部形状和脑组织。在一种被称为具有解剖约束的球形头部模型(SMAC)方法中，他们提出从单个MRI中确定最佳拟合球体，然后使用齐次变换算子将大脑变换到这个最佳拟合球体。然后可以应用多壳球模型的解析解，但该解是直接计算这个轻微变形的MRI。随后，通过自适应局部球面模型(LSMAC)对该方法进行了改进，该模型为每个电极建立了不同半径的局部球面。该模型通过考虑每个电极下的颅骨厚度，允许每个电极的电导率值的变化(图2B)。

EEG逆问题

确定在头皮上产生给定EEG(或MEG)测量的颅内源是电磁逆问题的挑战。这个问题的解决方法需要对源进行先验假设。关于EEG源的神经生理学知识，关于电活动如何传播的生物物理学知识，关于传导组织的解剖学知识，以及关于神经元活动分布的知识或假设，都是这种先验约束的贡献者。多年来，许多研究已经引入了不同的约束条件，并且在文献中基于信号产生的新信息不断制定新的约束条件和假设。这样的新模型必须经过严格的验证，而且需承担模拟数据最适合所提议模型的风险。另一种方法是在生成器定义良好的记录中测试结果，但这可能会导致预选最适合所提议方法的数据的风险，以及该方法在多大程度上可以推广到测试条件以外的其他条件的问题。所以必须充分了解每种方法的特性、优点和局限性。接下来将阐述一些目前最广泛使用的逆解方法，并解释每种逆解所包含的基本假设。

偶极子源定位

有限数量等效偶极子的定位是解决EEG逆问题的第一种方法。在这种经典方法中，先验假设大脑中只有一个或几个区域是活跃的，并产生了头皮电位场。在此约束下，可以通过非线性优化找到最佳解。可以可靠地发现的偶极子的数量受到头皮电极数量和多源搜索算法的非线性复杂性的限制。一些先进的方法，如解耦估计的线性和非线性部分，或在一段时间内搜索随偶极子强度时变的最优解(MUSIC；BESA )，可以略微增加偶极子的数量。然而，如果对偶极子的数量估计不足，源定位就会因缺少偶极子而产生偏差，但是如果假设偶极子过多，就会产生虚假源信息。尽管这种先验假设具有简单性和局限性，但偶极子源定位在某些特定条件下可以产生合理的结果，特别是在定位癫痫病灶或初级感觉区时。

分布式源成像

在EEG实验研究中，偶极子源定位方法已被分布式源成像方法所取代。这些方法对源的数量没有限制。相反，大量的等效偶极子(通常超过5000个)分布在整个源空间的固定位置上，并估计每个偶极子的强度。使用来自个体或模板MRI的解剖信息，源空间通常局限于灰质。Dale和Sereno(1993)提出了皮层电流密度模型，其中偶极子被限制在与皮层表面垂直的方向上。解剖学上的限制减少了需要估计的参数数量。尽管如此，未知的数量显然比已知的数量(电极记录)要大得多，如果没有施加额外的约束，就会使问题存在高度不确定性。这些约束可以是纯数学的，也可以是基于生物物理或生理信息的，或者包含来自其他结构或功能成像方式的知识，例如DTI或fMRI。

一般线性分布逆解被称为最小范数(MN)解。该解提出的约束条件是所有解点上的电流分布具有最小能量(使最小二乘误差最小化，即L2范数)，并且该分布的正解最优地解释了测量数据。显然，最小总能量的限制有利于更接近头皮电极的源，但也忽略了更深结构的源。利用不同的数学运算，有研究者提出了深度加权策略来克服偏向表面源的问题。

目前广泛使用的MN解的变体被称为LORETA(低分辨率电磁层析成像)。该解中添加的附加约束是源的拉普拉斯函数最小化，从而导致3D活动的平滑(低分辨率)分布。这一限制已经被生理学上看似合理的假设所证明，即相邻体素的活动是相关的，但这一假设在大脑的某些区域(例如半球间裂)受到了挑战。在这种情况下，LORETA会导致模糊和平滑的解。该研究者和其他研究者提出了对该算法的改进，形成了名为sLORETA、eLORETA、LAURA、VARETA等算法。

近年来，各种信号处理技术被用于进一步发展分布式源成像算法。这些包括L1范数算法，它基于神经源是离散型和焦点型的假设，因此产生的解更有利于焦点定位。除了空间源成像，时空源成像方法也已开发出来。这种时空源成像对于癫痫发作源成像具有实际意义，癫痫发作源本质上是具有高度时间相关性的振荡源。一种特殊的方法是将独立成分分析(ICA)与源成像相结合，利用ICA对癫痫发作EEG测量值进行分解，对选定的这些独立成分进行源成像，然后重新组合得到估计的发作源。

波束形成是源成像的另一种时空方法。这种方法背后的想法是，通过找到源空间每个位置的权重，将头皮捕获的信号重新聚焦到其原始位置，这样每个位置的电流偶极子的方差就最小了。波束形成技术具有与MN解相同的平滑问题，并且存在潜在源之间相互关联时的挑战。

扫描技术是另一类试图通过扫描源空间的所有可能位置来求解偶极子分布的方法，以确定偶极子最可能的位置。MUSIC是一种著名的扫描方法。MUSIC的一些变体包括递归应用和投影MUSIC(RAP-MUSIC)、第一主向量(FINE)定位方法。扫描方法将降低相干和相关源的交互作用，特别是当源彼此接近时。

脑网络分析

EEG(和MEG)源定位已广泛应用于识别涉及信息处理和任务执行的大脑区域，并在不同的神经和精神疾病中定位功能障碍区域。然而，全脑成像方法，特别是fMRI，已经使人们越来越认识到，大脑功能和功能障碍是基于形成大规模网络的不同区域之间的相互作用。这些相互作用是如何组织的，各区域如何相互交流，各区域如何传递和接收信息，以及精神疾病中这种交流是如何受到干扰的，这些问题已经成为神经科学研究的关键课题。由于血流动力学过程相对缓慢，fMRI在解释神经元相互作用方面受到限制。EEG(和MEG)具有较高的时间分辨率，更适用于研究网络动力学和连通性。为此目的开发了许多具有不同性质的技术，其中最有趣的是时变方法，它们在维纳格兰杰因果关系或动态因果模型框架中使用有效连接测量来估计相互作用的方向。

它们主要用于评估头皮上电极对之间的关系，但这种关系通常存在容积传导和参考依赖的问题，并限制了大脑连接区域的可解释性。因此，提出在解决源成像(逆)问题后，对源域进行功能连接分析。这种方法可以更充分地描述脑区之间的相互作用。功能连接分析，如结构方程建模、有向传递函数、部分定向相干和图论已应用于估计电流密度波形，允许从高时间分辨率EEG(或MEG)直接映射大脑功能网络。

图3展示了EEG或MEG功能连接成像的方法。结合电源成像(ESI)和定向功能连接分析可以识别所研究网络的节点和节点间连接。ESI可以客观地确定网络节点，提取激活时间过程，并将其提供给定向功能连接分析(如格兰杰因果分析)，以确定定向连接模式。

图3.EEG/MEG功能连接成像方法。

目前，已有许多不同的方法用于估计功能连接，并已在传感器和源水平上应用于EEG和MEG。由于它们具有不同的特性，因此必须仔细评估它们对给定数据集的适用性，并且仍然需要使用模拟和基准数据进行验证研究。

EEG源成像的临床应用

由于对大规模全脑网络及其时间动态的兴趣日益增加，EEG源成像方法已成为许多研究实验室的首选方法，通常与其他功能或结构成像方法相结合。EEG源成像也越来越多地应用于临床，用于定位功能异常的大脑区域或定位功能皮层，以便于进行手术规划。EEG源成像已被证明是定位癫痫病灶、决定手术切除的可能性或指导颅内电极放置的重要工具。接下来将描述在临床和实验研究中应用EEG源成像的研究示例。此外，鉴于这两种模态测量相同的源并使用相同的定位方法，本文还描述了使用MEG代替EEG的研究，尽管它们对不同类型源的敏感性存在一些差异。

癫痫

早期EEG癫痫病灶定位应用等效偶极子模型。随后，与颅内记录或手术患者切除区域相比，许多不同的小组证明了偶极子拟合癫痫尖峰的准确性。一些商用EEG分析包将此工具添加到其分析软件中。偶极子拟合也成为临床MEG系统的标准，已获FDA批准，并仍在广泛使用。然而，这种单点偶极子的解剖精度具有明显的限制，特别是当空间扩展或多个来源产生头皮上看到的尖峰时。然而，最重要的是，人们越来越认识到癫痫是一种脑网络疾病，癫痫活动在大规模网络中快速传播。识别这些网络节点和这些网络中的时间动态需要分布式源成像方法，从而识别多个源。

在过去的15年里，许多研究使用分布式电源成像方法(通常缩写为ESI)证明了对发作间期尖峰的精确定位。Sperli等人(2006)分析了30例采用ESI的术后无癫痫发作儿童的标准(20个电极)临床EEG。他们在90%的病例中报告了大叶性水平的正确定位，而PET和SPECT分别仅显示了82%和70%的正确定位。然而，该研究也表明，更高数量的电极能够增加定位精度，特别是在颞叶癫痫中。使用这种高密度EEG记录，Michel等人(2004a)在32例患者中93.7%的大叶性水平上显示了正确的定位。Brodbeck等人(2010)分析了10例MRI正常的患者，其中8例在切除边缘内显示了正确的定位。Zumsteg等人(2005)对15例内侧颞叶癫痫患者进行了ESI分析，并将其与卵圆孔电极同时记录的数据进行了比较。其研究表明，卵圆孔电极观察到的19种不同局部电场模式中，有14种可以用ESI正确识别。这些结果表明，即使是内侧颞源也可以被头皮EEG记录下来，并被ESI正确定位，Lantz等人(2001)在同步EEG和iEEG记录中也得出了这一结论。此外，Brodbeck等人(2009)表明，ESI精度不容易受到病变导致的最终电导率不均匀性的影响。尽管脑损伤较大，但ESI在14例患者中有12例正确定位了切除区域内的尖峰活动(图4)。

图4.EEG源成像对癫痫尖峰的定位。

鉴于所有这些有前景的研究，Plummer等人(2008)在一项综述中得出结论，ESI在定位相关癫痫患者的常规检查中应该占有一席之地，但仍需要在更大的临床群体中进行前瞻性验证研究。Brodbeck等人(2011)对152例手术患者进行了前瞻性研究，术后随访＞1年，观察ESI对癫痫病灶定位的敏感性和特异性。该研究表明，如果用大量电极(128-256通道)记录EEG，并将单个MRI用作头部模型(SMAC头部模型)，其敏感性为84%，特异性为88%。这些值比结构MRI、PET和发作期/间歇期SPECT的值更高(图5)。使用低数量的电极(＜32个通道)和模板头部模型，ESI的敏感性和特异性显著降低。Lascano等人(2015)利用该数据库以及其他数据评估了术前评估中使用的所有常规成像研究(PET、SPECT、MRI)的预测价值，并将高密度ESI纳入该研究。该研究共纳入190例局灶性癫痫患者，均采用高密度EEG(128-256通道)进行记录。这些结果表明，结构MRI和高密度EEG源成像是唯一两个有利的预后预测因素。结构MRI和HD-ESI结果一致的患者预后良好的概率为92.3%。

图5.EEG源成像的敏感性和特异性。

使用ESI定位癫痫发作区域的问题是，癫痫发作活动的快速传播可能导致对癫痫发作区域的错误识别。早期的研究应用相位校正频源分析来确定最先开始发作和发作频率最明显的区域。在Lantz等人的研究中，9例中有7例的主频率源重建与颅内结果一致。然而，这种类型的简单频率分析不能捕捉非常快的传播，因为时间分辨率丢失了。时间频率分析在这方面可能更有前景。Yang等人(2011)在时频域中使用独立成分分析来确定代表癫痫发作时节律性放电的地形图。这些地形图的源定位与颅内记录确定的癫痫发作区密切对应。图6显示了两例颞叶癫痫和额叶癫痫患者的直接癫痫发作成像。Nemtsas等人(2017)以癫痫发作时节律的主频率过滤高密度EEG，并在6名术后无癫痫发作的5名患者中显示了该主频率在切除区域的正确源定位。该研究还显示发作期和间歇期源定位之间有93%的一致性，再次表明在大多数病例中，峰值焦点定位与癫痫发作区相对应。虽然这些基于频率的方法非常有前途，但它们只适用于癫痫发作以持续同步节律性放电为特征的患者。功能连接成像在癫痫发作源定位方面也具有其优点。Ding等人(2007)研究发现，在同一患者中，对使用扫描技术估计的源应用格兰杰因果分析，结果与结构MRI和SPECT一致。Staljanssens等人(2017)最近提出了一种替代方法，该方法基于源空间的功能连接分析，并将输出连接数最高的源识别为癫痫发作区。虽然这种方法在高密度EEG(＞200个电极)中具有良好的结果，但在较低通道数量(＜128个电极)EEG中的结果不佳。

图6.癫痫发作的EEG源成像。黄色表示通过时频分析识别的癫痫发作成分的无创ESI结果。绿色表示患者术后MRI量化的手术切除区域。(A)和(B)是两个病人的结果。术后随访1年，无癫痫发作。

临床检查的另一个高度感兴趣的方面是高频振荡(HFOs)，主要在80-500Hz范围内。现有大量关于HFOs的研究表明，HFOs在iEEG中更频繁地出现在癫痫发作区或靠近癫痫发作区。HFOs是非常集中和低振幅的，因此很难用头皮EEG检测到，但有研究表明这是可能的，特别是当使用高密度EEG时。Lu等人(2014)和Kuhnke等人(2018)证实了高密度EEG对局灶性HFO事件的检测，并表明EEG源成像可以正确定位。高分辨率EEG记录的重要性在这些研究中变得显而易见。

越来越多的人认识到癫痫是一种脑网络疾病，这引起了对这些病理网络不同节点之间功能连接的研究。有研究者发现，格兰杰因果关系或图论可以有效地从iEEG中分析间歇发作和癫痫发作时的发作区。Ding等人(2007)证明，将这种方法(直接传递函数)应用于源空间数据可以成功地定位癫痫发作焦点，并将其与传播活动区分开来。Coito等人(2015)使用源空间中的另一种定向连接测量(部分定向相干)来研究左颞叶癫痫和右颞叶癫痫的癫痫网络。结果显示，两组患者之间存在明显差异，右颞叶癫痫的双向神经网络比左颞叶癫痫多。有趣的是，在同一组的静息EEG中，相同的病理网络是活跃的，没有任何可见的EEG异常，并将其与对照组区分开来。这项研究表明，即使在癫痫活动之外，癫痫网络也可能是活跃的，并且可以解释癫痫患者在癫痫发作得到控制时的神经心理和认知功能障碍。

图7示例显示了使用EEG和MEG源成像和定向功能连接定位颞叶癫痫患者的原发性癫痫源。在该患者中观察到两种类型的发作间期尖峰(EEG和MEG均可观察到)。当对平均尖峰的峰值进行逆问题求解时，一种提取的尖峰定位于颞区(EEG为21个尖峰，MEG为23个尖峰)，另一种提取的尖峰定位于左侧顶枕区(EEG为8个尖峰，MEG为8个尖峰)。使用EEG尖峰和MEG尖峰发现的感兴趣区域(ROIs)彼此重叠良好。图7A中的箭头表示连接分析得出的信息流，从主要源指向次要源，癫痫活动在主要源产生后传播到次要源。从图7B的信息流方向和总流出量(两个节点之间)对比也可以看出这一点。在该患者中，ROI 1到ROI 2显示出显著的信息流，而从ROI 2到ROI 1没有观察到这种显著性。因此，位于左颞叶的ROI 1被确定为主要源。图7D为术后MR图像，红线标出手术切除区域。结果表明，EEG/MEG源成像和连接分析结果与临床结果吻合较好，可用于定位引起癫痫发作的原发性癫痫源。

图7.从颞叶癫痫患者的发作间期尖峰识别癫痫网络。

手术规划

EEG/MEG源成像的另一个重要的潜在临床应用是脑外科手术规划中脑皮层的定位。虽然最大限度地切除是手术成功的关键，但切除的范围不应威胁神经功能或生活质量。因此，为了使手术尽可能彻底和精确，在术前规划时，切除敏感区附近的病灶和运动性语言中枢区域(即感觉运动皮层，语言区)都需要精确定位。fMRI是目前最成熟的无创术前脑皮层定位方法，尤其适用于空间精度在2-5mm范围内的感觉运动区域定位。然而，fMRI也存在一些缺点。除了由于技术原因(运动伪影、失真、系统不稳定等)导致相对较高的丢失率外，在脑损伤的背景下，最重要的问题是血管活性的改变可能导致神经血管解耦，并失去依赖于血氧合水平的激活。因此，在给定区域中没有fMRI活动并不一定表明该区域不包含该功能。EEG/MEG源成像在这方面可能更有前景。然而，在术前规划中使用EEG和MEG源成像来定位脑皮层的情况并不多见。高分辨率MEG系统已经上市较长时间，因此一些研究用此来进行定位，特别是用于感觉和运动皮层的定位。这些研究采用单偶极子定位方法，总体上显示出良好的定位结果。躯体感觉皮层的精确定位已经通过HD-EEG源成像在个体真实的头部模型中得到了证实。对被试进行拇指气动刺激，并用分布式逆解计算和定位体感诱发电位(SEPs)。将结果与fMRI和(在癫痫患者的子集)颅内SEP和DCS进行了比较(图8)。研究表明，SEP的ESI精确定位了初级体感觉皮层，且个体间差异很小。ESI和fMRI对比显示，除了内外侧方向外，其余差异均为3-7mm，这是因为潜伏期40ms时的SEP最大值比fMRI最大值系统地定位于皮层更深处。有趣的是，许多研究者比较了高密度EEG源成像(256通道)和MEG使用相同刺激方案时的结果，发现EEG的定位明显更接近于fMRI，但前提是使用个体真实的头部模型，这再次证实了真实的头部模型对于EEG源成像的重要性。

图8.EEG源成像对皮层的定位。

感觉诱发电位(EPs)的源定位不仅可以定位大脑皮层，还可以识别和定位各种神经系统疾病的脑部病变。Lascano等人(2017)认为，基于多通道EEG记录的EPs，即高密度EPs，有助于更好地区分健康被试和患者，此外，它们提供了关于病变部位的有价值的空间信息。

结论

本文介绍了EEG源定位的基本原理和相关研究进展。这表明基于头皮EEG的大脑神经活动定位已经从一个球内等效偶极子的粗略估计发展到电流密度分布的解剖学精确定位。EEG源成像不仅可以在给定的时间实例中精确地定位源，而且EEG的高时间分辨率还可以观察大规模脑网络中的信息流，并获得这种网络区域相互通信方式的新见解。目前，基于高密度EEG的EEG源成像是许多进行正常脑功能研究的实验室标准。但这种方法也在临床实验室中用于定位异常的大脑功能和网络，最重要的是EEG源成像在术前癫痫评估中的应用。虽然EEG仍然是癫痫诊断的基石，但使用本文中描述的方法对这些信号进行高级分析，使EEG与用于评估这种疾病的其他脑成像方法处于同等重要水平。

参考来源：EEG source localization. Handbook of Clinical Neurology, Vol. 160 (3rd series). https://doi.org/10.1016/B978-0-444-64032-1.00006-0