深入探索大脑：解剖学、动力学、脑电场与脑电图（EEG）的一体化工作流程

作者：IT’IS基金会
全脑尺度。头皮脑电图主要反映的是 大型神经元群体的突触后活动总和，而非单个动作电位。 神经质量模型通过平均膜电位和放电率来描述 该尺度的活动，每个神经元群体根据 其局部动力学及其从网络接收的输入而演变。 同一类模型也是 “虚拟癫痫患者”的基础，该模型在《虚拟大脑》中运行 癫痫动力学的神经质量模型 [1, 2]。 在一项回顾性研究中，该模型的估计结果与临床定义的致痫性 网络相符，其中与经切除术后不再发作的患者最为吻合 [3]。

BraiNN 支持两种分辨率。在区域级网络中，每个解剖区域由单个神经质量节点表示。在皮层表面网络中，（可能经过个性化的） 皮层网格的每个顶点都承载一个完整节点；稀疏的、基于测地线距离的连接描述了 局部交互，而长程交互则继承自区域级结构 连接。这既保留了区域内的空间细节，又维持了区域之间具有解剖学意义的 连接。

神经质量模型。每个节点都是一个皮质柱的Jansen-Rit模型[6]，由 锥体投射神经元以及 兴奋性与抑制性中间神经元群体组成（求解器库还支持其他模型变体）。 该模型的状态变量表示平均膜电位，而 sigmoid 函数将 膜电位转换为放电率。 节点的输出——即金字塔神经元群体中 兴奋性与抑制性突触后电位之间的差值——会被传递至其他 节点（见下文），并在转换为等效电流偶极子后，用于生成虚拟脑电图（EEG）信号。

该模型采用文献[6]中的标准参数化方案，关键参数对用户公开： 兴奋性与抑制性突触增益决定了每列内兴奋与抑制的平衡； 全局耦合强度调节长程输入；局部表面耦合强度控制 相邻表面节点之间的相互作用；而对于随机微分方程变体，噪声标度 因子会乘以基于文献的噪声结构 [10]。 通过调整这些参数，研究人员可以探索 局部节律、跨区域同步性，以及模拟信号对噪声水平的敏感性。

连接性与延迟。每个节点的长程输入是其他区域延迟 输出的加权和，在表面网络中，这些输出即为分配给各区域的表面节点的 锥体细胞输出均值。 权重来自基于扩散追踪法推导出的结构连接性， 延迟则由纤维束长度及假设的传导速度决定；全局耦合强度对 加权和进行缩放。

从活动到脑电图。模拟的大脑皮层活动根据导联场矩阵中的权重贡献于头皮电位： 每个皮层源被表示为一个垂直于局部皮层表面的等效电流偶极子， 该矩阵将偶极矩映射为电极电压。 Sim4Life 通过 普隆西互易定理 [11] 计算导联场：低频电磁仿真在 每个 EEG 电极与公共参考点之间施加单位电流，所得场在 每个皮层顶点的法向分量即为该电极的导联场权重。 刺激场和 EEG 导联场 使用相同的头部模型和电磁物理原理，因此两者的计算均基于相同的解剖结构、组织 特性及坐标系。

基于互易性的导联场：电极与参考点之间的单位电流 会在头部模型中产生电场。该电场在大脑皮层表面的法向分量提供了 将模拟的大脑皮层活动投影到该电极所需的权重。 同一头部模型也用于 计算刺激场。

从场到输入。刺激场通过 λE∥ 耦合项进入神经网络 [7 – 9]： 该场分量与建模的皮层柱平行（即垂直于皮层表面），其大小由 特定于该神经群的因子 λ 进行缩放。结果作为场诱导的 极化，被加到每个神经群的平均膜电位上。 在 V10.0 版本中，该场诱导的贡献在时间上保持恒定；对时间变化刺激的支持 计划在未来版本中实现。 电场如何转化为整个神经元群体 的行为，仍然是一个未解的研究问题；因此，耦合模型仍是需要进一步 研究的课题。

数值引擎。BraiNN 采用 JAX 实现，将积分循环、网络耦合、 随机噪声和监控功能整合编译，从而使同一模型定义可在 CPU、GPU 或 张量处理单元上运行。 联合数组将针对节点以及参数集、 初始条件或噪声实现批处理的操作向量化。

在 GPU 上，BraiNN 运行全脑模拟的速度比常用的基于 CPU 的模拟器快几个数量级。 在预印本的基准测试[5]中，使用NVIDIA RTX 3090 GPU与运行于32核AMD Ryzen Threadripper 3970X CPU上的The Virtual Brain进行对比，一个包含68个区域的区域级网络运行速度约快35倍，而一个包含 网络的运行速度则快了约90倍。当网络规模扩大至250个区域时，运行时间变化甚微；添加 传导延迟或进行批量运行也仅会略微增加运行时间，因此一批参数集的计算成本仅比 单次模拟略高。 因此，此前难以处理的参数扫描、响应面探索以及 敏感性分析如今变得切实可行，下文所述的拟合流程（展望）亦是如此。

通过确定性/随机性切换可选择求解器族：确定性运行可采用正向欧拉法、Heun法、 经典四阶龙格-库塔，或自适应 Tsit5 和多曼-普林斯时间积分方法；而 随机运行则采用欧拉-丸山、随机 Heun 或高阶分裂龙格-库塔 方法来处理加性噪声。 选择随机模式还会显示噪声缩放因子。

监测与时间离散化步骤是解耦的，因此区域放电率、皮层源活动、 以及电极电压可以在不改变数值积分的情况下以较低的采样率进行记录。 模拟 默认采用 32 位精度，并提供 64 位选项用于验证和敏感性研究。

V10.0 的新功能。V10.0提供了从结构和动力学到 刺激耦合再到 EEG 投影的前向处理流程，同时包含预定义的模型集、可调节的参数，以及与 Sim4Life 场求解器的直接 链接。

未来展望。目前正在准备两项扩展功能，均致力于个性化定制。 基于图像的模型生成功能可从受试者的T1加权和 扩散磁共振成像（MRI）扫描数据中构建 头部模型、皮层网格、结构连接性以及电极场，从而使刺激场、神经网络和模拟 脑电图均能真实反映受试者的解剖结构。 基于EEG的参数拟合采用贝叶斯优化方法，对 神经质量参数进行调整，直至模拟的EEG能最佳地再现受试者的记录数据 [5]。 这种拟合方式需要进行大量正向模拟，而这正是 BraiNN 的速度发挥关键作用的 地方。这些扩展功能共同将癫痫病灶定位中展示的个性化能力 [3] 应用到了脑刺激领域。

BraiNN 是一款用于研究全脑动力学和刺激的研究工具，其结果应 结合上述建模假设进行解读。预印本 [5] 详细描述了这些方法 。Sim4Life V10.0 将该引擎与 虚拟群体 、基于图像的头部模型、场模拟器、可视化及分析功能。因此，解剖结构提取、场计算、 网络建模和虚拟脑电图生成均可集成于单个 Sim4Life 项目中，避免了 使用多种工具时出现的兼容性及版本问题。

BraiNN：从刺激场到模拟脑电图。

参考文献
[1] Sanz Leon P 等。虚拟大脑：灵长类动物脑网络动力学模拟器。《神经信息学前沿》. 2013;7:10.https://doi.org/10.3389/fninf.2013.00010
[2] Jirsa VK 等。关于癫痫发作动力学的本质。《大脑》。2014;137(8):2210-2230。https://doi.org/10.1093/brain/awu133
[3] Wang HE 等. 利用脑成像数据和个性化建模在难治性癫痫中勾勒癫痫源性网络。《科学转化医学》. 2023;15(680):eabp8982.https://doi.org/10.1126/scitranslmed.abp8982
[4] 王海东等. 用于癫痫刺激治疗的虚拟脑双胞胎。《自然·计算科学》. 2025;5(9):754-768.https://doi.org/10.1038/s43588-025-00841-6
[5] Fasse A 等. BraiNN：一种用于临床可行个性化全脑网络建模的现代模拟器。《bioRxiv》。2026.https://doi.org/10.64898/2026.07.08.737156
[6] Jansen BH 等. 耦合皮层柱数学模型中的脑电图和视觉诱发电位生成. 《生物控制论》. 1995;73(4):357-366.https://doi.org/10.1007/BF00199471
[7] Molaee-Ardekani B 等. 经颅直流电刺激（tDCS）对皮层活动的影响：一项计算建模研究。《脑刺激》. 2013;6(1):25-39.https://doi.org/10.1016/j.brs.2011.12.006
[8] Merlet I 等. 从振荡性经颅电流刺激到头皮脑电图变化：一项生物物理与生理建模研究。《PLoS ONE》. 2013;8(2):e57330.https://doi.org/10.1371/journal.pone.0057330
[9] Kunze T 等. 经颅直流电刺激改变静息态功能连接：一项大规模脑网络建模研究。《NeuroImage》. 2016;140:174-187.https://doi.org/10.1016/j.neuroimage.2016.02.015
[10] Ableidinger M 等. Jansen 和 Rit 神经质量模型的随机版本：分析与数值计算。《数学神经科学杂志》（J Math Neurosci）. 2017;7:8.https://doi.org/10.1186/s13408-017-0046-4
[11] Plonsey R. 互易性在体积导体和心电图中的应用。《IEEE生物医学电子学汇刊》。1963;10(1):9-12.https://doi.org/10.1109/TBMEL.1963.4322775