框架篇01｜从零开始做MEG研究！Nature Protocols教你如何开展一个成功的脑磁图研究

作为非侵入式神经成像的“时空分辨率双优选手”，MEG脑磁图在神经科学研究和临床应用中的价值毋庸置疑，但想要从零开始做一项规范的MEG研究，却常常因设计复杂、流程不统一、质量难把控陷入困境。

《Nature Protocols》刊发的由美国德克萨斯大学西南医学中心Amy L. Proskovec团队撰写的MEG实操指南，以达拉斯心脏与心智研究（DHMS）这一大型跨学科研究为实践案例，首次提出了一套可灵活适配不同研究目标、覆盖全流程的标准化MEG研究实施框架，将研究拆解为规划、预试验、程序实施、维护与质量保证四大核心阶段，从根本上解决了MEG研究“不知从何下手、如何做好质控”的难题。

今天这篇框架篇，我们就手把手教你搭建MEG研究的核心框架，了解Nature Protocols的标准要求，让零基础也能做出规范、可复现的MEG研究。

Nature Protocols提出的4大研究阶段，依次推进、层层优化，每个阶段都有明确的核心目标和关键动作，且可根据所在机构的基础设施、研究目标灵活调整，但核心考量和操作标准具有普遍参考价值，无论是小型独立MEG研究，还是大型跨学科队列研究，都能直接复用。下图汇总了各阶段及其具体步骤。为支持研究者有效实施，该团队提供了示例材料及相关GitHub资源库（https://git.biohpc.swmed.edu/ansir/utsw-meg-study-repository），以促进MEG研究流程的标准化与可复现性。

图 MEG研究协议

该协议包括四个阶段。a, 规划MEG程序和总体研究设置。b, 预试验完整研究（MEG及其他研究组成部分）并对MEG程序进行必要的调整。c, 主要研究期间的MEG程序实施。d, 维护与质量保证过程，以确保培训以及MEG数据采集和预处理的一致性。（翻译版，仅供参考）

• 确立排除标准

应优先制定明确的MEG检查排除标准。在基于人群的队列研究中，原则上宜适度放宽纳入门槛以维持样本的群体代表性，但须排超出设备最大承重或头围尺寸限制的受试者。

• 安全性排除

须排除植入人工耳蜗、磁性分流器等的个体。

• 数据质量评估考虑

强干扰源：铁磁性或顺磁性植入物（如某些神经刺激器、旧式动脉瘤夹）通常会引入严重信号伪影，原则上应予排除。

弱干扰源管理： 对于不可移除的非铁磁性金属物品（如牙科填充物、愈合良好的穿孔饰品），虽不构成安全威胁，但可能降低信噪比。此类情况需在筛查表中详细记录，以便后续数据分析时进行针对性校正或剔除。

• 标准化筛查

研究协调员须接受专业的MEG筛查清单培训，并在招募阶段执行标准化筛查清单（Checklist）。筛查结果应及时同步给MEG操作人员，以便执行额外的伪影检测程序或采取相应的缓解措施。

• 提升样本多样性与代表性

应主动采取措施提升少数族裔等代表性不足群体的参与比例。例如，DHMS研究即通过多种技术手段增加了黑人受试者的样本量，以深入探讨心血管健康中的种族差异。

• 科学价值与可行性权衡

需综合考虑研究目标、受试者特征及分配给MEG的总时间。

• 结合研究目标

以DHMS为例，研究目标涉及心血管、认知与疼痛等多维度健康问题，因此优先选择已获文献验证、对年龄敏感、且无需专用设备的范式。

• 适应受试者特征

应预估队列的临床与人口学特征（如可能包含轻度认知障碍个体），选用难度适中、包容性强的范式，避免因任务过难导致数据丢失或结果解释困难。

• 时间与效益优化

评估各范式用时（包括准备、指导与练习），最终组合应在限定时间内完成，以高效利用资源。

• 静息态与事件相关范式

静息态采集快速、独立于行为表现，且已建立可靠的分析流程，建议纳入。事件相关范式应优先选择已发表、可重复的方案，也可参考现有指南进行新范式开发，但需经过充分测试与调整。

• 采用标准结构

可采用Nature Protocols推荐的MEG-BIDS标准结构，以实现高效的数据管理、共享与软件兼容。

• 受试者标识

可建立匿名化系统，为每位受试者分配唯一ID（如随机码或伪随机码）

• 存储考量

MEG数据体积庞大，可规划安全、加密的大容量存储平台，确保数据安全与可访问性。

• 软件与试验设计

可使用多种兼容软件编写实验范式。关键设计要素包括试验结构、数量设置以及触发器应用。每个试验通常对应一次认知事件，并通过唯一触发器在MEG记录中标记时间点。

• 信号优化

为提高信噪比，每种条件通常需80–120次试验，并在试验间预留足够间隔使神经活动恢复基线。

• 采集参数设置

建议使用头部位置指示器（HPI）线圈并进行运动追踪，以提升数据质量与源定位精度。采样率、带宽等参数应根据研究目标设定，例如DHMS采用1 kHz采样率与0.1–330 Hz带宽，平衡了存储成本与科学需求。

• 多模态同步记录

MEG系统支持同步采集EEG、ECG、EOG及EMG等信号，可用于离线伪迹去除与辅助分析。

图 MEG研究资源

a，众多云服务与平台可用于数据存储与管理。XNAT、Flywheel和亚马逊网络服务（AWS）特别适合存储神经影像数据，而REDCap、Qualtrics和Salesforce则适用于管理调查问卷数据。DHMS采用REDCap、XNAT及BioHPC（大学运营的安全云存储系统）。

b，列举常见MEG实验刺激呈现软件：E-Prime、PsychToolbox、Presentation、STIM2及PsychoPy。

c、以下软件工具用于MEG数据的处理、分析与解读：Brainstorm、脑电源分析（BESA）、FieldTrip、统计参数映射（SPM）、MNE、CURRY以及神经动力学实用工具箱（用于MEG）(NUTMEG)。MRI数据处理可采用Freesurfer，随后导入MEG平台进行配准。

d, 常用其他资源包括代码共享平台（如GitHub）及数据分析与统计软件包（含R、 MATLAB、Python、社会科学统计软件包(SPSS)、Minitab、Prism及SAS。

e. 磁脑图数据存储库包括BioFIND(https://biofind.loni.usc.edu/)、剑桥衰老与神经科学中心(Cam–CAN)

(https://cam-can.mrc-cbu.cam.ac.uk/dataset/)、ENIGMA-MEG(https://enigma.ini.usc.edu/ongoing/enigma-megworking-group/)、OpenNeuro(https://OpenNeuro.org)、开放MEG档案库(OMEGA)(https://www.mcgill.ca/bic/neuroinformatics/omega)、神经影像工具与研究协作中心(NITRC) (https://nitrc.org)、哈佛数据仓库(https://dataverse.harvard.edu)及Zenodo (https://zenodo.org/)。

按“空房间测试→熟悉MEG受试者测试→新手受试者测试→刺激延迟评估”四步走，验证程序有效性。

• 空房间测试

首先，在没有受试者的环境下进行初始测试，以确认所有事件都能通过正确的刺激通道被准确记录。这一步骤旨在排除任何硬件或软件层面的基础问题。

• 熟悉MEG的受试者参与测试

接下来，邀请对MEG有一定了解的受试者参与测试。这有助于验证程序是否按预期工作，并允许研究人员根据反馈进行必要的调整。此阶段的重点在于检查任务指令是否清晰、刺激是否适宜以及是否存在非主动动作等影响数据质量的因素。

• 未接触过MEG的受试者参与测试

随后，让初次接触MEG的受试者参与测试，模拟真实研究环境下的情况。这一过程特别重要，因为它可以帮助识别出那些可能因不熟悉设备而产生的问题，如理解任务指令所需时间增加等问题。为解决这些问题，可以在准备扫描的同时提供详细的任务说明和图示指导，帮助受试者更好地理解和执行任务。

• 评估刺激延迟

在适用的情况下，本阶段还需评估并量化视觉和听觉刺激的延迟。

在整个测试过程中，需要密切关注以下几个方面：

图 干净的与受干扰静息态数据示例。

上图展示一位受试者相对无伪影的静息态数据示例，下图则展示另一位受试者存在显著伪影的静息态数据示例。从左至右依次呈现：5秒原始数据、同一段预处理数据，以及自发α波（8-12Hz）振荡的波束形成图谱。

为保障研究的一致性与质量，应在规划阶段建立详细的操作规程（MOPs）和结构化培训计划。关键内容包括：

• 数据采集操作规程

明确记录所用的系统、刺激参数与设备设置；包含标准化的受试者指导脚本；清晰划分各研究人员的职责，并提供便于查阅的职责清单。

• 预处理流程构建

建议在规划阶段即建立数据预处理流程。现有多种开源MEG处理软件可供选择。预处理通常涉及以下环节：

核心目标：在预试验阶段，应招募代表目标人群关键特征（如年龄、种族、临床状况）的受试者，对整体研究方案进行试运行，系统评估流程效率、数据质量及受试者体验。

1. 关键评估内容

• 受试者对指令的理解与任务执行情况

• 程序耐受度与配合度

• 各环节实际耗时与预设时间的差异

2. 问题发现与流程优化

例如在DHMS预试验中，发现受试者在“进舱执行”环节对任务指令的记忆存在困难。为此，团队在任务开始前投屏展示范式图示，并在任务中插入指令提示，显著提升了数据采集完整度。其他常见优化包括：受试者到达前完成设备准备、减少扫描中人员进出、依据任务表现动态调整指导方式等。

3. 数据预处理流程标准化

预试验阶段应同步测试预处理流程，并完善操作规程。建议：

• 明确软硬件版本，实施版本控制

• 为每类范式创建标准化预处理记录表

• 对需人工干预的步骤配备视频指引

4. 初步假设验证

可利用预试验数据验证基础神经效应，例如：

• 工作记忆任务中特定网络的α-β功率降低

• 静息态下α/β功率的脑区分布特征

• 感觉任务中伽马活动的增强模式

通过预试验验证，可确保实验流程能有效捕捉目标神经信号，为正式研究提供方法学保障，避免正式研究“做无用功”。