走进 BraiNN：解剖结构、动力学、电场与 EEG 一体化工作流

一、全脑尺度

头皮 EEG 主要反映的是大规模神经元群体突触后活动的总和，而非单个神经元的锋电位。神经质量模型（neural mass model）通过平均膜电位和放电率来描述这一尺度上的活动，每个群体依据其局部动力学以及从网络接收到的输入而演化。虚拟癫痫患者（Virtual Epileptic Patient）正是基于同一类模型，它在 The Virtual Brain 中运行一个描述癫痫发作动力学的神经质量模型［1, 2］。在一项回顾性研究中，其估计结果与临床定义的致痫网络相符，在接受切除术后癫痫无发作的患者中吻合度最高［3］。

二、BraiNN 支持两种分辨率

在区域级网络中，每个解剖区域由一个神经质量节点表示。在皮层表面网络中，（可个性化定制的）皮层网格的每个顶点都承载一个完整节点；稀疏的、依赖测地距离的连接性描述局部相互作用，而长程相互作用则继承自区域级结构连接。这样既保留了区域内部的空间细节，又保持了区域之间具有解剖学意义的连接。

三、神经质量模型

每个节点是一个皮层柱的 Jansen-Rit 模型［6］，由锥体投射神经元以及兴奋性和抑制性中间神经元群体构成（求解器库还支持其他模型变体）。模型的状态变量表示平均膜电位，sigmoid 函数将膜电位转换为放电率。节点的输出——即锥体神经元群体兴奋性与抑制性突触后电位之差——被传递给其他节点（见下文），并在转换为等效电流偶极子之后，用于生成虚拟 EEG 信号。

该模型采用文献中的标准参数设置［6］，关键参数向用户开放：兴奋性和抑制性突触增益决定每个皮层柱内兴奋与抑制的平衡；全局耦合强度对长程输入进行缩放；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，还有一个噪声缩放因子，用于乘以基于文献的噪声结构［10］。通过改变这些参数，研究人员可以探索局部节律、跨区域同步，以及仿真信号对噪声水平的敏感性。

四、连接性与延迟

每个节点接收的长程输入是其他区域延迟输出的加权和；在表面网络中，这些输出是归属于各区域的表面节点锥体输出的平均值。权重来自扩散纤维束成像导出的结构连接，延迟则由纤维束长度和假设的传导速度确定；全局耦合强度对该加权和进行缩放。

五、从活动到 EEG

仿真得到的皮层活动按照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 Plonsey 互易定理计算导联场［11］：一次低频电磁仿真在每个 EEG 电极与一个公共参考之间施加单位电流，所得场在每个皮层顶点处的法向分量即给出该电极的导联场权重。刺激场与 EEG 导联场使用相同的头部模型和电磁物理设置，因此两项计算共享解剖结构、组织特性和坐标系。

基于互易性的导联场：在电极与参考之间施加单位电流，会在头部模型中产生电场；该电场在皮层表面上的法向分量提供了将仿真皮层活动投影到该电极的权重。计算刺激场时使用的是同一个头部模型。

六、从电场到输入

刺激场通过 λE∥ 耦合项进入网络［7–9］：与所建模皮层柱平行的电场分量（即垂直于皮层表面的分量）由群体特异的因子 λ 缩放。所得结果作为场致极化（field-induced polarization）加到每个群体的平均膜电位上。在 V10.0 中，该场致贡献在时间上是恒定的；对时变刺激的支持计划在后续版本中提供。电场如何转化为整个神经元群体的行为，仍是一个尚未解决的研究问题；因此该耦合模型仍有待进一步研究。

七、数值引擎

BraiNN 以 JAX 实现，积分循环、网络耦合、随机噪声和监测被一起编译，因此同一模型定义可在 CPU、GPU 或张量处理单元（TPU）上运行。联合数组（joint arrays）将运算在节点维度以及参数集、初始条件或噪声实现等批次维度上向量化。

在 GPU 上，BraiNN 运行全脑仿真的速度比常用的基于 CPU 的仿真器快几个数量级。在该预印本的基准测试中［5］，在 NVIDIA RTX 3090 GPU 上测得的 BraiNN 与运行于 32 核 AMD Ryzen Threadripper 3970X CPU 上的 The Virtual Brain 相比，含 68 个区域的区域级网络约快 35 倍，含 4.4k 个节点的皮层表面网络约快 90 倍。在区域数量不超过 250 时，运行时间随网络规模变化很小；加入传导延迟或采用批处理运行仅使其略有增加，因此一批参数集的成本仅比单次仿真略高。这使得此前难以处理的参数扫描、响应面探索和敏感性分析变得可行，下文（展望）所述的拟合流程亦是如此。

确定/随机开关用于选择求解器家族：确定性运行可使用前向 Euler、Heun、经典四阶 Runge-Kutta，或自适应的 Tsit5 与 Dormand-Prince 时间积分方法；随机运行则使用 Euler-Maruyama、随机 Heun 或高阶分裂 Runge-Kutta 方法处理加性噪声。选择随机模式时还会显示噪声缩放因子。

监测与时间离散步长解耦，因此区域放电率、皮层源活动和电极电压可以以较低的采样率记录，而不会改变数值积分。仿真默认使用 32 位精度，并提供 64 位选项用于验证和敏感性研究。

八、V10.0 提供的内容

V10.0 提供了从结构与动力学，经刺激耦合，直至 EEG 投影的前向流程，并附带预定义模型集、可调参数，以及与 Sim4Life 场求解器的直接连接。

九、展望

两项面向个性化的扩展正在准备中。基于影像的模型生成可从受试者的 T1 加权和扩散磁共振成像（MRI）扫描构建头部模型、皮层网格、结构连接和导联场，使刺激场、网络与仿真 EEG 都能反映受试者的解剖结构。基于 EEG 的参数拟合使用贝叶斯优化来调整神经质量参数，直到仿真 EEG 最好地复现受试者的记录［5］。以这种方式拟合需要大量前向仿真，而这正是 BraiNN 的速度优势最为关键之处。这两项扩展共同将致痫灶定位中展示的个性化能力［3］引入脑刺激领域。

BraiNN 是用于研究全脑动力学与刺激的研究工具，其结果应结合上述建模假设来解读。预印本［5］详细描述了相关方法。Sim4Life V10.0 将该引擎与虚拟人体库（Virtual Population）、基于影像的头部模型、场仿真器、可视化与分析功能集成在一起。因此，解剖结构提取、场计算、网络建模和虚拟 EEG 生成都可以在同一个 Sim4Life 项目内完成，避免了使用多种工具时出现的兼容性和版本管理问题。

参考文献

[1] Sanz Leon P, et al. The Virtual Brain: A simulator of primate brain network dynamics. Front Neuroinform. 2013;7:10. https://doi.org/10.3389/fninf.2013.00010

[2] Jirsa VK, et al. On the nature of seizure dynamics. Brain. 2014;137(8):2210-2230. https://doi.org/10.1093/brain/awu133

[3] Wang HE, et al. Delineating epileptogenic networks using brain imaging data and personalized modeling in drug-resistant epilepsy. Sci Transl Med. 2023;15(680):eabp8982. https://doi.org/10.1126/scitranslmed.abp8982

[4] Wang HE, et al. Virtual brain twins for stimulation in epilepsy. Nat Comput Sci. 2025;5(9):754-768. https://doi.org/10.1038/s43588-025-00841-6

[5] Fasse A, et al. BraiNN: A modern simulator for clinically feasible personalized whole-brain network modeling. bioRxiv. 2026. https://doi.org/10.64898/2026.07.08.737156

[6] Jansen BH, et al. Electroencephalogram and visual evoked potential generation in a mathematical model of coupled cortical columns. Biol Cybern. 1995;73(4):357-366. https://doi.org/10.1007/BF00199471

[7] Molaee-Ardekani B, et al. Effects of transcranial direct current stimulation (tDCS) on cortical activity: a computational modeling study. Brain Stimul. 2013;6(1):25-39. https://doi.org/10.1016/j.brs.2011.12.006

[8] Merlet I, et al. From oscillatory transcranial current stimulation to scalp EEG changes: A biophysical and physiological modeling study. PLoS ONE. 2013;8(2):e57330. https://doi.org/10.1371/journal.pone.0057330

[9] Kunze T, et al. Transcranial direct current stimulation changes resting state functional connectivity: A large-scale brain network modeling study. NeuroImage. 2016;140:174-187. https://doi.org/10.1016/j.neuroimage.2016.02.015

[10] Ableidinger M, et al. A stochastic version of the Jansen and Rit neural mass model: Analysis and numerics. J Math Neurosci. 2017;7:8. https://doi.org/10.1186/s13408-017-0046-4

[11] Plonsey R. Reciprocity applied to volume conductors and the ECG. IEEE Trans Biomed Electron. 1963;10(1):9-12. https://doi.org/10.1109/TBMEL.1963.4322775