腦磁圖（MEG）技術在建筑工程管理中的應用：優勢、方法與前景*

摘要：隨著腦神經科學研究領域的不斷推進，神經科學技術已廣泛應用于建筑工程管理領域。相較于其他神經科學技術，腦磁圖（Magnetoencephalography，MEG）憑借極高的時間精度和優越的空間分辨率，能夠更精確地捕捉建筑工程管理行為相關的大腦活動。通過分析腦磁圖在建筑工程管理中的原理、優勢、應用前景與方法，發現腦磁圖不僅能揭示工人危險識別、風險決策等認知活動的神經機制，還可以測量各種培訓干預的神經變化，為建筑工程管理提供客觀量化指標。隨著可穿戴式腦磁圖系統開發、人工智能輔助分析及虛擬現實結合等技術進步，腦磁圖技術有望實現從實驗室到工程實踐的轉化應用，推動建筑工程管理范式從經驗導向向數據驅動轉變。

關鍵詞：建筑行業；神經工程管理；腦磁圖；神經機制

0"引言

作為“理解人類與自然的終極領域”，腦神經科學已成為全球科技競爭的戰略制高點^[1]。我國在“十四五”規劃中，將腦神經科學與類腦研究納入國家科技攻關體系，重點推進腦認知的神經基礎解析與神經圖譜構建，著力破解大腦的工作原理^[2]。這一戰略布局為工程管理領域帶來范式革新。面對建筑行業傳統管理模式在質量管控、風險預判等方面的效能瓶頸，馬慶國^[3]院士提出的神經工程管理（Neuro Engineering Management，NeuroEM）通過融合神經科學、行為科學及人工智能技術，開創性地將研究視角延伸至人腦神經活動層面。其核心在于運用EEG、fMRI等神經影像技術，結合生物傳感與大數據分析，定量揭示項目參與者的決策偏差形成機制（如前額葉皮層激活異常）、情緒波動對協作效率的影響（如杏仁核響應模式）等神經認知規律^[4]，進而構建基于腦活動數據的管理決策模型。這種“神經認知驅動”的新工程管理研究范式，不僅突破了傳統經驗主義管理在量化評估認知能力方面的局限^[5]，而且可以通過更動態客觀的神經數據，優化工程質量控制標準，強化人機協同系統的生物兼容性設計。值得注意的是，該領域的高度突破依賴于新工科背景下的跨學科人才培養^[6]，既需要工程管理者掌握神經解碼技術，又需要認知神經科學專家理解建筑場景的特殊需求，這種深度學科融合正推動著工程管理從單一技術維度向“腦-機-環境”三元交互系統的認知升級。

1"神經工程管理測量技術

神經工程管理研究廣泛采取各式神經成像和外周生理測量技術，包括腦電圖（EEG）、眼動追蹤（ET）、肌電圖（EMG）、皮膚電活動（EDA）和功能性近紅外光譜成像（fNIRS）等，常見神經工程管理測量技術見表1^[7]。

其中，EEG已被廣泛應用于監測建筑工人的疲勞狀態^[8]、注意力水平^[9]、情緒體驗^[10]等，幫助了解建筑工人的工作狀態，從而提高施工安全和效率。ET則通過記錄建筑工人的視線和注視點，幫助研究人員了解建筑工人在復雜建筑環境中的注意力分配^[11]和危險識別能力^[12]。EMG、EDA及ECG分別用于測量建筑工人的肌肉活動、皮膚電導率和心電圖，以評估其肌肉骨骼疾病風險^[13]、生理應激反應^[14]和情緒狀態^[15]。這些神經科學技術的應用，為建筑工程管理領域的研究提供了豐富的數據支持，有助于優化建筑設計、施工管理和運營維護。

盡管神經生理設備在建筑工程管理領域已經展現出了巨大的應用潛力，但既有技術也存在一些共同的缺陷。例如，EEG的空間分辨率不足，難以準確定位大腦活動區域，易產生虛假信號^[16]。EEG和EMG等設備在數據采集過程中容易受到環境噪聲的干擾，導致信號質量下降，影響數據的準確性和可靠性^[17]。ET雖然能夠提供豐富的視覺注意力數據，但在復雜動態環境中，其精度和穩定性受到照明條件等因素影響^[18]，仍有待進一步提高。EDA和ECG容易受到個體差異和環境因素影響，導致數據的可重復性較差^[19-20]。

在這一背景下，腦磁圖（MEG）作為一種新型的神經科學技術，展現出在建筑工程管理領域獨特的應用前景。MEG能夠測量大腦神經元活動產生的磁場，具有極高的時間分辨率和良好的空間分辨率，能夠更直接反映大腦的時空活動狀態^[21]。與EEG相比，MEG的源空間定位精度更高^[22]。這主要由于皮膚、顱骨和腦脊液對磁場的干擾可以忽略不計，而且MEG設備通常配備先進的屏蔽技術，能夠有效減少外部干擾，提高數據的可靠性和可重復性^[23-24]。因此，MEG在建筑工程管理領域具有廣闊的應用前景，有望為工程管理研究人員提供更精確、有效的大腦活動數據，進一步推動了神經工程管理領域的深入發展。

2"MEG技術原理、優勢與應用前景

2.1"MEG技術基本原理

腦磁圖（MEG）技術基于生物電磁學基本原理，通過測量神經元突觸后電流產生的極微弱磁場來研究大腦活動。當大腦中成千上萬的神經元同步放電時，會產生微弱電流，同步產生極其微弱的磁場，強度通常在10^-13T～10^-15T，約為地球磁場的十億分之一。MEG技術基于超導量子干涉儀（Superconducting Quantum Interference Device，SQUID）測量神經元突觸后電流產生的微弱磁場，具有皮特斯拉級（10^-15T）靈敏度^[25]，這導致MEG信號極易受到外部環境影響。因此，MEG需要在磁屏蔽室（Magnetically Shielded Room，MSR）中進行數據采集，以確保最大限度地減少外部磁場干擾，為MEG的精確測量提供受控環境。

2.2"MEG技術優勢

MEG技術相較于其他神經測量技術具有多方面的獨特優勢，使其在神經工程管理研究中具有巨大的潛在應用價值。在空間分辨率（區分鄰近神經源的最小距離）方面，MEG技術在理想條件下空間分辨率可達到2mm～3mm，明顯優于EEG技術常見的7mm～10mm^[26]。研究表明，MEG技術的源定位誤差（重建源與實際源的距離）可降至2.5mm^[27]，而標準EEG技術的源定位誤差通常在50mm～90mm，即使是高分辨率EEG技術也僅達到10mm～30mm誤差水平^[28]。這一優勢使得MEG技術能夠更精確地定位與管理行為相關的特定腦區活動，如前額葉皮層在風險決策中的作用、頂葉在空間注意中的功能等，為工程管理行為認知研究提供更準確的神經機制解析。此外，MEG技術具有顯著的信號質量優勢。腦波產生的磁場不受頭部組織（如頭皮、顱骨和腦脊液）的電阻影響，因此，MEG信號的畸變較小，源空間定位精度更高。不過，相較于fMRI的亞毫米級空間分辨率，MEG技術還是略顯不足^[29]。這一優勢使MEG技術能夠更精確地定位與工程管理行為有關的特定腦區活動，如前額葉皮層在工程風險決策中的作用、如區分初級視覺皮層與高級視覺聯合區在危險特征處理中的差異性貢獻等，能夠為工程管理行為研究提供更加準確的神經機制解析。此外，在時間分辨率方面，與fMRI技術相比，MEG技術能夠達到毫秒級精度，與神經元電活動的時間尺度相匹配^[30]。非常適合測量復雜認知過程中的神經活動變化，尤其是視覺危險感知、注意力分配和無意識決策等早期加工活動。

同時，MEG技術在功能連接研究方面具有獨特優勢。MEG技術能夠以毫秒級時間精度測量不同腦區間的相干性、相位同步和因果關系，為研究大腦功能網絡動態提供理想工具^[31]。這一優勢可用于研究工程決策行為網絡（如前額葉控制網絡與情緒網絡的交互）的動態變化，揭示專家級決策的神經網絡基礎。例如，經驗豐富的管理人員在風險評估時可能表現出更高效的額-頂網絡整合能力。

2.3"MEG技術在建筑工程管理研究的應用前景

MEG技術與建筑工程管理的整合主要體現在認知評估和干預優化兩個層面。首先，在認知評估方面，建筑工程管理的核心挑戰是人的不確定性，如工人注意力分散、風險感知不足和決策偏差等。MEG技術能精確測量相關神經活動，建立客觀評估標準。例如，通過分析工人在危險識別任務中的MEG數據，可評估視覺M100（反映注意資源分配^[32]）、M170成分（反映危險特征提取效率^[33]）等指標，構建多維安全認知能力畫像。此外，高空間分辨率能夠捕捉認知失效的早期征兆。例如，大腦前額葉-頂葉功能連接強度下降，預示注意力資源枯竭和風險感知能力下降^[34]。通過監測這些腦區激活情況，可以在行為表現出現明顯下降前預警潛在風險，實現“神經預警”，為及時干預提供時間窗口。此外，還可測量成本控制決策中的背外側前額葉激活強度（反映價值權衡能力）、進度規劃時的默認網絡同步性（反映系統性思維）。針對管理者，可捕捉溝通協調時的鏡像神經元系統活動，評估團隊管理效能。

其次，干預優化方面，MEG技術可評估管理干預措施的神經效果。傳統上主要通過行為表現來評估效果，但這些指標具有滯后性和不確定性。MEG技術測量可以直接評估干預措施對神經認知過程的影響，提供即時、客觀的效果評估。例如，在安全管理和工程技能培訓中，比較虛擬現實（Virtual Reality，VR）培訓前后的MEG數據，評估培訓效果；對比不同工作安排下的神經活動，可識別最佳工作休息模式，使工程管理更加科學有效。在組織管理優化中，通過監測前額葉θ波振蕩特征，可以確定工人或管理者的風險決策偏好^[35]。對跨專業協作場景，測量顳上溝的神經同步性，可以量化團隊心智模型契合度，為協作模式改進提供依據。

同時，MEG技術的潛在應用進一步推動了工程管理認知機制的跨尺度理論研究。主要體現在三個方面：一是支持多層次工程認知機制研究。MEG技術能夠同時測量早期自動化加工（如危險特征檢測）和晚期受控加工（如風險評估和決策），揭示不同經驗水平工人在工程認知層級上的差異，以及設計審查中的認知時序特征，從早期視覺特征檢測到晚期規范匹配的神經動態；二是實現“腦-行為”雙層面的整合研究，通過同時記錄MEG數據和行為表現（如眼動軌跡、心電圖、反應時間），建立神經活動與工程行為的映射關系，形成可解釋的認知模型，例如MEG技術的高時間分辨率使其能夠追蹤從風險感知（顳頂聯合區激活）到風險評估（前扣帶回和島葉活動）再到風險決策（前額葉活動）的完整認知過程，為構建整合性工程行為理論提供神經基礎。

3"MEG技術的應用方法

3.1"MEG實驗設計

建筑工程管理領域的MEG實驗設計需要在實驗生態效度與嚴格控制之間尋求最佳平衡點。以建筑安全管理研究實驗設計為例，一般需重點考慮以下兩個方面：

（1）刺激材料標準化。刺激材料的選擇應當基于實際建筑工程場景，以確保實驗的生態效度。例如，施工危險場景圖片，包含建筑工地上常見的各種危險情況，如高空作業、電氣危險、機械操作等。圖片需要經過嚴格的篩選和預測試，以確保它們能夠代表實際工作中的真實風險，并且能夠引發實驗參與者相關的認知和情感反應。同時，刺激材料的呈現方式需要標準化。這包括圖片的尺寸、分辨率、顏色平衡及呈現的時間和順序等參數。標準化的呈現方式有助于減少實驗誤差，確保每個實驗參與者在相同的條件下接受測試，從而使實驗數據更具可比性。此外，記錄動態施工過程中不安全行為的工程視頻片段，以及現場錄制聲音等都可以作為有效刺激材料。

（2）任務范式的選擇。實驗范式應緊密圍繞研究目標，確保能夠有效評估目標認知功能。安全管理研究中主要包括三類任務范式：一是危險識別任務。例如，要求實驗參與者在復雜場景圖片或視頻中快速識別安全隱患，通過按鍵反應記錄識別準確率和反應時間。二是風險評估任務。例如，要求實驗參與者對呈現的危險場景進行風險等級評定，測量風險判斷的準確性和一致性。三是安全決策任務。例如，在面對風險情境時選擇最佳應對策略，評估決策質量和速度。這些任務可采用經典的心理物理學范式進行設計，如Go/No-Go任務（測量抑制控制能力）、快速序列視覺呈現（測量注意閃爍效應）或N-back工作記憶任務（評估認知負荷影響）。其中，Go/No-Go任務是評估抑制控制能力的經典范式，具體體現為向被試呈現標準化施工場景圖像（如系安全繩的工人/未系安全繩的工人），要求其僅在檢測到安全隱患（如未系安全繩）時快速按鍵反應（Go Trials），而對安全場景抑制反應（No-Go Trials）。刺激呈現時間（1500ms）和反應窗口（2000ms以內）用于模擬施工現場的復雜場景決策需求。危險識別Go/No-Go任務范式如圖1所示。

在建筑工程安全管理中，抑制控制能力對于工人在復雜環境中規避危險行為至關重要。通過讓實驗參與者在特定刺激下做出或抑制反應，可以模擬工人在實際工作場景中對潛在危險的快速判斷和反應。此外，根據具體研究需求，可對任務進行靈活調整，如改變刺激呈現時間、反應方式等，以更好地模擬實際工作場景，提高實驗的生態效度。

3.2"MEG數據分析與行為特征提取

3.2.1"MEG數據預處理

MEG數據預處理是確保數據分析準確性的關鍵步驟，其主要目的是去除噪聲和偽跡，提取高質量的神經活動信號。預處理流程通常包括以下6個步驟：

（1）偽跡去除（Artifact Removal）。對不同類型的傳感器（如磁力計和梯度計）分別進行處理，以確保偽跡去除的精確性。具體步驟包括：首先，基于ECG和眼電圖參考電極記錄的生物電信號，構建眼動與心電偽跡的時空特征矩陣；其次，通過信號空間投影（Signal Space Projection，SSP）技術將其投影至信號子空間進行去除；最后，處理后需通過獨立成分分析（Independent Component Analysis，ICA）驗證偽跡去除效果，并檢查原始信號與校正后信號的信噪比提升幅度。

（2）數據重采樣（Resample）。將MEG高頻原始數據（如1000Hz）降低至合理的采樣率（200Hz～400Hz），既可降低計算復雜度以及數據冗余，又可保留神經活動的時間動力學特性。重復采樣前需優先提取事件信息（如工人操作響應標記等信息），以消除時間偏移，從而確保多模態數據的精準對齊。

（3）帶通濾波（Bandpass Filter）。通常將MEG信號的帶通濾波頻段設置為1Hz～40Hz，其中低通濾波（Lower Cutoff）和高通濾波（Higher Cutoff）分別對應這兩個頻率值，以確保神經活動的主要頻率成分得以保留，同時去除高頻噪聲和低頻漂移。

（4）基線校正（DC Offset Correction）。基線校正是為了消除數據中的直流偏移和緩慢漂移。通過選擇一個穩定的基線時間段（如刺激前的靜息期），對整個數據段進行線性擬合和校正來實現。基線校正一般設置磁力計（Magnetometer）作為處理對象，方便后續基于磁力計數據進行ERF分析。

（5）數據分割（Epoch）。將連續的MEG數據分割成多個時間段（Epochs），每個時間段對應一個特定的刺激或事件。這有助于后續的平均和統計分析。例如，在一個包含多個試驗塊的實驗中，可以根據每個試驗塊的起始和結束時間進行數據分割。

（6）疊加平均（Overlay Average）。針對重復出現的刺激或事件，進行平均疊加，以增強神經活動的信號，減少隨機噪聲的影響，提高信噪比。通過平均疊加，可以更加清晰地揭示神經活動的特征，為后續的行為特征提取提供可靠的基礎。

3.2.2"常見MEG數據分析

（1）傳感器層級（Sensor Level）分析。作為MEG數據分析的基礎方法之一，傳感器分析聚焦于神經活動隨時間的變化模式。事件相關磁場（Event Related Field，ERF）是關鍵分析點。它是由刺激事件引發的大腦神經元活動產生的磁場變化，反映了大腦對特定刺激的響應。ERF成分的潛伏期和波幅可以用于評估認知功能和神經活動的效率。例如，在危險識別任務中，通過分析工人在危險識別任務中的M100和M170成分，可以評估其對危險刺激的視覺加工和注意力分配水平，如圖2a所示。進一步地，可以分析不同傳感器通道的波幅差異情況，初步反映相關腦區的空間激活情況，如圖2b和圖2c所示。

（2）源空間層級（Source Level）分析。源空間分析又稱“溯源分析”，主要關注神經活動在空間上的變化模式，旨在將傳感器層面的神經活動信號追溯到大腦皮層的特定區域，從而識別出產生這些信號的神經元群體，其是MEG數據分析的核心環節。通過前向建模，構建頭部物理模型（通常基于個體MRI數據），計算給定源活動產生的頭部磁場分布，再結合最小范數估計（MNE）等方法，運用實際測量的磁場數據，推算可能的源活動分布。溯源分析如圖3所示。在建筑安全管理研究中，源空間分析應重點關注與安全認知相關的腦區，如負責視覺加工的枕葉皮層、負責空間注意的頂葉聯合區、負責風險評估的前扣帶回、負責決策控制的前額葉皮層，以及負責情緒反應的杏仁核等。通過源定位技術，可以精確追蹤安全認知過程中這些腦區的動態激活模式。

（3）其他分析。MEG的其他分析還包括頻域分析、時頻分析、腦功能連接分析，以及基于機器學習的特征提取與模式識別等。

4"MEG技術應用的挑戰與發展趨勢

4.1"目前面臨的主要挑戰

盡管MEG技術在建筑工程管理中展現出巨大潛力，但其應用仍面臨諸多挑戰。具體為以下三個方面：

（1）技術可及性問題較為突出。MEG設備購置及維護成本居高不下。此外，設備需要專業人員操作，且體積龐大、固定，難以實現現場測量，極大地限制了其在工程實踐中的廣泛應用。

（2）數據解釋復雜性是一個重要挑戰。MEG產生的高維數據需要借助復雜算法和專業知識進行分析，工程管理人員往往難以直接理解和應用這些數據，這無疑增加了數據處理和決策的難度。

（3）實驗生態效度問題也不容忽視。標準MEG測量環境與真實施工現場存在巨大差異，實驗室獲取的數據能否準確反映施工現場的認知狀態仍需進一步驗證，極大地影響了MEG技術在實際工程管理中的可信度和應用價值。

4.2"未來發展趨勢

4.2.1"設備微型化與便攜化

新一代基于光泵磁力計（Optically Pumped Magnetometers，OPM）的可穿戴式MEG系統（OPM-MEG）正逐步成熟。其無須液氦冷卻，體積小、便攜性強，不但極大降低了使用成本，而且克服了傳統MEG設備難以在工程現場使用的障礙，應用場景極為廣闊^[36]。在建筑工程管理中，OPM-MEG可用于精準捕捉建筑工人施工現場的實時腦電活動，幫助管理人員深入了解工人不同任務和環境下的大腦狀態，從而制定針對性的培訓和管理策略，提升工程效率與安全性。

4.2.2"數據分析智能化

人工智能和機器學習算法在MEG數據分析中的應用日益廣泛，如利用深度學習模型自動提取時頻特征，通過聚類分析將神經活動模式分類為不同認知狀態，大幅簡化處理流程，降低數據解釋難度，幫助工程管理人員能夠高效利用MEG數據進行決策。

4.2.3"生態效度提升

通過將VR與OPM-MEG結合，可實現在VR設備模擬真實施工場景的同時采集腦磁數據。OPM-MEG能夠有效記錄參與者在虛擬施工場景中移動頭部觀察環境時的腦磁信號，從而在控制實驗條件的同時提高情境真實性，有助于解決實驗生態效度問題，使MEG測量結果更貼近實際施工現場的認知狀態^[37]。

4.2.4"技術集成化

MEG技術將與其他生理測量技術（如眼動追蹤、心率監測）相結合，形成多模態神經-生理工程系統。眼動追蹤可提供視覺注意力信息，心率監測可反映生理應激狀態，與MEG的大腦活動數據互補，從多個維度全面捕捉行為認知狀態，為建筑工程管理提供更加全面深入的洞察。這種集成化技術有助于更精準地理解工人在復雜施工環境中的認知與行為，為管理決策提供更加充分的依據。

4.2.5"個性化深入

通過長期監測和分析建筑工人特定行為的神經活動，建立個體神經特征數據庫，發展精準管理策略。針對不同認知特征的工人，提供如個性化培訓、任務分配調整等差異化干預。這將提高管理的針對性和有效性，滿足不同個體的需求，提升建筑工程管理的整體效率和質量。

4.2.6"跨學科合作加強

跨學科合作將是推動MEG技術在建筑工程管理領域發展的關鍵。神經科學專家、工程管理專家和數據科學專家需共同設計針對工程管理問題的MEG實驗方案，開發適合行業應用的數據分析工具，并將研究發現轉化為可操作的管理策略。

5"結語

總體而言，隨著技術進步和跨領域融合，MEG技術有望在未來10年內從實驗室走向工程實踐，為基于神經科學的管理決策提供堅實依據，推動建筑工程管理范式從經驗主導向科學驅動轉變，最終實現對建筑工程管理行為的精準把控，提升建筑工程領域現代化管理水平。

參考文獻

[1]張學博， 袁天蔚， 張麗雯， 等.2022年腦科學與類腦智能發展態勢[J].生命科學， 2023， 35（1）： 9-17.

[2]蒲慕明.跨學科開啟頭腦風暴促進腦科學交叉與融合[J].科學通報， 2023， 68（35）： 4749-4750.

[3]馬慶國.工程管理與神經工程管理的體系框架[J].科技進步與對策， 2012， 29（18）： 9-12.

[4]李浩， 馬慶國， 董欣.神經組織學： 概念解析、理論發展和研究展望[J].管理世界， 2016（8）： 164-173.

[5]MITROPOULOS P， MEMARIAN B.Team processes and safety of workers： cognitive， affective， and behavioral processes of construction crews[J].Journal of Construction Engineering and Management， 2012， 138（10）： 1181-1191.

[6]裴鈺鑫， 汪惠芬， 李強.新工科背景下跨學科人才培養的探索與實踐[J].高等工程教育研究， 2021（2）： 62-68， 98.

[7]熊朝陽， 丁志坤.建筑業神經工程管理研究趨勢、挑戰及展望[J].土木工程與管理學報， 2024， 41（2）： 98-108， 122.

[8]KE J， ZHANG M， LUO X， et al.Monitoring distraction of construction workers caused by noise using a wearable electroencephalography（EEG）device[J].Automation in Construction， 2021（125）： 103598.

[9]LI J， OUYANG Y， LUO X.Impact of age on construction workers^，"preattentive and attentive visual processing for hazard detection[J].Journal of Management in Engineering， 2024， 40（3）： 04024008.

[10]HWANG S， JEBELLI H， CHOI B， et al.Measuring workers^，"emotional state during construction tasks using wearable EEG[J].Journal of Construction Engineering and Management， 2018， 144（7）： 04018050.

[11]HASANZADEH S， ESMAEILI B， DODD M D.Examining the relationship between construction workers^，"visual attention and situation awareness under fall and tripping hazard conditions： using mobile eye tracking[J].Journal of Construction Engineering and Management， 2018， 144（7）： 04018060.

[12]付漢良， 譚玉冰， 夏中境， 等.專家危險識別軌跡對建筑工人安全教育的影響——來自眼動實驗的證據[J].清華大學學報（自然科學版）， 2024， 64（2）： 205-213.

[13]SEO J， LEE S， SEO J.Simulation-based assessment of workers^，"muscle fatigue and its impact on construction operations[J].Journal of Construction Engineering and Management， 2016， 142（11）： 04016063.

[14]MERKUS S L， LUNDE L-K， KOCH M， et al.Physical capacity， occupational physical demands， and relative physical strain of older employees in construction and healthcare[J].International Archives of Occupational and Environmental H ealth， 2019（92）： 295-307.

[15]WANG M， LIU X， LAI Y， et al.Application of neuroscience tools in building construction-an interdisciplinary analysis[J].Frontiers in Neuroscience， 2022（16）： 895666.

[16]DEPUYDT E， CRIEL Y， DE L M， et al.Investigating the effect of template head models on event-related potential source localization： a simulation and real-data study[J].Frontiers in Neuroscience， 2024（18）： 1443752.

[17]ISSA M F， TUBOLY G， KOZMANN G， et al.Automatic ECG artefact removal from EEG signals[J].Measurement Science Review， 2019， 19（3）： 101-108.

[18]JAVADI A H， HAKIMI Z， BARATI M， et al.Set： a pupil detection method using sinusoidal approximation[J].Frontiers in Neuroengineering， 2015（8）： 4.

[19]BARI D S， YACOOB ALDOSKY H Y， MARTINSEN ""G.Simultaneous measurement of electrodermal activity components correlated with age-related differences[J].Journal of Biological Physics， 2020， 46（2）： 177-188.

[20]POSADA-QUINTERO H F， DIMITROV T， MOUTRAN A， et al.Analysis of reproducibility of noninvasive measures of sympathetic autonomic control based on electrodermal activity and heart rate variability[J].IEEE Access， 2019（7）： 22523-22531.

[21]KIM J A， DAVIS K D.Magnetoencephalography： physics， techniques， and applications in the basic and clinical neurosciences[J].Journal of Neurophysiology， 2021， 125（3）： 938-956.

[22]MUTHUKUMARASWAMY S D.The use of magnetoencephalography in the study of psychopharmacology（pharmaco-MEG）[J].Journal of Psychopharmacology， 2014， 28（9）： 815-829.

[23]RAMPP S， STEFAN H.Magnetoencephalography in presurgical epilepsy diagnosis[J].Expert Review of Medical Devices， 2007， 4（3）： 335-347.

[24]AHLFORS S P， MODY M.Overview of MEG[J].Organizational research methods， 2019， 22（1）： 95-115.

[25]HARNALAINEN M， HARI R， ILMONIERNI R， et al.Magnetoencephalography： theory instrumentation and applications to the noninvasive study of human brain function[J].Reviews of Modern Physics， 1993（65）： 413-497.

[26]FRED A L， KUMAR S N， KUMAR HARIDHAS A， et al.A brief introduction to magnetoencephalography（MEG）and its clinical applications[J].Brain Sciences， 2022， 12（6）： 788.

[27]PANG M， HUANG Z， DING Z， et al.Co-registration error analysis and array calibration for OPM-MEG system[J].IEEE Transactions on Instrumentation and Measurement， 2022（71）： 1-12.

[28]BABILONI C， PIZZELLA V， DEL GRATTA C， et al.Fundamentals of electroencefalography， magnetoencefalography， and functional magnetic resonance imaging[J].International Review of Neurobiology， 2009（86）： 67-80.

[29]WANG Y， HOLLAND S K.Bayesian MEG time courses with fmri priors[J].Brain Imaging and Behavior， 2022， 16（2）： 781-791.

[30]WILSON T W， HEINRICHS-GRAHAM E， PROSKOVEC A L， et al.Neuroimaging with magnetoencephalography： a dynamic view of brain pathophysiology[J].Translational Research， 2016（175）： 17-36.

[31]MICHALAREAS G， SCHOFFELEN J M， PATERSON G， et al.Investigating causality between interacting brain areas with multivariate autoregressive models of MEG sensor data[J].Human Brain Mapping， 2013， 34（4）： 890-913.

[32]ZHANG S， YE Y， SUN J， et al.The magnetic source imaging of pattern reversal stimuli of various visual fields[J].Chinese Journal of Radiology， 2006， 40（5）： 498-501.

[33]HARRIS A M， DUCHAINE B C， NAKAYAMA K.Normal and abnormal face selectivity of the M170 response in developmental prosopagnosics[J].Neuropsychologia， 2005， 43（14）： 2125-2136.

[34]MARKETT S， REUTER M， MONTAG C， et al.Assessing the function of the fronto-parietal attention network： insights from resting-state fmri and the attentional network test[J].Human Brain Mapping， 2014， 35（4）： 1700-1709.

[35]DANTAS A M， SACK A T， Bruggen E， et al.Modulating risk-taking behavior with theta-band tacs[J].Neuroimage， 2023（283）： 120422.

[36]BROOKES M J， LEGGETT J， REA M， et al.Magnetoencephalography with optically pumped magnetometers（OPM-MEG）： the next generation of functional neuroimaging[J].Trends in Neurosciences， 2022， 45（8）： 621-634.

[37]ROBERTS G， HOLMES N， ALEXANDER N， et al.Towards OPM-MEG in a virtual reality environment[J].Neuroimage， 2019（199）： 408-417.