基于腦網絡分析的輕度認知障礙患者腦電變異感興趣腦區研究

陳丹彥，段火強，劉庭偉，蔣皆恢，2，★（. 上海大學通信與信息工程學院，上?！?00444；2. 上海市生物醫學工程研究所，上?！?00444）

基于腦網絡分析的輕度認知障礙患者腦電變異感興趣腦區研究

陳丹彥1，段火強1，劉庭偉1，蔣皆恢1，2，★
（1. 上海大學通信與信息工程學院，上海200444；2. 上海市生物醫學工程研究所，上海200444）

輕度認知障礙（mild cognitive impairment, MCI） 是介于正常老年人和阿爾茨海默病（Alzheimer’s disease, AD）患者之間的一種臨床狀態，MCI的早期診斷對AD預防和治療具有非常重大意義。目前，臨床經常使用腦電（Electroencephalogram, EEG）技術對MCI患者進行篩查和診斷，但是缺少感興趣腦區是醫生針對MCI 的EEG信號診斷中遇到的一個臨床問題。為了研究感興趣腦區，本實驗選取了18名老年人參與京劇體驗任務，記錄了他們在聽京劇任務后閉眼狀態下的腦電信號，并通過腦網絡分析方法對數據進行了分析。結果表明，MCI組的網絡參數與正常老年組的基本保持一致，但MCI組節點介數相較于正常老年組卻發生較為明顯的改變，MCI患者在任務狀態下相較于正常老人在CP3和P4兩個節點發生顯著改變。

輕度認知障礙；腦電；腦網絡分析；感興趣腦區

0　引言

阿爾茨海默?。ˋlzheimer’s disease, AD）是老年人最常見的神經變性疾病之一，現已成為我國繼心血管疾病、惡性腫瘤、腦卒中之后老年人的第四大疾病［1］。截至2015年，全球大約有AD患者4800萬名，我國AD患者超過800萬，位居世界之首［2］。AD患者多伴有失憶、認知障礙、平衡能力缺失等機能衰退，導致走失、跌倒、甚至輕微家庭暴力等，易引發一系列社會問題。由于 AD 是一種不可逆轉的神經變性疾病，因此 AD 的早期診斷、干預以及防治就顯得尤為重要［3］。

輕度認知障礙（mild cognitive impairment, MCI） 是介于正常老年人和AD患者之間的一種臨床狀態［4］。相較于AD患者，MCI患者日常能力沒有受到明顯影響，但患者存在輕度認知功能減退，是癡呆的高危人群。隨著病情的發展，部分MCI患者將轉化為AD。因此，研究輕度認知損害對AD的預防和治療具有非常重大意義，已成為當前老年癡呆癥早期診斷關注的重點［5］。

目前臨床上對于MCI的研究主要包括量表篩查，腦影像技術比如結構磁共振（Magnetic Resonance Imaging, MRI），功能磁共振（functional MRI, fMRI），正電子發射型計算機斷層顯像（Positron Emission Computed Tomography, PET），以及腦電（Electroencephalogram, EEG）等［6-8］。其中EEG信號廣泛被應用于AD及MCI患者的大腦研究中，例如，祝本菊等通過腦電非線性復雜度分析，發現認知功能障礙患者其各腦區復雜度的降低并非一致，與認知相關腦區退化較其他腦區更為明顯［9］。翟靜波等將腦電指標用于阿爾茲海默病的發病機制和早期預警研究，發現腦電指標與認知功能有較強的關聯性，MCI患者不同腦波活動可能存在代償機制，而且代償時期可能不同［10］。王佳等通過探討MCI在工作記憶時腦電圖功率值改變與神經心理學特點及其相互關系，發現MCI患者顳葉與其他腦區之間存在聯系障礙且這種障礙在正常衰老過程中可能已經出現［11］。

盡管目前基于EEG信號對于MCI患者大腦信號變異研究正成為熱點，EEG方法也開始用來對MCI患者進行篩查和診斷，但是醫生在臨床應用過程中卻遇到信號分析相關的問題［9］，其中最常見也最函待解決的是感興趣腦區（Region of Interest, ROI）的定位問題。由于每位患者的EEG信號具有特異性，而學界暫時沒有公認的針對EEG的感興趣腦區研究，無法針對ROIs進一步開展定量研究和客觀追蹤MCI患者病情發展，因此，ROIs的定位具有明顯的臨床意義。

腦網絡分析方法是近年來神經科學領域提出的用于定位大腦ROIs的新方法，目前被廣泛地應用在基于MRI、fMRI、EEG等信號的分析中。因此，本文基于EEG信號，擬應用腦網絡分析方法對MCI患者大腦的感興趣區域進行定位研究，尤其聚焦MCI患者大腦在任務狀態下的感興趣區域。與之前的文獻研究相比，本文擬實現兩個創新點：1.通過對比正常組（Normal, NOR）與MCI組老人EEG信號，研究任務狀態下MCI患者EEG信號變異明顯的ROIs；（2）應用腦網絡分析方法定位任務狀態下MCI患者EEG信號變異明顯的ROIs。

1　材料與方法

1.1實驗材料

1.1.1被試選取

參與實驗的18位被試均招募自上海某社區，其年齡均超過60周歲，實驗前所有被試進行了MMSE（the mini.mental state examination，MMSE）測評，滿分為30分。其中27分以上及以上為正常人，低于27分即被認定為患有認知障礙。結果正常老年人組和MCI患者組各9人，且兩組被試的MMSE值具有顯著性統計差異（n=9,P=0.002，F=19.692）。

表1　數據來源基本信息

兩組被試具體信息如表1所示。其中，正常組9人，4男5女（平均年齡62.3±2.23，3人半年前被診斷為MCI患者，6人為正常人）；MCI組9人，2男7女（平均年齡68.2±7.38，7人半年前被診斷為MCI患者，2人為正常人），所有被試均無精神病史，視力正常或矯正正常。本實驗通過了人類倫理委員會的審查批準。

1.1.2數據記錄與預處理

本實驗采用京劇體驗認知任務，對于京劇的選擇，本小組選擇《定軍山》片段來對老年被試進行刺激。用選定的京劇片段對前面所述的兩組被試進行刺激。在京劇刺激前后，對兩組被試進行主觀性應激量表評價，無顯著性統計差異。

整個實驗在光線較暗、安靜的封閉室內進行，被試坐在舒適的靠背椅上，心情放松。被試根據聲音提示按照如下步驟進行測試：

（1）靜息狀態下閉上眼睛保持3分鐘；

（2）要求被試專心體驗一段時間長度為2分鐘的京劇，此過程中不記錄腦電數據；

（3）靜息狀態下閉上眼睛保持3分鐘，并同時記錄腦電數據；

（4）實驗結束；

實驗使用武漢格林泰克科技生產的32導電極帽，用NeuroScan公司生產的放大器采集腦電信號。電極分布采用遵循國際標準的10-20導聯系統，垂直和水平眼電也被同時記錄。實驗過程中，電極阻抗保持在5kn以下，采樣率為1000Hz。實驗結束后，分別從每段數據中選取2min最佳信號，進行DC校正、去眼電、基線校正和0～lO0Hz低通濾波等離線預處理。然后，使用小波分解得到所有被試theta頻段的EEG信號。

1.2構建腦網絡

在本實驗中，30個電極導聯被作為網絡中的30個節點，基于皮爾森相關的方法［12］構建了theta頻段正常老年組和MCI組的腦功能連接網絡。兩組網絡的皮爾森相關系數矩陣如下圖1所示，其中橫縱軸坐標代表30個導聯，顏色對應于相關系數，顏色越亮代表相關性越強，越暗則代表相關性越弱。

在得到連接系數矩陣后，通過設定稀疏度（Sparsity）閾值［13］的方法來確定兩個節點（即兩個導聯）之間是否存在連接。由于沒有合適的方法確定一個單一的閾值，在本實驗中，我們設定一系列閾值來將系數矩陣轉化成二值矩陣，閾值范圍為0.1-0.5，步長為0.01，總共41個閾值［14］。在二值矩陣中。“1”代表兩個節點之間有連接，“0”代表無連接，如下圖1所示。

1.3網絡特征參數

為了探究MCI組和正常老年組兩組網絡的差異，聚類系數、特征路徑長度、小世界系數、局部效率、全局效率和節點介數被選擇為網絡特征參數。所有的參數都是通過網上開源的工具箱GRETNA［15］和The Brain Connectivity Toolbox （BCT, http：//www.nitrc.org/projects/bct/）［16］計算獲取。

1.3.1聚類系數

在網絡中，節點的聚類系數是指與該節點相鄰的所有節點之間相互連接的比例，而網絡的聚類系數則是指網絡中所有節點聚類系數的平均值，它反映了網絡中節點的連接聚集情況。其求解公式如下所示，其中N代表網絡的節點數，ki代表節點i所連接的節點個數，E（i）代表ki個節點之間實際連接的邊數［17］，如公式1所示：

1.3.2特征路徑長度

在網絡中，兩點之間的最短路徑定義為連接兩點所需要的最少邊數，而網絡的特征路徑長度L指網絡中所有節點對的最短路徑的平均值，它表明網絡中節點間的分離程度。其求解公式如下所示，其中N代表網絡的節點數，i,j代表網絡V中的節點，dij代表節點i和j之間的最短路徑［18］，，如公式2所示：

1.3.3Gamma,Lambda和小世界系數

通過綜合聚類系數C和特征路徑長度L這兩個特征參數，我們可以得到另外一個小世界網絡參數：小世界系數。其具體定義如下：定義一個網絡的聚類系數與其相應隨機網絡聚類系數的比Gamma= C/Crand，特征路徑長度與其相應隨機網絡特征路徑長度的比Lambda= L/Lrand，小世界系數則定義為Sigma= Gamma/Lambda［19］。由于小世界網絡本身擁有大的聚類系數和小的路徑長度特性，因此若一個網絡滿足以下條件：Sigma＞1，其中Gamma＞1且Lambda ≈1，我們認為該網絡是具有小世界特性的。在本實驗中，考慮到每次生成的隨機網絡是不一樣的，我們總共生成了100次相應的隨機網絡來計算小世界系數。

1.3.4全局效率和局部效率

在網絡中，全局效率被定義為節點間最短路徑的的倒數的平均值，反映了信息在網絡全局中傳遞的效率；局部效率為子圖Vi內所有節點對最短路徑的平均值，代表了網絡中所有子圖內部信息交換的效率。其計算公式分別如下所示［20］：

1.3.5節點介數

在網絡中，節點i的節點介數Bi定義為網絡中所有最短路徑中經過該節點的路徑數目占最短路徑總數的比例。即任意選兩點，若發現m條最短路徑，有n條通過你關注的點的話，則記為n/m，將所有節點對計算得到的值依次相加則得到相應節點的介數。其求解公式如下所示［21］：

其中j，k代表網絡V中的節點，nij代表節點i和j之間最短路徑的數量，nij（k）代表節點i和j之間的最短路徑通過節點k的數量。通常，我們把網絡中所有節點的點介數平均值作為網絡的介數B，并使用這一數值對點介數進行歸一化計算，歸一化的點介數bi=Bi/B。因此節點介數反映了相應的節點在整個網絡中的作用和影響力，bi值越大的區域其節點中心行越強。

為了確定在信息傳遞過程中的關鍵腦區，需要確定一個閾值來分析網絡的節點介數。根據文獻，閾值確定的規則為在保證網絡處于全連通的狀態下的最小閾值。在本實驗中，我們選取閾值為0.19。

對正常組和MCI組兩組數據，我們分別計算在閾值為0.19時每個腦區的歸一化節點介數bi，bi＞1.5時被認為是hub節點，表明該節點在整個網絡的信息傳遞過程中起到了關鍵作用。

2　結果

2.1網絡參數

在本實驗中，網絡參數包括聚類系數、特征路徑長度、全局效率、局部效率、gamma、lambda以及小世界系數均被計算用于分析網絡特性的改變。圖2顯示了theta頻段下正常老年組和MCI組兩組網絡的參數平均值計算結果。結果表明，無論是正常老年組還是MCI組，兩組網絡的sigma參數均大于1，意味著兩組網絡均表現出小世界特性。但相對于正常老年組，MCI組的網絡參數與正常老年組的基本保持一致，沒有發生明顯改變。

圖2　正常老年組和MCI組網絡參數

2.2網絡hub節點

圖3以地形圖的方式顯示了兩組網絡節點介數參數計算結果，具體數值及統計結果如表2所示。結果表明，在正常老年組中，hub節點（bi＞1.5）主要集中在左側頂葉與枕葉，包括C3,CP3,CP4,T5,P3,Pz和O1電極；在MCI組中，hub節點主要集中在頂葉后半部，包括FC3, CP3, CP4,P3,Pz和P4電極。經統計表明，CP3和P4節點在MCI組發現顯著改變。其中，對于CP3節點，在正常老年組其歸一化后的bi值為1.98，在MCI組中為3.30，雙樣本t檢驗P值計算結果為0.03（P ＜ 0.05）；對于P4節點，在正常老年組其歸一化后的bi值為1.02，在MCI組中為2.01，雙樣本t檢驗p值計算結果為0.04 （P ＜ 0.05）。此外，在本實驗中，結果表明大腦額葉區域在兩組網絡中沒有發生顯著改變。由此可見，CP3和P4節點為任務狀態下MCI患者但撓變化較明顯的ROIs。

圖3　正常老年組（左）和MCI組（右）的節點介數地形圖

表2　節點介數計算結果

22　TP8　0.95　0.65　0.58 23　T5　2.04　1.09　0.46 24　P3　2.82　2.29　0.63 25　Pz　1.75　2.46　0.47 26　P4　1.02　2.01　0.04 27　T6　0.82　0.21　0.12 28　O1　1.83　0.44　0.07 29　Oz　0.59　0.47　0.73 30　O2　0.59　0.59　0.99

3　討論

本文基于皮爾森相關方法分析了theta頻段下正常老年組和MCI組的腦網絡特性，定位了兩組網絡在theta頻段的hub節點，最后找到MCI患者在任務狀態下相較于正常老人在CP3和P4兩個節點發生顯著改變。

在本實驗中，盡管MCI組的網絡參數與正常老年組的基本保持一致，但MCI組節點介數相較于正常老年組卻發生較為明顯的改變。這個現象表明，基于網絡分析的方法研究MCI，從網絡參數比如聚類系數、路徑長度、網絡效率以及小世界系數的角度，或許不是一個好的選擇，很多時候從上述參數中并不能發現MCI患者問題所在。相較于計算上述參數，計算節點介數從而定位網絡hub節點或許是一個更優的選擇。從網絡參數本身特性來講，上述現象是可以被如下解釋：無論是聚類系數還是路徑長度等，這些參數都是所有節點的平均結果，它們從網絡整體出發而弱化了具體每個節點的差異。與之相反，節點介數基于每個節點，反映了每個節點在網絡信息傳輸的重要程度。事實上，MCI患者也正是因為某些特定腦區的改變從而導致大腦功能受損。

在正常老年組中，7個節點被發現為hub節點，包括C3,CP3,CP4,T5,P3,Pz和O1節點；在MCI組中，FC3, CP3, CP4, P3, Pz和P4被發現為hub節點。其中CP3, CP4, P3和Pz在兩組網絡中均被發現為hub節點，表明這四個節點在整個網絡的信息傳遞過程中起到了關鍵作用，為大腦的正常的信息處理以及腦區之間的信息交流提供了中轉站。然而，雙樣本t檢驗結果表明，MCI組的CP3和P4節點與正常老年組相比發生顯著改變并具有統計差異。因此，我們可以推測，這兩個節點的變化或許是導致MCI患者存在認知功能減退的一個關鍵因素，在后續對MCI的研究中，需要對這兩個節點加以關注。

盡管本文較為系統的對MCI患者theta頻段EEG網絡進行了分析，但仍然存在以下不足之處。第一，本文基于皮爾森相關的方法構建EEG腦網絡，但事實上，構建EEG腦網絡的方法并不僅此一種。偏相關、相位同步、頻域相干等方法也廣泛被應用于EEG網絡的構建，本文并沒有使用不同的構網方法對MCI患者進行網絡研究。不同的方法所得到的結果或許不盡相同，這還有待進一步研究。第二，本文僅對theta頻段網絡進行分析，對EEG信號中其它頻段的網絡特性尚未完全清楚。第三，本文僅對10例正常老年人和10例MCI患者進行研究，數據樣本過少，統計結果不一定有足夠的說服力。在后續的研究中，增加樣本進行更為深層的研究是十分有必要的。

4　結論

本文基于皮爾森相關方法構建了theta頻段下正常老年組和MCI組的腦網絡，較為系統的對比了兩組網絡的網絡特征參數，分別定位了兩組網絡在theta頻段下的hub節點，結果表明MCI患者相較于正常老人在CP3和P4兩個節點發生顯著改變。

5　致謝

感謝上海大學生物醫學工程專業李穎潔教授學術團隊提供的實驗數據并在文章撰寫過程中給予的支持。

［1］Chan K Y, Wang W, Wu J J, et al. Epidemiology of Alzheimer’s disease and other forms of dementia in China, 1990-2010： a systematic review and analysis ［J］. The Lancet, 2013, 381（9882）： 2016-2023.

［2］Thompson C A, Spilsbury K, Hall J, et al. Systematic review of information and support interventions for caregivers of people with dementia ［J］. BMC geriatrics, 2007, 7（1）： 18.

［3］Waldemar G, Dubois B, Emre M, et al. Recommendations for the diagnosis and management of Alzheimer’s disease and other disorders associated with dementia： EFNS guideline ［J］. European Journal of Neurology, 2007, 14（1）： e1-e26.

［4］Petersen R C, Smith G E, Waring S C, et al. Mild cognitive impairment： clinical characterization and outcome［J］. Archives of neurology, 1999, 56（3）： 303-308.

［5］Suk H I, Shen D. Deep learning-based feature representation for AD/MCI classification［C］//International Conference on Medical Image Computing and Computer-Assisted Intervention. Springer Berlin Heidelberg, 2013： 583-590.

［6］Baker M, Akrofi K, Schiffer R, et al. EEG patterns in mild cognitive impairment （MCI） patients ［J］. The open neuroimaging journal, 2008, 2（1）.

［7］Risacher S L, Saykin A J, Wes J D, et al. Baseline MRI predictors of conversion from MCI to probable AD in the ADNI cohort ［J］. Current Alzheimer Research, 2009, 6（4）： 347-361.

［8］Mosconi L, Tsui W H, Herholz K, et al. Multicenter standardized 18F-FDG PET diagnosis of mild cognitive impairment, Alzheimer’s disease, and other dementias ［J］. Journal of Nuclear Medicine, 2008, 49（3）： 390-398.

［9］祝本菊. 基于復雜度分析的阿爾茨海默病、輕度認知功能障礙與正常老年人的腦電研究［D］.天津醫科大學,2012.

［10］翟靜波. 老年輕度認知功能障礙向阿爾茲海默病轉歸的腦電特征研究［D］.山西醫科大學,2011.

［11］王佳. 輕度認知功能障礙患者在工作記憶時的腦電圖功率值及相干性研究［D］.浙江大學,2005.

［12］Li Y P, Qin Y, Chen X, et al. Exploring the functional brain network of Alzheimer’s disease： based on the computational experiment ［J］. PloS one, 2013, 8（9）： e73186.

［13］Seo E H, Lee D Y, Lee J M, et al. Whole-brain functional networks in cognitively normal, mild cognitive impairment, and Alzheimer’s disease［J］. PloS one, 2013, 8（1）： e53922.

［14］He Y, Chen Z, Evans A. Structural insights into aberrant topological patterns of large-scale cortical networks in Alzheimer’s disease［J］. The Journal of neuroscience, 2008, 28（18）： 4756-4766.

［15］Wang J, Wang X, Xia M, et al. GRETNA： a graph theoretical network analysis toolbox for imaging connectomics ［J］. Frontiers in human neuroscience, 2015, 9.

［16］Rubinov M, Sporns O. Complex network measures of brain connectivity： uses and interpretations ［J］. Neuroimage, 2010, 52（3）： 1059-1069.

［17］Inoue H, Liu Y Y. Revealing the intricate effect of collaboration on innovation［J］. PloS one, 2015, 10（3）： e0121973.

［18］He Y, Chen Z J, Evans A C. Small-world anatomical networks in the human brain revealed by cortical thickness from MRI［J］. Cerebral cortex, 2007, 17（10）： 2407-2419.

［19］Watts D J, Strogatz S H. Collective dynamics of ‘small-world’ networks ［J］. nature, 1998, 393（6684）： 440-442.

［20］Achard S, Bullmore E. Efficiency and cost of economical brain functional networks ［J］. PLoSComputBiol, 2007, 3（2）： e17.

［21］Bullmore E, Sporns O. Complex brain networks： graph theoretical analysis of structural and functional systems ［J］. Nature Reviews Neuroscience, 2009, 10（3）： 186-198.

Study of Altered Brain Regions of EEG networks in Mild Cognitive Impairment

Danyan Chen1, Huoqiang Duan1, Tingwei Liu1, Jiehui Jiang1,2,*
(1. School of Communication and Information Technology, Shanghai University, Shanghai, 200444; 2. Shanghai Institute of Biomedical Engineering, Shanghai, 200444)

As a middle state between normal and Alzheimer’s disease（AD） elderly people, the early diagnosis of mild cognitive impairment（MCI） is greatly significant for AD prevention and treatment. Currently, Electroencephalogram （EEG）technology has been widely used to detect and diagnose MCI patients in clinic. However, lackingregions of interest in brains is a challenge in the analysis of EEG signals for physicians. In order to identify altered brain regions in MCI patients, this study investigated 18 subjectsby carrying Peking Opera tasks. EEG signals of each subject were recorded underthe state of eyesclosed, and brain network method was applied for EEG signal analysis. The experimental results showed that network parameters in MCI group were similar with normal group, while betweenness centrality was significantly changed in MCI group. As a result, betweenness centrality of CP3 and P4 nodes in MCI group were significantly changed compared withnormal group.

Mild cognitive impairment； EEG, Brain network； Region of interest

上海市科委生物醫藥專項（16441906200）、教育部回國人員科研啟動基金、上海市教委青年骨干教師計劃、上海市大學生創新創業訓練計劃項目。

蔣皆恢。