基于全局排序模式同步的多通道腦電同步特性分析

崔 冬 蒲偉婷 李小俚 王 磊 尹世敏 邊志杰

1(燕山大學信息科學與工程學院，河北 秦皇島 066004)2(北京師范大學認知神經科學和學習國家重點實驗室，北京 100875)3(中國人民解放軍火箭軍總醫院神經內科，北京 100088)

基于全局排序模式同步的多通道腦電同步特性分析

崔 冬1*蒲偉婷1李小俚2王 磊3尹世敏3邊志杰3

1(燕山大學信息科學與工程學院，河北 秦皇島 066004)2(北京師范大學認知神經科學和學習國家重點實驗室，北京 100875)3(中國人民解放軍火箭軍總醫院神經內科，北京 100088)

腦電同步是腦功能區域整合的重要表現。基于時間序列的排序模式，提出一種簡單易行的多通道腦電信號同步分析方法——全局排序模式同步(GMS)。仿真分析顯示，該算比基于加權排序互信息的全局同步因子對弱耦合的檢測更為靈敏。對26例遺忘型輕度認知障礙和20例認知功能正常的2型糖尿病患者閉眼靜息態的腦電信號，采用基于小波增強的獨立分量分析算法進行預處理，將32路腦電信號分為前額、中央區、頂區、枕區、左顳和右顳6個區域進行全局同步分析，并利用獨立樣本t檢驗對兩組被試之間的人口學特征、神經心理學檢查和同步值進行統計分析，利用皮爾森線性相關分析研究各區域同步值和認知功能之間的關系。結果顯示，糖尿病輕度認知障礙患者與正常對照組相比，各腦區的全局排序模式同步值均減小，尤其是中央區(P<0.01)、頂區(P<0.05)和枕區(P<0.05)有顯著性的降低，且前額(r=0.298,P=0.045)、中央區(r=0.327,P=0.026)、頂區(r=0.32,P=0.03)的全局排序模式同步值均與MOCA得分有顯著的正相關性，表明GMS是與認知功能下降相關的腦電特征。

2型糖尿病；輕度認知障礙；全局排序模式同步

引言

老年人認知功能障礙(mild cognitive impairment, MCI)是介于正常老年和輕度癡呆之間的一種認知損傷狀態，嚴重影響老年人的正常生活。糖尿病的發病率逐年增加，尤其是2型糖尿病；研究顯示，糖尿病是老年認知功能障礙的獨立危險因素[1-2]。Cukierman等指出，糖尿病患者發生MCI的概率是非糖尿病患者的1.2～1.5倍，前者發生癡呆的風險是后者的1.6倍[3]。與同年齡和性別相匹配的老年人群相比， MCI 人群發展成老年癡呆癥(Alzheimer′s disease, AD)的轉換率要高幾十倍[4-5]。研究與糖尿病MCI相關的腦電特征，有利于早期診斷，針對 MCI 具有危險因素的高發人群早期進行預防，減緩或逆轉癡呆的腦功能損害，對于改善老年人生活質量、減輕家庭和社會的負擔具有重要意義。

近年來，EEG信號同步特性的研究表明，MCI和AD患者腦電信號同步強度出現異常。MCI患者較正常人在額頂的一致性降低，額區的delta頻段和顳區的delta到alpha3 頻段一致性提高[6]。遺忘型輕度認知障礙(amnesic mild cognitive impairment, aMCI)患者，額區、額-顳區、額-頂區在delta和theta頻段的相位滯后指數明顯下降[7]。AD患者的全局區域同步(global field synchronization, GFS)值在beta1、beta2、beta3和全頻段(1～70 Hz)都要低于正常人群，且與MOCA和CDR成正相關[8]。

2002年，學者Bandt和Pompe提出了一種新的時間序列分析方法[9]，該方法基于比較序列相鄰值，根據特定的事件順序，把序列描述為一系列排序模式(Motif, M)，進而度量序列的復雜性。該方法簡單易行，計算速度快，極具魯棒性，且對非線性單調轉換具有不變性。序列的排序模式已被作為一種復雜度測量方法，用于分析腦電信號同步。基于排序模式的同步方法得到廣泛的應用，如排序互信息(permutation mutual information, PMI)、排序條件互信息(permutation conditional mutual information,

PCMI)和排序同步算法(motif-synchronization, MS)等[10]。PMI 算法用于分析癲癇發作腦電信號[11]，以及分析麻醉大腦活動的動力學特征[12-13]。PCMI算法已經成功用于分析患有破傷風毒素灶癲癇的大鼠海馬區CA1和CA3的耦合方向[14]、癲癇患者腦電信號之間的耦合方向性[15]，以及糖尿病認知障礙患者EEG的耦合方向性指數[16]。MS算法成功用于分析慢性疼痛病患者的腦電信號[17]。

然而，上述3種算法只能用于雙通道腦電信號的同步分析，且PMI算法和PCMI算法計算量大、效率低。基于加權排序互信息的全局同步因子(S-estimator based normalized weighted permutation mutual information, SNWPMI)是一種基于排序模式的多通道腦電同步強度分析算法，它保留信號的幅度信息，對排序模式概率的計算方法進行了改進，但其運算量較大[18]。本研究提出了一種基于排序模式的多通道腦電信號同步分析方法——全局排序模式同步算法 (global motif-synchronization, GMS)，比較簡單易行，應用GMS算法對糖尿病認知功能障礙的腦電同步特征進行了分析。

1 方法與實驗

1.1 全局排序模式同步算法

對于多通道時間序列Zi(k)，i=1,…,M，k=1,…,N，其中M為通道數，N為數據長度。首先，將時間序列Zi(k)的任意兩通道Zi(i=1,…,M)和Zj(j=1,…,M)嵌入到m維相空間中，得到向量VZi(v)=(Zi(v),Zi(v+τ),…,Zi(v+(m-1)τ))和VZj(v)=(Zj(v),Zj(v+τ),…,Zj(v+(m-1)τ))，其中，v=1,2,…,L，向量個數L=N-(m-1)τ，m和τ分別為嵌入維數和延遲時間。

然后，通過比較向量VZi(v)和VZj(v)的相鄰值，將其映射為排序模式，進而將時間序列Zi和Zj轉換成排序模式序列MZi和MZj。

圖1為排序模式示意，其中(a)為m=3時的所有排序模式，(b)為信號中排序模式的舉例，(c)為轉換過程，轉換公式如下：

MZi(v)=

(1)

圖1 排序模式示意。(a)所有排序模式(m=3);(b)信號中的排序模式舉例(m=3)(τ=1或=2)；(c)時間序列轉換成排序模式過程Fig.1 The schematic diagram of ordinal patterns.(a)All of the ordinal patterns(m=3);(b) Example of ordinal patterns(m=3)(τ=1 or=2);(c) The schematic diagram of time series into ordinal patterns

定義c(MZi，MZj)為MZi序列和MZj的不同t延遲序列對應位置出現相同模式的頻數的最大值，有

(2)

(3)

式中，延遲時間t∈(0,1,…，tn)，tn為考慮的最大延遲，窗長度Lm=L-tn。

類似地，可得cji。進而定義Qij為通道Zi和Zj間的同步強度，表示為

(4)

通過求得多通道時間序列Zi(k)兩兩通道間的同步強度，獲得同步矩陣Q，對Q進行特征值分解Qvi=λivi，得到特征值λ1≤λ2≤…≤λM，對特征值進行歸一化，有

(5)

最后，全局排序模式同步算法(globalmotif-synchronization,GMS) 定義為

(6)

1.2 仿真實驗

為了驗證GMS算法的性能，首先將該方法在洛倫茲混沌模型產生的仿真數據上進行測試。洛倫茲模型如下：

(7)

式中：σ、γ、β為模型參數，(σ,γ,β)=(175,10,8/3)；i為通道數目(i=1,…,7)；cij為通道j和i之間的耦合強度，cij=1時序列完全相關，cij=0時序列不相關。

為了研究多通道同步算法估計的同步值與模型中cij的關系，令每兩個通道之間的耦合系數相同，表示為c，利用模型生成耦合系數c從0到1、步長為0.2的6組多通道耦合時間序列，長度為5 000點。

嵌入維數m和延遲時間τ是兩個重要的參數。為了獲得神經信號的時間特性，選取過大的m將會使時間信息丟失，且為了保證每種可能的聯合模式出現，m的選取需要滿足L>m!×m!×m!，Bandt等人建議嵌入維數m=3，…，7[9]，對于嚴重非平穩的EEG序列，本研究取m=3。若延遲時間τ過小，所得的空間向量將會包含過多的冗余信息，但若τ過大，空間向量則不具有相關性，最終致使信息丟失，因此本研究取常用值τ=1。

圖2 GMS和SNWPMI值隨耦合系數的變化Fig.2 The values of GMS and SNWPMI change with the coupling coefficient

圖2為GMS算法和SNWPMI算法估計的同步強度值隨c變化的關系曲線，其中SNWPMI算法參數選取與GMS算法相同。可以看出，GMS值與SNWPMI值均隨c的增大而增大，較能反映多通道信號間的同步強度，且GMS值在耦合系數c較小時即能檢測到同步，對弱耦合的檢測更為靈敏。

1.3 糖尿病aMCI多通道腦電同步分析

1.3.1 資料

選取在二炮總醫院神經內科就診的2型糖尿病患者46例，符合aMCI納入標準和排除標準[19]，記錄患者的基本人口特征和神經心理學得分情況。依據MOCA得分對患者進行分組，MOCA分數<26為糖尿病輕度認知障礙組(aMCI組，26例)，MOCA分數≥26為對照組(對照組，20例)。使用SPSS 20.0軟件中獨立樣本t檢驗分析，對兩組患者的基本人口特征和神經心理學進行統計分析，計量資料以均值±標準差的形式表示，結果如表1所示。可以看出，兩組患者在人口統計中沒有存在顯著差異，即年齡、性別、受教育程度等方面是匹配的。兩組患者在神經心理學檢查統計的MMSE得分、MOCA得分、AVLT-即刻回憶、AVLT-30min延遲回憶、AVLT-長延遲再認、語言流暢性測試和日常生活能力FAQ等方面存在顯著差異(即P<0.05)，而在Boston命名測試、軌跡測試A與B、WAIS數字廣度測試方面均無顯著差異。在記憶、語言和日常生活等方面，對照組的能力比aMCI組強。

表1 人口學特征和神經心理學檢查統計結果

Tab.1 The results of demographic characteristics and neuropsychological examination

因素aMCI組對照組P值年齡69.30±8.64368.55±9.7520.782受教育程度13.19±3.44112.95±2.7040.797MMSE27.53±2.46928.70±1.0800.039*MOCA21.50±2.94226.75±1.0190.000***AVLT-即刻回憶5.43±2.1366.95±1.6480.012*AVLT-30分鐘延遲回憶4.48±4.3318.25±2.7310.001**AVLT-長延遲再認10.80±3.73013.25±1.5170.005**Boston命名測試18.25±4.05619.70±0.4700.120語言流暢性測試14.87±4.59917.55±3.0510.032*軌跡測試A61.40±24.67958.36±20.4100.666軌跡測試B110.28±55.228105.78±42.0210.769WAIS數字廣度測試11.76±2.65013.25±2.6720.069日常生活能力(FAQ)2.32±4.2490.30±1.1280.030*

注：與對照組相比，*表示P<0.05,**表示P<0.01，***表示P<0.001。

Note: Compared with the control,*indicatesP<0.05,**indicatesP<0.01,***indicatesP<0.001.

1.3.2 EEG數據采集與預處理

腦電信號采用EGI的GES300型128通道腦電記錄儀來記錄，試者處于閉眼靜息狀態進行靜息EEG數據采集，以雙側乳突為參考電極，采樣頻率500 Hz，時長5 min，通過0～200 Hz帶通濾波，阻抗小于50 kΩ。本研究采用基于小波增強的獨立分量分析算法[20-21]對EEG信號進行預處理，去除眼電以及一些其他的外界干擾。

1.3.3 數據分析

從采集到的腦電信號中選擇出32道電極信號，分成6個大腦區域，分別為前額(frontal, F)、中央區(central, C)、頂區(parietal, P)、枕區(occipital, O)、左顳(left temporal, LT)、右顳(right temporal, RT)，如圖3所示。嵌入維數為3，延遲時間為1，數據長度為5 s。首先計算各腦區所有的GMS/SNWPMI值同步強度值，剔除超出均值±3倍標準方差的異常值，最后求得均值即為各腦區信號的同步強度。利用SPSS 20.0統計軟件對數據進行統計分析處理，兩組間的比較采用獨立樣本t檢驗，P<0.05認為差異有統計學意義。為了進一步分析同步特性與認知功能障礙之間的關系，采用皮爾森線性相關，分析了所有患者GMS/SNWPMI值與神經心理學測試得分的相關性。

圖3 大腦分區Fig.3 The brain regions of interest

2 結果

aMCI組與對照組各腦區的全局同步強度GMS和SNWPMI值的統計結果如圖4所示，*表示P<0.05，**表示P<0.01。可以看出，兩種算法aMCI組的同步強度值普遍低于對照組。GMS值在中央區、頂區和枕區顯著低于對照組，SNWPMI值在中央區和枕區顯著低于對照組。二者結果較為一致，GMS的值更為顯著。

圖4 aMCI組與對照組各腦區同步值。(a)GMS值；(b)SNWPMI值Fig.4 The synchronization value of aMCI group and control group in brain regions. (a)GMS values; (b)SNWPMI values

同步特性與認知功能障礙間的關系如圖5所示，GMS同步強度值在前額、中央區、頂區均與MOCA得分存在顯著的正相關性。SNWPMI同步強度值在前額正比于MMSE值，且前額、中央區和左顳的SNWPMI同步強度值也均與語言流暢性測試得分存在顯著的正相關性，二算法相關性分析結果的差異較大。

圖5 神經心理學量表與同步值線性分析結果。(a)前額GMS值與MOCA；(b)中央區GMS值與MOCA；(c)頂區GMS值與MOCA；(d)前額SNWPMI值與MMSE；(e) 前額SNWPMI值與語言流暢性；(f) 中央區SNWPMI值與語言流暢性；(g) 左額SNWPMI值與語言流暢性Fig.5 The results of linear analysis of neuropsychological scale and synchronization value.(a)Frontal GMS values and MOCA；(b)Central GMS values and MOCA；(c) Parietal GMS values and MOCA；(d) Frontal SNWPMI values and MMSE；(e) Frontal SNWPMI values and semantic fluency； (f) Central SNWPMI values and semantic fluency； (g) Left temporal SNWPMI values and semantic fluency

3 討論

本研究基于時間序列的排序模式，提出了全局排序模式同步算法GMS。該算法通過度量各時間序列排序模式的相關性，構造同步矩陣，進一步量化全局同步強度，算法比排序互信息等簡單易行，魯棒性強。仿真實驗顯示，該算法可以跟蹤洛倫茲混沌模型產生的多通道序列耦合強度的變化，反映多通道信號間的同步強度, 較基于加權排序互信息的全局同步因子對弱耦合的檢測更具靈敏性。

應用GMS算法對2型糖尿病輕度認知障礙患者的腦電同步特征進行研究，發現aMCI組各腦區的全局排序模式同步值普遍低于對照組，在前額、中央區、頂區尤其顯著；在對所有患者的神經性心理學測試得分和GMS值進行相關性分析中，檢測出前額、中央區、頂區的GMS同步強度值均與MOCA得分存在顯著的正相關性。GMS同步強度值的結果與SNWPMI一致，但相關性分析方面二者結果差異較大，SNWPMI同步強度值主要與患者的語言流暢性有關，與SNWPMI算法考慮了信號幅度的影響有關[18]。Lee等利用全局同步索引算法，分析了AD患者(25名)和年齡匹配的對照組(22名)18通道的腦電信號，發現AD患者在beta1(13～18 Hz)、beta2(19～21 Hz)、beta3(22～30 Hz)和gamma(31～50 Hz)頻段同步強度值要顯著低于對照組，所有患者的同步值與MMSE評分在beta和gamma頻段正相關[22]。Park等應用全局區域同步算法，發現AD患者的同步值在beta1(13～18 Hz)、beta2(19～21 Hz)、beta3(22～30 Hz)和全頻段(1～70 Hz)低于對照組，在beta1、beta3和全頻段上與MMSE正相關[23]。全局耦合索引算法被用于分析12名MCI和12名對照組的EEG信號，發現MCI患者的腦電同步強度普遍低于對照組的腦電同步強度，尤其在alpha(8～12 Hz)、beta1(13～18 Hz)和beta2(19～21 Hz)頻段上，MCI患者的同步值在alpha頻段上與MMSE和MOCA得分正相關[24]。Jeong等利用互信息方法，研究發現AD患者大腦中相隔較遠的腦區之間互信息比健康人群存在一定程度的降低[25]。2型糖尿病aMCI患者在枕區alpha頻段的一致性與對照組相比顯著下降，且與MOCA得分呈顯著的正相關性[26]。以上結果與本結果具有一致性。

EEG信號同步已經成為評估和診斷MCI和AD的一種重要手段，本研究提出新的全局排序模式同步算法，簡單有效，分析了具有糖尿病的aMCI與認知功能正常的控制組的全局排序同步特征，發現全局同步值降低，且與MOCA得分正相關，指出GMS是與糖尿病患者認知能力下降相關的EEG特征。

4 結論

本研究基于時間序列的排序模式，提出了一種多通道腦電信號同步分析方法——全局排序模式同步。仿真結果顯示，該算法能夠準確地反映多通道信號間的同步強度。進而將其用于分析全局糖尿病aMCI腦電信號，發現兩組人群腦電信號同步值存在顯著差異，aMCI組的GMS值普遍低于對照組，特別是在中央區、頂區和枕區。對同步與認知功能的皮爾森線性相關分析發現，前額、中央區、頂區的GMS同步強度值均與MOCA得分存在顯著的正相關性，表明GMS是與認知功能下降相關的腦電特征。

[1] Chen Ruihua, Jiang Xiaozhen, Zhao Xiaohui, et al. Risk factors of mild cognitive impairment in patients with type 2 diabetes[J]. Chinese General Practice, 2012, 15(24): 2758-2761.

[2] 李敏, 張麗, 王敏哲. 老年2型糖尿病與輕度認知功能障礙的關系研究[J]. 中國全科醫學, 2011, 14(5):1537-1539.

[3] Cukierman T, Gerstein HC, Williamson JD. Cognitive decline and dementia in diabetes-systematic overview of prospective observational studies[J]. Diabetologia, 2006, 48(12): 2460-2469.

[4] D’Amelio M, Rossini PM. Brain excitability and connectivity of neuronal assemblies in Alzheimer’s disease: From animal models to human findings[J]. Progress in Neurobiology, 2012, 99(1): 42-60.

[5] Davatzikos C, Bhatt P, Shaw LM, et al. Prediction of MCI to AD conversion, via MRI, CSF biomarkers, and pattern classification[J]. Neurobiology of Aging, 2011, 32(12): 2322.e19-e27.

[6] Moretti D, Frisoni GM, Rosini S, et al. Cerebrovascular disease and hippocampal atrophy are differently linked to functional coupling of brain areas: an EEG coherence study in MCI subjects[J]. Journal of Alzheimers Disease Jad, 2008, 14(3):285-299.

[7] Tóth B, File B, Boha R. EEG network connectivity changes in mild cognitive impairment-preliminary results[J]. International Journal of Psychophysiology, 2014, 92(1): 1-7.

[8] Ma CC, Liu AJ, Liu AH, et al. Electroencephalogram global field synchronization analysis: a new method for assessing the progress of cognitive decline in Alzheimer’s disease[J]. Clinical Eeg & Neuroscience, 2014, 45(2):98-103.

[9] Bandt C, Pompe B. Permutation entropy: A natural complexity measure for time series[J]. Physical Review Letters, 2002, 88(17): 174102.

[10] Li Xiaoli, Ouyang Gaoxiang. Estimating coupling direction between neuronal populations with permutation conditional mutual information[J]. Neuroimage, 2010, 52: 497-507.

[11] Li Hongli, Wang Jiang, Deng Bin, et al. Analysis of mutual information and synchronism for epileptic EEG signals[J]. Computer Engineering and Applications, 2013, 49(6): 19-22.

[12] Liang Zhenhu, Liang Shujuan, Wang Yinghua, et al. Tracking the coupling of two electroencephalogram series in the isoflurane and remifentanil anesthesia[J]. Clinical Neurophysiology Official Journal of the International Federation of Clinical Neurophysiology, 2014, 126(2): 412-422.

[13] Liang Zhenhu, Wang Yinghua, Ouyang Gaoxiang, et al. Permutation auto-mutual information of electroencephalogram in anesthesia[J]. Journal of Neural Engineering, 2013, 10(2): 516-522.

[14] Li Xiaoli, Ouyang Gaoxiang. Estimating coupling direction between neuronal populations with permutation conditional mutual information[J]. Neuro Image, 2010, 52: 497-507.

[15] Li Jing, Liu Xianzhen, Ouyang Gaoxiang. Permutation conditional mutual information and its application to epileptic EEG[C]// Proceedings of the 2013 International Conference on Computer Sciences and Applications. 2013:733-736.

[16] Wen Dong, Bian Zhijie, Li Qiuli, et al. Resting-state EEG coupling analysis of amnestic mild cognitive impairment with type 2 diabetes mellitus by using permutation conditional mutual information[J]. Clinical Neurophysiology, 2015, 127(1):335-348.

[17] Rosário RS, Cardoso PT, Muoz MA. Motif-synchronization: a new method for analysis of dynamic brain networks with EEG[J]. Physica A Statistical Mechanics & Its Applications, 2015, 439: 7-19.

[18] Cui Dong, Pu Weiting, Liu Jing, et al. A new EEG synchronization strength analysis method: S-estimator based normalized weighted-permutation mutual information[J]. Neural Networks, 2016,82, 30-38.

[19] 崔冬, 劉靜, 邊志杰, 等. 2型糖尿病患者輕度認知障礙多通道同步性分析[J]. 生物醫學工程學雜志, 2015, 32(2): 279-283.

[20] Castellanos NP, Makarov VA. Recovering EEG brain signals: artifact suppression with wavelet enhanced independent component analysis[J]. Journal of Neuroscience Methods, 2006, 158(2): 300-312.

[21] Akhtar MT, Mitsuhashi W, James CJ. Employing spatially constrained ICA and wavelet denoising, for automatic removal of artifacts from multichannel EEG data[J]. Signal Processing, 2012, 92(2): 401-416.

[22] Lee SH, Park YM, Kim DW. Global synchronization index as a biological correlate of cognitive decline in Alzheimer's disease[J]. Neuroscience Research, 2010, 66(Suppl 1): 333-339.

[23] Park YM, Che HJ, Im CH, et al. Decreased EEG synchronization and its correlation with symptom severity in Alzheimer's disease[J]. Neuroscience Research, 2008, 62(2): 112-117.

[24] Wen Dong, Xue Qing, Lu Chengbiao, et al. A global coupling index of multivariate neural series with application to the evaluation of mild cognitive impairment[J]. Neural Networks, 2014(56): 1-9.

[25] Jeong J, Gore JC, Peterson BS. Mutual information analysis of the EEG in patients with Alzheimer's disease[J]. Clinical Neurophysiology Official Journal of the International Federation of Clinical Neurophysiology, 2001, 112(5):827-835.

[26] Bian Zhijie, Li Qiuli, Wang Lei, et al. Relative power and coherence of EEG series are related to amnestic mild cognitive impairment in diabetes[J]. Frontiers in Aging Neuroscience, 2014, 6:1-9.

Global Motif-Synchronization Based Multivariate EEG Synchronization Analysis

Cui Dong1*Pu Weiting1Li Xiaoli2Wang Lei3Yin Shimin3Bian Zhijie3

1(SchoolofInformationScienceandEngineering,YanshanUniversity,Qinhuangdao066004,Hebei,China)2(StateKeyLaboratoryofCognitiveNeuroscienceandLearning&IDG/McGovernInstituteforBrainResearch，BeijingNormalUniversity，Beijing100875,China)3(DepartmentofNeurology,TheRocketForceGeneralHospitalofPLA,Beijing100088,China)

EEG synchronization is considered to be the performance of brain functional area integration. A time series motif based multi-channel synchronization method——global motif-synchronization (GMS) was proposed in this study. The simulation analysis indicated that the new algorithm was more sensitive than S-estimator based normalized weighted permutation mutual information in detection weak coupling. The algorithm was used to analyze the EEG synchronization of 26 amnesic MCI and 20 normal controls of patients with diabetes in eye-closed resting state. The wavelet enhanced independent component analysis was used to eliminate artifacts. The 32-channels EEG was divided to frontal, central, parietal, occipital, left temporal and right temporal region respectively. The independent samplest-testwas performed to test differences in demographic characteristics, neuropsychology and regional synchronization values between two groups. The Pearson’s linear correlation was used to study the associations between regional synchronization values and cognitive functions. The results showed that GMS values in each brain region of diabetes patients with MCI were lower than that of control group. Especially, the GMS values decreased significantly in central (P<0.01), parietal (P<0.05) and occipital (P<0.05) regions. The MOCA scores and GMS value had a significant positive correlation in frontal (r=0.298,P=0.045), central (r=0.327,P=0.026) and parietal (r=0.32,P=0.03) regions. The GMS is an important EEG characteristic that is correlated with cognitive function impairment.

type 2 diabetes; mild cognitive impairment; global motif-synchronization

10.3969/j.issn.0258-8021. 2017. 02.002

2016-05-30， 錄用日期:2016-11-10

國家自然科學基金(61102005，61271142)；河北省自然科學基金(F2014203132)；河北省高等學校科學技術研究重點項目(ZD2015095)

R318

A

0258-8021(2017) 02-0136-07

*通信作者(Corresponding author)，E-mail: cuidong@ysu.edu.cn