詞語識別認知過程中的腦功能網絡研究

摘 ?要： 詞語識別是心理語言學研究領域的一個重要方面，基于腦功能網絡連接模式的研究有助于對其神經機制的揭示。本文基于開源詞語識別fMRI實驗數據，首先利用人腦解剖學模板AAL分別構建真詞試驗時和輔音字符串試驗時的腦功能網絡，然后采用圖論分析中的度中心性對AAL中的90個腦區進行活躍度度量，最后使用T檢驗對兩種試驗條件下各腦區的活躍度進行了統計對比。實驗結果顯示，真詞試驗時腦功能網絡中分布在距狀裂周圍皮層、舌回、枕上回、枕中回、枕下回、頂上回的9個腦區的度中心性顯著高于輔音字符串試驗時的情況。實驗結果表明，人腦在識別具有語義信息的詞語時，大腦皮層的各個區域更加趨于協作，顯著活躍的腦區能夠作為詞語識別進一步研究的生物標記。

關鍵詞： 詞語識別;腦功能網絡;圖論分析;度中心性

中圖分類號： TP391. 41 ? ?文獻標識碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.12.025

本文著錄格式：何享，張笑非. 詞語識別認知過程中的腦功能網絡研究[J]. 軟件，2019，40（12）：110114

Research on Functional Brain Network in Cognitive Process of Word Recognition

HE Xiang1， ZHANG Xiao-fei2，3*

（1. School of Foreign Language， Jiangsu University of Science and Technology， Zhenjiang 212003， China;

2. Faculty of Information， Beijing University of Technology， Beijing 100124， China;

3. School of Computer， Jiangsu University of Science and Technology， Zhenjiang 212003， China）

【Abstract】： Word recognition is an important aspect in the field of psycholinguistic research. The research based on connectivity pattern of functional brain network is helpful to reveal its neural mechanism. Based on the fMRI experimental data of open source word recognition， the brain anatomical template of AAL was used to construct the functional brain networks of real word trials and the consonant string trials respectively. Degree centrality in graph theoretical analysis was adopted to measure the activities of the 90 brain regions in the AAL. The activities of each brain region under the two trials were statistically compared with T-test at last. The experimental results showed that the degree centralities of nine brain regions distributed in cerebral cortex， including calcarine cortex， lingual gyrus， occipital superior gyrus， occipital middle gyrus， occipital inferior gyrus and parietal superior gyrus during real word trials， are significantly higher than those during consonant string trials. The final results indicate that when human brain recognizes words with semantic information， the various regions of the cerebral cortex tend to have a more integrating collaboration， and the significantly active brain regions can be used as biomarkers for further research on word recognition.

【Key words】： Word recognition; Functional brain network; Graph theoretical analysis; Degree centrality

0 ?引言

人腦詞語識別的神經機制是認知研究領域一個非常具有挑戰性的問題。在詞語識別的認知過程中，大腦會在幾分之一秒內從大量的存儲區域中檢索當前詞語的信息，并以極其靈活的方式對這些信息進行組合。基于人腦語言處理經典神經學模型的研究，發現有助于詞語識別的神經網絡只涉及少數的一些腦區，例如左下額葉，左下顳，角回等腦區[1-3]。許多研究基于視覺呈現的詞語識別實驗收集數據并進行了分析。有研究發現變化的詞頻與左側梭形回，雙側下額回和雙側島葉的激活呈負相關，表明詞頻可影響人腦詞語處理的多個方面[4]。文獻[5]通過三種不同語言的母語被試進行了實驗，證實了心理語言學中的正字法拼寫深度（orthographical depth）對視覺詞語識別的影響。文獻[6]研究了視覺詞語識別的抑制和促進現象，并發現前額葉對正字拼寫法鄰域尺寸效應（orthographic neighborhood size effect）的作用。腦功能網絡（Functional Brain Network， FBN）是近年來用于研究大腦工作機制的一種常用方法，有研究指出，功能網絡會受到結構連接的約束，認知任務期間的上下文敏感的集成會導致結構和功能網絡之間的分歧，基于靜態結構連接的動態功能網絡需要給出神經信息處理的一種形式化方法[7]。本文將在大腦解剖模板上研究詞語識別認知過程中的腦功能網絡，對其神經機制進行探索和理解。

1 ?腦功能網絡構建

本研究使用了OpenfMRI（https：//openfmri.org/ dataset）開源數據平臺中‘詞語與對象處理項目[8]的開放fMRI數據集。如圖1所示，該認知心理實驗中共包括4種試驗類型（trial type），分別是真詞、輔音字符串、目標圖片、加擾目標圖片。實驗過程中通過不同類別試驗的隨機交替出現，誘發被試對真詞和輔音字符串進行詞語識別、以及對目標圖片

圖1 ? 開源fMRI數據心理實驗中的四種試驗條件

Fig.1 ?The four trial conditions of psychological experiment in open source fMRI data

和加擾目標圖片進行目標識別。試驗中出現的刺激材料是變化的，每次試驗用的真詞和輔音字符串分別是從經過實驗設計的真詞庫和輔音字符串庫里進行隨機選擇，目標圖片也是同樣的情況，加擾目標圖片是對目標圖片庫中的圖片進行切割和隨機拼接獲得的圖片。由于詞語識別是本文的研究重點，因此，該實驗fMRI數據中屬于真詞試驗和輔音字符串試驗的時間切片是分析的對象。

腦功能網絡是將人腦中受關注的腦區看作成節點，每對腦區之間是否存在邊則根據它們之間的活動相關性是否顯著來決定，由這些節點和存在的邊構成的圖就是腦功能網絡。如圖2所示，AAL（Automated Anatomical Labeling）[9]模板是由蒙特利爾神經學研究所（Montreal Neurological Institute， MNI）定義的一個人腦解剖學模板，這個模板包含116個解剖學腦區，由于其中的26個腦區屬于小腦部分，因此剩余90個屬于大腦的腦區被更多的用于研究。此外，AAL2[10]是在AAL的基礎上對眶額皮質進行了新的分割。最新的AAL3[11]定義也正在提交審核中，它在AAL2的基礎上通過增加一些腦核對前扣帶、丘腦腦區進行了新的分割。考慮到AAL目前應用得相對廣泛一些，本文就以AAL中涉及大腦的90個腦區來構建腦功能網絡。

圖2 ?大腦解剖模板AAL

Fig.2 ?The brain anatomical atlas of AAL

由于AAL中的腦區是基于解剖學進行定義的，可以將形狀不規則的解剖學區域在邏輯上看作是一個節點，此時節點的信號則需要考慮到該解剖學區域中所有體素的信號，例如對腦區內所有的體素信號求平均。如圖3（a）所示，本文采取的是另一種策略，即取AAL每個解剖學腦區的中心MNI坐標為圓心，取特定半徑、例如5 mm的球形作為該區域在腦功能網絡中的節點。此時節點的信號是對球形所包含的所有體素的信號求平均，并且為了用于計算腦區之間的活躍相關性，需要對平均后的信號進行歸一化處理。

圖3 ?詞語識別認知過程中的腦功能網絡

Fig.3 ?The functional brain network in the

cognitive process of word recognition

腦區之間的邊通常是腦區活動相關性的表現，即兩個腦區之間的相關性越高，表示這兩個腦區之間邊的權重越高。計算腦區之前的相關性一般使用的是Pearson相關系數，其值域為[–1，1]，由于負相關的邊在心理語言學上沒有足夠的理論進行解釋，所以這里只關注相關系數為正值的邊，即關注的邊的值域為（0，1]。此外，不同權值的正邊在腦功能網絡中的作用存在差別，這里會利用Pearson相關系數計算時產生的P值作為邊是否存在的依據，即顯著相關的正邊認為是存在的，不顯著相關的正邊是不存在的。本文選擇P值的顯著性水平α值為0.05，因此，如圖3（b）所示，只有Pearson相關系數的顯著性P值小于α值的正邊認為是存在的。

2 ?腦區活躍度分析

腦功能網絡中腦區的活躍度可以基于圖論分析中的指標進行度量，在圖論和網絡分析中，中心性指標能夠用來識別圖中最重要的頂點。度中心性是圖論中心性指標中的一個典型指標，能夠量化一個腦區與其它腦區之間存在的邊的數量。一個腦區的度中心性越高，說明與它進行協作的其它腦區也越多，那么該腦區在腦功能網絡中的重要性和活躍度也越高。

定義1 ?是一個二元組，表示的是腦功能網絡。其中是腦功能網絡中所有腦區構成的集合，是腦功能網絡中存在的邊構成的集合。

定義2 ?，表示的是腦區在腦功能網絡中的中心性，其中是腦區在腦功能網絡中所有鄰居腦區構成的集合，是腦區鄰居腦區的總數，是腦功能網絡中的腦區總數。

圖4（a）給出的是腦功能網絡的腦區Pearson相關系數顯著度P值矩陣，圖4（b）是取顯著性水平α值得到的二值矩陣，其中不包含對角線的上三角或下三角中為黑色的單元表示行和列對應的腦區之間存在邊。在基于圖論的腦功能網絡分析中，需要考慮到計算得到的Pearson相關矩陣存在統計學中的假陽性的問題，即矩陣中部分邊是不存在的。對于這個潛在的問題，一般會采用兩種方法進行校正，一種是Bonferroni校正，另一種是FDR（False Discovery Rate）校正，圖4（b）、4（c）、4（d）分別是是沒有經過校正、經過Bonferroni校正和經過FDR校正的結果。將Bonferroni校正應用于腦功能網絡時，一般就是將顯著性水平α值除以腦功能網絡‘滿圖（full graph）時邊的總數，并將求得的商作為行的顯著性水平α值作為邊是否存在的閾值。Bonferroni方法過于嚴格，導致最后產生的腦功能網絡中的邊過少，可能導致圖論分析的度量值過低，進行統計比較時在值域上沒有明顯的區分度。另一種校正方法是FDR，相較于Bonferroni是一種較為折中的方法，文獻[12]中給出了詳細的算法流程，最后產生的腦功能網絡的邊的規模在一個相對合理的范圍內。

圖4 ?詞語識別認知過程中的功能連接矩陣及其二值化

Fig.4 ?The functional connectivity matrix and its binarization in the cognitive process of word recognition

3 ?實驗與討論

實驗的代碼設計和實現是基于Python及相關的開發包完成的，包括利用Nibabel（https：//github. com/nipy/nibabel）進行基本的fMRI神經影像操作、利用Numpy（https：//github.com/numpy/numpy）和NetworkX（http：//networkx.github.io/）完成矩陣計算和網絡指標計算、利用MNE[13]（https：//github.com/ mne-tools/mne-python）完成Bonferroni和FDR校正、利用Matplotlib[14]（https：//matplotlib.org/）和Nilearn[15] （https：//nilearn.github.io/）完成可視化計算。

表1 ?假陽性校正方法與活躍腦區數量的關系

Tab.1 ?The relationship between false positive correction methods and the number of active brain regions

假陽性

校正方法 活躍性顯著變化

的腦區數量 左右腦

數量分布

無校正 8 6/2

Bonferroni 3 2/1

FDR 9 6/3

圖5 ?假陽性校正方法與活躍腦區的分布

Fig.5 ?The false positive correction methods and the corresponding distribution of active brain regions

由于實驗數據集包含45名被試的詞語識別數據，在不進行假陽性校正的情況下，真詞試驗條件下和輔音字符串試驗條件下分別會為AAL的每一個腦區計算出45個度中心性值。為了對比兩種試驗條件下AAL中每個腦區是否在度中心性上存在顯著差異，所以需要對AAL的每個腦區進行兩種試驗條件下45個度中心性的統計檢驗。結果如表1所示，無校正的情況下，兩種試驗條件下AAL存在8個腦區的度中心性存在顯著差異。經過Bonferroni和FDR校正后，AAL中分別存在3個腦區和9個腦區的度中心性存在顯著差異。無校正和Bonferroni校正時都會導致兩種試驗條件下腦功能網絡的形態趨同，因此在指標的統計上更為接近，而經過FDR校正后，腦功能網絡的形態差異性較大，因此在指標的統計上會發現更多存在顯著性差異的腦區。圖5給出了表1中三種假陽性校正方法計算出的活躍性腦區在腦圖上的分布。

圖6 ?活躍度存在顯著差異的AAL腦區

Fig.6 ?The AAL brain regions with significant

differences in activity

圖6中給出了FDR校正后兩種試驗條件下AAL腦功能網絡中存在顯著差異的9個腦區及其度中心性值。可以看到，這9個腦區在真詞試驗條件下的度中心性都顯著高于輔音字符串條件下的度中心性，這說明與這9個腦區存在協作的腦區數量更多，它們在識別具有語義信息的真詞時更加活躍。

表2 ?詞語識別活躍腦區分布

Tab.2 ?The distribution of active brain regions

during word recognition

AAL編號 腦區名稱 左右腦分布

43 距狀裂周圍皮層 左

47/48 舌回 左/右

49 枕上回 左

51/52 枕中回 左/右

53 枕下回 左

59/60 頂上回 左/右

表2給出了圖5中相應9個腦區在AAL模板中的編號、腦區名稱、以及在左右腦上的分布。可以看到，存在顯著差異的9個腦區中的其中6個都分布在左腦，文獻[16]中也提到了‘大多數人是右利手、語言更多由左腦進行支配的學術觀點。此外，相關研究。9個腦區中有4個屬于枕葉，枕葉是哺乳動物大腦的視覺處理中心，此外距狀裂周圍皮層是初級視覺皮層（V1）集中的地方，因此結果與實驗是基于視覺的刺激方式存在很大的關系。同樣，舌回也是視覺皮層中的結構，其在識別和識別單詞中起重要作用。頂葉在解釋感覺信息方面起著重要作用，非口頭語言（non-verbal language）在該區域進行處理。

4 ?結束語

本文通過在開源‘詞語與對象處理fMRI數據集上，利用AAL解剖學模板研究真詞試驗條件下和輔音字符串試驗條件下的腦功能網絡，通過計算和統計對比兩種試驗條件下腦通能網絡的度中心性，發現有9個腦區在真詞試驗條件下比輔音字符串試驗條件下顯著活躍。說明這9個腦區是人腦在進行真詞識別時活躍度明顯的腦區。結果反映這9個腦區大多分布在枕葉，且相關文獻也發現了部分腦區是人腦處理詞語的區域，這與實驗材料刺激方式是視覺詞語識別有很大的關系。當然，目前的結果與解釋人腦詞語識別這個非常復雜的認知過程神經機制的本質還有非常大的距離，但這9個腦區可以作為進一步研究人腦詞語識別的生物標記。

參考文獻

[1]Binder J R， Medler D A， Desai R， et al. Some neurophysiological constraints on models of word naming[J]. Neuroimage， 2005， 27（3）： 677-693.

[2]Bookheimer S. Functional MRI OF LANGUAGE： New approaches to understanding the cortical organization of semantic processing[J]. Annual Review of Neuroscience， 2002， 25（1）： 151-188.

[3]Price C J. The anatomy of language： contributions from functional neuroimaging[J]. Journal of Anatomy， 2000， 197： 335-359.

[4]Hauk O， Davis M H， Friedemann Pulvermüller. Modulation of brain activity by multiple lexical and word form variables in visual word recognition： A parametric fMRI study[J]. Neuroimage， 2008， 42（3）： 1185-1195.

[5]Frost R， Katz L， Bentin S. Strategies for Visual Word Recognition and Orthographical Depth： A Multilingual Comparison[J]. Journal of Experimental Psychology Human Perception & Performance， 1987， 13（1）： 104-115.

[6]Fiebach C J， Ricker B， Friederici A D， et al. Inhibition and facilitation in visual word recognition： Prefrontal contribution to the orthographic neighborhood size effect[J]. NeuroImage， 2007， 36（3）： 901-911.

[7]Park H J， Friston K. Structural and Functional Brain Networks： From Connections to Cognition[J]. Science， 2013， 342（6158）： 1238411-1238411.

[8]Duncan K J， Pattamadilok C， Knierim I， et al. Consistency and variability in functional localisers[J]. Neuroimage， 2009， 46（4）： 1018-1026.

[9]Tzouriomazoyer N， Landeau B， Papathanassiou D， et al. Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain. [J]. Neuroimage， 2002， 15（1）： 273-289.

[10]Rolls E T， Joliot M， Tzourio-Mazoyer N. Implementation of a new parcellation of the orbitofrontal cortex in the automated anatomical labeling atlas[J]. Neuroimage， 2015， 122： 1-5.

[11]Rolls， E T， Huang， C C， Lin， C. -P， Feng， J， Joliot， M， Automated anatomical labelling atlas 3[EB/OL]. http：//www. gin.cnrs.fr/wp-content/uploads/aal3-user-guide-gin-imn.pdf

[12]Storey J D. False Discovery Rate[J]. International Encyclopedia of Statistical Science， 2011， 64（3）： 504-508.

[13]Gramfort A， Luessi M， Larson E， et al. MNE software for processing MEG and EEG data[J]. Neuroimage， 2014， 86（2）： 446-460.

[14]Barrett P， Hunter J， Miller J T， et al. matplotlib -- A Portable Python Plotting Package[C]// Astronomical Data Analysis Software & Systems XIV. 2005.

[15]Alexandre A， Fabian P， Michael E， et al. Machine learning for neuroimaging with scikit-learn[J]. Frontiers in Neuroinformatics， 2014， 8.

[16]Corballis M C， Badzakova-Trajkov G， H？Berling I S. Right hand， left brain： genetic and evolutionary bases of cerebral asymmetries for language and manual action[J]. Wiley Interdisciplinary Reviews： Cognitive Science， 2012， 3（1）： 1-17.