以腦電圖子序列特征向量為節點的腦網絡分析方法

楊雄 姚蓉 楊鵬飛 王哲 李海芳

摘 要：工作記憶復雜網絡分析方法大多數是以通道作為節點從空間的角度進行分析，很少有從時間角度對通道網絡進行分析。針對腦電圖（EEG）的高時間分辨率特性及時間序列分段較難的缺陷，提出一種從時間角度構建網絡并對網絡進行分析的方法。首先，利用微狀態將每個通道的EEG信號劃分成不同的子段作為網絡的節點;其次，在子段中提取并選擇有效特征作為子段的特征，計算子段特征向量之間的相關性構建通道時間序列復雜網絡;最后，對所構建網絡的屬性及相似性進行分析，并在精神分裂癥患者EEG數據上進行驗證。實驗結果表明，通過所提方法對精神分裂癥數據進行分析，能夠充分利用EEG信號的時間特性從時間角度深入了解精神分裂癥病人工作記憶中構建的時間序列通道網絡的特點，解釋了

精神分裂癥患者與正常人的顯著性差異。

關鍵詞：腦電圖;復雜網絡;工作記憶;精神分裂癥;微狀態

中圖分類號：TP391.4

文獻標志碼：A

文章編號：1001-9081（2019）04-1224-05

Abstract： Working memory complex network analysis methods mostly use channels as nodes to analyze from the perspective of space， while rarely analyze channel networks from the perspective of time. Focused on the high time resolution characteristics of ElectroEncephaloGraph （EEG） and the difficulty of time series segmentation， a method of constructing and analyzing network from the time perspective was proposed. Firstly， the microstate was used to divide EEG signal of each channel into different sub-segments as nodes of the network. Secondly， the effective features in the sub-segments were extracted and selected as the sub-segment effective features， and the correlation between sub-segment feature vectors was calculated to construct channel time sequence complex network. Finally， the attributes and similarity analysis of the constructed network were analyzed and verified on the schizophrenic EEG data. The experimental results show that the analysis of schizophrenia data by the proposed method can make full use of the time characteristics of EEG signals to understand the characteristics of time series channel network constructed in working memory of patients with schizophrenia from a time perspective， and explain the significant differences between patients and normals.

Key words： ElectroEncephaloGraph （EEG）; complex network; working memory; schizophrenia; microstate

0?引言

大腦是由無數神經元構成的，神經元之間通過突觸連接傳遞信號，神經元在傳遞信號時總是以最優的方式進行傳遞，當大腦發生病變時這種最優方式就會被破壞。神經精神疾病的發生表明神經元或神經網絡出現了故障，而這種故障達到一定程度就會產生外在的宏觀表現，典型的就是腦電圖的改變。工作記憶是大腦在執行認知任務過程中對信息進行暫時存儲和加工的資源有限系統，在人的復雜認知活動中起十分重要的作用，而精神分裂癥與一些認知障礙如信息處理、工作記憶等聯系緊密。所以對精神神經疾病的工作記憶腦電圖（ElectroEncephaloGraph， EEG）研究具有非常重要的價值。

腦電圖信號是診斷不同神經障礙和疾病的重要工具[1]。根據文獻[2]研究結果表明，腦神經元中的任何不規則活動都會在腦電信號上留下特征。

腦電信號表現出非線性行為，有效的非線性方法之一是應用復雜網絡的方法，并且復雜網絡對噪聲有較好的魯棒性[3]。在過去的十年中，人們越來越關注使用復雜網絡來分析不同的時間序列[4-7]，通過研究復雜網絡的網絡屬性來分析時間序列的動力學行為，但是大腦的功能活動是一個動態的過程，目前構建的網絡只能刻畫某個時間段內大腦功能活動的拓撲結構，腦電圖具有較高的時間分辨率，同時腦電圖的空間分辨率卻相對較差，如何在更小的時間尺度上構建網絡分析大腦隨時間變化的規律也變成了一個熱門問題。最早由Zhang等[8]提出對時間序列進行分段，對偽周期時間序列構建網絡，并對網絡的屬性進行分析發現不同的時間序列生成不同網絡。Diykh等[9]的研究表明EEG信號的統計特征構建的網絡屬性能反映EEG信號中的形態行為。但在對時間序列構建網絡時最關鍵的是網絡節點的選擇，已有研究提出不同的網絡節點選擇方法，但都比較復雜或具有不確定性，如何對EEG數據進行有效的分段并構建網絡變成了關鍵問題。

為了解決上述問題，本文使用微狀態對EEG原始序列進行分段，通過微狀態分段提高了分段的準確性和有效性，有利于后續時間復雜網絡的構建及分析。通過對時間序列網絡的構建，能夠充分利用EEG信號的高時間分辨率特性，而不失傳統空間分析的特點。這為對多通道腦電信號的復雜網絡分析提供了一種新的思路。具體實驗流程如圖1所示。

1?網絡構建

1.1?數據采集及預處理

實驗采用修改后的短時記憶掃描任務（Short-term Memory Scanning Task，SMST）實驗范式[10]，圖2為實驗范式流程。

數據集中20例為精神類病人，病人在過去6個月內均無藥物濫用或神經精神病學診斷的歷史。20名正常人作為對照組。兩組被試在年齡、性別、受教育程度方面沒有明顯差異，實驗數據采集使用的是NeuroScan公司的64導電極帽，采樣頻率為500Hz，電極位置如圖3所示。

使用Matlab中的EEGlab包對EEG信號進行預處理，采用0.5～50Hz帶通對信號進行濾波，使用獨立成分分析（Independent Component Analysis， ICA）去除眼電、肌電等干擾，再根據實驗中使用的Eprime產生的標簽將腦電信號分為編碼階段、保持階段和檢索階段三個階段。使用小波變化（Wavelet Transform，WT）提取腦電信號的θ（4～7Hz）和α（7～14Hz）兩個波段。為接下來的分析做準備。

1.2?節點選擇

腦電信號是非平穩和非周期性信號，本研究使用微狀態[11]技術將腦電信號劃分成不同長度的準穩定狀態子時間序列。在劃分微狀態時首先計算總體場功率（Global Field Power，GFP）。每個被試60個通道在t時刻的GFP值為：

1.3?特征提取及特征選擇

EEG信號的特點是有高的時間分辨率，其中會包含大量的冗余數據，有必要尋找更準確的方法來降低腦電信號的維數，這樣既可以保留腦電信號中的重要信息，還可以消除冗余和不相關的數據，能更好地表示出每個子段的特征。

近年來針對不同EEG數據分析提出了各種特征提取和特征分類模型。在研究了文獻中常用的特征提取和分類算法后，特征提取中使用了在研究中常用的統計特征、非線性特征及熵特征三個不同類別的18個特征，分別為中位數、最大值、最小值、均值、方差、赫斯特系數、偏度、峰度、過零點個數、近似熵、模糊熵、樣本熵、第一四分位數、第二四分位數、第三四分位數、Petrosian分形維數、排列熵、Lempel-Ziv復雜度。圖5表示了EEG信號特征提取的過程。

在每段提取的特征中存在無關特征及冗余特征，為了從提取的特征中找出有效特征子集，基于本文實驗特征集的特點，通過使用序列向前選擇（Sequential Forward Selection， SFS）選擇算法特征提取得到的特征集中選出最有效的特征子集。

本文使用的是序列向前選擇算法，特征子集X從空集開始，每次選擇一個特征x加入特征子集X，使得特征函數j（X）最優，也就是說每次選擇一個使得特征函數j（X）最優的特征加入，最終獲得最優特征j（X）時的特征子集X作為特征子序列的關鍵特征，其中j（X）函數為支持向量機（Support Vector Machine， SVM）分類準確率。通過實驗驗證特征子集{方差、Lempel-Ziv復雜度、模糊熵、偏度、峰度、樣本熵、排列熵、均值}認為是能夠很好地表征腦電信號的關鍵特征。

特征選擇偽代碼：

1.4?邊的構建

xm表示第m個向量的平均值。

通過計算各子序列特征向量之間的皮爾遜相關系數可以得到每個通道網絡的鄰接矩陣，參照文獻[12]中關于人腦的小世界特性的相關研究成果，選擇合理的稀疏度范圍為12%～40%，步長為2%，進而可以得到每個通道對應稀疏度下的二值矩陣。在構建網絡時對每個人的每個通道分別構建網絡，便于后續的分析。網絡的節點數根據微狀態的分割數不同而不同，同一個人不同通道構建的網絡的節點數是相同的。圖6為正常人3號通道在32%稀疏度下計算皮爾遜相關系數第四子序列與其他子序列的連接情況。

2?網絡分析與討論

2.1?網絡屬性分析

為了揭示原系統的微觀動力學機制和統計性質意義，深入了解每個人每個電極構建的時間序列的網絡特征，本文分析了平均聚類系數、全局效率、平均局部效率、模塊值及平均路徑長度五種網絡屬性[13]。

通過求各通道網絡的平均聚類系數、全局效率、平均局部效率、模塊值及平均路徑長度屬性，并對所求屬性進行t檢驗，發現在網絡稀疏度為30%～36%時通道FP2、AF4、PO3、POz網絡屬性差異性顯著，這與孫麗婷等[14]的研究相一致，并且差異性屬性為聚類系數、平均局部效率以及平均路徑長度。

通過對稀疏度為32%的網絡屬性進行比較，發現正常人通道FP2、AF4、PO3、POz所構建的網絡的平均路徑長度、平均聚類系數和平均局部效率有明顯差異，其中病人相對于正常人的網絡平均聚類系數和平均局部效率變小，而病人的平均路徑長度相對于正常人變大，32%網絡稀疏度正常對照組與患者不同通道網絡屬性值的比較如圖8所示。

2.2?網絡相似性分析

通過式（3）～（4）計算通道網絡的拓撲結構的相似性，得到網絡相似性關系矩陣。為了消除個體之間的差異，分別將所有正常人與病人的相似性矩陣求平均，得到10個正常人的60個通道相似性平均矩陣（見圖9（a））和10個病人的60個通道相似性平均矩陣（見圖9（b）），圖中顏色越深表示節點之間的相似性越高，顏色越淺表示節點之間的相似性越低。

從圖9可看出無論是正常人還是病人，其相似性較高的節點都位于矩陣的左上角及右下角，說明正常人與病人在整體上相似性較高的節點的位置是一致的，但從整體來看相似性矩陣時，正常人相似性矩陣比病人相似性矩陣顏色更深一些，說明正常人各節點之間的相似性比病人更高些，從局部來看，正常人右上角及左下角的節點相似性相對于病人來說更高，也更集中，說明正常人相對于病人來說，在記憶過程中電極之間能更好地協同工作，網絡表現出更高的相似性。而病人電極之間的協同性較差，通道網絡之間的相似性較低。

認為相似性高的節點之間有連邊，并把這些節點和邊畫出，如圖10所示，從總體可以看出正常人與病人相似性較大的節點主要位于前額和枕區，而文獻[15-16]的研究表明，額葉是大腦的中央執行單元，在大腦信息保持方面起到重要的作用，而枕葉皮質與視覺注意有關，而本文實驗中被試要通過觀察數字來記憶數字，這與已知的人腦活動生理規律相一致。但是病人相對于正常人而言，相似性高的節點部分發生了轉移，由前額和枕葉向頂葉發生轉移，并且病人在枕區和前額相似性高的節點相似性較正常人變小，這與Bassett等[17]研究發現精神分裂癥患者大腦結構網絡拓撲結構組織發生異常，核心節點的分布由額葉區轉移到非額葉區的結論相一致。

分析正常人的前額葉，發現正常人前額葉右側腦區連邊多于左側腦區，病人的前額葉也同樣右側連邊多于左側連邊。從復雜網絡的角度來看，正常人的前額右側腦區的節點通道網絡的網絡相似性更高，進一步說明右側腦區的各通道之間聯系更加密切，可以推斷出前額葉右側在工作中起關鍵作用。這也與大腦認知過程中使用的腦區相一致[16，18]。而病人相對于正常人來說前額連邊相對較少，前額葉右側連邊明顯少于正常人，這可能是由于病人前額葉相對于正常人協同性降低導致工作記憶障礙。

3?結語

本文提出一種EEG時間序列復雜網絡構建分析方法：首先使用微狀態對EEG多通道信號分段選擇網絡節點;再對每個通道分段后的每個子段提取并選擇特征，計算通道各子段特征向量之間的皮爾遜相關系數構建通道時間序列復雜網絡;最后對通道構建的網絡的網絡屬性及網絡拓撲結構相似性兩方面進行分析。分析結果表明：1）正常人與病人結合微狀態在時間上構建的網絡網絡屬性有明顯差異。通過t檢驗找出網絡屬性差異顯著的通道并對其網絡屬性分析發現，差異性顯著的通道中病人通道網絡屬性平均局部效率和聚類系數小于正常人，而病人的最短路徑長度相對于正常人變大，從整體來看病人差異顯著性通道構建的網絡的小世界屬性相對于正常人變差。

2）正常人通道間相似性大的節點相對于病人更加集中。通過計算正常人及病人構建的通道時間序列網絡間的相似性發現，不論是正常人還是病人相似性較高的通道都主要集中在前額和枕葉，這與工作記憶中使用的腦區相一致，但是從整體來看病人相對于正常人60通道構建的時間序列網絡之間的相似性較低。并且還發現病人相似性較高的通道相對于正常人發生轉移，在記憶中起關鍵作用的前額葉正常人相對于病人相似性更高。

本文通過結合微狀態對多通道在時間上進行網絡構建，將網絡特征和時域特征融合到正常人與精神神經患者的EEG信號分析中，發現通過結合微狀態方法構建的通道時序網絡能夠反映正常人與病人之間的差異，為多通道EEG信號分析提供了一種新的思路，也為神經科醫生更好地為精神分裂癥患者進行診斷和治療提供幫助。

但目前對精神分裂癥患者網絡屬性發生變化的原因仍然未知，下一步將繼續研究是什么原因導致了這種變化的發生，這對疾病患者的治療具有重要意義。

參考文獻（References）

[1] ZAMIR Z R. Detection of epileptic seizure in EEG signals using linear least squares preprocessing [J]. Computer Methods and Programs in Biomedicine， 2016， 133： 95-109.

[2] BHARDWAJ A， TIWARI A， KRISHNA R， et al. A novel genetic programming approach for epileptic seizure detection [J]. Computer Methods & Programs in Biomedicine， 2016， 124： 2-18.

[3] DIYKH M， LI Y. Complex networks approach for EEG signal sleep stages classification [J]. Expert Systems with Applications， 2016， 63： 241-248.

[4] AHMADLOU M， ADELI H， ADELI A. Graph theoretical analysis of organization of functional brain networks in ADHD [J]. Clinical Eeg & Neuroscience， 2012， 43（1）： 5.

[5] PANZICA F， VAROTTO G， ROTONDI F， et al. Identification of the epileptogenic zone from stereo-EEG Signals： a connectivity-graph theory approach [J]. Frontiers in Neurology， 2013， 4（4）： 175.

[6] LIU C， ZHOU W X， YUAN W K. Statistical properties of visibility graph of energy dissipation rates in three-dimensional fully developed turbulence [J]. Physica A， 2010， 389（13）： 2675-2681.

[7] ZHU G， LI Y， WEN P P. Analysis and classification of sleep stages based on difference visibility graphs from a single-channel EEG signal [J]. IEEE Journal of Biomedical and Health Informatics， 2014， 18（6）： 1813-1821.

[8] ZHANG J， SMALL M. Complex network from pseudoperiodic time series： topology versus dynamics [J]. Physical Review Letters， 2006， 96（23）： 238701.

[9] DIYKH M， LI Y， WEN P. EEG sleep stages classification based on time domain features and structural graph similarity [J]. IEEE Transactions on Neural Systems & Rehabilitation Engineering， 2016， 24（11）： 1159-1168.

[10] MANOACH D S， PRESS D Z， THANGARAJ V， et al. Schizophrenic subjects activate dorsolateral prefrontal cortex during a working memory task， as measured by fMRI [J]. Biol Psychiatry， 1999， 45（9）： 1128-1137.

[11] LEHMANN D， FABER P L， GALDERISI S， et al. EEG microstate duration and syntax in acute， medication-naive， first-episode schizophrenia： a multi-center study [J]. Psychiatry Research Neuroimaging， 2005， 138（2）： 141-156.

[12] 郭浩. 抑郁癥靜息態功能腦網絡異常拓撲屬性分析及分類研究[D]. 太原： 太原理工大學， 2013： 21-45. （GUO H. Machine learning classifier using abnormal resting state functional brain network topological metrics in major depressive disorder [D]. Taiyuan： Taiyuan University of Technology， 2013： 21-45.）

[13] 曹銳. 非線性與復雜網絡理論在腦電數據分析中的應用研究[D]. 太原： 太原理工大學， 2014： 67-91. （CAO R. Nonlinear and complex network theory in the application of EEG data analysis research [D]. Taiyuan： Taiyuan University of Technology， 2014： 67-91.）

[14] 孫麗婷， 陰桂梅， 譚淑平， 等. 精神分裂癥患者工作記憶EEG功能網絡屬性分析[J]. 計算機工程與應用， 2017， 53（12）： 25-30. （SUN L T， YIN G M， TAN S P， et al. Properties analysis of working memory EEG function network in schizophrenia[J]. Computer Engineering and Applications， 2017， 53（12）： 25-30.）

[15] SARNTHEIN J， PETSCHE H， RAPPELSBERGER P， et al. Synchronization between prefrontal and posterior association cortex during human working memory [J]. Proceedings of the National Academy of Sciences， 1998， 95（12）： 7092-7096.

[16] 李松， 靳靜娜， 王欣， 等. 基于腦電θ波特征信息分析的大腦前額皮質在字母工作記憶中作用的研究[J]. 中國生物醫學工程學報， 2015， 34（2）： 143-152. （LI S， JIN J N， WANG X， et al. The role of the prefrontal cortex in the characters working memory research based on the EEG theta band characteristic analysis [J]. Chinese Journal of Biomedical Engineering， 2015， 34（2）： 143-152.）

[17] BASSETT D S， BULLMORE E， VERCHINSKI B A， et al. Hierarchical organization of human cortical networks in health and schizophrenia [J]. Journal of Neuroscience， 2008， 28（37）： 9239-9248.

[18] HSIEH L T， RANGANATH C. Frontal midline theta oscillations during working memory maintenance and episodic encoding and retrieval [J]. NeuroImage， 2014， 85： 721-729.