腦激活任務區分度的分析及應用研究

王工書，任尊曉，李丹丹，相 潔，王 彬

1.太原理工大學 信息與計算機學院，太原 030000

2.太原理工大學 大數據學院，太原 030000

1 引言

人類的大腦是身體中最復雜的器官。神經元是大腦中信號處理的基本單位，主要是通過電信號和化學信號進行活動。正是大腦中上億的神經元共同協作工作才使人們擁有意識并且完成各種復雜的認知活動[1]。人們對大腦的活動和認知機制探索的需求促進了功能磁共振成像（fMRI）技術的迅速發展。fMRI技術的發展為腦科學的研究提供了很多的捷徑，人們將fMRI 技術結合統計分析理論方法來探索大腦，研究大腦功能。任務態fMRI是在采集數據的同時要求被采集者執行一些實驗范式，比如簡單的記憶任務、識別任務等等。對大腦認知機制、記憶機制的研究以及各種精神疾病的研究有著重要的意義[2]。

任務態fMRI研究方向主要是腦功能激活分析。廣義線性模型（Generalized Linear Model，GLM）是最常用的方法之一，它將被測血流動力學信號與受控實驗變量關聯起來[3]。在分析任務態fMRI數據時，使用廣義線性模型對fMRI 數據中每個體素結合實驗范式進行計算，來反映體素在任務條件下的激活強度[4]。以往的研究多分析大腦隨著任務條件改變產生的激活強度的差異，進而分析大腦認知功能。這些研究利用任務態fMRI在神經影像學方面取得了重大的突破。但是這些方法都是在一些特定的任務條件下，選取一些功能重要、活躍性較強的腦區作為研究對象，并分析出大腦工作及其異常表相的腦機制。

近年來，越來越多的研究發現在特定任務下，大腦激活腦區中的體素呈現不同的激活強度。這些體素的激活反應大腦對任務激活模式，能更加準確地反映大腦認知狀態。據此，Norman 等人選擇特定區域內的體素的激活作為特征，使用SVM進行分類，判斷被試正在看鞋子還是瓶子。結果表明用體素作為特征，可以很好地區分不同任務[5]。Kay等人設計了觀察大自然圖片的實驗范式，在實驗執行時進行fMRI數據采集，使用金字塔Gabor 小波模型（Gabor wavelet pyramid model）進行fMRI數據分類，依此判斷被試觀看什么圖像，分類準確率在82%到92%之間[6]。相潔等人使用任務激活較強的區域的血氧水平變化值和時間序列作為特征對任務進行分類，并找出分類性能較好的體素[7]。Lange 等人提出應用廣義學習矢量量化器對fMRI 數據進行分析，判斷任務的類型，準確率在74%到76%之間[8]。Wang等人設計了觀看房屋圖片和人臉圖片的實驗范式，使用支持向量機進行分類，并研究了觀看圖片角度對分類準確率的影響[9]。這些研究通常選取一些功能重要、活躍性較強的腦區中的體素作為特征進行任務分類，以發現能表征任務狀態的腦區及激活模式。這些基于分類算法的大腦激活的模式識別研究根據不同任務激活間的差異進行任務區分，具有較高的分類準確率，被應用于思維解碼的研究中，通過大腦局部區域的激活來預測人類的思維。但是，因為分類模型與特征數據密切相關[10]，僅僅分類準確率不能很好地區分腦區激活模式對任務表征的好壞。特別是不同腦區具有不同的特征數量（體素），不能對準確率直接比較。

為了能更好地探索腦激活模式與任務間的關系，提出了任務區分度這一全新概念用于描述大腦中各個腦區對任務的表征性能，并提出一種腦激活任務區分度的計算方法，用于任務態fMRI 分析。大量的研究表明雖然大腦結構復雜，且大腦的各個腦區和神經元活動等方面與認知活動密切相關。但是在特定腦區中，相同和相似任務的大腦激活模式具有較高相似性，差別較大任務的腦激活則具有較低的相似性[11]。例如：物體視覺刺激任務在腹側視覺皮層有廣泛的激活，然而視覺運動刺激則在背側視覺皮層有廣泛的激活[1]。相似性度量是利用統計學方法分析兩組特征的相似程度，例如相關系數分析，包括皮爾遜相關系數、斯皮爾曼相關系數和肯德爾相關系數等；距離分析，包括歐氏距離、馬氏距離、切比雪夫距離和余弦相似度等。相似性度量可以直觀地反應出兩組特征間相近程度，并且具有較高的可信度。因此使用相似性度量的算法在體素水平上對不同的任務激活進行分析，可以表示任務間腦激活模式的相似度，反映腦區對任務表征性能，以揭示任務范式的腦機制。

該方法使用相同條件間的腦激活相似性與不同條件間的腦激活相似性之間的差異來表示大腦執行不同任務時激活模式的區分程度。差異較大表明該腦區對這些任務表征較好，差異較小表明該腦區對這些任務的表征較差。該計算方法為任務態fMRI的研究提供了新的研究思路，為大腦各個區域的功能和思維解碼的研究提供了有力的幫助。本研究中的實驗使用了皮爾遜相關分析、余弦相似度分析和歐幾里德距離計算這3種相似性度量方法分析研究記憶提取任務的腦區激活模式，并進一步對狂躁癥患者和正常人的任務區分度結果進行比較分析。最后將本文的結果與SVM算法的結果進行了比較。

2 數據采集與處理

2.1 數據采集

本實驗的MRI 數據集來自UCLA 精神疾病學研究協會，并通過公共數據庫OpenfMRI 獲得。實驗使用了45個狂躁癥患者和55個身體健康正常人作為被試。

2.2 實驗范式

情景記憶任務是一個經典的研究大腦記憶功能的實驗范式。首先進行記憶編碼，屏幕上每隔一段時間出現一個單詞和一張圖片的組合一共24組。記憶完成之后參與者躺在核磁共振儀中進行記憶提取，屏幕上間接性地出現72 組圖片，其中24 組是圖片記憶時出現過的組合正確圖片，另外24 組是組合打亂的陌生圖片。每組圖片出現同時，屏幕下方有四個選項：“確定正確”“可能正確”“可能不正確”和“確定不正確”，讓被試進行選擇，依此來判斷被試的記憶情況。剩下24 組圖片的作用是“對照任務”，這些圖片上只顯示數字1、2、3或4，屏幕下方有1、2、3、4 這4 個選項，被試看到數字后選擇對應的選項按鈕。這3種圖片在屏幕上隨機順序出現，在整個實驗執行的期間對所有被試的大腦進行掃描，實驗范式如圖1（a）所示。本次研究中將采用記憶提取任務的數據進行分析和研究。

2.3 數據預處理

使用 Matlab 和 Statistical Parametric Mapping 12（SPM12）對原始fMRI進行預處理。預處理步驟包括時間校正、頭動校正、去除線性漂移、去除白質和腦脊液等協變量、高斯平滑和濾波處理。預處理的目的是去除一些干擾因子，提高數據的準確性。

2.4 提取體素Beta值

fMRI數據預處理完成后，使用廣義線性模型（GLM）對體素的時間序列進行處理。GLM模型使用典型的血流動力學反應函數（Hemodynamic Response Function，HRF）根據任務的起始時間對體素的每段時間序列計算，來預測每次任務誘發的大腦激活。每個體素將得到一系列Beta值，即體素每次任務下的激活水平。本實驗中每個被試得到一個27 474（體素）×72（任務）的Beta矩陣。然后，基于Human Connectome Projec（tHCP）模版在把所有體素進一步劃分為360個腦區[12]。

2.5 功能網絡劃分

根據Sadaghiani 等人的研究按照功能類型將所有腦區劃分為14個功能網絡，本實驗對其中7個關鍵網絡進行研究：視覺網絡（VIS）、軀體運動網絡（SMN）、鎖骨網絡（CON）、默認網絡（DMN）、額頂網絡（FPN）、聽覺網絡（AUD）、背側注意網絡（DAN）[13]。

3 腦激活任務區分度分析

3.1 任務區分度計算模型

相似性度量是指利用統計學方法評定兩組向量之間相似程度。相同條件激活的相似度與不同條件激活之間的相似度的差值作為任務區分度。區分度越大表示大腦對不同任務的表征性能越好。腦激活相似度計算的模型示意圖如圖1（b）所示，具體方法如下：

圖1 實驗流程

其中，I表示執行的任務總次數（在該實驗中I為72），simil表示計算兩個序列之間的相似度，Bi表示在實驗中進行第i次任務時某腦區所有體素的任務激活，即Beta序列。Bsame表示與i任務的規則相一致的任務的平均Beta序列。Bdiffn表示不同任務規則的平均Beta序列（本實驗中N=2，因為實驗包括3 種規則，每個任務都對應2 種不同規則）。用TDB表示某區域任務區分度，公式如下：

之后將TDB進行單樣本T 檢驗，TDB大于0，說明SameB和DiffB之間存在著差異。

3.2 相似性度量方法

本文提出的任務區分度是以相似性度量為基礎。相似性度量的方法有很多種，每種方法都有各自的優勢。為了找出適合腦激活區分度計算模型的相似性度量方法，采用3 種不同類型的相似性度量方法，包括皮爾遜相關分析、余弦相似度分析和歐幾里德距離計算。皮爾遜相關系數計算公式如下：

其中，xi表示x變量中第i個值，xˉ表示x變量的平均值，yi表示y變量的第i個值，yˉ表示y變量的平均值，n表示變量的長度。其中x,y變量的長度必須相同。r的范圍為-1 到1，負值表示負相關，正值表示正相關，r的值越大表示相關性越強。余弦相似度計算公式如下：

xi表示x變量中第i個值，yi表示y變量中的第i個值。余弦相似度是計算兩個向量間夾角的余弦值，得到的余弦值越大說明相兩個變量的相似度越高。歐幾里德距離又稱為歐氏距離，計算公式如下：

其中，xi表示x變量中第i個值，yi表示y變量中的第i個值。d越小說明兩個變量間的空間距離越近相似度越高。如果使用歐氏距離作為相似性度量算法，SameBDiffB得到的大部分都是負值，為了便于3種方法間的比較，將使用歐氏距離算出的結果取相反數（即取-TDB為任務區分度）。

4 實驗結果及分析

4.1 模型的準確性

利用本研究提出的基于腦激活區分度的任務態fMRI 計算模型，分析了正常人和狂躁癥患者的大腦情景記憶任務的fMRI 數據，計算了各個腦區的任務區分度。選取閾值為p＜0.001（單樣本T檢驗，Bonferroni矯正）來判斷腦區對任務區分能力的顯著性。腦區已經按照所屬的功能網絡標簽進行分組排序（圖2）。研究結果表明正常人和狂躁癥患者在顳下回、尾狀核、舌回、嗅皮質等區域存在顯著的任務區分度，表明各個任務條件間的激活模式存在明顯差異。這些腦區與大腦記憶提取狀態存在顯著的關聯性[14-17]。圖2（c）描述了正常人和狂躁癥患者在角回、顳上回等區域存在顯著差異（雙樣本T檢驗，p＜0.05），這些區域與疾病的病發密切相關[18-20]。為了更直觀地表示結果便于分析，計算了圖2中各個功能網絡內顯著腦區所占比例和網絡的平均T值，分別如表1和圖3所示。

圖2 任務區分度計算結果

表1 子網絡中顯著區域比例 %

圖3 網絡的平均T 值

觀察表1（狂躁癥患者和正常人）和圖3（a）、（b）發現FPN、DAN、CON 和DMN 這四個網絡內的顯著腦區百分比和平均T值要明顯高于其余網絡。該結果與之前大腦認知記憶科學的研究發現相一致。CON、FPN、DAN和DMN這4個網絡與認知控制密切相關。CON、FPN和DAN在大腦進行記憶、信息處理、保持注意力等方面起著重要的作用，主導著大腦的思維活動[21-23]，在處理不同認知任務時激活模式有顯著的不同，所以這3個網絡的任務區分能力最強。DMN在大腦處于靜息態或進行自我思考時活躍性較高，而與外界交互，進行認知、記憶等任務時活躍性較低[24]，本文的實驗范式分為認知任務和對照任務（不進行認知活動，更多的是本能的反應），因此也表現出較強的任務區分能力。VIS 和SMN分別用來處理視覺信息和觸覺信息但基本不參與認知任務，因此在實驗中有較強的活躍性，但激活模式變化較少對認知任務的區分度相比其他網絡較弱。整個實驗都沒有涉及到聽覺任務，因此AUD 活躍性較低沒有表現出任務區分能力。總之，任務區分度可以精確地表示出各個腦區對任務表征能力，可廣泛應用于各種任務態腦功能分析。

從表1中的組間比較和圖3（c）的結果中看出FPN、DMN 和CON 這3 個網絡的顯著腦區百分比和平均T要顯著高于其他網絡，表明在這3個網絡中狂躁癥患者與正常人相比任務的區分能力有顯著的變化，這個結果與之前狂躁癥的相關研究發現的結論相符。Dost 的研究表明，狂躁癥患者DMN 中的一些區域的結構和正常人相比表現出異常的現象[25-26]。Baker發現，與正常人相比狂躁癥患者在FPN 額頂葉控制網絡中的功能連接性顯著減少，發生中斷顯現；DAN中的功能拓撲結構發生很大的變化[27]。狂躁癥患者的這3個網絡所包括的腦區的結構和功能連接發生了改變，導致這些腦區在處理任務時產生異常的激活模式，從而影響到認知能力。上述的結果分析證明了任務區分度能應用于發現神經精神類疾病的腦功能異常。

4.2 相似性度量方法的比較

綜合比較表1 和圖3 中3 種相似性分析方法的結果。發現無論是各個網絡顯著區域百分比還是平均T值，歐氏距離計算的結果最差，余弦相似度分析的結果較好，皮爾遜相關分析的結果最好。歐氏距離可以直觀地表示兩個向量在空間上的距離，但是它將樣本中不同屬性之間的差異等同看待[28]，而大腦中的各部分的結構都存在著差異即使是同屬于一個腦區，每個體素的激活范圍都不相同，將它們之間的差異同等看待必然會對結果產生很大的影響[29-30]，所以歐氏距離算出的結果的準確性最低。余弦相似度對兩個向量的長度歸一化，主要通過向量的方向間的角度來衡量相似度[28]。它主要考慮了Beta 序列方向間的差異，而忽略了數值間的差異。因此在分析不同數據時只要角度相似，就會計算出相似的結果，這也是進行組間比較時余弦相似度準確性較低的原因。皮爾遜相關分析是在余弦相似度的基礎上進行了修正[31]，如今在醫學信號、電信號和生物信號等領域被廣泛運用。它不僅考慮Beta 序列之間方向上的差異還考慮了每個數值上的差異，因此結果的準確性最高。通過實驗的結果和多方面的分析得出這樣的結論：使用皮爾遜相關分析對大腦任務激活進行分析可以科學、準確地表示出大腦各個腦區的任務區分度，而且可以發現不同類型人群腦區任務區分度間的差異，為一些精神類疾病的研究提供了新的思路。

4.3 任務區分度計算與SVM方法的比較

任務區分度計算本文提出的一種全新方法，之前還沒有類似的研究。為了證明任務區分度算法在描述腦區對任務表征能力時的優越性，又使用任務態fMRI 研究中常用到的SVM 方法對實驗數據進行了計算，作為對比。將各個腦區所包含體素的Beta值依次作為特征，使用SVM多分類模型對不同任務分類。雖然分類準確率與任務區分度結果無法做直接比較，但可以通過兩種方法算出的結論評估方法的好壞。圖4（a）、（b）和（c）分別表示基于3 種不同相似性度量方法計算出的各個腦區的任務區分度的分布（圖2（a）和（b）中結果），圖4（d）表示使用各個腦區作為特征的分類準確率的分布（將分類準確率小于33.4%的腦區視為0，因為小于33.4%說明準確率小于隨機分類）。任務區分度的結果可以明顯表示出狂躁癥患者和正常人的差異，這與相關的研究一致，而分類準確率的結果中沒有體現組間的差異。此外，認知控制網絡（CON、FPN和DAN）的平均分類準確率（狂躁癥患者：36.97%；正常人：38.74%）和DMN的平均分類準確率（狂躁癥患者：35.57%；正常人：38.46%）基本沒有差異，這與正常結論也不一致。這個結果證明了本文的方法在描述腦區對任務區分能力時要優于SVM 分類算法，對不同任務的激活模式的識別有較高的靈敏度。

圖4 任務區分度算法與分類算法的比較

5 結論

本文提出一種基于腦激活任務區分度計算的fMRI分析方法。該方法以相似性度量作為基礎，對不同條件下的腦激活進行分析，用來評估大腦中在處理不同任務條件時腦激活模式的差異程度，揭示各個腦區對任務的表征能力。使用該方法對狂躁癥患者和正常人兩組fMRI 數據進行分析，結果證明該算法模型可以反映出大腦中各個區域在執行不同任務時的靈活性以及與思維狀態的關聯程度，為fMRI的研究提供了新思路，為大腦思維解碼的研究提供了有力的幫助。此外，從結果中發現了兩組被試的任務區分度之間的差異，表明了該技術還可以用來揭示精神類疾病的腦功能異常，有助于精神類疾病的診斷與治療。