基于復雜網絡特征的大腦功能網絡分析

許學添， 蔡躍新

(1. 廣東司法警官職業學院 信息管理系， 廣東 廣州 510520;2. 中山大學孫逸仙紀念醫院 耳鼻喉科聽力學與言語研究所， 廣東 廣州 510120)

0 引言

耳鳴被廣泛認為是在沒有聲音事件情況下的聲音感知，其發病率較高，成年人耳鳴患病率約為17%，目前沒有明確的病因及治療方法，普遍認為耳鳴不僅由外周聽力損失引起，而且還由于大腦中樞聽覺通路中的異常神經活動引起[1]，大腦的病變是引起耳鳴的主要原因。因此，隨著腦電圖、腦磁圖、功能磁共振成像等大腦信息表達技術的發展，為觀察探究中樞神經系統提供了有效的手段，也為耳鳴的研究打開了新的視角。其中腦電圖由于其有效地描述了大腦神經元的電活動及信息傳遞，而且具有較高的時間、空間、頻譜分辨率，在耳鳴分析中應用得較多。Cai等[2]通過大腦微狀態研究了耳鳴病人與正常人微狀態持續時間、轉換率等的差異；Li等[3]提取了各路導聯腦電信號的相位信息并通過余弦映射成特征值，再進行SVM分類；Alonso等[4]建立一種以腦電圖(EEG)活動評估為基礎的聲學治療耳鳴的客觀方法，其評估指標就是腦電圖信號與刺激音頻的事件相關振蕩EROs值。

這些分析，大多是從信號本身的特征(幅值、頻譜、相位)去分析耳鳴病人與正常人的EEG信號差異，無法反映大腦的連通關系。大腦作為一個神經元的連通網絡，是一個復雜的動力學系統，已有一些研究通過各路腦電信號間的相關性運算，建立大腦功能性網絡[5]，再運用復雜網絡的理論與方法，分析大腦的網絡連接，例如Supriya等[6]通過lucasa可見圖算法[7]建立了大腦連接網絡，并引入了復雜網絡統計特性檢測不同邊緣強度的癲癇腦電信號。Gao等[8]根據不同節點的EEG信號之間的相對小波熵建立大腦復雜網絡，提取了一系列的網絡統計量來表征大腦網絡的拓撲結構，進行基于腦電圖的疲勞駕駛分類。Supriya等[9]提出了一種用于癲癇綜合征檢測的復雜網絡可視化圖邊緣加權方法，用復雜網絡來描述癲癇腦電信號的自動檢測方法。Li等[10]通過信號的相關性建立了大腦連接網絡，通過網絡加權模體和帶顏色模體進行高階網絡分析。這些大腦連接網絡都是通過計算信號之間的相關性來建立，沒有考慮大腦神經元的同步放電特征，本文提出了一種新的耳鳴檢測方法，從EEG信號的相位關系為出發點，根據不同節點EEG信號的鎖相值建立節點的連接關系，建立大腦功能網絡連接圖，分析該圖的多個復雜網絡特征形成特征向量，再利用機器學習分類算法對耳鳴組與正常組的EEG信號進行分類檢測。

1 大腦功能網絡

1.1 鎖相值

腦電信號不同頻帶內的相位同步已被證明是解釋神經元整合的一種可能機制[11]，通過鎖相值(PLV)來表示兩路腦電信號的相位同步關，鎖相值的計算如式(1)。

(1)

(2)

其中Ci(t,ω)為第i路信號Si的RID-Rihaczek分布[12]，如式(3)。

(3)

Ai(θ,τ)為第i路信號Si的模糊函數為式(4)。

(4)

1.2 建立大腦功能性網絡

定義每個導聯電極所測量區域為圖中的一個節點，將多路EEG信號抽象為一個由點集和邊集組成的圖G：G=(V,E),其中V為節點的集合，對應EEG腦號采集的導聯節點，E為邊的集合，若任兩個節點i和j的EEG信號間的鎖相值PLVij大于等于閾值δ，則認為大腦區域的節點i和j之間有連接關系，鄰接矩陣W對應的元素ωij=1，反之，ωij=0，表示大腦區域的節點i和j之間有沒有連接關系。整個大腦功能網絡圖的建立如圖1所示。

圖1 建立大腦功能網絡

2 復雜網絡特征

基于復雜網絡理論的大腦連接網絡圖中具有很多有價值的網絡特征，提取這些復雜網絡特征參數可以有效反映大腦網絡的狀態。本文所計算的復雜網絡特征的計算方式及描述，如表1所示。

表1 復雜網絡特征指標描述

根據8個復雜網絡特征構建特征網絡向量，如式(5)。

(5)

3 結果分析

3.1 實驗數據

本文耳鳴患者的EEG數據來源于就診中山大學孫逸仙紀念醫院耳科門診，共有25份樣本，對照組是25位正常人的EEG數據。數據的收集采用美國EGI公司的128導腦分析儀，對每個受試者原始數據進行預處理，具體步驟包括：① 加載與電極帽電極位置相對應的坐標文件；② 通過凹陷濾波，去除50 Hz工頻干擾；③ 進行0.5～80 Hz的帶通濾波；④ 去掉眼睛周邊及位于鼻根等與大腦中樞無直接相關的電極；⑤ 去除壞電極；⑥ 使用ICA算法將偽跡相關的獨立成分去除。

3.2 小世界網絡特性分析

大腦功能網絡具有小世界網絡的無標度特性，其度分布遵循冪律分布，正常組、耳鳴組大腦功能網絡和隨機網絡的度分布圖，如圖2所示。

圖2 網絡度分布圖

可見正常人與耳鳴患者的大腦功能網絡度分布呈現“長尾效應”，基本滿足冪律分布，對應節點數的隨機網絡度分布則呈現泊松分布。

正常組、耳鳴組和隨機網絡的聚類系數和特征路徑長度，如圖3所示。

(a) 聚類系數

無論是正常組還是耳鳴組，大腦功能網絡的聚類系數平均值都大于隨機網絡，特征路徑長度平均值都小于隨機網絡，符合較大聚類系數和較短特征路徑長度的小世界網絡特性，因此兩者對應的小世界系數大于1。

3.3 復雜網絡特征分類

根據大腦功能網絡的復雜網絡特征向量 作為輸入特征，本文采用支持向量機(SVM)、K最近鄰(KNN)、隨機森林(RF)和梯度提升決策樹(GBDT)分類器對正常人與耳鳴患者的腦電信號分類，通過網格搜索方法，5折交叉驗證法尋找各個分類器的最優參數，用準確率、精確率、召回率和F1-score四個指標和RCO曲線來衡量分類結果，如表2所示。

表2 分類結果

4種分類器的ROC曲線如圖4所示。

圖4 四種分類器ROC曲線

SVM分類器具有最好的分類結果，準確率達到94%。對于耳鳴患者與正常人的大腦復雜網絡特征分類，由于RF分類器比較依賴數據樣本量或者較高的數據維度，GBDT分類器對異常值較敏感，因此分類效果不如適應小樣本量、泛化能力較強的KNN分類器和SVM分類器。

4 總結

本文利用鎖相值建立大腦功能性網絡，提取了正常人與耳鳴患者的8個復雜網絡特征以分析大腦功能性網絡。結果表明，正常人與耳鳴患者的大腦功能網絡都具有小世界網絡特性：無標度特性、較大的聚類系數和較小的特征路徑長度；這些復雜網絡特征能夠有效描述大腦的信息傳輸能力，反映不同功能區域的連接和反應，并在兩類人群上都體現了差別；根據這些復雜網絡特征值，采用支持向量機、K最近鄰、隨機森林和梯度提升決策樹4種分類器進行分類比較，SVM算法取得最好的分類效果，準確率達到94%，驗證了將復雜網絡理論應用到在大腦功能性網絡的分類中，能取得較好的效果，為大腦神經損傷類疾病的智能識別，提供了一種新的思路。