首發精神分裂癥患者腦網絡特征提取與分析

席鑫花 陰桂梅

摘? 要：精神分裂癥是一種慢性遷延性疾病，在我國患病率平均每年在6‰～10‰之間，即1%左右，這個數字是比較大的。為了探索精神分裂癥的病灶，基于首發精神分裂癥患者和健康被試的靜息態腦電數據提出了一種精神分裂癥分類方法。同時分析了患者在治療前后的腦區變化以及認知功能與腦功能活動的相關性，顯著特征與量表得分和用藥量的相關性。實驗結果證明，β、δ和θ頻段的病灶集中在額葉和顳葉。與治療前相比，治療后患者的額葉連通性有所改善。顯著特征與panss分顯著相關，與用藥量無顯著相關性。

關鍵詞：精神分裂癥；復雜網絡；相位同步；特征分析

中圖分類號：TP391；R749.3 文獻標識碼：A 文章編號：2096-4706（2023）04-0163-05

Feature Extraction and Analysis of Brain Network in First-Episode Schizophrenics

XI Xinhua， YIN Guimei

（College of Computer Science and Technology， Taiyuan Normal University， Jinzhong? 030619， China）

Abstract： Schizophrenia is a chronic persistent disease. The average annual prevalence rate in China is between 6‰ and 10‰， or about 1%， which is relatively large. In order to explore the focus of schizophrenia， a classification method of schizophrenia is proposed based on resting EEG data of first-episode schizophrenics and healthy subjects. At the same time， this paper analyzes the changes of brain regions， the correlation between the cognitive function and functional brain activity， and the significant characteristics and the scale score and drug dosage before and after treatment. The experimental results prove that the lesions in β， δ and θ frequency band are concentrated in frontal lobe and temporal lobe. Compared with before treatment， the frontal lobe connectivity of patients after treatment is improved. The significant characteristics are significantly correlated with panss scores， but not with drug dosage.

Keywords： schizophrenia; complex network; phase synchronization; feature analysis

0? 引? 言

精神分裂癥是一種嚴重的精神疾病，它會導致認知障礙、幻覺和妄想，其特征是感覺和認知功能的整合障礙導致不連貫的感知。出于這個原因，越來越多的研究者運用神經影像學技術來識別預測性的神經生物學標志物，以便對處于危險中的個體進行早期診斷[1，2]。研究方法通常是各種主要的認知神經科學和心理學方法，運用磁共振成像技術（MRI）、腦電圖（EEG）、腦磁圖（MEG）等進行研究，其中腦電圖數據采集方式簡單，而且有很高的時間分辨率和較好的空間分辨率，因此EEG信號在該領域的應用一直是熱點。

許多研究者使用復雜網絡對腦電信號進行分析，圖論分析可為刻畫大腦網絡的拓撲特性提供一個強有力的框架，它將整個大腦視為一個相互關聯的網絡。孫麗婷等人使用工作記憶的EEG信號構建腦網絡對精分患者和健康對照進行分類，并分析了兩組的腦區差異，但沒有分析與精神病理學評分之間的關系[3]。李宇馳等人提出了一種情感識別系統，使用DEAP數據集構建了腦功能網絡，對四種情感類型進行分類，達到了良好的分類準確率[4]。付榮榮等基于采集的腦電數據構建腦網絡用于評價腦疲勞[5]。Yao等人使用磁共振成像技術構建了腦網絡對首發精分患者、長期治療的精分患者以及健康對照三組進行分析，并測試了網絡指標與精神病理學評分之間的關系，其對于特定樣本的變化提供了新見解[6]。這些文章中的方法對于原始腦電信號采用常規的預處理方法并且沒有對精分患者治療前后的腦區變化進行研究，因此本文將軌跡簡化算法—Douglas Peucker應用于原始腦電信號進行抽稀以便獲得更純凈的數據，使用復雜網絡方法對靜息態的首發精神分裂癥患者與正常人的腦電信號進行分析，從而探索兩組之間的顯著性差異，并研究精分患者在治療前后腦區所發生的變化并將顯著特征與panss分和用藥量進行相關性分析，旨在為精神分裂癥的診斷提供科學的依據。

1? Douglas Peucker算法

Douglas Peucker是將曲線近似表示為一系列點，并減少點數量的一種算法。其原理是通過檢測和保留直線的最重要點而忽略不太重要的點來縮短直線，廣泛應用于制圖和計算機圖形學應用，也可應用于生物醫學中腦電信號的壓縮[7]。針對腦電信號相關度高、信息量大等特點，采用DP算法來提取最具代表性的樣本。

對于原始腦電信號采用DP算法分兩步進行，第一步是數據分割，第二步是每個數據序列使用Douglas Peucker算法。數據分割是將腦電信號根據特定時間段劃分為不重疊的數據序列。對每個數據序列使用Douglas Peucker算法來確定簡化序列。DP算法如式（1）：

（1）

在式（1）中，N表示數據序列的點數。D（Pi+1， Pi）表示點Pi+1和點Pi之間的歐氏距離。 表示數據序列的總體距離。T是一個由經驗決定的實數。根據經驗，T從0.01以步長為0.01變為0.1。使用算法首先將每條曲線的首末點相連，求除首末點以外的中間所有點到直線的距離，找出最大距離值dmax，與ε相比。若dmax＜ε，則曲線上的中間點全部舍去，該直線段作為曲線的近似；若dmax＞ε，則保留最大距離值所對應的坐標點，并以該點為界，把曲線分為兩部分，對這兩部分遞歸使用該算法。

2? 基于PLV的EEG腦功能網絡特征分析

2.1? 概述

首先對原始腦電信號以8秒為時間間隔進行分段[8]，對每段均使用Douglas Peucker算法提取代表性采樣點。最后將各段的代表性采樣點進行拼接作為最終的腦電信號。然后選擇頭皮電極通道作為節點，PLV相位同步性作為連接指標[9]，構建鄰接矩陣，即腦功能網絡[10-12]。其次對腦網絡選擇合理稀疏度范圍為0.2～0.4，步長為0.02進行二值化，得到每個頻段每個網絡密度下對應的二值網絡。接下來將二值矩陣導入Brain Connectivity Toolbox中計算網絡全局屬性和局部屬性以及對應的AUC值。然后選擇K-S檢驗挑選存在全局和局部差異顯著的特征（p＜0.05），使用選出來的顯著特征去訓練隨機森林（RF）、決策樹（DT）、支持向量機（SVM）以及自適應提升（AdaBoost）分類器[13]，采用八折交叉驗證分類，選取十次的平均值作為最終的分類結果，根據分類結果探索精分疾病組與健康對照組之間的腦區差異，并分析患者治療前后的腦區變化及顯著特征與panss分和用藥量之間的相關性。

2.2? 邊的測量——PLV

采用相位鎖值度量腦電信號之間的相位同步性。由于被試在采集腦電信號過程中會受到外界的干擾，而且自身的因素也會對信號產生影響，導致信號瞬時變化并且信噪比低。因為PLV是量化平均相位差的，能夠單獨分析相位成分，因此使用PLV作為連接指標。PLV如式（2）所示：

（2）

在式（2）中，t表示時間點，Δt表示采樣周期，N表示每個信號的采樣點數，φx（t），φy（t）為信號的相位值。

2.3? 網絡屬性

使用BCT（Brain Connectivity Toolbox）求取網絡的六種全局屬性：同配系數、模塊化指數、平均局部效率、特征路徑長度、平均聚類系數和全局效率[14，15]；以及四種局部屬性：節點度、節點介數、聚類系數和局部效率來分析首發精分疾病組和健康控制組、首發精分疾病組和入院治療八周的精分患者的腦網絡全局和局部屬性差異[16]。

2.3.1? 平均聚類系數

節點的聚類系數表示該節點的鄰居間互為鄰居的概率。度量相鄰兩節點之間鄰居的重合度。平均聚類系數如式（3）所示：

（3）

在式（3）中，E表示節點i的鄰接節點的連邊數，節點i的度為ki。

2.3.2? 特征路徑長度

特征路徑長度指網絡中所有節點對之間所有最短路徑長度的平均值。特征路徑長度如式（4）所示：

（4）

在式（4）中，N表示節點總數，dij表示節點i和節點j之間的距離。

2.3.3? 節點度

節點度指連接到該節點的邊的總和。節點i的度Ki如式（5）所示：

（5）

在式（5）中，aij表示節點i和節點j之間存在連接。

3? 實驗與討論

3.1? 實驗數據

103名首發精神分裂癥患者均來自合作的北京回龍觀醫院精神病學研究中心，符合美國精神障礙診斷和統計手冊（DSM-IV）精神分裂癥研究診斷標準，患者在過去的6個月均無藥物濫用或其他神經精神病學診斷的歷史。92名健康對照均從社區中招募，納入標準為根據90項癥狀自評量表（SCL-90R）無神經或精神疾病史，且目前無精神共病。患者組年齡范圍為20～50歲，平均年齡為30.553歲，健康組年齡范圍為20～48歲，平均年齡為30.554歲。其中，對23名首發精神分裂癥患者進行收院治療，在治療八周時間后，對他們又進行了一次采集腦電，針對這23名精分患者在入院治療八周后的腦電信號也進行了分析。

3.2? 數據采集與預處理

數據采集由合作的北京回龍觀醫院精神病學研究中心完成，實驗中采用NeuroScan公司的64導電極帽，采樣頻率為1 000 Hz，阻抗保持在低于5 kΩ，接地電極為AFz，參考電極物理連接在左、右側乳突，垂直眼電記錄將電極放置在左眼的上、下方，水平眼電記錄將電極放置在右眼眼眶邊緣。

預處理先將原始采集到的腦電信號導入eeglab，定位電極使用默認的BESA電極模板；刪除記錄水平眼電和垂直眼電的電極數據；重參考選用平均電極；選擇1 Hz的高通濾波以及50 Hz的低通濾波，為了消除工頻干擾，使用50 Hz的凹陷濾波；因為腦電采集設備使用的采樣率是1 000 Hz，重采樣到500 Hz；用ICA獨立成分分析去除眼動和肌電干擾；對壞導進行插值，剔除壞段；最后保存預處理后的59導腦電數據。為了討論不同頻段的差異，將腦電信號分為五個頻段，分別為δ（1 Hz～3 Hz）、θ（4 Hz～7 Hz）、α（8 Hz～12 Hz）、β（13 Hz～30 Hz）、γ（31 Hz～49 Hz）[17]。在59通道的腦電信號中以8秒為時間間隔進行分段，對每段均使用Douglas Peucker算法提取代表性采樣點。然后將各段代表性采樣點進行拼接作為最終的腦電信號。

3.3? 評價指標

實驗采用準確率來評價分類效果。準確率如式（6）所示：

（6）

在式（6）中，TP表示真正類，TN表示真負類，FP表示假正類，FN表示假負類。Acc表示準確率。

3.4? 實驗結果分析

3.4.1? 首發精分疾病組與健康控制組全局屬性分析

針對不同網絡密度下的二值網絡提取網絡的全局屬性和局部屬性值進行分析。對兩組在各個頻段各個網絡密度下求取的六種全局屬性做K-S檢驗，使用挑選出來的顯著網絡密度范圍內的全局屬性作為特征進行分類。

兩組一共有195個被試，對不同頻段下單個差異顯著的全局特征使用八折交叉驗證，訓練集和測試集的比例是7：3，則訓練集有136個被試，測試集有59個被試。θ頻段下各個差異顯著的全局特征的分類準確率如圖1所示。

由圖1可知，θ頻段下構建的腦網絡的全局屬性的分類準確率在70%～80%，幾乎所有全局屬性的分類效果都基本相同。

3.4.2? 首發精分疾病組與健康控制組局部屬性分析

腦網絡的每種局部屬性對應有59個值，融合11個網絡密度計算曲線下面積AUC來表征局部屬性的整體特性。將兩組對應的每種局部屬性在網絡密度范圍內的AUC值進行K-S檢驗，選出每種局部屬性的顯著節點，將節點相應局部屬性AUC值進行拼接得到特征輸入到分類器中去分類。θ、β、δ頻段四個局部屬性的分類結果分別如圖2、圖3、圖4所示。

由圖2可知，根據較高的分類準確率，得出θ頻段的局部屬性分析重點是聚類系數和局部效率。由圖3可知，得出β頻段的局部屬性分析重點是節點度、節點介數和局部效率。由圖4可知，得出δ頻段的局部屬性分析重點是節點度和聚類系數。

3.4.3? 局部屬性的重點節點在59通道電極圖中的位置

首發精分疾病組與健康對照組在β、θ和δ頻段的局部屬性分析重點節點如表1所示。

由表1可知，上述局部屬性分析的重點節點在β頻段的節點度、節點介數和局部效率均差異的節點為FP1、AF7。δ頻段節點度和聚類系數均差異的節點為T7、AF7。θ頻段聚類系數和局部效率均差異的節點為F7、Fz、F8、FC6、C4、T8、CP2、CP6、P8、AF7、AF8、FT7、FT8、C6、CP4。然后在電極圖中找到各個頻段差異顯著的節點所在的腦區，電極圖如圖5所示。

由圖5可知，在59通道電極圖中找到上述各個頻段重點節點的分布位置可知，β、δ頻段差異顯著的電極分布在左側額葉區，而θ頻段差異顯著的電極集中在右側顳葉區和額葉區。眾所周知，額葉區與人的精神、情緒和思維有關，而顳葉主要負責語言的理解，同時還與記憶和情感有關，這和精神分裂癥患者存在信息處理、記憶認知等障礙的結論是一致的。

3.4.4? 首發精分疾病組與其治療八周后局部屬性分析

對首發精分疾病組與其治療八周后的腦電數據進行分析，得到α頻段、γ頻段和θ頻段的局部屬性分析的重點節點如表2所示。

在59導電極圖中找到上述表中患者治療前后的顯著節點所在的腦區。根據圖5可以得知，患者治療前后在α頻段差異顯著的電極基本在全腦皮層都有分布。θ頻段基本沒有差異顯著的電極。而γ頻段差異顯著的電極主要集中在左側額葉區和枕葉區。這表明靜息態腦電高頻段的腦網絡拓撲與精神分裂癥的相關性較高。進一步說明額葉區、枕葉區和顳葉區是精神分裂癥的主要發病腦區。

3.4.5? 顯著特征與量表得分和用藥量的相關性分析

利用皮爾遜相關性分析計算了患者組的聚類系數與量表得分（PANSS）和用藥量之間的相關性。如圖6所示，精神分裂癥患者的用藥量與量表得分組合而成的散點分別由藍色和紅色小點表示，而紅色直線和藍色直線是對應顏色的散點的擬合。r代表相關性，p代表顯著性。

由圖6可知，聚類系數與量表得分存在顯著（p=0.038 1）的正相關關系（r=0.539 11）。與用藥量沒有顯著性相關關系（p＞0.05）。

4? 結? 論

現代社會存在著很多心理疾病，例如精神分裂癥、抑郁癥、輕度認知障礙以及阿爾茨海默病等，這些疾病都嚴重影響了人們的身體健康和生活水平，而且傳統的專家診斷的效率又很低，因此能夠盡早地發現病灶并且迅速地診斷疾病是非常重要的。本文使用復雜網絡方法分析了首發精分疾病組與健康對照組的全局和局部網絡屬性，并根據顯著特征進行分類。探索了兩組的差異腦區從而發現精神分裂癥的病灶。為臨床專家提供有效幫助。同時研究了患者用藥治療前后的腦區變化，并將顯著特征與量表得分和用藥量做了相關性分析。實驗結果表明，首發精分患者的額葉和顳葉受到損傷，不同于健康對照，經過用藥八周治療后額葉有所改善，顳葉和額葉無太大改善。同時患者的顯著特征與量表得分具有顯著相關性，而與用藥量無顯著相關性。

參考文獻：

[1] TRAJKOVIC J，GREGORIO F D，FERRI F，et al. Publisher Correction：Resting State Alpha Oscillatory Activity is a Valid and Reliable Marker of Schizotypy [J].Scientific Reports，2021，11（1）：13487.

[2] 梁佳琳，謝燁，庫逸軒.精神分裂癥的腦網絡特征與癥狀的聯系 [J].生理學報，2021，73（3）：446-458.

[3] 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.

[4] 李宇馳，李海芳，介丹，等.基于復雜網絡的情感腦電相位同步性分析 [J].計算機工程與應用，2017，53（18）：230-235.

[5] 付榮榮，米瑞甫，王涵，等.基于腦功能網絡的腦疲勞狀態檢測研究 [J].計量學報，2021，42（11）：1528-1533.

[6] YAO L，LI F，LIU J K，et al. Correction：Functional Brain Networks in Never-Treated and Treated Long-Term ILL Schizophrenia Patients [J].Neuropsychopharmacology，2020，45（8）：1406.

[7] ZAREI R，HE J，SIULY S，et al. Exploring Douglas-Peucker Algorithm in the Detection of Epileptic Seizure from Multicategory EEG Signals [J].BioMed Research International，2019，2019：1-19.

[8] FRASCHINI M，DEMURU M，CROBE A，et al. The Effect of Epoch Length on Estimated EEG Functional Connectivity and Brain Network Organisation [J].Journal of Neural Engineering，2016，13（3）：1-10.

[9] 姚蓉，楊雄，楊鵬飛，等.精分EEG腦網絡同步穩定性研究 [J].計算機工程與應用，2019，55（5）：60-64.

[10] 黃嘉爽，接標，丁衛平，等.腦網絡分析方法及其應用 [J].數據采集與處理，2021，36（4）：648-663.

[11] 張冰濤，周文穎，李延林，等.基于腦功能網絡的抑郁癥識別研究 [J].生物醫學工程學雜志，2022，39（1）：47-55.

[12] 朱巖，李斌，楊越琪，等.復雜網絡在精神分裂癥患者腦功能分析中的應用綜述 [J].現代儀器與醫療，2021，27（3）：89-92.

[13] 羅渠，馮靜雯，賴虹宇，等.精神分裂癥和抑郁癥患者靜息態腦電分類 [J].計算機工程與應用，2021，57（13）：138-146.

[14] 許學添，萬曉輝，陳丹.一種基于復雜網絡特征指標的腦電圖信號分析方法：202010093996.0 [P].2020-06-05.

[15] 季淑梅，步鑫鑫，荀興苗，等.高特質焦慮個體執行控制功能及其腦網絡研究 [J].中國生物醫學工程學報，2021，40（3）：272-279.

[16] 張振興，吳亞東，廖競，等.探索功能性腦網絡差異的可視分析系統設計與實現 [J].計算機測量與控制，2021，29（1）：220-226.

[17] 王中陽，信俊昌，汪新蕾，等.多頻段腦功能網絡融合的阿爾茨海默病分類 [J].小型微型計算機系統，2021，42（1）：208-212.

作者簡介：席鑫花（1997—），女，漢族，山西文水人，碩士研究生在讀，研究方向：智能數據分析與應用；通訊作者：陰桂梅（1975—），女，漢族，山西太原人，副教授，博士，研究方向：智能數據分析與應用。

收稿日期：2022-11-04