基于動態低頻振幅法的青少年吸煙成癮問題研究

摘" 要：該文采用動態低頻振幅（dynamic amplitude of low frequency fluctuation，dALFF）方法探究青少年吸煙成癮者腦功能網絡的異常，為理解青少年吸煙成癮的機制提供新視角。通過獨立成分分析、滑動窗口法、K-means聚類方法分析青少年吸煙成癮者在默認模式網絡（default mode network，DMN）、左側執行控制網絡（left executive control network，LECN）、右側執行控制網絡（right executive control network，RECN）和突顯網絡（salience network，SAN）的動態低頻振幅（dALFF）異常。同時，使用皮爾遜相關性分析評估動態指標（時間分數和平均停留時間）與吸煙統計學數據（FTND，煙齡，包年）的關系。相較于青少年健康非吸煙者，青少年吸煙成癮者在默認模式網絡（DMN）、左側執行控制網絡（LECN）、右側執行控制網絡（RECN）和突顯網絡（SAN）的激活程度降低，皮爾遜相關性分析表明dALFF在狀態2時的平均停留時間和包年呈顯著正相關。吸煙成癮會導致青少年的部分腦功能網絡異常，其激活程度會降低，同時這些腦區的功能異常與吸煙者的包年存在關聯。

關鍵詞：青少年吸煙成癮；獨立成分分析；滑動窗口；K-means聚類；動態低頻振幅

中圖分類號：R749.6" " " 文獻標志碼：A" " " " " 文章編號：2095-2945（2023）19-0082-05

Abstract： The dynamic amplitude of low frequency fluctuation （dALFF） method was used to explore the abnormal brain functional network of adolescent smoking addiction， in order to provides a new perspective for understanding the mechanism of adolescent smoking addiction. Independent component analysis， sliding window method and K-means clustering method were used to analyze the dynamic amplitude of low frequency fluctuation in the default mode network （DMN）， left executive control network （LECN）， right executive control network （RECN） and salience network （SAN） of adolescent smoking addiction. At the same time， Pearson Correlation Analysis was used to assess the relationship between dynamic indicators （time scores and mean residence time） and Fagerstrom Test of Nicotine Dependence（FTND， smoking years， pack-years）. Compared with adolescent healthy non-smokers， the activation of DMN， LECN， RECN and SAN was reduced in adolescent smoking addicts. Pearson Correlation Analysis showed that the average residence time of dALFF in State2 was significantly positively correlated with pack years. Smoking addiction can lead to the abnormalities of some brain functional networks in adolescents， and the degree of activation is reduced. Meanwhile， the dysfunctions of these brain regions are associated with the pack-years of smokers.

Keywords： adolescent smoking addiction; independent component analysis; sliding window method; K-means clustering; dynamic amplitude of low frequency fluctuation （dALFF）

吸煙成癮是全世界面臨的重大公共衛生問題，其對人類身心健康和社會穩定造成嚴重影響。據統計，我國煙民數量占全球的三分之一以上[1]。一則針對青少年吸煙情況和二手煙暴露情況的研究表明，其吸煙率為13.6%，而且其二手煙暴露率為55.9%[2]。大腦功能在青少年時期日漸成熟，吸煙成癮與青春期過早使用和接觸煙草密切相關，會影響正常的神經生物學過程，進而促進晚年的煙草依賴[3]。先前的針對靜息態大腦的吸煙成癮研究表明，吸煙成癮會導致多個靜息態腦網絡異常，并可能導致多個腦區的鏈接異常[4]，Wang等[5]通過低頻振幅發現吸煙成癮會影響自發的大腦活動，針灸對吸煙渴望有顯著性影響；薛婷等[6]通過低頻振幅百分比探究吸煙成癮對青少年腦功能的影響，發現在海馬旁回、顳中回和額上回的低頻振蕩振幅百分比（perAF）值顯著增加；Qiu等[7]發現吸煙成癮者的右側前額葉皮層/腹側紋狀體以及左側顳回的低頻振蕩振幅（ALFF）值顯著高于健康對照組。先前的研究大多是基于靜態低頻振蕩振幅研究大腦自發活動的改變，但大腦活動具有高度時變的特性，從大腦功能網絡層面上動態分析與吸煙成癮存在關聯性的腦區，能更深入地探究青少年吸煙成癮者在腦功能上的差異。因此，本研究采用dALFF的方法，探究青少年吸煙成癮者與青少年健康非吸煙者在DMN、LECN、RECN和SAN上的差異，同時運用皮爾遜相關性分析計算動態指標和尼古丁測試依賴分值（FTND）、煙齡以及包年的相關性。

1" 對象與方法

1.1" 研究對象

本研究得到內蒙古科技大學包頭醫學院第一附屬醫院醫學倫理委員會的批準與監督。納入范圍的被試均是內蒙古科技大學的本科生，青少年吸煙成癮者和青少年健康非吸煙者均是通過網絡或廣告張貼招聘的。在獲悉研究流程后，全部被試均自愿簽署知情同意書。

青少年吸煙成癮者依據《美國精神疾病診斷與統計手冊》（第五版）中的尼古丁依賴診斷標準進行篩選，并依據FTND測試量表診斷其尼古丁依賴程度。吸煙成癮者的納入標準為：①符合《美國精神疾病診斷與統計手冊》對尼古丁依賴診斷的判斷標準；②FTND測試量表得分超過3；③吸煙時長超過2年，且每日吸煙支數不少于10支；④過去1年內無戒煙行為或嘗試戒煙但不超過3個月；⑤無酒精以及任何毒品依賴史或其他成癮史（如賭博、網絡游戲等），無藥物依賴史。健康對照者的納入標準為：①吸煙總數小于等于3支；②同住舍友或家人無吸煙行為（排除二手煙干擾）。

納入本次研究的全部被試均符合如下標準：①均為右慣手；②醫療診斷結果顯示不存在軀體疾病；③無其他器質性疾病，也無任何影響腦功能與結構的疾病；④無任何精神疾病、神經病或遺傳病史，且目前精神狀況良好；⑤無任何核磁共振掃描禁忌，如體內因疾病安裝電子設備或磁性設備。依據上述標準共有84名被試納入本次研究范圍，全部被試的詳細人口統計學信息見表1。

1.2" 數據采集

全部被試的功能磁共振成像（fMRI）數據使用飛利浦公司3.0T磁共振掃描儀采集。在整個靜息態磁共振掃描過程中，已提前告知被試要閉眼且緩慢躺下，盡量放松同時保持清醒，掃描過程中可能會出現的不適感等注意事項。為被試者準備了泡沫墊和耳塞，目的是減少被試者頭動和降低噪聲影響。掃描參數設置如下：重復時間（repetitiontime，TR）=2 000 ms；回波時間（echotime，TE）=30 ms； 數據矩陣=64×64；視野（fieldofview，FOV）=220 mm×220 mm，翻轉角=90°；體素大小（voxelsize）=1 mm3，時間序列的點數=180個。掃描結束后，詢問全部被試是否全程處于清醒狀態，并請專家對影像學數據進行采集后檢查，避免被試存在無癥狀病變。

1.3" 數據處理

在MATLAB 2014a平臺上運用Dpabi磁共振數據工具箱進行數據預處理，其具體步驟如下：①剔除前10個時間點的磁共振數據（消除因機器剛啟動、被試處于緊張情緒等因素的影響）。②時間層校正，使不同層間數據統一校正到相同時間點。③頭動校正，消除因被試者頭動產生的運動偽影（數據的頭動控制要求水平頭動小于等于2.00 mm，旋轉頭動小于等于2°）。④空間標準化，將全部圖像統一配準到MNI標準空間，保持其空間位置上的一致；⑤高斯平滑，采用半高全寬6 mm的高斯核濾波器對圖像進行空間平滑以提高圖像信噪比。

1.4" 動態低頻振幅分析處理方法

首先，采用功能磁共振工具箱（GIFT）工具箱進行基于空間的組水平獨立成分分析，同時采用一個相對高階的模型將大腦功能網絡分解成100個獨立成分[8-9]。然后，從100個獨立成分中選取感興趣的獨立成分，將其劃分成4個與吸煙成癮相關的子網絡（DMN、LECN、RECN和SAN）。從100個獨立成分選取感興趣的獨立成分標準為：①空間分布圖上的峰值激活坐標主要位于大腦灰質區域；②與血管、心室和易感性偽影低空間重疊；③選取的獨立成分的時間序列處于低頻波動（頻譜中低于0.1 Hz和0.15～0.25 Hz的功率比）和高動態變化范圍的（最小功率和最大功率頻率之間的范圍差）；④挑選出來的獨立成分與DMN、LECN、RECN、SAN的空間分布相對應。由此共挑選出27個獨立成分，通過數據反重構算法求出各個被試的獨立成分以及與獨立成分所對應的時間序列，計算每條時間序列的ALFF。通過滑動窗口分析法對每個獨立成分的時間序列進行動態分析，生成動態ALFF矩陣，并對生成的矩陣進行聚類分析，依據肘部法則確定最佳聚類數目為4，如圖1所示。根據聚類結果計算每一被試的動態指標，包括：①時間分數，即某一狀態下的時間點數目與總時間點數量的比值；②平均停留時間，即該狀態出現的平均時間長度。

1.5" 統計學方法

采用統計學軟件SPSS 26.0進行數據處理與分析。本研究涉及的被試者均為男性，因此未做卡方檢驗。呈正態分布的計量資料采用平均數±標準差表示，采用獨立雙樣本T檢驗對比青少年吸煙成癮者和青少年健康非吸煙者的年齡差異，以P＜0.05為差異有統計學意義，兩組年齡無統計學差異（P=0.355）。使用獨立雙樣本T檢驗比較不同聚類狀態下的顯著性組間差異，以P＜0.05為差異有統計學意義。采用皮爾遜相關性分析計算不同聚類狀態下的動態指標與FTND、煙齡以及包年的相關性，以P＜0.05為差異有統計學意義。

2" 結果

經過基于空間的組水平獨立成分分析，同時依據視覺和解剖等先驗知識挑選屬于DMN、LECN、RECN、SAN的獨立成分空間分布如圖2所示。

運用滑動窗口分析算法，將滑動窗口的大小設置為20 TR（40 s），因為窗口大小在30～60 s的范圍內被證明是捕獲大腦動力學的合理選擇，并將滑動步長設置為1 TR（2 s）。每一被試的磁共振數據會被剔除前10個時間點，其時間序列長度變為170 TR，所以每一被試的時間序列擁有的時間窗口數目為150個，而每個獨立成分的時間窗口數量與其一致。利用頻帶0.01～0.08 Hz的數據估計每個獨立成分的dALFF。首先，對每個獨立成分的時間序列進行濾波，以減少極低頻漂移和高頻噪聲的干擾；然后將時間序列采用快速傅里葉變換變換到頻域，估計其功率譜，按功率譜各頻率計算平方根，每個窗口的ALFF是通過給定頻段（0.01～0.08 Hz）的平方根得到的；最后將所有窗口的dALFF估計值拼接成一個N×W的dALFF矩陣（其中N表示獨立成分的數量，W表示滑動窗口的數量），用其表示27個獨立成分隨時間變化的dALFF。

通過K均值聚類算法并通過肘部法則將動態ALFF矩陣聚類成4種狀態。其聚類結果如圖3所示，每一列代表一個簇的聚類中心，反映了一種狀態下ALFF的激活模式，并將全部被試在某一聚類標簽下的占比用百分比表示出來。可以觀察到，狀態4的ALFF激活模式相對較大，狀態1、2和3的ALFF激活模式相對較小。狀態1是第二弱的激活狀態，大部分腦區都處于相對較弱激活程度的ALFF；狀態2是中等偏弱的激活狀態，大部分腦區都處于相對中等偏弱激活程度的ALFF；狀態3是最弱激活狀態，大部分腦區的ALFF激活程度處于最小；狀態4是最強的激活狀態，大部分腦區都處于相對較強激活程度的ALFF。

圖4為不同dALFF聚類狀態下的組間差異。通過獨立雙樣本T檢驗分析，4種狀態中，每種狀態在HC健康對照組和PA吸煙成癮組中均產生組間差異。與HC相比，PA在弱激活狀態（狀態1=0.001 64，狀態2=0.019 77，狀態3=0.002 72）的情況更多，在強激活狀態的情況更少（狀態4=0.003 16）。

將dALFF的2種動態指標和3個與吸煙成癮相關的統計學指標（FTND、煙齡和包年）進行皮爾遜相關性分析，結果表明，在狀態2時，青少年吸煙成癮者的平均停留時間與包年呈顯著正相關性（r=0.305，p=0.049），如圖5所示，但與FTND、煙齡無顯著相關性。

3" 討論

低頻振蕩振幅（ALFF）由Zang等[10]提出，其通過計算被試者一段時間內的血氧水平依賴（Blood Oxygenation Level Dependent，BOLD）信號偏離基線的平均幅度值，可以刻畫一段時間內大腦局部自發活動的強度變化。先前針對吸煙成癮的研究大部分是基于靜態的ALFF，但大腦的自發活動在時間維度上是動態變化的。因此，本研究采用dALFF的方法，通過滑動窗口技術捕捉大腦在短時間內的ALFF隨時間變化信息，并通過組成分獨立分析和K均值聚類分析，探討dALFF在DMN、LECN、RECN和SAN中重復出現的狀態，并對青少年吸煙成癮者在不同狀態下的大腦功能網絡是否存在異常進行研究[11]。

默認模式網絡（DMN）主要包括后扣帶皮層、內側前額葉皮層和外側頂葉皮層，DMN在個體處于休息狀態時更活躍，但在執行認知任務時會短暫出現負激活狀態，即激活程度降低。執行控制網絡（ECN）主要包括背側前額葉皮層和后頂葉皮層，左側執行控制網絡（LECN）和右側執行控制網絡（RECN）均屬于該網絡，ECN在需要執行認知控制、工作記憶等高級認知任務時更活躍，主要功能包括活動抑制，軀體感知覺和痛覺的處理[4]。突顯網絡（SAN）主要包括背前扣帶皮層、雙側島葉和前輔助運動區，SAN在執行認知任務時更活躍，與ECN均是任務正激活網絡[12]。其是大腦實現信息處理、情感認知等功能的重要腦網絡，負責整合不同類型的感覺信息，調節大腦網絡的內部與外部處理的切換，并讓相應的大腦功能區域對神經刺激做出適當的反應[13]。先前的靜息態研究表明，吸煙成癮者上述3個腦網絡較健康非吸煙者激活程度下降，當對尼古丁這一物質成癮時，其可能提升大腦執行認知任務時的整體注意力，從而導致DMN的活性降低，而SAN和ECN會受到尼古丁依賴的負面影響，從而導致網絡內激活程度的降低[14-15]。

研究結果表明，與青少年健康非吸煙者相比，青少年吸煙成癮者在靜息狀態下的默認模式網絡（DMN）、執行控制網絡（ECN）和突顯網絡（SAN）中的dALFF激活程度發生改變，即激活程度降低（圖3），青少年吸煙成癮者在弱激活狀態的占比更高，而在相對較強的激活狀態占比低。通過皮爾遜分析可知，狀態2的平均停留時間和包年呈顯著正相關性，這表明隨著包年的增加（即吸煙成癮程度增加），在激活程度相對較弱的狀態2的平均停留時間越久（圖5）。這表明，吸煙成癮會導致青少年腦網絡功能的改變，導致其部分腦網絡的激活程度降低。本項研究結果有助于深入了解青少年吸煙成癮的神經生物學機制，并對未來指導青少年戒煙提供了科學依據。

本研究還存在一定的局限性。首先，本研究參與的被試者數量相對較少，還應擴大被試者范圍以驗證實驗結果；其次，本研究參與的被試者皆為青少年男性，青少年女性吸煙成癮者是否適用本研究實驗結果尚未可知。未來，應在更大范圍的青少年吸煙成癮群體中展開研究，并增加青少年女性吸煙成癮者作為被試對象，進一步探究青少年吸煙成癮機制。

參考文獻：

[1] CHEN Z， PETO R， ZHOU M， et al. Contrasting male and female trends in tobacco-attributed mortality in China： evidence from successive nationwide prospective cohort studies[J]. The Lancet， 2015，386（10002）：1447-1456.

[2] XI B， LIANG Y， LIU Y， et al. Tobacco use and second-hand smoke exposure in young adolescents aged 12-15 years： data from 68 low-income and middle-income countries[J]. The Lancet Global Health， 2016，4（11）：e795-e805.

[3] MORALES A M， GHAHREMANI D， KOHNO M， et al. Cigarette exposure， dependence， and craving are related to insula thickness in young adult smokers[J]. Neuropsychopharmacology， 2014，39（8）：1816-1822.

[4] 張勇，李顏良，程敬亮，等.長期吸煙人群靜息態腦網絡異常的功能磁共振評價[J].中華醫學雜志，2017，97（47）：3724-3728.

[5] WANG Y Y， LIU Z， CHEN F， et al. Effects of acupuncture on craving after tobacco cessation： a resting-state fMRI study based on the fractional amplitude of low-frequency fluctuation[J]. Quantitative Imaging in Medicine and Surgery， 2019，9（6）：1118.

[6] 薛婷，陶占龍，李明昕，等.吸煙成癮青少年大腦靜息態低頻振蕩振幅百分比變化[J].中華行為醫學與腦科學雜志，2020，29（11）：1020-1024.

[7] QIU X， HAN X， WANG Y， et al. Interaction between smoking and internet gaming disorder on spontaneous brain activity[J]. Frontiers in Psychiatry， 2020，11：586114.

[8] MALHI G S， DAS P， OUTHRED T， et al. Resting-state neural network disturbances that underpin the emergence of emotional symptoms in adolescent girls： resting-state fMRI study[J]. The British Journal of Psychiatry， 2019，215（3）：545-551.

[9] LI G， ZHOU L， CHEN Z， et al. Dynamic functional connectivity impairments in idiopathic rapid eye movement sleep behavior disorder[J]. Parkinsonism amp; Related Disorders， 2020，79：11-17.

[10] ZANG Y F， HE Y， ZHU C Z， et al. Altered baseline brain activity in children with ADHD revealed by resting-state functional MRI[J]. Brain and Development， 2007，29（2）：83-91.

[11] FU Z， TU Y， DI X， et al. Characterizing dynamic amplitude of low-frequency fluctuation and its relationship with dynamic functional connectivity： an application to schizophrenia[J]. Neuroimage， 2018，180：619-631.

[12] 許珂，張勇，程敬亮，等.不同程度尼古丁依賴者的動態功能網絡連接研究[J].臨床放射學雜志，2021，40（7）：1256-1261.

[13] 黃歡，王惠玲，周媛，等.精神分裂癥患者腦靜息態默認網絡和中心執行網絡及突顯網絡關系的初步探討[J].中華精神科雜志，2015，48（3）：175-181.

[14] WEILAND B J， SABBINENI A， CALHOUN V D， et al. Reduced executive and default network functional connectivity in cigarette smokers[J]. Human brain mapping， 2015，36（3）：872-882.

[15] LIAO W， LI J， JI G J， et al. Endless fluctuations： temporal dynamics of the amplitude of low frequency fluctuations[J]. IEEE Transactions on Medical Imaging， 2019，38（11）：2523-2532.

基金項目：內蒙古自治區自然科學基金項目（2021MS08014）

第一作者簡介：隋文禹（1996-），男，碩士研究生。研究方向為醫學圖像處理。

*通信作者：薛婷（1982-），女，博士，副教授。研究方向為醫學圖像處理，神經影像數據分析。