程思佳 景 斌 李海云

(首都醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院， 北京 100069)

人腦對(duì)握力刺激響應(yīng)特征的數(shù)值計(jì)算分析方法

程思佳 景 斌 李海云#*

(首都醫(yī)科大學(xué)生物醫(yī)學(xué)工程學(xué)院， 北京 100069)

為研究人腦對(duì)握力刺激的響應(yīng)特征，提出一種新的數(shù)值計(jì)算分析方法：結(jié)合獨(dú)立成分分析和云模型，對(duì)握力刺激腦響應(yīng)特征進(jìn)行數(shù)值計(jì)算。采集10名健康受試者不同握力任務(wù)下的功能磁共振(fMRI)數(shù)據(jù)并進(jìn)行預(yù)處理，應(yīng)用獨(dú)立成分分析獲取不同握力刺激條件下的腦激活區(qū)域位置和大小，然后通過(guò)云模型計(jì)算腦激活區(qū)域內(nèi)的數(shù)據(jù)分布特征。結(jié)果表明,握力刺激的腦激活區(qū)域主要分布在對(duì)側(cè)大腦Brodmann 2、3、4、6區(qū)和同側(cè)小腦，并且隨著握力強(qiáng)度的增加，中央前回、中央后回等激活區(qū)域增大(激活簇體素個(gè)數(shù)分別為4 075、4 218、4 965)；在不同握力刺激條件下,激活區(qū)域的任務(wù)態(tài)與非任務(wù)態(tài)間的期望、熵、超熵(Ex、En、He)均有明顯的統(tǒng)計(jì)學(xué)差異，Ex(P<0.001)和En(P<0.005)增大，He(P<0.005)減??；不同握力刺激間三個(gè)參數(shù)的差異不明顯，并且非激活區(qū)域內(nèi)任務(wù)狀態(tài)與非任務(wù)狀態(tài)間的期望、熵、超熵均無(wú)統(tǒng)計(jì)學(xué)差異。該方法可為不同任務(wù)下大腦激活區(qū)域的數(shù)據(jù)分布特征研究提供一種新的分析手段。

握力刺激；功能磁共振；獨(dú)立成分分析；云模型

引言

近十幾年來(lái)，腦影像技術(shù)的發(fā)展為人們探索腦響應(yīng)機(jī)制提供了有利條件。早期，人們直接對(duì)大腦皮層進(jìn)行電刺激以實(shí)現(xiàn)術(shù)前手部運(yùn)動(dòng)區(qū)的定位[1]，并發(fā)現(xiàn)與手部運(yùn)動(dòng)相關(guān)的初級(jí)運(yùn)動(dòng)皮層(primary motor cortex, M1)位于中央前回Brodmann 4區(qū)。隨著無(wú)損測(cè)量技術(shù)特別是功能磁共振成像(functional magnetic resonance imaging, fMRI)技術(shù)的發(fā)展，使手部運(yùn)動(dòng)功能區(qū)的定位更加精確，而且使不同手部運(yùn)動(dòng)狀態(tài)下腦激活情況的研究成為可能。利用fMRI通過(guò)手部運(yùn)動(dòng)實(shí)驗(yàn)發(fā)現(xiàn)，對(duì)側(cè)初級(jí)運(yùn)動(dòng)區(qū)(primary motor cortex,M1)、前運(yùn)動(dòng)皮質(zhì)(premotor cortex, PMC)、輔助運(yùn)動(dòng)區(qū)(supplement motor area, SMA)以及雙側(cè)小腦存在激活，并且非利手運(yùn)動(dòng)引起的對(duì)側(cè)激活區(qū)體積大于利手運(yùn)動(dòng)引起的激活區(qū)體積[2]。對(duì)運(yùn)動(dòng)區(qū)功能連接的研究[3-5]發(fā)現(xiàn)，在手指高頻運(yùn)動(dòng)時(shí)，對(duì)側(cè)M1與對(duì)側(cè)SMA、腹外側(cè)運(yùn)動(dòng)前皮層(ventral premotor cortex, PMv)、同側(cè)PMv的連接增強(qiáng)。在運(yùn)動(dòng)條件改變時(shí)，腦激活情況發(fā)生改變，其中運(yùn)動(dòng)頻率在1.5～5 Hz時(shí)腦激活信號(hào)強(qiáng)度和數(shù)目隨著頻率的增加呈線性增大，但在低頻(0.5～1 Hz)時(shí)為非線性變化[6]，并且右利手者在左手運(yùn)動(dòng)時(shí)對(duì)側(cè)腦區(qū)的激活程度隨著運(yùn)動(dòng)頻率的變化遠(yuǎn)大于右手運(yùn)動(dòng)引起的對(duì)側(cè)腦區(qū)激活程度的變化[7]。Lutz等研究發(fā)現(xiàn)，運(yùn)動(dòng)頻率除了對(duì)M1激活程度有影響外，對(duì)小腦的激活也有影響[8]。同時(shí)，握力大小也是影響腦激活水平的重要因素，Pual等研究發(fā)現(xiàn)，隨著握力的增強(qiáng)，大腦、基底神經(jīng)節(jié)和小腦激活程度增加[9]。另外，Jeremy等對(duì)不同年齡的健康成年人握力刺激下腦激活情況的研究發(fā)現(xiàn)，在相同握力水平條件下，年老組殼核(putamen)、丘腦(thalamus)、小腦以及身體同側(cè)PMv的激活程度明顯高于年輕組,說(shuō)明年齡也是影響運(yùn)動(dòng)皮層激活的一個(gè)因素[10]。但是，上述研究局限在握力刺激下腦激活位置、激活面積、激活程度的變化情況分析。任務(wù)刺激引起部分神經(jīng)元活動(dòng)增強(qiáng)，表現(xiàn)為特定腦區(qū)的fMRI信號(hào)變化。信號(hào)變化的不同導(dǎo)致腦區(qū)激活位置、激活面積以及激活程度等腦響應(yīng)特征的差異，即腦響應(yīng)特征的不同是信號(hào)變化的結(jié)果。因此，除上述腦響應(yīng)特征的描述方法外，直接對(duì)局部腦區(qū)的信號(hào)進(jìn)行數(shù)值分析，可得到局部腦區(qū)的響應(yīng)特征，但目前尚未研究握力刺激下相應(yīng)腦響應(yīng)區(qū)域內(nèi)的數(shù)值變化特征。在本研究中，筆者提出一種新的結(jié)合獨(dú)立成分分析和云模型的方法，用來(lái)探究不同握力刺激下人腦響應(yīng)特征。

獨(dú)立成分分析最早由Mc Keown引入到fMRI數(shù)據(jù)分析中[11]。它是一種數(shù)據(jù)驅(qū)動(dòng)的方法，在處理功能磁共振數(shù)據(jù)時(shí)無(wú)需實(shí)驗(yàn)設(shè)計(jì)等先驗(yàn)知識(shí)，只要根據(jù)信號(hào)本質(zhì)特征將信號(hào)分解為空間獨(dú)立的分量，利用更多的信息進(jìn)行數(shù)據(jù)挖掘，就可以得到廣義線性模型(general linear model，GLM)方法不能夠得到的激活區(qū)域[12]。組獨(dú)立成分分析(group independent component analysis, Group ICA)作為一種能夠進(jìn)行組分析的ICA分析方法，能夠同時(shí)對(duì)多個(gè)受試者的fMRI數(shù)據(jù)進(jìn)行分析，在保證計(jì)算結(jié)果準(zhǔn)確性的前提下，大大提高了計(jì)算速度。

云模型是在模糊集合的基礎(chǔ)上發(fā)展而來(lái)的，是描述模糊概念的一種不確定性人工智能模型[13]。在云模型中，設(shè)U是一個(gè)用精確值表示的論域，A是U上的定性概念，對(duì)于U中的任意元素x，都存在一個(gè)具有穩(wěn)定傾向的隨機(jī)數(shù)u(x)∈[0,1],叫做x對(duì)概念A(yù)的隸屬度，隸屬度在U上的分布稱(chēng)為云，x稱(chēng)為云滴。在模糊集合中，某特定點(diǎn)的隸屬度是確定的，但以精確的隸屬度函數(shù)描述模糊集不符合事物的模糊本質(zhì)，存在一定缺陷。而云模型兼顧描述對(duì)象的隨機(jī)性和模糊性兩個(gè)方面，論域上某一點(diǎn) 的隸屬度存在變化并且符合統(tǒng)計(jì)學(xué)意義上的正態(tài)分布規(guī)律。通過(guò)云模型可以刻劃模糊問(wèn)題的亦此亦彼性和隸屬度的隨機(jī)性，與模糊集合相比更適合模糊概念的描述[13]。已有研究表明，任務(wù)刺激下的腦功能響應(yīng)存在一定的變化而非確定不變的[14]，即具有模糊性，符合云模型應(yīng)用的條件。云模型用3個(gè)特征參數(shù)——期望 (expectation, Ex)、熵 (entropy,En)、超熵 (hyper-entropy,He)即可體現(xiàn)數(shù)據(jù)的分布特點(diǎn)，通過(guò)對(duì)云模型參數(shù)的分析來(lái)研究激活區(qū)數(shù)據(jù)分布特征。

本課題對(duì)視覺(jué)提示的右手握力實(shí)驗(yàn)條件下的大腦響應(yīng)特征進(jìn)行分析研究，首先對(duì)握力刺激下的腦激活區(qū)域進(jìn)行定位，然后結(jié)合云模型探究握力刺激下腦激活區(qū)域內(nèi)的數(shù)據(jù)分布特征。

1 方法

1.1數(shù)據(jù)采集

本實(shí)驗(yàn)采集10名健康受試者在不同握力實(shí)驗(yàn)條件下的基于血氧水平依賴(lài)(blood oxygen level-dependent, BOLD)fMRI數(shù)據(jù)，其中男女各5名，平均年齡(25.00±3.40)歲(23～34歲)，受試者均為右利手，無(wú)神經(jīng)系統(tǒng)疾病，無(wú)影響手部運(yùn)動(dòng)的疾病，無(wú)酒精藥物依賴(lài)，矯正視力正常。實(shí)驗(yàn)經(jīng)首都醫(yī)科大學(xué)倫理委員會(huì)批準(zhǔn)，所有受試者均簽署了知情同意書(shū)。

實(shí)驗(yàn)根據(jù)抓握橡膠握力圈所需的握力大小分為3組任務(wù)進(jìn)行。3組任務(wù)所需握力大小分別為：任務(wù)1,75 N;任務(wù)2,110 N;任務(wù)3,140 N。3組任務(wù)除握力大小外，其他實(shí)驗(yàn)條件均相同。實(shí)驗(yàn)采用組塊設(shè)計(jì)，每組任務(wù)包括6個(gè)組塊，每一組塊由16 s任務(wù)態(tài)和16 s控制過(guò)程(無(wú)任務(wù)，靜息狀態(tài))組成，每組任務(wù)持續(xù)時(shí)間192 s。受試者平躺放松在安靜清醒狀態(tài)進(jìn)行實(shí)驗(yàn)，任務(wù)態(tài)時(shí)根據(jù)屏幕提示以1 Hz的頻率右手抓握橡膠圈。

實(shí)驗(yàn)數(shù)據(jù)在首都醫(yī)科大學(xué)附屬宣武醫(yī)院采集，磁共振系統(tǒng)為Siemens公司3.0 T成像系統(tǒng)，fMRI成像采用回波平面成像序列(echo planar imaging, EPI)，軸狀位掃面。其中，各參數(shù)設(shè)置如下：TR(repetition time)=2 000 ms,TE (echo time)=30 ms,反轉(zhuǎn)角=90°，層間距=1 mm，層厚=3 mm,視野FOV(field of view)=220 mm×220 mm，分辨率=64像素×64像素,掃描層數(shù)=32。

1.2數(shù)據(jù)預(yù)處理

采用SPM8軟件(Statistical Parametric Mapping)，對(duì)獲取的fMRI數(shù)據(jù)進(jìn)行預(yù)處理。首先進(jìn)行時(shí)間層矯正(slice timing)，然后采用頭動(dòng)校正(realign)去除位移大于2 mm、轉(zhuǎn)動(dòng)大于1°的數(shù)據(jù)(所有受試者的頭動(dòng)程度均小于上述標(biāo)準(zhǔn))，采用空間標(biāo)準(zhǔn)化(normalize)將圖像配準(zhǔn)到MNI(Montreal Neurological Institute)空間，采用半高寬度為8 mm的高斯核對(duì)圖像進(jìn)行空間平滑(smooth)。

1.3數(shù)值特征計(jì)算

結(jié)合獨(dú)立成分分析和云模型，探究不同握力刺激下腦激活區(qū)域的數(shù)據(jù)分布特征。首先對(duì)預(yù)處理后的圖像進(jìn)行獨(dú)立成分分析，得到握力刺激下的腦激活區(qū)域，以及握力對(duì)激活區(qū)域位置和大小的影響；然后結(jié)合云模型得到表征數(shù)據(jù)分布特點(diǎn)的云模型參數(shù)，經(jīng)統(tǒng)計(jì)分析得到握力刺激下特定腦區(qū)數(shù)據(jù)分布的特點(diǎn)。

1.3.1獨(dú)立成分分析

ICA是盲源信號(hào)分離的主要算法之一?；贗CA模型的fMRI信號(hào)分析，假設(shè)采集到的fMRI信號(hào)是各個(gè)源信號(hào)的線性組合，而源信號(hào)在腦區(qū)的分布是空間獨(dú)立的，因此fMRI信號(hào)可被分離為空間獨(dú)立的成分，具體表示如下：

X=AS

(1)

式中：X為觀測(cè)信號(hào)，即采集到的fMRI信號(hào)；A為信號(hào)混合矩陣；S為源信號(hào)，每一行代表一個(gè)源信號(hào)的空間分布圖，在fMRI信號(hào)處理中代表獨(dú)立的成分。

ICA算法在A未知的情況下經(jīng)反復(fù)迭代求得解混矩陣W，觀測(cè)信號(hào)X經(jīng)過(guò)反混合矩陣運(yùn)算后得到輸出矩陣，即

Y=WX=WAS

(2)

式中，Y是源信號(hào)S的最優(yōu)估計(jì)，即經(jīng)ICA分離得到的獨(dú)立成分，是每個(gè)源信號(hào) 在腦區(qū)中的分布。

分離得到的獨(dú)立成分按照與任務(wù)的相關(guān)性可以分為持續(xù)任務(wù)相關(guān)成分(consistently task-related, CTR)、瞬時(shí)任務(wù)相關(guān)成分(transiently task-related, TTR)、緩慢變化成分(slowly varying components)，以及輕微頭動(dòng)或生理過(guò)程產(chǎn)生的偽影(artifact)等。

在圖像經(jīng)過(guò)預(yù)處理之后，選擇目前廣泛應(yīng)用的組獨(dú)立成分分析軟件GIFT(Group ICA of fMRI Toolbox)進(jìn)行ICA分析。根據(jù)最小描述長(zhǎng)度(minimum description lengths, MDL)標(biāo)準(zhǔn)估計(jì)每組數(shù)據(jù)的成分個(gè)數(shù)，利用Infomax迭代算法得到每一受試者的獨(dú)立成分。由于各獨(dú)立成分的排列是無(wú)序的，利用相應(yīng)時(shí)間曲線與參考函數(shù)的相關(guān)性對(duì)成分進(jìn)行篩選，選擇與任務(wù)相關(guān)性最大的成分進(jìn)行統(tǒng)計(jì)分析，得到不同任務(wù)狀態(tài)下的腦激活區(qū)域。利用坐標(biāo)定位軟件Talairach Client，對(duì)所得到的激活結(jié)果進(jìn)行定位。把激活圖保存為二值圖像模板并作為感興趣區(qū)(region of interest, ROI)，以用于后續(xù)的云模型分析。

1.3.2云模型

設(shè)U是一個(gè)用精確值表示的論域，A是U上的定性概念，對(duì)于U中的任意元素x，都存在一個(gè)具有穩(wěn)定傾向的隨機(jī)數(shù)u(x)∈[0,1],叫做x對(duì)概念A(yù)的隸屬度，隸屬度在U上的分布稱(chēng)為云，x稱(chēng)為云滴。云模型可以由3個(gè)數(shù)字特征表示，分別為期望值Ex、熵En、超熵He。Ex是最能代表定性概念的點(diǎn)，是云滴在論域空間分布的期望。熵是定性概念的不確定性度量，代表了云滴的離散程度，反映了論域空間中可被接受的云滴的取值范圍。超熵即熵的熵，是熵的不確定性度量，由熵的隨機(jī)性和模糊性共同決定，反映了云的厚度。正態(tài)云模型的3個(gè)數(shù)字特征滿足：

(3)

(4)

即任意云滴x是滿足期望為Ex、標(biāo)準(zhǔn)差為E′n的正態(tài)分布的一次隨機(jī)實(shí)現(xiàn)，E′n是滿足期望為En標(biāo)準(zhǔn)差為He的正態(tài)分布數(shù)據(jù)。云滴x對(duì)概念A(yù)的隸屬度滿足

(5)

云發(fā)生器分為兩種：一種是根據(jù)定性概念的數(shù)字特征產(chǎn)生云滴(定量數(shù)據(jù))的正向云發(fā)生器；一種是根據(jù)云滴得到數(shù)字特征，即實(shí)現(xiàn)定量數(shù)據(jù)到定性概念映射的逆向云發(fā)生器。在實(shí)驗(yàn)中，以局部腦區(qū)的數(shù)據(jù)作為云模型的云滴，然后利用云滴求取定性概念的數(shù)字特征。具體逆向云發(fā)生器的算法如下[15]：

假設(shè)有云滴{x1，x2，…，xn}，先求取xi的平均值作為期望Ex

(6)

求取xi的方差

(7)

然后，計(jì)算云模型的熵En，有

(8)

最后，計(jì)算超熵He，有

(9)

利用云模型對(duì)已得到的不同握力刺激條件下腦激活區(qū)域內(nèi)的數(shù)據(jù)分布特征進(jìn)行分析。首先，按照實(shí)驗(yàn)設(shè)計(jì)將采集到的每一受試者圖像分為任務(wù)和非任務(wù)(控制過(guò)程)兩種狀態(tài)，采用3種握力情況下腦激活區(qū)的共同區(qū)域作為ROI；然后，對(duì)兩種狀態(tài)下ROI內(nèi)的數(shù)據(jù)進(jìn)行分析，得到表征相應(yīng)數(shù)據(jù)分布特征的云模型參數(shù)，利用SPSS 16.0對(duì)不同狀態(tài)以及不同握力刺激下的云模型參數(shù)進(jìn)行統(tǒng)計(jì)分析。為比較任務(wù)相關(guān)區(qū)域與任務(wù)無(wú)關(guān)區(qū)域內(nèi)數(shù)據(jù)分布的差異，選擇右側(cè)顳上回作為任務(wù)無(wú)關(guān)感興趣區(qū)進(jìn)行云模型分析。

2 結(jié)果

在所提出的方法中，獨(dú)立成分分析是一個(gè)重要部分，決定了后續(xù)處理中需要研究的感興趣區(qū)。采用GroupICA將數(shù)據(jù)分解成獨(dú)立的成分，然后選取相應(yīng)的時(shí)間曲線與參考函數(shù)相關(guān)性的最大成分進(jìn)行組分析，得到不同握力刺激條件下的腦激活區(qū)域，如圖1所示。

利用REST軟件(Resting State fMRI Data Analysis Toolkit)把所得到的MNI坐標(biāo)轉(zhuǎn)換為T(mén)alairach(TAL)坐標(biāo)，然后利用Talairach Client對(duì)所得的坐標(biāo)進(jìn)行定位，得到不同握力條件下的激活區(qū)定位。其中，表1為握力為75 N時(shí)組分析的腦激活區(qū)域，表2為握力為110 N時(shí)組分析的腦激活區(qū)域，表3為握力為140 N時(shí)組分析的腦激活區(qū)域。

以任務(wù)1為例，經(jīng)過(guò)坐標(biāo)定位，可以發(fā)現(xiàn)左側(cè)大腦中央后回、中央前回、頂下小葉、丘腦等區(qū)域，右側(cè)大腦枕下回、梭狀回，以及小腦部分區(qū)域存在激活。按照Brodman分區(qū)顯示2、3與體感有關(guān)的區(qū)域，4、6等與運(yùn)動(dòng)相關(guān)的區(qū)域以及與視覺(jué)相關(guān)的19區(qū)被激活；實(shí)驗(yàn)結(jié)果表明，實(shí)驗(yàn)任務(wù)刺激被受試者有效地執(zhí)行，與筆者前期的實(shí)驗(yàn)結(jié)果較為一致[16]。按照實(shí)驗(yàn)設(shè)計(jì)，把采集到的每個(gè)受試者的圖像分成非任務(wù)和任務(wù)兩種狀態(tài)；由于BOLD信號(hào)的延時(shí)效應(yīng)，舍棄每個(gè)組塊、每個(gè)狀態(tài)前兩秒鐘采集的圖像，采用3個(gè)任務(wù)握力刺激下腦激活區(qū)域的共同部分作為感興趣區(qū)，獲取感興趣區(qū)內(nèi)的像素平均值作為逆向云發(fā)生器的輸入，計(jì)算得到不同握力刺激時(shí)兩種狀態(tài)下的云模型參數(shù)，見(jiàn)表4～表6。其中，(rEx為非任務(wù)狀態(tài)云模型期望值；rEn為非任務(wù)狀態(tài)云模型熵；rHe為非任務(wù)狀態(tài)云模型超熵；tEx為任務(wù)狀態(tài)云模型期望值；tEn為任務(wù)狀態(tài)云模型熵；tHe為任務(wù)狀態(tài)云模型超熵)。

對(duì)同一握力刺激下非任務(wù)和任務(wù)時(shí)的同一云模型參數(shù)進(jìn)行配對(duì)t檢驗(yàn)，發(fā)現(xiàn)不同握力情況下任務(wù)狀態(tài)時(shí)云模型期望明顯高于非任務(wù)狀態(tài)時(shí)的期望；任務(wù)狀態(tài)時(shí)與非任務(wù)狀態(tài)時(shí)相比熵明顯升高，超熵明顯降低，但3種不同握力下任務(wù)狀態(tài)時(shí)的云參數(shù)經(jīng)重復(fù)測(cè)量方差分析未發(fā)現(xiàn)明顯差異，具體統(tǒng)計(jì)分析情況見(jiàn)圖2。

為分析在握力刺激條件下腦激活區(qū)域與非激活區(qū)域內(nèi)數(shù)據(jù)分布特點(diǎn)的差異，首先利用WFU (Wake Forest University)PickAtlas軟件選取3種握力任務(wù)下均未見(jiàn)激活的腦區(qū)右側(cè)顳上回作為非激活區(qū)域ROI。右側(cè)顳上回的解剖位置如圖3所示。

對(duì)非激活區(qū)域內(nèi)的數(shù)據(jù)進(jìn)行分析(與激活區(qū)內(nèi)數(shù)據(jù)分析方法相同)，得到該區(qū)域內(nèi)3種不同握力任務(wù)下非任務(wù)和任務(wù)狀態(tài)時(shí)的云模型參數(shù)，與任務(wù)無(wú)關(guān)的ROI內(nèi)任務(wù)時(shí)和休息時(shí)的云模型參數(shù)經(jīng)配對(duì)t檢驗(yàn)發(fā)現(xiàn)均無(wú)明顯差異，不同握力任務(wù)之間云模型參數(shù)經(jīng)重復(fù)測(cè)量方差分析未發(fā)現(xiàn)顯著差異。也就是說(shuō)，在實(shí)驗(yàn)過(guò)程中，任務(wù)無(wú)關(guān)區(qū)域內(nèi)fMRI信號(hào)未發(fā)生明顯變化。

3 討論

對(duì)握力刺激下腦響應(yīng)情況的研究發(fā)現(xiàn)，運(yùn)動(dòng)頻率和握力大小影響腦激活：隨著頻率增加，腦激活程度增加[6,8]；隨著握力大小的增加，腦激活程度也會(huì)增加[9]。本研究發(fā)現(xiàn)，在3種握力時(shí),下左側(cè)大腦中央前回、中央后回等區(qū)域均有激活，這些區(qū)域中包含感覺(jué)有關(guān)的2、3、5區(qū)，同時(shí)包含與運(yùn)動(dòng)密切相關(guān)的4、6區(qū)，并且隨著握力增大這些激活區(qū)域的體素?cái)?shù)逐漸增加。研究發(fā)現(xiàn)，小腦也與運(yùn)動(dòng)相關(guān)[9]；在本研究中發(fā)現(xiàn)，在握力實(shí)驗(yàn)下小腦區(qū)域存在激活，但是激活的體素?cái)?shù)與握力的大小并非呈簡(jiǎn)單的線性關(guān)系。與視覺(jué)有關(guān)的18、19區(qū)在較小握力情況下有明顯激活，并且隨著握力的增大而減小，在握力最大的實(shí)驗(yàn)組中未見(jiàn)該兩區(qū)域的激活。人腦的運(yùn)動(dòng)系十分復(fù)雜[17]，筆者發(fā)現(xiàn)腦區(qū)的激活程度與任務(wù)強(qiáng)度并不是都存在線性關(guān)系，只有部分腦區(qū)的激活程度與任務(wù)強(qiáng)度變化有較為一致的變化趨勢(shì)，但是否是線性關(guān)系還有待進(jìn)一步研究。

基于BOLD信號(hào)的fMRI成像，利用局部腦區(qū)氧合血紅蛋白和去氧血紅蛋白的含量變化造成磁共振信號(hào)的變化來(lái)反映腦組織局部功能活動(dòng)。fMRI的空間分辨率在毫米水平，每一體素信號(hào)的變化代表了該毫米級(jí)腦區(qū)的活動(dòng)情況。對(duì)特定腦區(qū)內(nèi)的數(shù)據(jù)分布特點(diǎn)進(jìn)行分析，可得到該區(qū)域的腦功能響應(yīng)特征。利用所提出的方法，以ICA得到的不同握力刺激下的腦激活區(qū)域作為ROI，然后利用云模型對(duì)ROI內(nèi)的數(shù)據(jù)進(jìn)行研究，發(fā)現(xiàn)在握力刺激條件下被激活的腦區(qū)內(nèi)，任務(wù)狀態(tài)與非任務(wù)狀態(tài)相比，云模型的期望和熵明顯升高，超熵明顯降低；而在非激活區(qū)域內(nèi)，任務(wù)狀態(tài)與非任務(wù)狀態(tài)的云模型參數(shù)無(wú)明顯變化。在任務(wù)刺激下，激活腦區(qū)的fMRI信號(hào)由于每一體素的腦區(qū)活動(dòng)增強(qiáng)而增加，所以激活區(qū)域任務(wù)狀態(tài)的期望值明顯高于非任務(wù)狀態(tài)時(shí)的期望值，而在未激活區(qū)域內(nèi)相應(yīng)體素的腦區(qū)活動(dòng)沒(méi)有由于任務(wù)刺激發(fā)生明顯改變，fMRI信號(hào)不會(huì)明顯變化，所以云模型參數(shù)不會(huì)發(fā)生明顯變化。通過(guò)統(tǒng)計(jì)分析可以發(fā)現(xiàn)，云模型可以有效區(qū)分任務(wù)相關(guān)區(qū)域休息和任務(wù)兩種不同的狀態(tài)，并根據(jù)云模型在兩種不同狀態(tài)下云模型參數(shù)的變化情況，區(qū)分任務(wù)相關(guān)區(qū)域及無(wú)關(guān)區(qū)域。在任務(wù)相關(guān)區(qū)域內(nèi)，任務(wù)態(tài)與休息時(shí)相比云模型的熵有所增加，即云模型的分布范圍變寬，這可能與感興趣區(qū)內(nèi)fMRI信號(hào)不同程度的增加有關(guān)，反映了激活區(qū)內(nèi)不同體素的腦區(qū)存在不同的激活程度；云模型的超熵減小，云層厚度變薄，數(shù)據(jù)的模糊性降低，即感興趣區(qū)內(nèi)的體素有更確定的隸屬度屬于“激活”這個(gè)概念。但不同握力任務(wù)下云模型參數(shù)并未發(fā)現(xiàn)明顯差異，說(shuō)明云模型能區(qū)分局部腦區(qū)內(nèi)所有體素的整體活動(dòng)表現(xiàn)在任務(wù)與非任務(wù)狀態(tài)下的差異，但對(duì)任務(wù)之間的差異顯示尚不敏感。

在任務(wù)刺激下，與任務(wù)相關(guān)的腦區(qū)內(nèi)數(shù)據(jù)分布發(fā)生明顯變化，與任務(wù)無(wú)關(guān)的腦區(qū)沒(méi)有顯著變化，云模型參數(shù)體現(xiàn)了特定區(qū)域內(nèi)每一體素大小的腦區(qū)活動(dòng)的總體變化情況，因此該方法有望為腦激活特征的描述提供一種新思路。筆者對(duì)不同狀態(tài)以及不同握力任務(wù)下的數(shù)據(jù)分布進(jìn)行了分析，本組實(shí)驗(yàn)中受試者偏年輕(最大年齡34歲)。已有研究發(fā)現(xiàn)，年齡影響運(yùn)動(dòng)皮層的激活情況[10]，因此在后續(xù)研究中可以增加老年受試者，針對(duì)年齡對(duì)腦響應(yīng)特征的影響進(jìn)行探究。

4 結(jié)論

本研究結(jié)合獨(dú)立成分分析和云模型，對(duì)握力刺激下的腦響應(yīng)特征進(jìn)行數(shù)值分析。研究發(fā)現(xiàn)，在同一種握力任務(wù)刺激下，激活區(qū)域內(nèi)任務(wù)態(tài)和非任務(wù)態(tài)的云模型參數(shù)存在顯著差異，非激活區(qū)域內(nèi)任務(wù)態(tài)和非任務(wù)態(tài)的云模型參數(shù)無(wú)統(tǒng)計(jì)學(xué)差異，不同握力任務(wù)間云模型參數(shù)無(wú)顯著差異。這說(shuō)明，云模型參數(shù)可體現(xiàn)不同任務(wù)下大腦激活區(qū)域的數(shù)據(jù)分布特征。

[1] Yousry TA, Schmid UD, Jassoy AG,etal. Topography of the cortical motor hand area: prospective study with functional MR imaging and direct motor mapping at surgery[J]. Radiology, 1995,195(1): 23-29.

[2] 鐘士江，陳靜,包春雨，等.功能磁共振成像對(duì)正常人腦手運(yùn)動(dòng)皮質(zhì)的定位研究[J]. 武警后勤學(xué)院學(xué)報(bào)(醫(yī)學(xué)版), 2012,21(11): 851-855.

[3] Coynel D, Marrelec G, Perlbarg V,etal. Dynamics of motor-related functional integration during motor sequence learning[J]. NeuroImage, 2010,49(1): 759-766.

[4] Boudrias M, Gon?alves CS, Penny WD,etal. Age-related changes in causal interactions between cortical motor regions during hand grip[J]. NeuroImage, 2012,59(4): 3398-3405.

[5] Pope P, Wing AM, Praamstra P,etal. Force related activations in rhythmic sequence production[J]. NeuroImage, 2005,27(4): 909-918.

[6] J?ncke L, Specht K, Mirzazade S,etal. A parametric analysis of the ‘rate effect’ in the sensorimotor cortex: a functional magnetic resonance imaging analysis in human subjects[J]. Neuroscience Letters, 1998,252(1): 37-40.

[7] J?ncke L, Peters M, Schlaug G,etal. Differential magnetic resonance signal change in human sensorimotor cortex to finger movements of different rate of the dominant and subdominant hand[J]. Cognitive Brain Research, 1998,6(4): 279-284.

[8] Lutz K, Koeneke S, Wüstenberg T,etal. Asymmetry of cortical activation during maximum and convenient tapping speed[J]. Neuroscience Letters, 2004,373(1): 61-66.

[9] Pope P, Wing AM, Praamstra P,etal. Force related activations in rhythmic sequence production[J]. NeuroImage, 2005,27(4): 909-918.

[10] Noble JW, Eng JJ, Kokotilo KJ,etal. Aging effects on the control of grip force magnitude: An fMRI study[J]. Experimental Gerontology, 2011,46(6): 453-461.

[11] Mckeown MJ, Makeig S, Brown GG,etal. Analysis of fMRI data by blind separation into independent spatial components[J]. Hum Brain Mapp, 1998,6(3): 160-188.

[12] Calhoun VD, Adali T, Mcginty VB,etal. fMRI activation in a visual-perception task: network of areas detected using the general linear model and independent components analysis[J]. NeuroImage, 2001,14(5): 1080-1088.

[13] 李德毅，孟海軍，史雪梅. 隸屬云和隸屬云發(fā)生器[J]. 計(jì)算機(jī)研究與發(fā)展, 1995,32(6): 15-20.

[14] Gonzalez-Castillo J, Talavage TM. Reproducibility of fMRI activations associated with auditory sentence comprehension[J]. NeuroImage, 2011,54(3): 2138-2155.

[15] 劉常昱，馮芒，戴曉軍，等. 基于云 X 信息的逆向云新算法[J]. 系統(tǒng)仿真學(xué)報(bào), 2004,16(11): 2417-2420.

[16] Zhao Jing, Li Haiyun. An image fusion algorithm based on multi-resolution decomposition for functional magnetic resonance images[J]. Neuroscience Letters, 2011,487(1): 73-77.

[17] Eickhoff SB, Grefkes C. Approaches for the integrated analysis of structure, function and connectivity of the human brain[J]. Clin EEG Neurosci, 2011,42(2): 107-121.

ANumericalApproachtoCalculationandAnalysisofCharacteristicsofBrainFunctionalResponsetoGripTest

CHENG Si-Jia JING Bin LI Hai-Yun#*

(SchoolofBiomedicalEngineering,CapitalMedicalUniversity,Beijing100069,China)

In order to investigate the characteristics of human brain's responses to different gripping force tests, we proposed a novel numerical approach, combining the independent component analysis (ICA) and the cloud model. Firstly, we obtained ten subjects' fMRI image data from MRI scanner under different experimental conditions, and preprocessed those fMRI raw data, then the ICA was used to determine the brain active regions of different tasks, and the cloud model was applied to explore the numerical distribution characteristics of the activated voxels in activated regions under different grip force tests. The results showed that the activated regions mainly located at the contralateral cerebrum such as Brodmann area 2, 3, 4, 6 and ipsilateral cerebellum, and with the increasement of grip force, the number of the activated voxels in precentral gyrus and postcentral gyrus increased (cluster size: 4 075, 4 218, 4 965). In the activated region, the characteristic parameters of cloud model such as expectation, entropy, hyper-entropy (Ex, En, He) showed significant differences between task state and control state of different force conditions. The Ex (P<0.001) and En (P<0.005) were significantly increased while the He (P<0.005) was significantly decreased. But these parameters had no significant differences between different force conditions. In the unactivated region, the Ex、En、He had no significant differences between task and control state. The proposed method can be used to investigate the numerical distribution characteristics of brain's response to different tasks in future.

grip force test; functional magnetic resonance imaging (fMRI); independent component analysis(ICA); cloud model

10.3969/j.issn.0258-8021. 2014. 03.02

2013-09-18， 錄用日期:2014-04-11

北京市自然科學(xué)基金(4122018)；首都醫(yī)科大學(xué)基礎(chǔ)-臨床科研合作基金(13JL49)；首都醫(yī)科大學(xué)基礎(chǔ)-臨床科研合作基金(13JL04)

R318

A

0258-8021(2014) 03-0266-08

#中國(guó)生物醫(yī)學(xué)工程學(xué)會(huì)會(huì)員(Member, Chinese Society of Biomedical Engineering)

*通信作者(Corresponding author)，E-mail: haiyunli@ccmu.edu.cn