徐桂芝，付靈弟，尹寧，耿躍華，于洪麗

（河北工業(yè)大學 電磁場與電器可靠性省部共建重點實驗室，天津 300130）

引言

在腦科學研究領域，復雜網絡作為一門新興學科備受研究者們的廣泛關注，并給予足夠高的重視。早在20年前，DNA雙螺旋的發(fā)現(xiàn)者之一Crick就指出若沒有腦連接圖就不太可能理解腦的工 作機制。美國NIH的院長也指出腦連接組學是唯一能夠理解腦功能和腦疾病的途徑。在此基礎上，國內外研究者們紛紛意識到研究腦網絡的意義重大，并開展了大量與腦網絡相關的研究與工作，得出一些比較重要的結論（如小世界屬性，發(fā)現(xiàn)默認網絡等），為進一步理解腦的工作機制奠定了基石。

在眾多關于腦網絡研究的文獻中，有關靜息態(tài)下腦功能網絡的性別差異性的研究相對較少，更多的研究都忽略性別差異的影響直接研究任務狀態(tài)下的腦功能網絡。眾所周知，在結構上，男性與女性的最大區(qū)別在于大腦皮層結構，具體來說男性的右側顳頂區(qū)的灰質體積相對偏大些，女性顳平面的灰質體積相對偏大些[1]。在功能上，男性在執(zhí)行與視覺空間相關的任務更有優(yōu)勢，有研究也表明在執(zhí)行該類任務時存在顯著的性別差異[2]，與之相比，女性在執(zhí)行跟語言相關的任務時，相應的腦功能區(qū)更為活躍。有的研究[3]還表明女性前額葉活動相比男性來說更為活躍，不同性別的正常人在邊緣區(qū)的功能連接也同樣存在差異性表現(xiàn)[4]。之前有關性別差異性研究側重于任務狀態(tài)，而我們所熟悉的大腦靜息狀態(tài)獨具魅力，所謂靜息僅僅是對外的一個表象，在人腦約消耗的20%的人體能量中，由任務誘發(fā)的能量代謝只占大腦基礎狀態(tài)能量需求的5%左右，大部分神經活動都不受外部事件和刺激的影響，而且由這大部分的神經活動所消耗的能量占大腦總能消耗的百分比高達60%~80%[5]，更為重要的是靜息狀態(tài)能夠在很大程度上表征大腦的一些基本神經調節(jié)，從新的視角反映人腦中固有的神經生理特性[6]。所以本文基于腦電技術，從復雜網絡角度研究靜息狀態(tài)下不同性別的腦電數據并在連續(xù)的閾值區(qū)間內構建腦網絡研究其差異性，進而為那些利用腦網絡手段診斷各類疾病的研究提供一種參考，以提高診斷率。

1 研究數據和處理方法

1.1 研究數據

被試對象：健康右利手男性、女性各10名自愿參加本次實驗，年齡均在20至33歲之間，沒有任何神經、精神病史。

實驗儀器：采用美國NeuroScan公司生產的128導腦電采集以及同步分析系統(tǒng)，采樣頻率1000HZ，電極帽選用64導Quik-Cap電極帽，其電極安放標準遵循國際通用標準10~20臨床腦電信號采集電極放置方法。

實驗采集：所有被試的靜息實驗數據采集工作均在安靜，溫度適宜，被試舒適的環(huán)境中由熟悉腦電采集操作的學生老師共同完成。采集時間3分鐘，整個采集過程中，要求被試閉眼，放松，不想特定事情但要保持頭腦清醒以防睡著。

1.2 處理方法

1.2.1 數據預處理

利用腦電信號采集系統(tǒng)自帶的軟件包“Scan4.3.2”進行預處理，以消除各類干擾信號對后續(xù)分析所產生的影響，提高分析的可靠性與準確率。其主要步驟包括：

圖1 腦電信號預處理步驟Fig. 1 The Preprocessing of EEG

1.2.2 數據后處理

所有被試者的腦電數據預處理完畢后，在構建腦網絡之前至關重要的一步就是對所有被試的腦電數據進行統(tǒng)一，也就是選擇統(tǒng)一合適的節(jié)點構建腦網絡，以減少后續(xù)分析過程中因數據不統(tǒng)一所產生的偽差，本實驗最終選取的通道數為55導。

針對統(tǒng)一好的數據，對每個被試者選取50個周期約50s（50000×55個數據點）多通道時間序列，利用皮爾遜相關系數公式作關聯(lián)特性分析，求取50次關聯(lián)矩陣最后取平均得到最后的關聯(lián)矩陣A，用以表征各個通道之間的同步性以及緊密程度，其中Pearson相關系數公式為：

為了進一步分析由所有被試的關聯(lián)矩陣構成的腦功能網絡的屬性，需要設定一確定閾值構建腦網絡。一般說來，閾值的選取會直接影響其腦網絡屬性，為了避免由單一閾值帶來的局限性與偶然性，本文在連續(xù)的閾值區(qū)間內構建對應于每個閾值下的腦功能網絡，分析由不同性別的健康被試構建的腦功能網絡的拓撲結構差異。閾值區(qū)間確定的原則遵循：

（1）保證無孤立點；

（2）對每個被試而言，在閾值區(qū)間內構建的腦功能網絡平均度值不低于2lnN≈8，其中N=55；

（3）對每個被試而言，在閾值區(qū)間內必須具備小世界屬性。

由以上條件，確定閾值區(qū)間為0.2~0.8，并以步長為0.05構建所有稀疏度下每個被試者腦功能網絡。但由于閾值太低會造成全連接，研究意義不大，所以最終確定閾值區(qū)間為0.4~0.8，作為構建腦網絡的門限值區(qū)間。并從不同維度對所構建腦網絡進行分析，分析網絡測度包括：全局屬性聚類系數、特征路徑長度、效率、連接密度，和局部屬性節(jié)點度。

1）聚類系數C

在腦功能網絡中，聚類系數又稱聚合系數、集聚系數。是衡量腦功能網絡全局屬性的重要指標，反應所給狀態(tài)兩個節(jié)點互為鄰居的可能性，Ci表示局部聚類系數，整個腦網絡的聚類系數C可由所有通道節(jié)點局部聚類系數Ci取平均得到，其表達式為

其中，ki表示通道節(jié)點i的度值，Ei表示i的鄰居節(jié)點間存在的實際連接邊數。

2）特征路徑長度L

特征路徑長度是是衡量腦功能網絡全局屬性的另一重要指標，它可以表示網絡中任意兩個節(jié)點之間的最短路徑長度的平均值，是反映網絡內部信息傳輸的關鍵參數。

3）全局效率e

全局效率用以表征網絡的傳輸能力，評價信息傳遞的快慢的指標可以表示為：

4）連接密度

網絡的平均度，即連接密度，對應全局狀態(tài)屬性，表達式為：

5）節(jié)點度

度被定義為一個通道節(jié)點的邊數，是反映局部屬性的一個重要指標，其計算方法最簡單但也最重要。往往一個節(jié)點的度越大代表其在網絡中的地位越重要。計算方法為：

2 實驗結果與分析

根據以上方法以及各個網絡測度指標計算方法構建了閾值區(qū)間內一系列的腦功能網絡，并計算所有被試在每一閾值下的各個網絡測度。為了消除因被試者差異性給實驗結果帶來的影響，使實驗結果更為可靠，本文所有結果都是對組內所有被試計算結果進行組內取平均得到，其結果如圖所示。

全局屬性：聚類系數、最短特征路徑長度、網絡平均度、全局效率是衡量全局屬性的重要指標，圖2中，（a）（b）（c）（d）分別表示閾值區(qū)間內不同被試組聚類系數、最短特征路徑長度、網絡平均度、全局效率的變化曲線。

從圖（a）可以看出在閾值區(qū)間內，女性組的聚類系數普遍高于男性組，而且無論男女被試聚類系數都隨閾值的增大而逐漸降低，這與Yan等人[7]的結果具有一致性。（b）（c）（d）三個圖除個別點外，女性組的特征路徑長度、網絡平均度、效率也都高于男性組。其中，在（b）圖中男女被試特征路徑長度在閾值大于0.7后出現(xiàn)下降趨勢，這很可能是因閾值的增大使得腦網絡連接由全腦尺度向局部腦網絡連接過渡的一種表現(xiàn)所致。（d）圖中女性被試者的效率在閾值大于0.45后大于男性被試者，這與Wu[8]等人的結論即存在一致性也存在差異性。差異性可能是由于采用數據、處理方法的不同導致。Wu[8]等人利用功能磁功振成像（fMRI）數據，研究閾值在0~0.5區(qū)間內的不同性別被試者的腦網絡全局效率，得出男性組顯著高于女性被試的結論。而本文利用腦電數據，研究閾值區(qū)間0.4~0.8的腦網絡屬性，在一定程度上印證了Wu等人的結論，也對其進行一定的補充，使得研究更為全面。

圖2 全局屬性曲線圖Fig.2 The Graph of Global Attribute.

局部屬性：節(jié)點度是反映局部屬性的一個重要指標，往往一個節(jié)點的度越大代表其在網絡中的地位越重要。為了更為形象直觀的考察不同性別腦網絡節(jié)點度的異同，特繪制閾值0.6以及0.7下的節(jié)點度的腦電信息圖。

圖3中，（a）和（b）分別表示閾值0.6下的男性組與女性組的節(jié)點度腦電信息圖、（c）和（d）分別表示閾值0.7下的男性組與女性組的節(jié)點度腦電信息圖。由兩組對比圖可以看出兩組被試在額葉、枕葉、顳葉以及中央區(qū)節(jié)點度都存在差異性，額葉與中央區(qū)差異比較明顯，其中女性組的度值在額-中央兩區(qū)相對男性來說比較高，印證了女性前額葉活動水平較高的說法。從總體度分布角度而言，男女被試度分布存在一致性即中央區(qū)附近的節(jié)點度相對邊緣區(qū)來說比較高，表明中央區(qū)在信息傳遞與處理中起到了中央樞紐的作用。

3 討論

在腦科學研究領域，復雜網絡作為一門新興學科備受研究者們的廣泛關注。但在該研究領域關于不同性別的腦網絡研究相對較少，而眾所周知，人腦的生理結構和功能因性別不同存在很大差異，為了更清楚的理解人類腦功能網絡不同性別的拓撲結構特性的差異，考察性別在腦絡網絡研究中的差異化表現(xiàn)。本文將靜息狀態(tài)的男女被試者各10例的腦電數據作為研究對象，展開相關研究。

圖3 節(jié)點度腦電信息圖Fig.3 the BIM of Node Degree.

由于生物醫(yī)學技術的不斷發(fā)展，能夠表征大腦生理活動的腦電信號采集變得更加精確與簡便[9]。腦電信號作為一種無創(chuàng)的，具有高時間分辨率以及可接受的空間分辨率，能夠反映信息的傳遞和處理等眾多技術優(yōu)勢的研究方法，已成為對腦部疾病的機理分析、診斷和治療的重要手段[10]。而在復雜網絡領域，利用腦電技術進行的研究相比磁共振成像技術而言還比較少，其中側重于研究不同性別的腦網絡差異性表現(xiàn)的目前尚未見報道，故本文首次利用腦電技術與復雜網絡理論相結合探討不同性別被試者在腦網絡拓撲結構中的差異性，以期為后續(xù)研究提供一種參考與借鑒。本研究對20例健康人腦靜息狀態(tài)下的腦電數據使用復雜網絡理論，在連續(xù)的閾值區(qū)間內進行相關分析，目的在于研究不同性別在腦網絡研究中的差異性表現(xiàn)。研究結果表明在連續(xù)的閾值區(qū)間內女性組聚類系數、特征路徑長度、網絡平均度、以及效率都普遍高于男性組，這與之前有關研究的結論即存在一致性也存在差異性。女性組的節(jié)點度在額—中央兩區(qū)相比男性組來說比較高，但無論男女被試組都出現(xiàn)中央區(qū)附近的節(jié)點度相對邊緣區(qū)來說比較高的表現(xiàn)。一般說來，閾值的選取會直接影響其腦網絡屬性和分析，考慮目前尚無確定閾值的好方法，為了避免由單一閾值帶來的局限性與偶然性，本文在連續(xù)的閾值區(qū)間內構建對應于每個閾值的腦功能網絡，分析由不同性別的健康被試構建的腦功能網絡的拓撲結構差異。本文還通過比較不同閾值下所有被試的腦網絡測度，發(fā)現(xiàn)了不同閾值間腦網絡拓撲屬性差異極顯著（P<0.01）。

目前關于不同性別的腦網絡研究還比較少，所得的結論也不盡相同，差異性可能源于研究數據的手段、節(jié)點的定義、閾值的設定、以及腦網絡構建方法等處理手段的不同。因此，尚需更多的研究者們從多角度設計大樣本，多方法的實驗進一步探討不同性別在腦網絡研究中的差異性，為利用復雜網絡手段診斷各類疾病提供一個有力的參考。

4 結論

本文從全局屬性以及局部屬性兩方面考察了不同性別被試者在腦網絡研究中的差異性。所得結論提示：性別差異在研究人腦的生理結構和功能中是一個不容忽視的因素。在利用復雜網絡手段診斷各類疾病時，將性別因素考慮在內，很有可能提高基于腦網絡分析手段對各類疾病診斷的準確率。同時，本文發(fā)現(xiàn)閾值選取對腦網絡的研究影響極顯著（p<0.01），后續(xù)研究者要慎重選擇閾值構建腦網絡，以得到更為可靠結論。

[1]王昱青. 基于運動任務的腦功能動態(tài)網絡的整合研究. 西安: 電子科技大學, 2011.

[2]D Voyer, T Butler, J Cordero, et al. Imperato-McGinley. Therelation between computerized and paper-and-pencil mental rotation tasks: a validation study. J. Clin. Exp. Neuropsychol., 2006, 28: 928-939.

[3]R Seurinck, G Vingerhoets, F P DeLange, et al. Does egocentric mental rotation elicit sex differences? NeuroImage, 2004, 23:1440-1449.

[4]陳志曄, 李金鋒, 劉夢雨, 等. 性別對正常人腦邊緣區(qū)功能連接的影響. 中國醫(yī)學科學院學報, 2013,35(3): 294-298.

[5]堯德中, 羅程, 雷旭, 等. 腦成像與腦連接. 中國生物醫(yī)學工程學報, 2011,30(1): 6-10.

[6]M D Greicius, B Krasnow, A L Reiss, et al. Functional connectivity in the resting brain: a network analysis of the default mode hypothesis. Proc. Natl. Acad. Sci. USA, 2003,100:253-258.

[7]C G Yan, G L Gong, J H Wang, et al. Anatomical connectivity patterns of human cerebral cortex are associated with brain size, sex and intelligence. NeuroImage, 2009,47 (Supplement1): S128.

[8]K Wu, Y Taki, K Sato, et al. Topological Organization of Functional Brain Networks in Healthy Children: Differences in Relation to Age,Sex, and Intelligence. PLOS ONE, 2013, 8(2): 1-14.

[9]蔡世民, 洪磊, 傅忠謙, 等. 基于復雜網絡的腦電信號回歸分析.中國科學技術大學學報, 2011,41(4): 330-334.

[10]歐陽高翔. 癲癇腦電信號的非線性特征識別與分析. 秦皇島: 燕山大學. 2010.