何艷，于云莉，楊帆

1.貴州醫(yī)科大學(xué) 生物與工程學(xué)院，貴州 貴陽 550004；2.西安交通大學(xué) 生命科學(xué)與技術(shù)學(xué)院，陜西 西安710049；3.貴州醫(yī)科大學(xué)附屬醫(yī)院 神經(jīng)內(nèi)科，貴州 貴陽 550004

基于復(fù)雜網(wǎng)絡(luò)可視化的癲癇患者大腦狀態(tài)研究

何艷1,2，于云莉3，楊帆1

1.貴州醫(yī)科大學(xué) 生物與工程學(xué)院，貴州 貴陽 550004；2.西安交通大學(xué) 生命科學(xué)與技術(shù)學(xué)院，陜西 西安710049；3.貴州醫(yī)科大學(xué)附屬醫(yī)院 神經(jīng)內(nèi)科，貴州 貴陽 550004

癲癇是一種伴隨短暫認(rèn)知損傷的大腦疾病，由于病理機(jī)制的異質(zhì)性，導(dǎo)致其缺乏臨床診斷和治療評(píng)價(jià)的客觀度量。多通道腦電記錄是檢測(cè)大腦狀態(tài)的重要手段。本文采用復(fù)雜網(wǎng)絡(luò)可視化的方法對(duì)癲癇患者大腦功能狀態(tài)進(jìn)行研究，利用相位鎖定值方法從癲癇患者的靜息態(tài)皮層腦電圖（EEG）信號(hào)中提取出加權(quán)頻率依賴的復(fù)雜網(wǎng)絡(luò)，使用Pajek軟件和最小生成樹算法對(duì)癲癇患者大腦的復(fù)雜網(wǎng)絡(luò)進(jìn)行描述，可為量化大腦特征提供系統(tǒng)化、全局化的可視化思路，未來可以為進(jìn)一步輔助診斷提供技術(shù)支持。

復(fù)雜網(wǎng)絡(luò)；腦電；可視化；癲癇；大腦網(wǎng)絡(luò)

0 引言

癲癇是一種伴隨短暫認(rèn)知損傷的大腦疾病，嚴(yán)重威脅患者生命健康，是臨床常見神經(jīng)系統(tǒng)發(fā)作性疾病之一。由于癲癇病因復(fù)雜，早期的癲癇疾病分類主要依據(jù)發(fā)作類型可分為單純部分性發(fā)作和全面性發(fā)作，腦電記錄是其臨床診斷主要的輔助手段。根據(jù)發(fā)作腦區(qū)的起源部位不同，可分為局灶性（如額葉、顳葉、枕葉、頂葉癲癇）和全身性癲癇。同一發(fā)作癥狀也可能對(duì)應(yīng)不同的病因，準(zhǔn)確的癲癇疾病分類診斷需要經(jīng)驗(yàn)積累，而且大多是描述性分類，缺乏客觀有效診斷指標(biāo)[1]。

人腦連接組（Human Connectome）這一概念在2005年由Olaf Sporns與Patric Hagmann提出，旨在詳細(xì)地刻畫人腦神經(jīng)結(jié)構(gòu)網(wǎng)絡(luò)，進(jìn)而研究大腦的工作原理。2010年國家重點(diǎn)基礎(chǔ)研究發(fā)展（973）計(jì)劃中設(shè)立了“基于影像的腦網(wǎng)絡(luò)研究及其臨床應(yīng)用”項(xiàng)目，通過多模態(tài)影像技術(shù)，搭建腦結(jié)構(gòu)與腦功能的對(duì)應(yīng)聯(lián)系。由于大腦包含至少1010個(gè)神經(jīng)元，其神經(jīng)突觸連接有1014個(gè)之多。腦網(wǎng)絡(luò)數(shù)據(jù)量巨大，每個(gè)復(fù)雜網(wǎng)絡(luò)可能包含巨量網(wǎng)絡(luò)節(jié)點(diǎn)，節(jié)點(diǎn)間拓?fù)浣Y(jié)構(gòu)復(fù)雜。如何建立直觀有效的可視化方法，顯示腦網(wǎng)絡(luò)特征信息，輔助腦網(wǎng)絡(luò)觀測(cè)與分析，對(duì)于研究大腦功能、揭示大腦工作機(jī)制具有重要意義。

大腦是一個(gè)高度自組織連接的復(fù)雜系統(tǒng)，神經(jīng)元放電活動(dòng)是多個(gè)腦區(qū)協(xié)同工作的基礎(chǔ)。作為一個(gè)大規(guī)模結(jié)構(gòu)和功能性整合網(wǎng)絡(luò)，大腦包含大量弱相互作用部分。自1998年Watts和Strogatz提出小世界網(wǎng)絡(luò)概念后，復(fù)雜網(wǎng)絡(luò)被應(yīng)用于多個(gè)領(lǐng)域。由于多通道腦電信號(hào)可以客觀記錄各個(gè)腦區(qū)信息流和連接特征，諸如核磁共振成像（Magnetic Resonance Imaging，MRI）等神經(jīng)影像技術(shù)可以記錄多個(gè)腦區(qū)的解剖和功能特性，基于復(fù)雜網(wǎng)絡(luò)的腦科學(xué)研究可在圖論框架里被有效研究。已有研究證實(shí)健康志愿者的大腦具備小世界特性，從而保證其快速處理外界刺激實(shí)現(xiàn)認(rèn)知功能?；趶?fù)雜網(wǎng)絡(luò)的腦功能研究內(nèi)容大致包括靜息態(tài)結(jié)構(gòu)、瞬時(shí)信息處理能力、大腦活動(dòng)動(dòng)態(tài)演化機(jī)制等；通過腦功能神經(jīng)影像數(shù)據(jù)（包括腦電）分別從連接特性（如結(jié)構(gòu)連接、功能連接和有效連接）和節(jié)點(diǎn)特性及網(wǎng)絡(luò)演化動(dòng)力學(xué)機(jī)制等多角度揭示大腦活動(dòng)規(guī)律，結(jié)合統(tǒng)計(jì)學(xué)分析，探索病理狀態(tài)下大腦的異常指標(biāo)[2]。

人類腦電的量化分析是客觀、準(zhǔn)確評(píng)價(jià)大腦狀態(tài)的途徑之一。大腦中神經(jīng)振蕩的自組織特性為大腦功能完成涉及的局部處理和全局整合提供精確信息。大腦是一個(gè)大規(guī)模結(jié)構(gòu)和功能性整合網(wǎng)絡(luò)，有大量弱相互作用部分，可以在一個(gè)數(shù)學(xué)圖論框架中被有效研究。腦電功能性連接分析關(guān)注的是大腦多通道信號(hào)之間的同步或耦合情況，由于多通道腦電信號(hào)可以看做是大腦多個(gè)信號(hào)源疊加產(chǎn)生，從多通道數(shù)據(jù)序列中還可以提取各個(gè)腦區(qū)信息流和連接性特征。將大腦模擬為一個(gè)復(fù)雜網(wǎng)絡(luò)，由節(jié)點(diǎn)集和連接邊集合描述網(wǎng)絡(luò)特性。對(duì)大腦連接性分析的核心問題是如何計(jì)算各節(jié)點(diǎn)之間的網(wǎng)絡(luò)連接，即矩陣中各元素的數(shù)值如何得到。大腦系統(tǒng)功能連接性度量方法有許多，比如非線性相互依賴，相位同步，互信息，互相關(guān)，相干函數(shù)、互相關(guān)系數(shù)等技術(shù)可以揭示不同腦區(qū)的耦合強(qiáng)度，交叉互信息函數(shù)和合適替代數(shù)據(jù)可以衡量腦電信號(hào)之間的線性和非線性耦合作用，相位鎖定因子可以更好地衡量窄波信號(hào)的相位同步，在腦電中也得到了極大的應(yīng)用[3]。Stam等[4]利用同步似然法很好地提取了腦電中的功能連接性。相位動(dòng)力學(xué)特征值分解方法的定向統(tǒng)計(jì)特性可以用來定義顯著同步振子集群[5]。這些方法對(duì)于腦電信號(hào)連接性度量的結(jié)果大致相同，提供了有用量化信息?；趶?fù)雜網(wǎng)絡(luò)的腦功能研究結(jié)果表明癲癇患者大腦解剖結(jié)構(gòu)和網(wǎng)絡(luò)特性與健康對(duì)照組存在顯著差異[6-9]?；趫D論的癲癇發(fā)作網(wǎng)絡(luò)特征研究發(fā)現(xiàn)發(fā)作時(shí)腦區(qū)關(guān)聯(lián)矩陣特征向量隨時(shí)間變化且節(jié)點(diǎn)連接特性改變[10]。由于癲癇患者大腦結(jié)構(gòu)和功能的網(wǎng)絡(luò)變化（包括其連接性和拓?fù)浣Y(jié)構(gòu)），網(wǎng)絡(luò)性能的破壞也與癲癇患者認(rèn)知和行為損傷關(guān)聯(lián)，使得當(dāng)前癲癇研究從“局灶”向“網(wǎng)絡(luò)”過渡[11]。

1 材料與方法

1.1 復(fù)雜網(wǎng)絡(luò)提取

大腦多通道腦電記錄中存在同一信號(hào)源誘發(fā)的容積效應(yīng)，從而影響連接性作用判斷。相位分析適合于窄波信號(hào)，比如腦電這種多頻率成分的非平穩(wěn)疊加信號(hào)，因此研究人員開始注重對(duì)腦電信號(hào)的相位分析。有研究證實(shí)，多通道信號(hào)的相位作用并不會(huì)受容積效應(yīng)影響[3]。通過相位同步分析可發(fā)現(xiàn)大規(guī)模網(wǎng)絡(luò)形成相關(guān)信息，但由于其對(duì)稱性無方向度量，只適合功能連接性分析。相位鎖定值（Phase Locking Value，PLV）和相位延遲指數(shù)（Phase Lag Index，PLI）是大腦功能連接性度量的一種相位方法。PLI估計(jì)的是瞬時(shí)相位延遲的對(duì)稱性，若不對(duì)稱則結(jié)果不為0，從而可以提取不可忽略的連接，代價(jià)是排除了有零相位延遲的相互作用。通過電極記錄信號(hào)對(duì)相應(yīng)腦區(qū)計(jì)算PLI均值，得到權(quán)重度或節(jié)點(diǎn)強(qiáng)度[4]，單個(gè)值反映節(jié)點(diǎn)在網(wǎng)絡(luò)中的重要性，區(qū)域間的均值反映連接成本。加權(quán)PLI能較好地提取事件相關(guān)相位同步，但對(duì)于靜息狀態(tài)下的EEG信號(hào)則容易忽略零延遲相位的相互作用，從而不能準(zhǔn)確提取頻率依賴相位相關(guān)關(guān)系。經(jīng)過對(duì)比PLI和PLV對(duì)相位同步的檢測(cè)能力，本研究采用PLV作為大腦功能性連接的度量指標(biāo)。PLV較好地克服了腦電產(chǎn)生過程中的容積效應(yīng)，對(duì)頻率成分有較好的敏感性。為了減少計(jì)算消耗，采用基于循環(huán)統(tǒng)計(jì)和錯(cuò)誤發(fā)現(xiàn)率進(jìn)行連接顯著性分析。時(shí)間窗的選擇對(duì)于分析結(jié)果很關(guān)鍵，之前時(shí)間窗的選擇大多設(shè)定為100 ms左右，Dimitriadis等[3]提出了循環(huán)標(biāo)準(zhǔn)，即時(shí)間窗與對(duì)應(yīng)頻率有關(guān)。時(shí)間窗需要包含至少2.25倍頻率循環(huán)周期才可以保證相位耦合度量魯棒性。相位同步性的度量至少要通過二又四分之一個(gè)振蕩循環(huán)來計(jì)算，若采樣率為1 kHz，時(shí)間窗為300 ms，則最低同步頻率周期需要比150 ms短，對(duì)應(yīng)頻率約6.6 Hz。通過滑動(dòng)窗來進(jìn)行計(jì)算，PLV是以Morlet小波與腦電信號(hào)Xi(n)某頻率波段卷積所得到的瞬時(shí)相位為基礎(chǔ)計(jì)算得來的[12-13]。瞬時(shí)相位φxi(n,f)的的計(jì)算公式為：

其中n代表電極位置，s代表小波函數(shù)尺度階數(shù)，Xi(n)代表某段腦電信號(hào)時(shí)間序列。原始相位值范圍為[-π,π]。經(jīng)過一個(gè)相位展開去除不連續(xù)性，從而得到修正相位，隨后對(duì)不同位點(diǎn)的信號(hào)xk(n)，xl(n)對(duì)瞬時(shí)相位差取平均得PLV指標(biāo):

N是所有時(shí)間點(diǎn)（樣本）個(gè)數(shù)，s1/s2代表尺度限制，Δs代表尺度范圍，f代表所在頻率范圍。若PLV為0，表示兩個(gè)信號(hào)間不存在相位耦合。若PLV為1則表示兩個(gè)相位完全同步?；谌鹄腜LV值檢驗(yàn)對(duì)每個(gè)數(shù)值計(jì)算顯著性[14]，顯著性計(jì)算公式為：

為了提取顯著性連接，引入錯(cuò)誤發(fā)現(xiàn)率，當(dāng)假陽性比例期望q≤0.01時(shí)設(shè)定對(duì)應(yīng)的數(shù)值為顯著性閾值。通過與每個(gè)通道隨機(jī)打亂樣本序列的替代數(shù)據(jù)的PLV對(duì)比，確定顯著性PLV值；顯著水平為原始數(shù)據(jù)和替代數(shù)據(jù)差值的Z分?jǐn)?shù)；顯著概率由假陽性率修正，從而對(duì)多個(gè)對(duì)比進(jìn)行修正。

1.2 復(fù)雜網(wǎng)絡(luò)可視化分析

復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)龐雜、節(jié)點(diǎn)眾多、節(jié)點(diǎn)之間相互作用數(shù)量大且強(qiáng)度不一，導(dǎo)致其難以通過文字和表格形式一一呈現(xiàn)。如何能直觀地還原復(fù)雜系統(tǒng)中各節(jié)點(diǎn)的相互作用關(guān)系和強(qiáng)度，如何提供觀察網(wǎng)絡(luò)結(jié)構(gòu)、揭示有價(jià)值信息的方法，這些問題已經(jīng)成為復(fù)雜科學(xué)研究中的重要部分。力導(dǎo)算法、可視化框架和分析工具及系統(tǒng)[15]的相繼涌現(xiàn)使復(fù)雜網(wǎng)絡(luò)能夠應(yīng)用于多個(gè)領(lǐng)域。目前有多個(gè)軟件（如UCINET、Pajek、Cytoscape、Gephi等）已經(jīng)實(shí)現(xiàn)了包含大量節(jié)點(diǎn)網(wǎng)絡(luò)的可視化分析[16]，能提供基本的復(fù)雜網(wǎng)絡(luò)特征度量。

本文使用Pajek軟件，在癲癇患者大腦復(fù)雜網(wǎng)絡(luò)鄰接矩陣提取的基礎(chǔ)上，實(shí)現(xiàn)其大腦網(wǎng)絡(luò)的可視化呈現(xiàn)。

2 復(fù)雜網(wǎng)絡(luò)可視化結(jié)果

本研究的腦電數(shù)據(jù)采用國際通用的10-20電極安置系統(tǒng)，電極名稱分別為Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6、Fz、Cz、Pz，采樣率為250 Hz，采樣時(shí)間為長程信號(hào)記錄，從中提取出10 min的腦電數(shù)據(jù)進(jìn)行實(shí)驗(yàn)。數(shù)據(jù)來源于1例貴州醫(yī)科大學(xué)附屬醫(yī)院門診癲癇患者（男，30歲），排除因外傷或短期精神刺激而誘發(fā)的癲癇，其未接受過藥物治療或干預(yù)，核磁共振成像未觀察到明顯的腦區(qū)損傷或腫瘤，臨床診斷為原發(fā)性癲癇。原始腦電信號(hào)分被為delta（0.5～4 Hz）、theta（4～8 Hz）、alpha（8～13 Hz）、beta（13～30 Hz）、gamma（30～45 Hz）等5個(gè)頻率波段。多通道腦電記錄各腦區(qū)對(duì)應(yīng)的記錄電極定義為網(wǎng)絡(luò)節(jié)點(diǎn)，各電極所記錄的腦電信號(hào)的相互作用定義為連邊，在本研究中為相位鎖定值。由于多通道腦電信號(hào)之間存在容積效應(yīng)，信號(hào)源之間會(huì)相互干擾，引入相位成分計(jì)算各個(gè)腦區(qū)腦電信號(hào)之間的相位鎖定值，該方法目前被廣泛應(yīng)用于大腦網(wǎng)絡(luò)的功能連接分析，能通過循環(huán)統(tǒng)計(jì)和錯(cuò)誤發(fā)現(xiàn)率確定顯著性連接。在PLV的作用下，鄰接矩陣單元數(shù)值等價(jià)于PLV數(shù)值，即各節(jié)點(diǎn)之間作用強(qiáng)度由PLV數(shù)值表征。各個(gè)頻率波段組成的復(fù)雜網(wǎng)絡(luò)可視化可以通過Pajek軟件實(shí)現(xiàn)。gamma波段組成的功能連接網(wǎng)絡(luò)，通過改變網(wǎng)絡(luò)布局算法，可以調(diào)整網(wǎng)絡(luò)可視化結(jié)果，見圖1。

基于Pajek軟件的可視化能實(shí)現(xiàn)網(wǎng)絡(luò)直觀表達(dá)并能區(qū)分出節(jié)點(diǎn)連接強(qiáng)度最高的節(jié)點(diǎn)屬性，但由于不同頻率波段之間大腦節(jié)點(diǎn)作用強(qiáng)度不同，當(dāng)節(jié)點(diǎn)連接過多時(shí)，無法直觀分辨出關(guān)鍵節(jié)點(diǎn)，因此引入最小生成樹算法對(duì)復(fù)雜網(wǎng)絡(luò)進(jìn)行細(xì)致描述。最小生成樹（Minimum Spanning Tree，MST）是指在一個(gè)具有幾個(gè)頂點(diǎn)的連通圖G中，若存在一個(gè)子圖G'包含G中所有頂點(diǎn)和部分邊，且不形成回路，則稱G'為G的生成樹，代價(jià)（權(quán)重）之和最小者則稱為MST。依據(jù)MST確認(rèn)通道網(wǎng)絡(luò)，可以確定整個(gè)全局通道關(guān)系，提供皮層腦電數(shù)據(jù)的唯一網(wǎng)絡(luò)結(jié)構(gòu)。由于MST依賴于權(quán)重網(wǎng)絡(luò)，需要構(gòu)造距離矩陣。本研究采用Dijkstra算法對(duì)不同癲癇患者大腦的距離矩陣提取MST，該算法是典型的單源最短路徑算法，用于計(jì)算一個(gè)節(jié)點(diǎn)到其他所有節(jié)點(diǎn)的最短路徑，主要特點(diǎn)是以起始點(diǎn)為中心向外擴(kuò)展，直到終點(diǎn)為止，目前已經(jīng)用于癲癇疾病分析[17]。腦電信號(hào)不同頻率成分（如delta和gamma）在不同節(jié)點(diǎn)之間的PLV作為復(fù)雜網(wǎng)絡(luò)的關(guān)聯(lián)矩陣，利用matlab中的函數(shù)“graphminspantree”實(shí)現(xiàn)對(duì)應(yīng)復(fù)雜網(wǎng)絡(luò)最小生成樹的可視化。delta波段（圖2）和gamma波段（圖3）所在復(fù)雜網(wǎng)絡(luò)的最小生成樹，可以看出不同頻率波段中關(guān)鍵節(jié)點(diǎn)的部位和連接強(qiáng)度均有所差異。

圖1 基于Pajek軟件的 gamma波段復(fù)雜網(wǎng)絡(luò)可視化示意圖

圖2 基于MST的delta波段復(fù)雜網(wǎng)絡(luò)可視化示意圖

圖3 基于MST的gamma波段復(fù)雜網(wǎng)絡(luò)可視化示意圖

3 討論

腦電數(shù)據(jù)是大腦功能狀態(tài)的客觀反映，多通道腦電記錄是臨床常用的輔助診斷手段。由于腦電記錄時(shí)間長，數(shù)據(jù)量大，無法被直觀理解。如何尋找合適的數(shù)據(jù)表達(dá)方式并使得所有數(shù)據(jù)發(fā)揮作用、體現(xiàn)價(jià)值，是腦科學(xué)研究的重要組成部分。數(shù)據(jù)可視化的基本過程包括數(shù)據(jù)理解、數(shù)據(jù)表達(dá)及可視化。通過本文提出的復(fù)雜網(wǎng)絡(luò)可視化方法可將腦電反映的信息直觀表達(dá)。PLV方法能有效刻畫腦電記錄節(jié)點(diǎn)之間的相互作用強(qiáng)度?；镜墓?jié)點(diǎn)和連接形式使得從整體上分析大腦功能狀態(tài)成為可能?；谧钚∩蓸涞目梢暬磉_(dá)則能有效提取出有效最短路徑及唯一拓?fù)浣Y(jié)果，這就使大量無法直觀分析的臨床數(shù)據(jù)得以表達(dá)。

認(rèn)知神經(jīng)科學(xué)研究表明，腦電信號(hào)中的不同頻率成分對(duì)應(yīng)著不同的功能狀態(tài)。如清醒狀態(tài)下腦電信號(hào)以alpha波段為主，在神經(jīng)系統(tǒng)疾病中慢波振蕩（如delta波段）占據(jù)更多能量成分，gamma波段則更多地參與學(xué)習(xí)記憶等高級(jí)認(rèn)知功能。delta頻率成分之間的耦合強(qiáng)度高于gamma波段頻率成分之間的耦合強(qiáng)度，與癲癇疾病中的慢波振蕩增強(qiáng)導(dǎo)致認(rèn)知損傷加重等研究結(jié)論一致，見圖2和圖3。此外在不同頻率波段組成的復(fù)雜腦網(wǎng)絡(luò)中，delta波段中C3和F3表現(xiàn)出樞紐特性，而gamma波段中則是F3、F4、P3表現(xiàn)出樞紐特性，不同頻率成分的樞紐節(jié)點(diǎn)既有不同又有重合，可能預(yù)示著記錄電極F3對(duì)應(yīng)的腦區(qū)參與該患者的癲癇病理，但具體作用機(jī)制還有待進(jìn)一步研究。

4 結(jié)論

早期研究人員通過腦電地形圖能觀察到不同類型癲癇患者的EEG中，在整個(gè)大腦區(qū)域中各頻率波段能量分布有所不同，但難以從腦電地形圖中提出大腦網(wǎng)絡(luò)性能對(duì)應(yīng)指標(biāo)或度量參數(shù)。圖論是一種描述并度量網(wǎng)絡(luò)的數(shù)學(xué)語言，在引入隨機(jī)，小世界和無標(biāo)度網(wǎng)絡(luò)模型后，圖論快速發(fā)展并大量運(yùn)用于大腦神經(jīng)科學(xué)研究。連接網(wǎng)絡(luò)分析能夠反映出大腦功能連接結(jié)構(gòu)。基于PLV的大腦功能連接性分析能較好地反映大腦各腦區(qū)、各窄波頻率波段相位同步狀態(tài)。Pajek軟件實(shí)現(xiàn)了多通道腦電信號(hào)組成的大腦復(fù)雜網(wǎng)絡(luò)的有效可視化，通過改變網(wǎng)絡(luò)布局算法能有效觀測(cè)節(jié)點(diǎn)在網(wǎng)絡(luò)中的連接狀態(tài)和權(quán)重大小。MST有效提取出復(fù)雜網(wǎng)絡(luò)最小生成樹對(duì)應(yīng)的唯一拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)，結(jié)果發(fā)現(xiàn)不同頻率波段組成的復(fù)雜網(wǎng)絡(luò)其唯一拓?fù)渚W(wǎng)絡(luò)結(jié)構(gòu)與關(guān)鍵節(jié)點(diǎn)均有所差異。如何從龐雜的醫(yī)療數(shù)據(jù)中提取關(guān)鍵信息，并融合信息使其可視化，一直是神經(jīng)科學(xué)研究中的熱點(diǎn)和難點(diǎn)問題。本文設(shè)計(jì)的癲癇患者大腦網(wǎng)絡(luò)可視化方法為深入研究癲癇作用機(jī)制提供了新途徑。通過可視化手段將長程記錄的多通道腦電信號(hào)表達(dá)為節(jié)點(diǎn)和連邊的組件，并提供直觀量化結(jié)果，為臨床輔助診斷提供了技術(shù)支持。

[1]Shorvon SD,Perucca E,Fish DR,et al[著].肖波,劉獻(xiàn)增,龍小艷,等[譯].癲癇治療學(xué)[M].北京:人民衛(wèi)生出版社,2010.

[2]張方風(fēng),鄭志剛.復(fù)雜腦網(wǎng)絡(luò)研究現(xiàn)狀及挑戰(zhàn)[J].上海理工大學(xué)學(xué)報(bào),2012,34(2):138-153.

[3]Dimitriadis SI,Laskaris NA,Tsirka V,et al.Tracking brain dynamics via time-dependent network analysis[J].J Neurosci Methods,2010,193(1):145-155.

[4]Stam CJ.Nonlinear dynamical analysis of EEG and MEG:review of an emerging feld[J].Clin Neurophysiol,2005,116(10):2266-2301.

[5]Quian Quiroga R,Kraskov A,Kreuz T,et al.Performance of different synchronization measures in real data:A case study on electroencephalographic signals[J].Phys Rev E,2002,65(041903):1-14.

[6]van Diessen E,Diederen SJ,Braun KP,et al.Functional and structural brain networks in epilepsy:what have we learned?[J].Epilepsia,2013,54(11):1855-1865.

[7]Prinz AA.Understanding epilepsy through network modeling[J].Proc Natl Acad Sci USA,2008,105(16):5953-5954.

[8]Onias H,Viol A,Palhano-Fontes F,et al.Brain complex network analysis by means of resting state fMRI and graph analysis:will it be helpful in clinical epilepsy?[J].Epilepsy Behav,2014,38:71-80.

[9]Dyhrfjeld-Johnsen J,Santhakumar V,Morgan RJ,et al. Topological determinants of epileptogenesis in large-scale structural and functional models of the dentate gyrus derived from experimental data[J].J Neurophysiol,2007,97(2):1566-1587.

[10]Burns SP,Santaniello S,Yaffe RB,et al.Network dynamics of the brain and infuence of the epileptic seizure onset zone[J].Proc Natl Acad Sci USA,2014,111(49):E5321-E5330.

[11]Jirsa VK,Stacey WC,Quilichini PP,et al.On the nature of seizure dynamics[J].Brain,2014,137(Pt 8):2210-2230.

[12]閆佳運(yùn),賓光宇,梁栗炎,等.基于單路腦電的睡眠分期判別方法研究[J].中國醫(yī)療設(shè)備,2015,30(12):34-37.

[13]Freeman WJ,Rogers LJ.Fine temporal resolution of analytic phase reveals episodic synchronization by state transitions in gamma EEGs[J].J Neurophysiol,2002,87(2):937-945.

[14]Achard S,Salvador R,Whitcher B,et al.A resilient,lowfrequency,small-world human brain functional network with highly connected association cortical hubs[J].J Neurosci,2006,26(1):63-72.

[15]吳彬彬,王京,宋海濤.基于Citespace的復(fù)雜網(wǎng)絡(luò)可視化研究圖譜[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2014,23(2):7-16.

[16]李建勛,李維乾,郭蓮麗,等.企業(yè)研發(fā)團(tuán)隊(duì)復(fù)雜網(wǎng)絡(luò)的可視化與描述[J].計(jì)算機(jī)系統(tǒng)應(yīng)用,2013,22(11):209-212.

[17]Lee U,Kim S,Jung KY.Classifcation of epilepsy types through global network analysis of scalp electroencephalograms[J].Phys Rev E Stat Nonlin Soft Matter Phys,2006,73(4 Pt 1):041920.

Investigation of Epilepsy Patients’ Brains Based on Complex Network Visualization

Epilepsy is a kind of brain disease accompanied by transient cognitive impairment. The objective metrics for clinical diagnosis and treatment evaluation of the disease is defcient because of the heterogeneity of the pathological mechanism. Multi-channel EEG (Electroencephalogram) recording is an important technique for monitoring of brain functions. In this paper,complex network visualization is adopted to investigate the overall state of brain functions in patients with epilepsy. Transient phase locking values are brought in to extract weighted frequency-dependent complex networks from resting state cortical EEG signals of epilepsy patients,then Pajek software and minimum spanning tree algorithm are introduced for depiction of these complex brain networks,which provides a systematic and global visualization framework for quantitation of brain characteristics of epilepsy patients,and lays a solid technical foundation for development of intuitive as well as effective auxiliary diagnostic tools for the future.

complex network;electroencephalogram;visualization;epilepsy;brain network

HE Yan1,2,YU Yun-li3,YANG Fan1
1. School of Biology &Engineering,Guizhou Medical University,Guiyang Guizhou 550004,China;2. School of Life Science and Technology,Xi’an Jiaotong Univeristy,Xi’an Shaanxi 710049,China;3. Department of Neurology,The Affliated Hospital of Guizhou Medical University,Guiyang Guizhou 550004,China

R742；R318

A

10.3969/j.issn.1674-1633.2016.09.009

1674-1633(2016)09-0039-04

2016-04-12

2016-05-05

國家自然科學(xué)基金項(xiàng)目（81460206）；貴州醫(yī)科大學(xué)博士啟動(dòng)基金項(xiàng)目（院博合J2014[003]）。

何艷，博士，副教授，主要研究方向?yàn)閺?fù)雜網(wǎng)絡(luò)與復(fù)雜系統(tǒng)，神經(jīng)信息工程。

通訊作者郵箱：smileconfdence@163.com