楊春蘭, 吳文曉, 吳水才, 任潔釧

(1.北京工業(yè)大學(xué)生命科學(xué)與生物工程學(xué)院，智能化生理測(cè)量與臨床轉(zhuǎn)化北京市國際科研合作基地，北京 100124；2.首都醫(yī)科大學(xué)附屬北京天壇醫(yī)院，北京 100050)

作為人體最重要的器官之一，大腦的功能多樣，結(jié)構(gòu)復(fù)雜，人體的多種生理功能都與大腦的神經(jīng)活動(dòng)緊密相關(guān). 成年人的大腦由大約1011個(gè)神經(jīng)元細(xì)胞組成，眾多神經(jīng)元細(xì)胞之間通過約1015個(gè)神經(jīng)突觸相互連接進(jìn)而形成一個(gè)高度復(fù)雜的腦網(wǎng)絡(luò). 美國著名的腦網(wǎng)絡(luò)分析專家Sporns[1]教授于2005年提出腦連接組的理論并指出：根據(jù)元素和連接不同，腦連接組可劃分為微觀尺度、介觀尺度和宏觀尺度3種不同級(jí)別. 微觀尺度即神經(jīng)元細(xì)胞和神經(jīng)突觸之間的連接；介觀尺度即神經(jīng)元集群之間的連接；宏觀尺度即各個(gè)大腦分區(qū)之間的連接. 大腦的功能網(wǎng)絡(luò)可以反映大腦在處理不同任務(wù)時(shí)的協(xié)同關(guān)系，這為理解大腦的工作模式提供了重要的支撐. 由于當(dāng)前科技水平限制，人類對(duì)大腦的研究主要集中在宏觀尺度,大腦功能連接網(wǎng)絡(luò)的構(gòu)建主要通過腦電圖(electroencephalogram,EEG)、腦磁圖(magnetoencephalography,MEG)及功能磁共振成像(functional magnetic resonance imaging,fMRI)等成像技術(shù)來實(shí)現(xiàn)[2-8].

MEG是一種磁源成像技術(shù)，在磁屏蔽室中利用超干量子干涉儀(superconducting quantum interference device,SQUID)[9]來測(cè)量大腦外部的各個(gè)點(diǎn)處的磁場，SQUID陣列有多個(gè)傳感器通道，用來記錄被試頭部周圍磁場分布并將其繪制成圖. MEG有亞毫米級(jí)的空間分辨率和毫秒級(jí)的時(shí)間分辨率，能夠解析腦區(qū)域之間的活動(dòng)；MEG源映射的準(zhǔn)確性不受頭部組織復(fù)雜分層造成的信號(hào)畸變影響.

MEG相較于fMRI、EEG是一種新的功能成像技術(shù)，隨著近年來MEG分析方法的涌現(xiàn)，利用MEG分析大腦功能網(wǎng)絡(luò)的研究也不斷增加. Hillebrand等[10]于2012年提出了一種基于圖譜的，以大腦分區(qū)為節(jié)點(diǎn)的MEG功能網(wǎng)絡(luò)分析框架，利用beamformer技術(shù)將MEG信號(hào)投影到大腦皮層，然后選擇功率最大的信號(hào)代表此腦區(qū)，以此來構(gòu)建腦網(wǎng)絡(luò)矩陣. 2017年，López 等[11]通過研究29名輕度認(rèn)知障礙患者(mild cognitive impairment,MCI)和29名健康老年被試者的腦磁圖網(wǎng)絡(luò)發(fā)現(xiàn)，MCI患者的腦網(wǎng)絡(luò)效率較低，且驗(yàn)證了患有MCI的受試者得阿爾茲海默癥的風(fēng)險(xiǎn)會(huì)增高. Briley等[12]于2018年對(duì)48名被試者(9～25歲)的MEG數(shù)據(jù)進(jìn)行網(wǎng)絡(luò)研究，發(fā)現(xiàn)網(wǎng)絡(luò)內(nèi)部和網(wǎng)絡(luò)之間的振蕩的協(xié)調(diào)與認(rèn)知技能的成熟相關(guān)，網(wǎng)絡(luò)的連接性隨著年齡的增加而增加. 2018年，van Nieuwenhuizen等[13]分析20名經(jīng)過腫瘤切除的腦膜瘤患者以及20名健康被試者的MEG數(shù)據(jù)發(fā)現(xiàn)，腦膜瘤患者的工作記憶能力較低，同時(shí)發(fā)現(xiàn)認(rèn)知功能與默認(rèn)網(wǎng)絡(luò)中的功能連接和腦膜瘤患者的中樞病理學(xué)相關(guān). 利用MEG成像技術(shù)構(gòu)建功能網(wǎng)絡(luò)，網(wǎng)絡(luò)節(jié)點(diǎn)的選擇是個(gè)關(guān)鍵的問題，常見的節(jié)點(diǎn)有2種：以傳感器位置作為網(wǎng)絡(luò)節(jié)點(diǎn)和以腦區(qū)作為網(wǎng)絡(luò)節(jié)點(diǎn). 前者利用大腦外部傳感器采集到的信號(hào)直接構(gòu)建功能網(wǎng)絡(luò)，這是一種簡單直接但卻存在較大誤差的方法；腦區(qū)作為網(wǎng)絡(luò)節(jié)點(diǎn)首先需要根據(jù)采集到的腦磁時(shí)序信號(hào)重建腦內(nèi)源信號(hào)，然后以腦區(qū)為單位，通過源信號(hào)構(gòu)建功能網(wǎng)絡(luò).

選擇代表性神經(jīng)源信號(hào)作為局部腦區(qū)信號(hào)是構(gòu)建腦網(wǎng)絡(luò)的關(guān)鍵，也是本文討論的主要問題，目前多數(shù)研究都是選擇腦區(qū)中功率最大的神經(jīng)源信號(hào)作為代表性信號(hào)[10-11]，這會(huì)損失部分區(qū)域重要細(xì)節(jié)信息；也有研究使用腦區(qū)質(zhì)心處的神經(jīng)源信號(hào)作為整個(gè)區(qū)域的代表性信號(hào)[14]，質(zhì)量中心在幾何學(xué)上有效性高，但是在信號(hào)處理方面其有效性尚未得到證實(shí).

MEG功能網(wǎng)絡(luò)在源重建方法和網(wǎng)絡(luò)分析框架上都尚未達(dá)到成熟階段，但多項(xiàng)研究結(jié)果已經(jīng)表明利用MEG研究大腦功能網(wǎng)絡(luò)的可行性. 本文采用Hillebrand基于圖譜的功能網(wǎng)絡(luò)的分析框架，對(duì)大腦分區(qū)內(nèi)信號(hào)的提取方法提出了2種改進(jìn)方案，即疊加平均和聚類的方法，然后對(duì)構(gòu)建的腦網(wǎng)絡(luò)矩陣進(jìn)行k均值聚類分析，通過聚類準(zhǔn)確率實(shí)現(xiàn)與最大功率方法的比較. 最后，通過分析3種方法構(gòu)建的腦網(wǎng)絡(luò)特征和小世界屬性，對(duì)3種方法進(jìn)行比較和評(píng)價(jià).

1 方法與材料

1.1 數(shù)據(jù)來源

本研究選取了人腦連接組計(jì)劃(human connectome project，HCP)數(shù)據(jù)庫中51名健康被試者的MEG數(shù)據(jù)，其年齡在22～35歲，數(shù)據(jù)來源于圣路易斯大學(xué)醫(yī)學(xué)院的全腦MAGNES3600(4D Neuroim-aging,San Diego,CA)系統(tǒng). 每名被試者的數(shù)據(jù)均被采集了包括工作記憶、語言處理和運(yùn)動(dòng)3種任務(wù)狀態(tài)的MEG數(shù)據(jù)[15]. MEG系統(tǒng)包括248個(gè)磁力儀通道和23個(gè)參考通道，在白噪聲范圍(2 Hz以上)內(nèi)，磁力儀的均方根噪聲為5 fT/sqrt(Hz),數(shù)據(jù)的采樣頻率為2 034.51 Hz，心電、眼電、肌電信號(hào)與腦磁信號(hào)同步采集，所有電極的接觸電阻控制在10KOhms之內(nèi). 具體任務(wù)設(shè)計(jì)信息可參閱HCP手冊(cè)(https:∥www.humanconnectome.org/study/hcp-young-adult/article/announcing-1200-subject-data-release/).

1.2 預(yù)處理

選用的數(shù)據(jù)都是經(jīng)過了HCP數(shù)據(jù)庫的預(yù)處理，可參閱HCP手冊(cè). 預(yù)處理包括數(shù)據(jù)檢查、去除含噪聲的數(shù)據(jù)段、去除有問題的通道、ICA分析. 通過ICA分析可以去除MEG數(shù)據(jù)中摻雜的心電和眼電偽跡，此外，所有的數(shù)據(jù)都經(jīng)過了1.3～150.0 Hz的帶通濾波和59～61 Hz、119～121 Hz的Butterworth濾波. 被試的MRI T1結(jié)構(gòu)像與MEG進(jìn)行配準(zhǔn)之后，會(huì)被標(biāo)準(zhǔn)化到標(biāo)準(zhǔn)模板上，然后將AAL分區(qū)模板逆變換到被試個(gè)體空間上，最后得到被試個(gè)體空間上的分區(qū)信息.

1.3 MEG功能網(wǎng)絡(luò)構(gòu)建方法

本研究中MEG功能網(wǎng)絡(luò)的構(gòu)建框架是一種基于圖譜的腦功能網(wǎng)絡(luò). 此網(wǎng)絡(luò)是以大腦分區(qū)作為網(wǎng)絡(luò)節(jié)點(diǎn)，信號(hào)之間的相關(guān)系數(shù)為邊構(gòu)建而成的[10]. 網(wǎng)絡(luò)構(gòu)建流程如圖1所示.

首先對(duì)被測(cè)試者進(jìn)行數(shù)據(jù)采集，包括：臨床數(shù)據(jù)、腦磁圖數(shù)據(jù)、磁共振 T1像. 將被測(cè)試者的MRI T1結(jié)構(gòu)像與MEG數(shù)據(jù)進(jìn)行配準(zhǔn)，然后將配準(zhǔn)后的圖像在空間上標(biāo)準(zhǔn)化到MRI標(biāo)準(zhǔn)模板上，標(biāo)準(zhǔn)化后的MRI圖像和AAL分區(qū)模板的感興趣區(qū)域(region of interest，ROI)通過逆變換轉(zhuǎn)換為個(gè)體分區(qū)的MRI圖像；通過對(duì)配準(zhǔn)后的MRI結(jié)構(gòu)像分割從而構(gòu)建得到被試者大腦的頭部模型[16]；由腦磁圖數(shù)據(jù)產(chǎn)生的協(xié)方差矩陣、被試者的頭模型以及個(gè)體分區(qū)的MRI圖像一起用來計(jì)算beamformer權(quán)重. 之后MEG數(shù)據(jù)通過對(duì)beamformer權(quán)重的投影產(chǎn)生時(shí)間序列[10]；對(duì)每個(gè)頻段的時(shí)間序列進(jìn)行相關(guān)性分析得到連接矩陣，最后對(duì)連接矩陣進(jìn)行圖譜分析構(gòu)建大腦網(wǎng)絡(luò).

對(duì)于感興趣區(qū)域的選取，本文選擇了AAL模板[17]，此模板共有116個(gè)腦分區(qū)，其中90個(gè)屬于大腦，在模板空間中選取了前78個(gè)大腦分區(qū)作為ROI. 每個(gè)ROI內(nèi)包含多個(gè)體素，而且體素的數(shù)量也是各不相同的，這依賴于空間采樣，在本研究中采用的是體素間隔為8 mm的源模型.

源信號(hào)的重建過程基于FieldTrip(http:∥www.fieldtriptoolbox.org/)工具包完成，源信號(hào)重建流程如圖2所示.

源重建流程圖中調(diào)用的函數(shù)都來自FieldTrip工具包. 每個(gè)被試者的MRI圖像都是不同的，利用ft_read_mri函數(shù)讀取被試者的磁共振圖像，然后通過ft_prepare_headmodel函數(shù)構(gòu)建源重建過程中需要的體積傳導(dǎo)模型，也稱為頭模型，如圖3所示. 利用ft_timelockanalysis函數(shù)計(jì)算出協(xié)方差矩陣. 最后在ft_sourceanalysis函數(shù)的method屬性中選擇線性約束最小方差(linearly constrained minimum variance,LCMV)方法[18]計(jì)算得到beamformer權(quán)重矩陣.

當(dāng)確定beamformer的權(quán)重后，就可以重建每個(gè)體素的時(shí)間序列，傳感器的非均勻投射可以在源信號(hào)上得到顯示，權(quán)值隨深度增加，而傳感器的噪聲保持不變. 為了消除這固有的偏差，在計(jì)算源信號(hào)之前需要對(duì)beamformer的權(quán)重利用它本身的向量范數(shù)進(jìn)行歸一化. 文獻(xiàn)[19]表明α頻帶最活躍的區(qū)域是視覺皮層和頂葉區(qū)域，β頻帶的功能連接在感覺運(yùn)動(dòng)區(qū)域最強(qiáng)[20],γ頻帶在聽覺皮層區(qū)域[21-22]和視覺皮層區(qū)域[23]有功能性作用. 因本研究是基于運(yùn)動(dòng)、工作記憶和語言處理3種任務(wù)態(tài)的，而這3種任務(wù)狀態(tài)與視覺皮層、聽覺皮層以及運(yùn)動(dòng)皮層區(qū)域最為相關(guān)，因此，在α(8～13 Hz)、β(13～30 Hz)、γ(30～48 Hz)以及全頻帶(1～48 Hz)共4個(gè)頻帶對(duì)體素的時(shí)間序列進(jìn)行分析.

通過體素間距為8 mm的標(biāo)準(zhǔn)源模型進(jìn)行源重建后會(huì)產(chǎn)生約10 000個(gè)體素源信號(hào)，對(duì)每一個(gè)體素的時(shí)間序列進(jìn)行研究工作量巨大且也沒有必有，因此多數(shù)研究中都會(huì)選取代表性的時(shí)間序列來表示整個(gè)ROI的時(shí)間序列，對(duì)于每一個(gè)頻帶和ROI，通常選取在此頻帶中功率最大的體素作為整個(gè)ROI代表，并使用這個(gè)體素的時(shí)間序列進(jìn)行下一步研究分析[10-11].

1.4 改進(jìn)方案

在用MEG構(gòu)建腦網(wǎng)絡(luò)時(shí)，常用最大功率方法提取代表性時(shí)間序列作為整個(gè)ROI的時(shí)間序列，但此方法會(huì)忽略掉其他體素對(duì)整個(gè)ROI的作用，導(dǎo)致信息量損失. 因此，提出了2種改進(jìn)方案：基于疊加平均的方法和基于聚類的方法.

1.4.1 基于疊加平均的方法

腦區(qū)源信號(hào)具有方向性，直接對(duì)其在矢量度量下進(jìn)行疊加平均會(huì)導(dǎo)致一些信號(hào)的抵消現(xiàn)象. 本研究的目的是通過計(jì)算腦區(qū)之間的一致性，構(gòu)建腦網(wǎng)絡(luò)，所以源信號(hào)的方向性可以忽略，只考慮其在主要方向上的投影即可. 選取某ROI的任意體素源信號(hào)作為基準(zhǔn)信號(hào)，分別計(jì)算各體素源信號(hào)和基準(zhǔn)信號(hào)的相關(guān)性，并根據(jù)其正負(fù)性對(duì)各體素源信號(hào)進(jìn)行符號(hào)修改. 最后對(duì)修改后的所有信號(hào)進(jìn)行疊加平均得到ROI的時(shí)間序列信號(hào)

S=〈sign(Cθ)Sθ〉

(1)

式中：S為ROI的時(shí)間序列信號(hào)；Cθ為基準(zhǔn)信號(hào)與θ處體素源信號(hào)之間的相關(guān)性；Sθ為θ處的體素源信號(hào)；〈〉為取平均.

1.4.2 基于聚類的方法

人類大腦在處理某個(gè)任務(wù)時(shí)不止是單個(gè)腦區(qū)在工作，而是多個(gè)腦區(qū)共同協(xié)調(diào)作用，大腦的某個(gè)腦區(qū)產(chǎn)生的源信號(hào)也不僅僅只代表一種生理活動(dòng). 聚類根據(jù)各個(gè)源信號(hào)之間的距離把信號(hào)分成一簇簇的類，使得類內(nèi)的源信號(hào)的相關(guān)性較強(qiáng)，而類間的相關(guān)性較弱. 不同的類別內(nèi)包含的體素?cái)?shù)量是不同的，某一類中體素的數(shù)量越多則說明其在腦區(qū)活動(dòng)中的重要程度越高. 因此，可以選用包含體素?cái)?shù)量最多的類別代表整個(gè)腦區(qū)的生理活動(dòng)，而把此類別的聚類中心作為整個(gè)腦區(qū)的代表信號(hào).

某些聚類方法需要事先設(shè)定分類數(shù)，例如在k均值聚類中需要知道k的具體值，才能進(jìn)而將要聚類的對(duì)象分為k類. 無法事先確定每個(gè)腦區(qū)信號(hào)分類數(shù)目，所以需要事先設(shè)定分類數(shù)目的聚類方法在此處不適用，本研究利用信號(hào)間的相關(guān)性進(jìn)行聚類. 具體方法如下：

假設(shè)某個(gè)腦區(qū)內(nèi)所有體素信號(hào)的集合用N表示，其元素ni表示某一體素的信號(hào)，Mi表示聚類后得到的第i類的信號(hào)的集合.

在集合N中任取元素ni作為第一類信號(hào)的一個(gè)元素,則

N=N-{ni}

(2)

M1={ni}

(3)

取集合N中的任意元素nj，令N=N-{nj}，分別計(jì)算nj與已有分類Mk中所有信號(hào)ml的相關(guān)性

c=Cov(nj,ml),ml∈Mk

(4)

max(c)>θ，則將nj劃為第k類

(5)

max(c)<θ,則將nj劃為新的一類k1類

(6)

重復(fù)此過程直到遍歷所有體素信號(hào)，每個(gè)腦區(qū)中會(huì)聚類出多種不同類別，而這不同的類別代表著不同的功能活動(dòng)，選取此腦區(qū)中體素?cái)?shù)最多的那一類別的聚類中心的時(shí)間序列信號(hào)代表整個(gè)腦區(qū)即ROI的時(shí)間序列信號(hào).

1.5 腦網(wǎng)絡(luò)構(gòu)建

通過權(quán)重矩陣就可得出體素的時(shí)間序列，然后分別通過最大功率、疊加平均和聚類的方法獲取代表ROI的時(shí)間序列，通過量化時(shí)間序列之間的相位關(guān)系，可捕捉到活動(dòng)源之間的函數(shù)相關(guān)關(guān)系. 本研究使用了相關(guān)系數(shù)來估算ROI之間的功能連接.

相關(guān)系數(shù)量化了信號(hào)之間相關(guān)性關(guān)系，且

(7)

1.6 腦網(wǎng)絡(luò)屬性分析

對(duì)于每種任務(wù)狀態(tài)，都有多次試驗(yàn)，經(jīng)過篩選，本研究選取了其中50次試驗(yàn)，ROI數(shù)為78，因此對(duì)于每種任務(wù)狀態(tài)下的每個(gè)頻段利用每種信號(hào)提取方法都可以得到50個(gè)78×78的網(wǎng)絡(luò)矩陣. 3種任務(wù)狀態(tài)在相同頻段相同信號(hào)提取方法下共得到150個(gè)網(wǎng)絡(luò)矩陣，將工作記憶任務(wù)狀態(tài)下的網(wǎng)絡(luò)矩陣標(biāo)號(hào)為1～50，運(yùn)動(dòng)任務(wù)狀態(tài)下的網(wǎng)絡(luò)矩陣編號(hào)為51～100，語言處理任務(wù)狀態(tài)下的網(wǎng)絡(luò)矩陣編號(hào)為101～150. 對(duì)上述150個(gè)矩陣?yán)胟均值聚類分為3類，在相同任務(wù)狀態(tài)下產(chǎn)生的網(wǎng)絡(luò)矩陣具有較高的相似程度，若編號(hào)為1～50的矩陣為一類，51～100的矩陣為一類，101～150的矩陣為一類，那么就可以認(rèn)為利用此種特征提取的方法得到的矩陣k均值聚類準(zhǔn)確率為100%.

除此之外，本文還對(duì)腦網(wǎng)絡(luò)特征和小世界屬性進(jìn)行研究分析. 小世界網(wǎng)絡(luò)是一種介于規(guī)則網(wǎng)絡(luò)和隨機(jī)網(wǎng)絡(luò)之間的一種網(wǎng)絡(luò)屬性[24]，自從提出了小世界網(wǎng)絡(luò)的概念，人們開始研究各種復(fù)雜網(wǎng)絡(luò)的小世界屬性，有關(guān)腦網(wǎng)絡(luò)小世界屬性的研究也越來越多[25-26]，本研究針對(duì)3種信號(hào)提取方法得到的網(wǎng)絡(luò)矩陣進(jìn)行網(wǎng)絡(luò)特征的分析，分別采用2個(gè)網(wǎng)絡(luò)特征(聚類系數(shù)、最短路徑長度)以及3個(gè)小世界特征(λ、γ、σ)來分析3種信號(hào)提取方法得到的功能網(wǎng)絡(luò)特征之間的差異. 網(wǎng)絡(luò)特征的分析用到工具包brain connectivity toolbox(BCT,http:∥www.brain-connectivity-toolbox.net). 特征參數(shù)定義及計(jì)算公式如表1所示.

表1 網(wǎng)絡(luò)特征參數(shù)定義及計(jì)算公式

2 實(shí)驗(yàn)結(jié)果與分析

2.1 腦網(wǎng)絡(luò)矩陣k均值聚類準(zhǔn)確率的比較

在進(jìn)行腦網(wǎng)絡(luò)分析之前，以在工作記憶狀態(tài)下ID為104012的被試為例，對(duì)其α頻段以疊加平均方法得到的腦網(wǎng)絡(luò)矩陣進(jìn)行了二值化，閾值設(shè)置為0.8，并對(duì)二值化后的腦網(wǎng)絡(luò)矩陣進(jìn)行了可視化，如圖4所示.

在表2的k均值聚類準(zhǔn)確率結(jié)果中，每一個(gè)提取方法在每一個(gè)頻段都對(duì)應(yīng)2個(gè)百分?jǐn)?shù)，分別為平均聚類準(zhǔn)確率和標(biāo)準(zhǔn)差. 可以看出，疊加平均信號(hào)提取方法的聚類準(zhǔn)確率在4個(gè)頻率段上均為最高，且對(duì)應(yīng)的標(biāo)準(zhǔn)差相對(duì)較低；最大功率方法在γ頻段的準(zhǔn)確率與疊加平均方法相當(dāng)，而在其他3個(gè)頻段比疊加平均方法低. 從頻段上對(duì)比3種信號(hào)提取的方法可以看出，在α頻段，3種方法的準(zhǔn)確率均為最低，而標(biāo)準(zhǔn)差卻相對(duì)較高；在γ頻段上，3種方法都相對(duì)較好的表現(xiàn).

表2 k均值聚類準(zhǔn)確率

2.2 網(wǎng)絡(luò)特征差異

以標(biāo)號(hào)為104012被試者為例，該被試在工作記憶狀態(tài)下的腦網(wǎng)絡(luò)的網(wǎng)絡(luò)特征及小世界屬性如圖5所示，可以看出，3種信號(hào)提取方法在4個(gè)頻段均表現(xiàn)出了小世界屬性，即λ的值接近1、γ的值遠(yuǎn)大于1，且σ的值大于1，但是不同的信號(hào)提取方法在不同的頻段小世界屬性強(qiáng)弱是不同的.σ是由Humphries等[27]提出的一種衡量小世界屬性的標(biāo)量，它被定義為σ=γ/λ，當(dāng)σ>1時(shí)網(wǎng)絡(luò)具有小世界屬性，且σ越大，網(wǎng)絡(luò)的小世界屬性越強(qiáng). 在全頻段(1～48 Hz)，最大功率的信號(hào)提取方法得到的腦網(wǎng)絡(luò)的小世界屬性最強(qiáng)；疊加平均方法得到的腦網(wǎng)絡(luò)的小世界屬性次之；聚類方法得到的腦網(wǎng)絡(luò)的小世界屬性最弱；在α(8～13 Hz)頻段，疊加平均方法得到的腦網(wǎng)絡(luò)的小世界屬性強(qiáng)度略高于最大功率方法得到網(wǎng)絡(luò)的小世界屬性，聚類方法得到的腦網(wǎng)絡(luò)的小世界屬性最弱；在β(13～30 Hz)頻段，3種信號(hào)提取方法得到的小世界屬性的強(qiáng)弱依次為，最大功率最強(qiáng)，疊加平均次之，聚類最弱；在γ(30～48 Hz)頻段，依舊是最大功率的小世界屬性最強(qiáng)，疊加平均次之，聚類最弱.

2.3 討論分析

用腦磁圖構(gòu)建腦網(wǎng)絡(luò)時(shí)，在ROI中選取代表性神經(jīng)源信號(hào)是關(guān)鍵步驟. 本研究根據(jù)3種信號(hào)提取的方法分別構(gòu)建大腦網(wǎng)絡(luò)，然后通過對(duì)腦網(wǎng)絡(luò)進(jìn)行均值聚類分析，會(huì)獲得3種信號(hào)提取方法的k均值聚類準(zhǔn)確率，通過準(zhǔn)確率的比較發(fā)現(xiàn)，在各個(gè)頻段，通過疊加平均和最大功率的方法獲取的時(shí)間序列構(gòu)建的大腦網(wǎng)絡(luò)，k均值聚類準(zhǔn)確率都在70%左右，而通過聚類的方法獲取的時(shí)間序列構(gòu)建的大腦網(wǎng)絡(luò)的準(zhǔn)確率在65%左右，尤其是在α頻段，聚類方法的準(zhǔn)確率不到50%. 由準(zhǔn)確率的比較，可以初步得出結(jié)論：利用疊加平均和最大功率的方法獲取的時(shí)間序列在一定程度上更能代表整個(gè)ROI的活動(dòng)情況，而利用聚類的方法獲取的時(shí)間序列不能很好地代表整個(gè)ROI的活動(dòng)情況.

最大功率、疊加平均以及聚類的信號(hào)提取方法獲取時(shí)間序列構(gòu)建的腦網(wǎng)絡(luò)具有小世界屬性，這也驗(yàn)證了之前研究中腦網(wǎng)絡(luò)具有小世界屬性的結(jié)論. 在對(duì)腦網(wǎng)絡(luò)進(jìn)行網(wǎng)絡(luò)特征及小世界屬性分析時(shí)，對(duì)矩陣進(jìn)行了二值化，為了使網(wǎng)絡(luò)中的節(jié)點(diǎn)都連通，此過程需要設(shè)置閾值，閾值設(shè)置得越大，所有節(jié)點(diǎn)都連通的可能性越大，同時(shí)網(wǎng)絡(luò)的小世界屬性越弱. 圖5中的網(wǎng)絡(luò)特征及小世界屬性均是在最小閾值下得到的，其中最大功率和疊加平均方法得到的網(wǎng)絡(luò)矩陣的最小閾值為0.3,而聚類方法得到網(wǎng)絡(luò)矩陣的最小閾值為0.55. 從圖5中也可以看到，在各個(gè)頻段，疊加平均和最大功率方法對(duì)應(yīng)的σ值都相差不多且在值的大小在1.5以上，而聚類方法對(duì)應(yīng)的σ值在1.2上下. 聚類方法獲取時(shí)間序列構(gòu)建大腦網(wǎng)絡(luò)的小世界屬性較弱.

本研究中采用的聚類方法是通過比較新體素和已有類別中體素的相關(guān)性來劃分類別的，理論上其比基于距離來劃分類別的聚類方法有更高的準(zhǔn)確度. 選取體素?cái)?shù)最多的類別的聚類中心作為整個(gè)ROI的時(shí)間序列，如果各個(gè)類別的體素?cái)?shù)量都相差不多，這也將會(huì)產(chǎn)生較大的誤差；在同一腦區(qū)中的各個(gè)神經(jīng)源信號(hào)的功率是不同的，選取功率最大的信號(hào)作為代表信號(hào)固然會(huì)損失部分信息，但是相比與其他信號(hào)功率最大的信號(hào)更能代表腦區(qū)，其有效性也得到了相關(guān)研究的證實(shí)；疊加平均的方法是把整個(gè)腦區(qū)的信號(hào)求和取均值，這樣得到的信號(hào)在理論上能代表局部腦區(qū). 上述實(shí)驗(yàn)結(jié)果也驗(yàn)證了基于最大功率和疊加平均作為信號(hào)提取方法的有效性.

3 結(jié)論

1) 從k均值聚類準(zhǔn)確率和網(wǎng)絡(luò)特征及小世界屬性的分析比較中可以發(fā)現(xiàn)，聚類方法不適合獲取ROI代表性時(shí)間序列，而最大功率和疊加平均作為獲取ROI代表性時(shí)間序列的方法有較好的表現(xiàn)，在某些頻段疊加平均方法優(yōu)于最大功率方法，在另外一些頻段最大功率方法優(yōu)于疊加平均方法. 從大量的神經(jīng)源信號(hào)中獲取代表性時(shí)間序列對(duì)于構(gòu)建大腦網(wǎng)絡(luò)至關(guān)重要，不同的神經(jīng)源信號(hào)作為ROI的時(shí)間序列構(gòu)建出的大腦網(wǎng)絡(luò)截然不同，所以性能良好的信號(hào)提取方法對(duì)于腦磁圖構(gòu)建網(wǎng)絡(luò)及網(wǎng)絡(luò)的分析有著很大的作用.

2) 對(duì)于如何從眾多神經(jīng)源信號(hào)選取代表性時(shí)間序列沒有金標(biāo)準(zhǔn)，有研究使用ROI的質(zhì)量中心作為整個(gè)區(qū)域的代表性時(shí)間序列[11]. 信號(hào)提取方法作為腦磁圖網(wǎng)絡(luò)構(gòu)建中的關(guān)鍵步驟，對(duì)于整個(gè)網(wǎng)絡(luò)構(gòu)建的質(zhì)量有很大影響，本研究針對(duì)這一點(diǎn)，對(duì)比了常用的最大功率方法以及本文提出的疊加平均方法，發(fā)現(xiàn)2種方法均可作為獲取代表性時(shí)間序列的方法，為腦磁圖網(wǎng)絡(luò)的構(gòu)建及分析提供良好的支持.