齊云鵬，王蘇弘，陳芋圻，鄒 凌

1.常州大學(xué) 計算機(jī)與人工智能學(xué)院 阿里云大數(shù)據(jù)學(xué)院，江蘇 常州 213164

2.蘇州大學(xué)附屬第三醫(yī)院 臨床心理科，江蘇 常州 213003

3.常州大學(xué) 微電子與控制工程學(xué)院，江蘇 常州 213164

再認(rèn)記憶是人類的一項基本認(rèn)知功能，認(rèn)知心理學(xué)界已使用多種方法對再認(rèn)記憶進(jìn)行研究，包括對單詞、物體、圖片等的再認(rèn)[1-2]。已有的研究表明，部分病癥會影響再認(rèn)記憶，比較典型的有阿茲海默癥、腦梗塞、顱腦損傷[3-4]等。但這些研究均使用ERP來分析再認(rèn)記憶差異，并未從腦網(wǎng)絡(luò)方面進(jìn)行研究。此外，當(dāng)前對再認(rèn)記憶的研究大多局限于病癥[3-4]這類對大腦有物理性損傷的人群，張毅力等人[2]研究了跨國文化背景對再認(rèn)記憶的影響，但這一研究只使用了事件相關(guān)電位（event-related potential，ERP）和行為學(xué)數(shù)據(jù)，且受到到語言、三觀、智力水平等多種因素影響，得到的結(jié)果比較寬泛。目前，正常人群因?qū)I(yè)教育背景不同而獲得不同的先驗記憶（如：中國醫(yī)學(xué)生與非醫(yī)學(xué)生）是否會影響之后的再認(rèn)記憶（簡稱：后認(rèn)記憶），經(jīng)檢索尚未發(fā)現(xiàn)與之相關(guān)的文獻(xiàn)。這是再認(rèn)記憶領(lǐng)域目前的空缺，填補(bǔ)這一空缺將有助于更深入地了解再認(rèn)記憶的機(jī)制，為再認(rèn)記憶研究豐富理論依據(jù)。

腦網(wǎng)絡(luò)理論已被廣泛應(yīng)用于研究腦功能。根據(jù)這一理論，大腦的復(fù)雜功能是腦網(wǎng)絡(luò)中不同區(qū)域之間連接的結(jié)果。已有的研究表明，大腦的功能和結(jié)構(gòu)網(wǎng)絡(luò)可以表示為一個復(fù)雜的網(wǎng)絡(luò)模型[5]。迄今為止已有一些研究通過計算各路腦電信號間的相關(guān)性，建立大腦功能性網(wǎng)絡(luò)，再運(yùn)用復(fù)雜網(wǎng)絡(luò)的理論和方法，分析大腦的網(wǎng)絡(luò)連接。Supriya等人[6]通過lucasa可見圖算法建立了大腦連接網(wǎng)絡(luò)，并引入了復(fù)雜網(wǎng)絡(luò)統(tǒng)計特性檢測不同邊緣強(qiáng)度的癲癇腦電信號。Gao等人[7]根據(jù)不同節(jié)點(diǎn)的EEG信號之間的相對小波熵建立大腦復(fù)雜網(wǎng)絡(luò)，提取了一系列的網(wǎng)絡(luò)統(tǒng)計量來表征大腦網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)，進(jìn)行基于腦電圖的疲勞駕駛分類。

在記憶與腦網(wǎng)絡(luò)結(jié)合這一領(lǐng)域，目前已經(jīng)有研究用構(gòu)建腦網(wǎng)絡(luò)的方法對記憶相關(guān)領(lǐng)域進(jìn)行探索，但這些研究僅將腦網(wǎng)絡(luò)作為一種量化指標(biāo)[8]，用以評估提出方法的有效性，并未從腦網(wǎng)絡(luò)的角度深入分析。這也是目前再認(rèn)記憶研究的不足之處。大腦是一個復(fù)雜的系統(tǒng)，使用腦網(wǎng)絡(luò)的方法對再認(rèn)記憶進(jìn)行分析有助于更深入、更詳細(xì)地了解再認(rèn)記憶。

大腦區(qū)域間的信息流動，本質(zhì)上是信息從一個區(qū)域傳播到另一個區(qū)域的過程，這一動態(tài)過程可以使用復(fù)雜網(wǎng)絡(luò)的信息傳播過程進(jìn)行描述[9-11]。在基于EEG數(shù)據(jù)構(gòu)建的復(fù)雜腦網(wǎng)絡(luò)中，將電極作為網(wǎng)絡(luò)節(jié)點(diǎn)，電極之間的連通性作為邊，若邊為加權(quán)有向邊，則可以將其視為節(jié)點(diǎn)之間有向的、量化的信息傳播。一個經(jīng)典的有向連接度量是基于信息論的轉(zhuǎn)移熵（transfer entropy，TE），TE是一種無模型連接度量，它顯示交互的方向并包含線性和非線性耦合。Lobier等人[12]將TE在相位數(shù)據(jù)上擴(kuò)展為相位轉(zhuǎn)移熵（phase transfer entropy，PTE），它具有TE的優(yōu)點(diǎn)以及對噪聲和線性混合更強(qiáng)的魯棒性，并且只需要較少的數(shù)據(jù)和計算時間就可以反映信號的耦合關(guān)系，基于此度量構(gòu)建的網(wǎng)絡(luò)將包含有關(guān)大腦區(qū)域相互作用的更全面的信息。目前該方法已被應(yīng)用于腦磁圖[13]和心電信號[14]的功能連接分析。但PTE在腦電領(lǐng)域的應(yīng)用不多，Wang等人[15]使用PTE對癲癇病人的立體腦電圖（stereo-electroencephalography，SEEG）數(shù)據(jù)進(jìn)行分析，成功預(yù)測了顳葉癲癇的致癇區(qū)。Hasanzadeh等人[16]基于重度抑郁癥患者和正常受試者的EEG數(shù)據(jù)，使用PTE構(gòu)建腦網(wǎng)絡(luò)，并結(jié)合圖論指標(biāo)評估網(wǎng)絡(luò)特征的差異，之后又對兩組受試者進(jìn)行分類，得到92%的分類準(zhǔn)確率，證明PTE是一種基于EEG數(shù)據(jù)構(gòu)建腦網(wǎng)絡(luò)的有效方法。

由于目前對不同先驗記憶影響后認(rèn)記憶這一方向的研究存在空缺，并且對再認(rèn)記憶的研究大多是從ERP和行為學(xué)數(shù)據(jù)兩方面進(jìn)行分析，尚未從腦網(wǎng)絡(luò)方面對再認(rèn)記憶深入研究，又考慮到受試者都是正常人群，兩者之間的腦網(wǎng)絡(luò)差異可能不會很明顯，使用無向連接無法體現(xiàn)出兩者之間的差異，因此本文采用相位轉(zhuǎn)移熵方法構(gòu)建有向加權(quán)再認(rèn)記憶腦功能網(wǎng)絡(luò)，以醫(yī)學(xué)生和非醫(yī)學(xué)生為受試者，探究不同的先驗記憶對后認(rèn)記憶的影響，并結(jié)合復(fù)雜網(wǎng)絡(luò)的理論和方法，按照“復(fù)雜網(wǎng)絡(luò)特征-關(guān)鍵網(wǎng)絡(luò)節(jié)點(diǎn)-主要腦區(qū)”的思路，從復(fù)雜網(wǎng)絡(luò)特征、網(wǎng)絡(luò)樞紐、有向差分連通圖（directed differential connectivity graph，dDCG）三個方面深入分析再認(rèn)記憶在大腦網(wǎng)絡(luò)特征上的差異。本文豐富了再認(rèn)記憶領(lǐng)域的研究，為再認(rèn)記憶的研究提供一種新的思路，也為再認(rèn)記憶的腦網(wǎng)絡(luò)研究提供支持。

1 數(shù)據(jù)采集與預(yù)處理

1.1 受試者信息

在蘇州大學(xué)醫(yī)學(xué)院募集被試，采用單雙數(shù)法隨機(jī)選取中國醫(yī)學(xué)生36名（男性19名，女性17名），年齡21～22歲，平均年齡（21.90±0.73）歲；在蘇州大學(xué)募集被試，采用單雙數(shù)法隨機(jī)選取中國非醫(yī)學(xué)生37名（男性19名，女性18名），年齡21～23歲，平均年齡（21.72±1.42）歲，兩組受試者之間年齡差異無統(tǒng)計學(xué)意義（P＞0.05）。所有受試者均為五年制臨床醫(yī)學(xué)專業(yè)四年級，右利手，視力或矯正視力正常，無精神及神經(jīng)系統(tǒng)疾病，無藥物濫用，研究已通過蘇州大學(xué)附屬第三醫(yī)院倫理委員會批準(zhǔn)，實驗前獲得受試者本人書面知情同意。

1.2 實驗范式

從醫(yī)學(xué)圖片庫和非醫(yī)學(xué)圖片庫中各隨機(jī)抽取圖片120張。采用國際通用的再認(rèn)記憶模式，分為兩個結(jié)構(gòu)相同的組塊，每個組塊包括醫(yī)學(xué)、非醫(yī)學(xué)圖片各60張，兩個組塊無重復(fù)圖片，中間休息2 min。組塊結(jié)構(gòu)：（1）學(xué)習(xí)階段。黑屏白背景刺激圖片位于液晶屏中央，大小為8 cm×8 cm，共呈現(xiàn)60張圖片，醫(yī)學(xué)圖片和非醫(yī)學(xué)圖片各30張，每張圖片顯示2 000 ms，間隔1 000 ms；要求被試者記憶呈現(xiàn)圖片。（2）再認(rèn)階段（區(qū)分舊圖及新圖過程）。學(xué)習(xí)階段出現(xiàn)過的圖片（學(xué)習(xí)過的）稱為舊圖，未出現(xiàn)（未學(xué)習(xí)過）的圖片為新圖。每張圖片顯示2 000 ms，間隔1 500～2 000 ms，共偽隨機(jī)呈現(xiàn)120張圖片，新圖和舊圖各60張，要求被試者判別看到的圖片是新圖還是舊圖。學(xué)習(xí)階段與再認(rèn)階段間隔1 min。

1.3 數(shù)據(jù)預(yù)處理

所有數(shù)據(jù)均使用美國EGI腦電圖系統(tǒng)采集，電極的位置依照國際10-20標(biāo)準(zhǔn)，采樣率為500 Hz。使用EEGLAB工具箱對所采集的腦電數(shù)據(jù)進(jìn)行預(yù)處理，得到去除大部分噪聲后的腦電數(shù)據(jù)，步驟包括：（1）濾波：范圍為0.1～45 Hz。（2）偽跡檢測（astifact detection）。采用主成分分析（PCA）法，去除眨眼和眼動偽跡；（3）壞導(dǎo)替換（bad channel replacement）。（4）參考點(diǎn)轉(zhuǎn)換（montage operations）。采用平均參考；（5）分段（segment）。分段范圍為-200～1 000 ms。（6）基線校正（remove baseline）。范圍為-200～0 ms。

2 實驗方法

2.1 相位轉(zhuǎn)移熵構(gòu)建腦網(wǎng)絡(luò)

構(gòu)建大腦網(wǎng)絡(luò)的第一步是選擇節(jié)點(diǎn)和計算連接強(qiáng)度（即邊）。在本研究中，每個電極被認(rèn)為是一個節(jié)點(diǎn)，共128個節(jié)點(diǎn)。引入PTE這一連通性度量，用于確定圖的邊緣。PTE是應(yīng)用于信號相位時間序列的轉(zhuǎn)移熵。轉(zhuǎn)移熵表示一個過程過去的信息量，可用于在目標(biāo)過程過去的背景下預(yù)測另一個過程的未來。計算PTE的步驟如下：

步驟1獲取EEG信號的相位數(shù)據(jù)。信號的瞬時相位可以從該信號的分析形式中獲得。對于信號X(t)，為了獲得瞬時相位時間序列θ(t)，將解析信號定義為：

其中，A(t)是信號的瞬時幅度，S(t)通過對X(t)進(jìn)行復(fù)濾波（如Morlet小波變換或Hilbert變換）獲得。本文使用Hilbert變換。之前的研究結(jié)果表明，如果信號是窄頻帶，則可以適當(dāng)?shù)囟x信號的瞬時相位，因此將帶通濾波設(shè)置為delta（1～3 Hz）、theta（4～7 Hz）、alpha1（8～10 Hz）、alpha2（10～12 Hz）、beta1（13～16 Hz）、beta2（16～20 Hz）、beta3（20～25 Hz）和beta4（25～30 Hz）8個子頻帶[14]，從每個子頻帶的128通道EEG數(shù)據(jù)中提取瞬時相位。

步驟2計算邊際熵和聯(lián)合熵項。熵的定義為：

其中，t′=t-δ，δ表示分析時滯，θy(t′)、θx(t′)表示瞬時相位在過去時間點(diǎn)t′時的狀態(tài)。H(θ)表示香農(nóng)熵。計算方程式（2）～（5）中的概率，需要估計有限時間序列背后的過程的狀態(tài)空間。

本文使用相空間分箱和實驗折疊相結(jié)合的方法，對于每個概率密度函數(shù)，通過對所有實驗中單個、成對或三元組相位數(shù)據(jù)點(diǎn)的出現(xiàn)進(jìn)行適當(dāng)分箱，構(gòu)建了一個基于直方圖的概率函數(shù)。定義每個箱的寬度其中h j表示相位時間序列θ(j)的箱寬度(j=y(t),y(t′)或x(t′))，N是樣本數(shù)，σj是方向變量的標(biāo)準(zhǔn)偏差，由Fisher定義。因此，對于θy(t)、θy(t′)和θx(t′)，箱的數(shù)量為：k(j)=2π/h(j)。最后，通過將每個箱中的數(shù)據(jù)點(diǎn)數(shù)除以數(shù)據(jù)點(diǎn)總數(shù)來計算每個箱的概率值。

步驟3計算PTE。信號的PTE定義為：

將步驟2中得到的熵根據(jù)公式（6）進(jìn)行計算，即可得到兩個節(jié)點(diǎn)之間的PTE。對每對節(jié)點(diǎn)之間的PTE進(jìn)行計算，共需計算128×127次。

步驟4確定連接方向。定義X到Y(jié)之間的定向連接為dPTE：

若d PTE x-＞y＞0，則連接方向為X到Y(jié)，反之則方向為Y到X。最終得到8 128條有向邊。

2.2 復(fù)雜網(wǎng)絡(luò)特征

在網(wǎng)絡(luò)構(gòu)建之后，使用復(fù)雜網(wǎng)絡(luò)特征以評估網(wǎng)絡(luò)的特性?；趶?fù)雜網(wǎng)絡(luò)理論的大腦連接網(wǎng)絡(luò)圖中具有很多有價值的網(wǎng)絡(luò)特征，提取這些復(fù)雜網(wǎng)絡(luò)特征參數(shù)可以有效反映大腦網(wǎng)絡(luò)的狀態(tài)。本文所計算的復(fù)雜網(wǎng)絡(luò)特征如表1所示。網(wǎng)絡(luò)特征由大腦連接工具箱（brain connectivity toolbox）計算。

表1 應(yīng)用圖論指標(biāo)的簡要描述Table 1 Brief description of applied graph theory metrics

為了評估醫(yī)學(xué)生與非醫(yī)學(xué)生的再認(rèn)記憶腦功能網(wǎng)絡(luò)的差異，對8個研究頻段和兩種刺激（舊醫(yī)學(xué)圖片和舊非醫(yī)學(xué)圖片）進(jìn)行了醫(yī)學(xué)生與非醫(yī)學(xué)生組之間的統(tǒng)計分析，對每個復(fù)雜網(wǎng)絡(luò)特征進(jìn)行獨(dú)立樣本T檢驗進(jìn)行比較。影響每項測量的因素是兩組（MS和OS）和128個EEG電極（節(jié)點(diǎn)），本文的研究重點(diǎn)是組差異。

2.3 分析網(wǎng)絡(luò)樞紐

在網(wǎng)絡(luò)中，若一個節(jié)點(diǎn)的度數(shù)比網(wǎng)絡(luò)的平均度數(shù)高出一個標(biāo)準(zhǔn)差以上，則這個節(jié)點(diǎn)可以視為網(wǎng)絡(luò)樞紐。網(wǎng)絡(luò)樞紐在網(wǎng)絡(luò)中的信息傳遞中起著重要作用。根據(jù)計算出的節(jié)點(diǎn)度和節(jié)點(diǎn)強(qiáng)度，使用MATLAB繪制網(wǎng)絡(luò)樞紐圖，并過濾掉節(jié)點(diǎn)度和節(jié)點(diǎn)強(qiáng)度過小的冗余節(jié)點(diǎn)，對比分析網(wǎng)絡(luò)樞紐之間的差異。

2.4 構(gòu)建有向差分連通圖

分形結(jié)構(gòu)是現(xiàn)實網(wǎng)絡(luò)中普遍存在的特征，腦網(wǎng)絡(luò)也具備這一特性[17-19]，每個腦區(qū)可以看作腦網(wǎng)絡(luò)的一個大節(jié)點(diǎn)，腦區(qū)內(nèi)部構(gòu)成子網(wǎng)絡(luò)，結(jié)構(gòu)與整體腦網(wǎng)絡(luò)相似，多個子網(wǎng)絡(luò)互相連接、影響就構(gòu)成了整體的腦網(wǎng)絡(luò)。每個子網(wǎng)絡(luò)負(fù)責(zé)處理不同的任務(wù)。這些子網(wǎng)絡(luò)的狀態(tài)（如網(wǎng)絡(luò)密度、子網(wǎng)絡(luò)間信息交互等）變化導(dǎo)致大腦分形結(jié)構(gòu)的改變，從而影響腦網(wǎng)絡(luò)的功能。這一步可使用dDCG進(jìn)行分析。

dDCG由兩組之間有顯著性差異的連接構(gòu)成，使用dDCG來表示醫(yī)學(xué)生與非醫(yī)學(xué)生之間邊明顯不同的網(wǎng)絡(luò)；在每個頻帶中構(gòu)建一組dDCG，對于頻帶中的每個對象，使用PTE矩陣作為鏈接值，用獨(dú)立樣本T檢驗篩選出具有顯著性差異的連接，根據(jù)篩選結(jié)果使用dPTE矩陣構(gòu)建dDCG，并使用brainstorm工具箱繪制dDCG。

3 結(jié)果

3.1 復(fù)雜網(wǎng)絡(luò)特征統(tǒng)計結(jié)果

為了評估醫(yī)學(xué)生與非醫(yī)學(xué)生的腦網(wǎng)絡(luò)差異，對醫(yī)學(xué)生（MS）與非醫(yī)學(xué)生（OS）組的復(fù)雜網(wǎng)絡(luò)特征進(jìn)行統(tǒng)計測試。表2、表3顯示了所有頻帶中MS和OS組受試者的復(fù)雜網(wǎng)絡(luò)特征的平均值，包括出度（OutDeg）、入度（InDeg）、出入度之比（OD/ID）、出強(qiáng)度（OutStr）、入強(qiáng)度（InStr）、局部效率（LE）、全局效率（GE）和介數(shù)中心性（BC），圖片刺激包括舊醫(yī)學(xué)圖片（mo）和舊非醫(yī)學(xué)圖片（oo）。粗體數(shù)字代表具有顯著性差異（P＜0.05）。

從表2、表3可以看出，在節(jié)點(diǎn)出入度和BC方面，醫(yī)學(xué)生和非醫(yī)學(xué)生不存在差異。在mo組的theta和beta2頻段中，MS組的出入度之比要小于OS組，而在oo組的delta和beta1頻段中，MS組的出入度之比大于OS組。對于節(jié)點(diǎn)出強(qiáng)度，在delta、theta和alpha頻段的mo組中MS組的出強(qiáng)度大于OS組，在beta頻段中則相反，而在oo組中，delta、alpha2和beta1頻段的MS組的出強(qiáng)度要大于OS組，在beta2、beta3、beta4頻段中則相反。對于入強(qiáng)度，mo組在delta和theta頻段中MS組的入強(qiáng)度要大于OS組，在beta2、beta3和beta4頻段則相反，而在oo組中，beta4頻段MS組的入強(qiáng)度小于OS組。對于局部效率，mo組的delta、theta、alpha、beta1頻段中MS組的LE大于OS組，在beta2、beta3頻段則相反，oo組的alpha2、beta1、beta2頻段中MS組的LE大于OS組，在delta、theta、beta4頻段中則相反。關(guān)于全局效率，mo組的delta、theta頻段中MS組的GE大于OS組，beta2、beta3、beta4頻段中則相反，而oo組中，僅在beta4頻段中MS組的GE小于OS組。

表2 舊醫(yī)學(xué)圖片（mo）組醫(yī)學(xué)生和非醫(yī)學(xué)生所有頻段的平均網(wǎng)絡(luò)度量（±s）Table 2 Average network measurement of all frequency for medical and ordinary students in old medical pictures group（mo）(±s)

表2 舊醫(yī)學(xué)圖片（mo）組醫(yī)學(xué)生和非醫(yī)學(xué)生所有頻段的平均網(wǎng)絡(luò)度量（±s）Table 2 Average network measurement of all frequency for medical and ordinary students in old medical pictures group（mo）(±s)

表3 舊非醫(yī)學(xué)圖片組（oo）醫(yī)學(xué)生和非醫(yī)學(xué)生所有頻段的平均網(wǎng)絡(luò)度量（±s）Table 3 Average network measures of all frequency bands for medical and ordinary students in old ordinary pictures group（oo）(±s)

表3 舊非醫(yī)學(xué)圖片組（oo）醫(yī)學(xué)生和非醫(yī)學(xué)生所有頻段的平均網(wǎng)絡(luò)度量（±s）Table 3 Average network measures of all frequency bands for medical and ordinary students in old ordinary pictures group（oo）(±s)

綜合上述結(jié)果可以發(fā)現(xiàn)，對于所有具有顯著性差異的指標(biāo)，在beta3（20～25 Hz）和beta4（25～30 Hz）頻段中MS組的指標(biāo)數(shù)值均小于OS組。

3.2 網(wǎng)絡(luò)樞紐對比分析

為了研究圖片再認(rèn)期間醫(yī)學(xué)生與非醫(yī)學(xué)生腦功能網(wǎng)絡(luò)樞紐的差異，對兩組之間的節(jié)點(diǎn)度數(shù)（節(jié)點(diǎn)的出度和入度之和）和節(jié)點(diǎn)強(qiáng)度（節(jié)點(diǎn)的入強(qiáng)度和出強(qiáng)度之和）進(jìn)行對比，分析網(wǎng)絡(luò)連接權(quán)重的差異。在提取這些指標(biāo)時，先對兩組數(shù)據(jù)進(jìn)行獨(dú)立樣本T檢驗，僅選擇兩組之間具有顯著性差異的網(wǎng)絡(luò)連接。圖1和圖2分別描繪了所有頻帶中電極的平均節(jié)點(diǎn)度和平均節(jié)點(diǎn)強(qiáng)度，電極體積代表節(jié)點(diǎn)度，電極顏色代表節(jié)點(diǎn)強(qiáng)度。同時構(gòu)建了統(tǒng)計量t：

圖1 對舊非醫(yī)學(xué)圖片進(jìn)行再認(rèn)時各個頻段的網(wǎng)絡(luò)樞紐圖Fig.1 Network hub diagram of each frequency during recognition of old ordinary images

圖2 對舊醫(yī)學(xué)圖片進(jìn)行再認(rèn)時各個頻段的網(wǎng)絡(luò)樞紐圖Fig.2 Network hub diagram of each frequency during recognition of old medical images

其中，deg為度或節(jié)點(diǎn)強(qiáng)度，max代表最大值，min代表最小值。由于網(wǎng)絡(luò)樞紐的度數(shù)比網(wǎng)絡(luò)的平均度數(shù)高出一個標(biāo)準(zhǔn)差以上，因此可以過濾掉一些節(jié)點(diǎn)度和節(jié)點(diǎn)強(qiáng)度過小的電極，讓網(wǎng)絡(luò)樞紐的結(jié)果更加簡潔清晰。從t=0%開始，以10%為步長設(shè)置閾值并繪圖，根據(jù)每個頻段的實際結(jié)果，選擇不同的閾值（30%～50%）。這樣的閾值過濾后不僅會保留網(wǎng)絡(luò)樞紐，也會保留下一些節(jié)點(diǎn)度和節(jié)點(diǎn)強(qiáng)度較大但非網(wǎng)絡(luò)樞紐的節(jié)點(diǎn)，會盡可能地保留一些有用的信息，有助于之后的分析。

對圖片的再認(rèn)涉及到視覺、圖片識別、判斷、短期記憶等，與這些功能相關(guān)的大腦區(qū)域為枕葉、顳葉和額葉，而再認(rèn)記憶的“新/舊效應(yīng)”會出現(xiàn)在頂葉及額葉中部，因此腦功能網(wǎng)絡(luò)的樞紐應(yīng)當(dāng)會位于枕葉、顳葉、頂葉和額葉這四個區(qū)域中。

圖1顯示了醫(yī)學(xué)生和非醫(yī)學(xué)生對舊非醫(yī)學(xué)圖片進(jìn)行再認(rèn)時各個頻段的平均節(jié)點(diǎn)度（以電極體積表示）和節(jié)點(diǎn)強(qiáng)度（以電極顏色表示）。如圖1所示，醫(yī)學(xué)生和非醫(yī)學(xué)生在對舊醫(yī)學(xué)圖片進(jìn)行再認(rèn)時，腦功能網(wǎng)絡(luò)的樞紐主要位于枕葉（beta4）、額葉（delta、alpha1、alpha2、beta1、beta2）、左側(cè)顳葉（delta、theta）和右側(cè)顳葉（beta3）。兩組的節(jié)點(diǎn)度沒有明顯差異。除beta3頻段外，醫(yī)學(xué)生在所有頻段中的節(jié)點(diǎn)強(qiáng)度（P＜0.05）均低于非醫(yī)學(xué)生。

圖2顯示了醫(yī)學(xué)生和非醫(yī)學(xué)生對舊醫(yī)學(xué)圖片進(jìn)行再認(rèn)時各個頻段的平均節(jié)點(diǎn)度（以電極體積表示）和節(jié)點(diǎn)強(qiáng)度（以電極顏色表示）。如圖2所示，醫(yī)學(xué)生和非醫(yī)學(xué)生在對舊醫(yī)學(xué)圖片進(jìn)行再認(rèn)時，腦功能網(wǎng)絡(luò)的樞紐主要位于枕葉（delta、theta、alpha2）、額葉（alpha1、alpha2、beta1、beta2、beta4）和左側(cè)顳葉（beta3）。兩組的節(jié)點(diǎn)度沒有明顯差異。在所有頻段中，醫(yī)學(xué)生在額葉區(qū)域的節(jié)點(diǎn)強(qiáng)度（P＜0.05）均低于非醫(yī)學(xué)生，而在頂葉和枕葉的節(jié)點(diǎn)強(qiáng)度（P＜0.05）要高于非醫(yī)學(xué)生。

比較圖1和圖2的結(jié)果，兩組受試者的網(wǎng)絡(luò)樞紐位置相同，醫(yī)學(xué)生在額葉部位的網(wǎng)絡(luò)樞紐強(qiáng)度均小于非醫(yī)學(xué)生。從再認(rèn)舊非醫(yī)學(xué)圖片到再認(rèn)舊醫(yī)學(xué)圖片的過程中，網(wǎng)絡(luò)樞紐在delta、theta、alpha1、alpha2、beta3和beta4頻段中發(fā)生了變化。在delta和theta頻段中，網(wǎng)絡(luò)樞紐從左側(cè)顳葉轉(zhuǎn)移到枕葉。在alpha1頻段中，頂葉部位新出現(xiàn)一個網(wǎng)絡(luò)中樞。在alpha2頻段中，在枕葉區(qū)域也出現(xiàn)一個網(wǎng)絡(luò)中樞。在beta3頻段中，網(wǎng)絡(luò)樞紐從右側(cè)顳葉轉(zhuǎn)移至左側(cè)顳葉。在beta4頻段中，網(wǎng)絡(luò)樞紐從枕葉轉(zhuǎn)移至額葉。這表明在對舊非醫(yī)學(xué)圖片進(jìn)行再認(rèn)時，大腦的主要活躍區(qū)域為額葉，在對舊醫(yī)學(xué)圖片進(jìn)行再認(rèn)時，頂葉、枕葉和顳葉活躍程度提高。

3.3 構(gòu)建有向差分連通圖

選擇具有顯著性差異的連接，并繪制dDCG。由于具有顯著性差異的連接數(shù)量較多，且brainstorm繪制的連通圖中顏色只代表方向不代表連接強(qiáng)度，因此需要過濾掉一些弱連接，使兩者之間的主要差異更加突出。設(shè)定閾值區(qū)間為0～50%max（N），以10%max（N）為步長逐步過濾，綜合所有頻段的結(jié)果，最終得到30%max（N）為最佳閾值，且delta和theta頻段的結(jié)果最清晰。以delta頻段為例，圖3和圖4分別為對舊醫(yī)學(xué)圖片和舊非醫(yī)學(xué)圖片進(jìn)行再認(rèn)時，各閾值下的dDCG。

圖3 對舊醫(yī)學(xué)圖片再認(rèn)時delta頻段各閾值下的dDCGFig.3 dDCG at each threshold of delta frequency during recognition of old medical images

圖4 對舊非醫(yī)學(xué)圖片再認(rèn)時delta頻段各閾值下的dDCGFig.4 dDCG at each threshold of delta frequency during recognition of old ordinary images

圖5和圖6分別為醫(yī)學(xué)生和非醫(yī)學(xué)生對舊醫(yī)學(xué)圖片和舊非醫(yī)學(xué)圖片進(jìn)行再認(rèn)時各個頻段的dDCG，網(wǎng)絡(luò)連接方向為由藍(lán)到紅。從圖5和圖6中可以看出，在delta和theta這兩個頻段中，在對醫(yī)學(xué)圖片進(jìn)行再認(rèn)時，醫(yī)學(xué)生的腦網(wǎng)絡(luò)存在從左側(cè)顳葉流向右側(cè)枕葉的信息流，而非醫(yī)學(xué)生則相反；在對非醫(yī)學(xué)圖片進(jìn)行再認(rèn)時，在delta頻段中，醫(yī)學(xué)生有一條從右側(cè)顳葉指向右側(cè)枕葉的信息流，而非醫(yī)學(xué)生則相反。這表明在執(zhí)行再認(rèn)任務(wù)時，醫(yī)學(xué)生與非醫(yī)學(xué)生激活相同的腦區(qū)，但側(cè)重的腦區(qū)不同，腦區(qū)間的信息交互也不同。

圖5 對舊醫(yī)學(xué)圖片進(jìn)行再認(rèn)時各個頻段的dDCGFig.5 dDCG of each during recognition of old medicalimages

圖6 對舊非醫(yī)學(xué)圖片進(jìn)行再認(rèn)時各個頻段的dDCGFig.6 dDCG of each frequency during recognition of old ordinary images

4 討論

對復(fù)雜網(wǎng)絡(luò)特征的統(tǒng)計結(jié)果顯示，僅在beta3和beta4頻段中MS組與OS組之間的差異具有一致性。在這兩個頻段下，MS組的平均出強(qiáng)度、入強(qiáng)度、局部效率和全局效率均小于OS組，并且在mo條件下差異更大，表明在進(jìn)行圖片再認(rèn)任務(wù)時，醫(yī)學(xué)生的復(fù)雜腦網(wǎng)絡(luò)節(jié)點(diǎn)間的連通性、大腦局部區(qū)域內(nèi)及大腦整體的網(wǎng)絡(luò)信息傳播能力均低于非醫(yī)學(xué)生。而在接受醫(yī)學(xué)圖片刺激時，這一差異會進(jìn)一步放大。

對節(jié)點(diǎn)度數(shù)的分析表明，醫(yī)學(xué)生和非醫(yī)學(xué)生在對圖片進(jìn)行再認(rèn)時，網(wǎng)絡(luò)樞紐的位置相同，兩組之間的節(jié)點(diǎn)度數(shù)不存在顯著差異，而節(jié)點(diǎn)強(qiáng)度存在差異。并且在對舊醫(yī)學(xué)圖片進(jìn)行再認(rèn)時，更多的網(wǎng)絡(luò)樞紐出現(xiàn)在枕葉、頂葉和顳葉區(qū)域。

最后，分析了醫(yī)學(xué)生和非醫(yī)學(xué)生的dDCG。dDCG中電極之間的加權(quán)有向連接可視為信息流，即復(fù)雜腦網(wǎng)絡(luò)中的有向量化信息傳播。結(jié)果顯示，在對舊醫(yī)學(xué)圖片進(jìn)行再認(rèn)時，醫(yī)學(xué)生大腦的信息主要從左顳葉傳播至右枕葉，而非醫(yī)學(xué)生大腦的信息主要從右顳葉、右枕葉傳播至左枕葉、左顳葉，信息傳播與接收的區(qū)域分布具有對稱性，這一特征目前尚未找到相關(guān)文獻(xiàn)佐證。存在這一差異的原因可能是醫(yī)學(xué)生在過去學(xué)習(xí)過醫(yī)學(xué)圖片，進(jìn)行再認(rèn)時要額外進(jìn)行識別醫(yī)學(xué)圖片是否為再認(rèn)任務(wù)中的圖片這一步驟，為實現(xiàn)這一功能，腦網(wǎng)絡(luò)的分形結(jié)構(gòu)發(fā)生改變。此外在實驗過程中發(fā)現(xiàn)，醫(yī)學(xué)生與非醫(yī)學(xué)生在進(jìn)行再認(rèn)任務(wù)時的信息流主要位于額葉、枕葉、顳葉等數(shù)個腦區(qū)，與其余腦區(qū)間的連接多為弱連接（虛假連接），而這些連接對于試驗結(jié)果無正面影響。后續(xù)可以嘗試使用構(gòu)建相關(guān)腦功能區(qū)域子網(wǎng)絡(luò)的方法，探索圖片再認(rèn)任務(wù)具有不同先驗記憶的腦功能連接差異。

5 總結(jié)

本文使用PTE方法構(gòu)建基于EEG信號的有向腦連接網(wǎng)絡(luò)，探索不同先驗記憶對后認(rèn)記憶的影響，并以復(fù)雜網(wǎng)絡(luò)特征、網(wǎng)絡(luò)樞紐以及有向差分連通圖三種形式體現(xiàn)了醫(yī)學(xué)生與非醫(yī)學(xué)生之間再認(rèn)記憶的差異。實驗結(jié)果說明，PTE是一種計算EEG數(shù)據(jù)有向腦功能連接的有效方法，該方法可以顯示出腦區(qū)之間的信息傳播，更好地體現(xiàn)出一些不明顯的差異，此外也證明了從腦網(wǎng)絡(luò)角度對再認(rèn)記憶進(jìn)行研究的可行性，為該領(lǐng)域的研究提供了一定的理論支持。