低氧環境下腦網絡的建模與分析

王 磊，韋 新，李雪鵬，楊 昱，李海芳

（1.太原理大學信息與計算機學院，山西 太原 030024；2.西安交通大學社會心理學研究所，陜西 西安 710049）

如今，前往高海拔低氧地區工作、學習或者居住的人數持續增長[1]。暴露于高海拔低氧環境下的人群通常表現出知覺和認知領域的缺陷，例如工作記憶、視覺、注意力、執行功能等[2-3]。值得注意的是，有關高海拔暴露引起認知功能變化的研究大多來自急進海拔[4]，但對長期低氧環境下人的認知功能腦網絡變化研究尚不完善，對其腦網絡的動態演化特征更是知之甚少。

在網絡研究中，通過圖論方法來表征復雜網絡的拓撲關系是研究網絡特性的重要手段。使用功能連接來研究大腦進行認知活動時的腦網絡特征是非常有效的方式。研究腦網絡拓撲屬性有助于研究者更好地考察大腦在進行認知活動時的功能分離和整合等特性，這些特性和大腦功能密切相關。另外，功能連接可以通過后期的認知訓練進行重組[5-7]，重塑回健康大腦。因此，確定高原暴露對認知功能的影響，從而闡明潛在神經機制具有重要意義。

大腦當前的動力狀態是由特定的大腦編碼狀態決定的[8]，特定狀態的編碼將對后續狀態具有預測能力[9]，可以通過預測編碼動力學機制中的異常來探究海拔對人腦網絡結構的改變。基于此基礎提出了腦網絡重組預測模型，該模型可以模擬被試認知任務腦網絡的變化過程，用于揭示腦網絡動力學異常。

該研究采集了3個不同海拔任務態EEG 數據，以通道為節點，通道間的鎖相值（Phase Locking Value，PLV）為邊，應用滑動窗口技術構建了隨時間變化的動態PLV 腦網絡，計算了每個被試動態網絡的拓撲參數，分析了腦網絡的動態變化過程，并挑選出海拔組間差異性顯著的時間窗口評估預測模型的準確性。高海拔數據集網絡權值分布不均，為了消除個體權值的影響和最大程度擬合腦網絡變化過程，設計了6 種不同的權值更新概率模型，并進行了實驗驗證。α波活動減弱是低氧環境下的一個重要性表現[10]，因此網絡重組預測模型對α頻段刺激前的腦網絡進行迭代預測，為每個被試挑出擬合度最高的網絡模型。通過分析每個海拔動態網絡的拓撲參數差異性和網絡模型選擇的差異性，發現了高原久居者網絡損傷的異常表現，進而為高原損傷的認知康復訓練提供了重要參考。

1 被試與實驗

1.1 被 試

研究使用的數據來自西安交通大學韋新教授團隊采集的高原腦電數據[11]。實驗招募了75 名健康男性青年，每組25 人，平均年齡為20.27±2.56 歲，平原出生，進駐高原前從未上過高原，分別移居渭南（400 m）、拉薩（3 700 m）、那曲（4 500 m）。所有受試者在高原居住平均時長為2.12±0.31 年。所有被試均為右利手，無精神障礙。實驗前24 小時內未飲用咖啡和酒，無服用精神興奮類藥物，睡眠正常。所有被試均已填寫知情同意書。

1.2 Stroop任務

刺激材料由兩個中文顏色字(紅和綠)和兩種顏色(紅色和綠色)兩兩搭配組成兩種刺激。每個任務中一致刺激為38 個，不一致刺激為102 個，以偽隨機順序呈現。顏色字為48號仿宋體，呈現于計算機14寸顯示器屏幕中央,視角為2.2°。實驗由一個顏色判斷任務和一個字義判斷任務組成。被試通過按鍵作出判斷，正式實驗前讓被試充分練習直到完全理解。記錄準確率和平均命中反應時間進行分析。

1）顏色任務：要求被試克服字義干擾，觀察字體顏色，如果字體顏色為紅色，按“z”鍵，字體顏色為綠色，按“m”鍵。對于每組實驗，首先在屏幕中央呈現一個“+”作為注視點，呈現時間固定為300 ms。顏色刺激呈現時間固定為200 ms，被試在2 000 ms 內作出按鍵判斷，接著出現下一個顏色字等待被試按鍵反應，如果被試按鍵錯誤，2 200 ms 后會進入下一輪相同的任務。在任務中要求被試盡可能又快又準地反應。

2）字義任務：與顏色任務相似，要求被試克服字體顏色的干擾，判斷呈現刺激的字義。

圖1 Stroop范式任務示意圖

2 方 法

2.1 EEG數據采集與預處理

數據采集使用的是Neuroscan 公司的36 導腦電系統，電極分布符合國際10-20 系統標準，參考電極置于耳垂處，記為A1和A2，放置4個記錄電極分別位于眼睛上下部和眼外眥處，用于采集垂直方向眼電和水平方向眼電。采集EEG 數據時使用的采樣頻率為1 000 Hz，頭皮與電極之間的阻抗保證低于5 kΩ。

實驗所有的數據分析使用的是Matlab2017b 和開源工具箱EEGLAB 進行了預處理，將4 個眼電電極去除。對EEG 數據進行了常規去除噪音預處理，提取所有不一致刺激開始前200 ms 到刺激開始后600 ms 為一個試次，確保與隨后的試驗不重疊，并修正了每個時期的基線。

2.2 腦網絡的構建

神經科學研究認為，發生鎖相的神經元群體間可以進行有效的信息通信[12]，而PLV可量化在特定頻帶和時間區域的兩個神經信號進入鎖相狀態的同步程度[13]。因此該研究以頭皮電極為節點，通道間的PLV值為連邊，構建加權網絡。PLV可通過如下公式求得：

式（1）中，Δφn(t)=φx(t)-φy(t)表示信號x與信號y在t時刻的瞬時相位差，N為時間點。PLV值介于0 到1之間，其值為1 時，表示兩個信號相位完全同步；值為0 時，表示相位不同步，無相位鎖定。

為了評估認知任務期間腦網絡隨時間的變化，研究采用滑動窗口來評估認知任務期間腦網絡隨時間的變化。對每個被試的每個刺激前200 ms 到刺激后600 ms 的數據，采用了重疊度為90%，窗口大小為200 ms 的滑動窗口構建腦網絡，為了消除特異性，對每個被試的所有刺激網絡進行了平均，并提取了每個被試的網絡屬性[14]。

2.3 網絡屬性

腦功能網絡的拓撲性質可以通過一些拓撲結構參數來表征，該文采用了特征路徑長度、聚類系數[15]、網絡密度和全局效率[16]對腦網絡進行評估。

特征路徑長度可以表征網絡的集成程度[16]，它定義為網絡中所有節點對之間的平均最短路徑長度：

式（2）中，dij為節點i與節點j之間的最短路徑長度，N為網絡節點個數。

平均聚類系數可以量化網絡的分離度。在加權網絡的情況下，為了避免主連接權值的影響，平均聚類系數可以推廣如下[17]：

式（3）中，Wij表示電極i和j之間的權值，N為網絡節點個數。

網絡密度可以評估網絡的連接強度，其計算公式如下：

式（4）中，L為網絡所有權值之和，N為網絡節點個數。

全局效率可衡量網絡的信息流動快慢[16]，全局效率的定義公式：

式（5）中，dij表示節點i到節點j的隨機距離，N為網絡節點個數。

2.4 技術路線

整體實驗技術路線如圖2 所示，首先選取刺激前200 ms 到刺激后600 ms 的EEG 數據，采用窗口大小為200 ms，重疊率為90%的滑動窗口為每個被試構建了31 個連續的動態PLV 腦網絡，然后分別對每個腦網絡提取網絡屬性，挑選出刺激后3 個海拔組間網絡屬性差異性最大的窗口作為衡量模型預測的準確度。

圖2 技術路線圖

最后分別對每個被試刺激前200 ms 的EEG 數據構建PLV 腦網絡，為了確定每個被試的腦網絡重組預測模型，根據不同的網絡預測模型規則，對每個被試刺激前的腦網絡權值進行概率修改，為每個被試挑選出模擬網絡屬性和真實網絡屬性之間均方差（MSE）最小的模型類型。

2.5 網絡預測模型

6 種網絡預測模型如下所示：

1）主連接增強：該模型假設刺激前腦網絡的主要連接（即網絡權值較大的連接），在認知任務過程中權值更有可能增加，增加概率為p=P；

2）次連接增強：該模型假設刺激前腦網絡的次要連接（即網絡權值較低的連接）在認知任務過程中權值更有可能增加，增加概率為p=(1-P)；

3）隨機增強：該模型假設刺激前腦網絡連接是隨機增加。即所選連接的權值增加概率p=1；

4）主連接削弱：該模型假設刺激前腦網絡的主要連接（即網絡權值較大的連接）在認知任務過程中權值更有可能減小，減小概率為p=P；

5）次連接削弱：該模型假設刺激前腦網絡的次要連接（即網絡權值較低的連接）在認知任務過程中權值更有可能減小，減小概率為p=(1-P)；

6）隨機削弱：該模型假設刺激前腦網絡連接是隨機減小。即所選連接的權值減小概率p=1。

算法步驟總結如下：

1）隨機選取刺激前腦網絡連通矩陣的一個連接（圖論中通常稱為Wij）；

2）連接值Wij根據概率p進行權值修改，增加或減小的大小為（1%Wij）。概率p的值和如何修改取決于當前所考慮的特定模型；

3）計算每個模型修改后腦網絡的網絡屬性；

4）計算3）中腦網絡的網絡屬性與刺激后腦網絡的網絡屬性之間的MSE；

5）重復5 000 次步驟1）、2）、3）和4），并為每次迭代存儲MSE；

6）選擇MSE最小的預測模型。

為了最小化算法內在隨機行為產生的偏差，所有實驗重復100 次，將預測模型與真實網絡的屬性之間的MSE最小的作為選定模型。

如圖3 所示，高海拔被試網絡權值呈正態分布，并且權值分布比較集中，被試之間的網絡權值分布中心也有差異。因此為了消除個體網絡權值分布集中問題，突出網絡權值的主次性，并且體現權值更新的概率性問題，網絡重組預測模型更新概率P的設計尤為重要，該模型設P=num/N，num是所選連接的排序位置，N是網絡總連接數。此概率設置可以消除網絡權值分布問題，凸顯各模型之間的差異性。

圖3 被試PLV權值分布圖

3 實驗結果與分析

3.1 行為數據結果與分析

對Stroop 任務的正確率和反應時間進行了研究，同時利用信息傳輸率（Information Translate Rate,ITR）量化了被試的大腦信息加工速率，從而評估不同海拔人群大腦認知加工速率的差異性，實驗結果如表1 示。

從表1中可以看出每個海拔詞義判斷任務的ITR值都高于顏色判斷任務的ITR值，這是因為在Stroop任務中讀詞是行為習慣的自動加工過程，顏色命名是意識控制較強的行為加工過程，自動加工不需要太多注意力的參與，意識控制加工過程則需要有意的控制，相對字義任務，顏色判斷任務的復雜強度更大[18]。

表1 Stroop任務行為結果統計分析

統計分析發現，在顏色和詞義任務中，反應時間在各組間存在顯著性差異(P色=0.01，F色=4.912；P詞=0.01，F詞=5.375)，并且反應時間隨著海拔的增高而延長。經Bonferroni 校正后，在顏色任務中，ITR 在渭南和那曲組間有顯著性差異(P=0.045)。而正確率在各海拔之間沒有顯著性差異。長期居住在高海拔低壓低氧的環境下，人的反應速度會相對變慢，而正確率相對平衡[13]，這可能是由于高海拔環境下大腦長期處于供氧不足，疲憊狀態，導致認知能力的神經元受損[14-15]，用時間上的消耗來補償認知反應。

3.2 網絡動力學結果與分析

為了評估網絡屬性的時變性，計算了每個動窗口下的網絡屬性。圖4 給出了顏色任務α頻段下不同海拔下網絡屬性的動力學變化。通過特征路徑長度、聚類系數、網絡密度和全局效率可以觀察到高海拔組相對低海拔組腦網絡表現出更低整合性、更低分離性、更低的連接強度和更低的傳播效率。以往研究表明在300 ms 左右高海拔與低海拔組腦電屬性具有顯著性差異[17-18]，該研究對第20 個窗(200～400 ms)下的腦功能網絡進行了方差檢驗，特征路徑長度(F=5.187,P＜0.01)，聚類系數(F=5.189,P＜0.01)，網絡密度(F=4.505,P＜0.05)，全局效率(F=5.021,P＜0.01)在組間均具有顯著性差異。此窗口下海拔與特征路徑長度(r=0.336 093,P=0.009)，聚類系數(r=-0.336 065,P=0.009),網絡密度(r=-0.338 507,P=0.008)和全局效率(r=-0.332 180,P=0.009 514)也具有一定的相關性。腦功能網絡的集成和連接強度的降低表明了腦網絡之間的通信能力降低，這與先前的研究神經活動普遍降低的相結果一致[2]。功能性腦網絡分離性降低表明大腦局部性溝通較弱或較少分離的神經處理[9]。網絡全局效率的降低表明網絡的信息處理能力下降。功能性腦網絡分離性降低表明大腦局部性溝通較弱或較少分離的神經處理[9]。網絡全局效率的降低表明網絡的信息處理能力下降。長期的高原暴露會導致人的神經活動減弱，進而反映在認知反應速度上的減慢，但是神經活動減弱的原因尚不確定是神經損傷所致還是供氧不足所致。在以后的研究中可以采集遣返人員腦電信號作進一步分析。

圖4 網絡屬性隨時間變化

3.3 網絡預測模型分析

根據網絡動力學的結果，選取刺激后200～400 ms(第20 個窗口)數據的網絡屬性作為預測模型的判斷標準。將每個被試刺激前200 ms 數據的腦網絡放入預測模型中進行迭代預測，為每一個被試挑選出最能擬合刺激前網絡變化的認知反應模型。如圖5 所示預測模型與認知反應之間的均方誤差(MSE)達到了98.951 2%，這證明了改進模型的準確性。

圖5 模型結果分析圖

表2 預測模型迭代次數和準確率

顏色任務下每組的模型選擇分布如圖6(a)所示，高海拔和低海拔被試在認知過程中次連接（即刺激感知前大腦區域之間低相位同步連接）的增強為主要的腦網絡動力模型，然而，海拔組間模型選擇分布有統計學意義(χ2(3，N=75)=11.04，P＜0.0 5；卡方檢驗)。從刺激前到刺激后網絡參數的變化量與網絡重組模型的選擇之間存在統計學的顯著關系((F渭=5.876，P渭=0.009)，(F拉=10.251，P拉=0.001)，(F那=85.903，P那＜0.001)；方差分析)。圖6（b）中給出了次連接增強模型與認知任務中更高的網絡重構相關聯[19-20]，這可被視為“正常行為”。然而在高海拔組中，部分被試刺激前后網絡參數差異性較小，網絡重構能力更弱，這也證明了長期的高海拔暴露可能會引起認知腦功能網絡的異常。

圖6 模型選擇結果圖

低壓低氧會誘導灰質體積和白質纖維束功能的改變，與腦功能區的異常活動有關，高海拔引起的海馬損傷有隨海拔和暴露時間的增加而加重的趨勢[21]。因此在高海拔組中有更多的被試偏離了次連接增強的模型，這可能是由于腦功能區的損傷和激活程度的降低，使得全腦網絡差異性減弱[22-23]。

4 結束語

文中從滑動窗口的角度出發構建腦功能網絡，分析腦網絡屬性的動態變化過程，找出差異顯著的時間窗口，并利用基于邊概率演化的腦網絡預測模型進行模擬腦網絡變化過程。通過實驗可以得出以下結論：

1）通過滑動窗口發現海拔對人腦認知影響主要發生在300 ms 左右，并且隨著海拔高度的增加，大腦的神經活動減弱，腦網絡表現出更低整合性、更低分離性、更低的連接強度和更低的傳播效率。

2）腦網絡預測模型結果表明長期高海拔暴露會引起大腦網絡動力減弱，同時損害腦功能網絡的重構能力，而且大腦的受損程度會隨著海拔高度的增加而加重。