摘  要： 词语识别是心理语言学研究领域的一个重要方面，基于脑功能网络连接模式的研究有助于对其神经机制的揭示。本文基于开源词语识别fMRI实验数据，首先利用人脑解剖学模板AAL分别构建真词试验时和辅音字符串试验时的脑功能网络，然后采用图论分析中的度中心性对AAL中的90个脑区进行活跃度度量，最后使用T检验对两种试验条件下各脑区的活跃度进行了统计对比。实验结果显示，真词试验时脑功能网络中分布在距状裂周围皮层、舌回、枕上回、枕中回、枕下回、顶上回的9个脑区的度中心性显著高于辅音字符串试验时的情况。实验结果表明，人脑在识别具有语义信息的词语时，大脑皮层的各个区域更加趋于协作，显著活跃的脑区能够作为词语识别进一步研究的生物标记。

关键词： 词语识别;脑功能网络;图论分析;度中心性

中图分类号： TP391. 41    文献标识码： A    DOI：10.3969/j.issn.1003-6970.2019.12.025

本文著录格式：何享，张笑非. 词语识别认知过程中的脑功能网络研究[J]. 软件，2019，40（12）：110114

Research on Functional Brain Network in Cognitive Process of Word Recognition

HE Xiang1， ZHANG Xiao-fei2，3*

（1. School of Foreign Language， Jiangsu University of Science and Technology， Zhenjiang 212003， China;

2. Faculty of Information， Beijing University of Technology， Beijing 100124， China;

3. School of Computer， Jiangsu University of Science and Technology， Zhenjiang 212003， China）

【Abstract】： Word recognition is an important aspect in the field of psycholinguistic research. The research based on connectivity pattern of functional brain network is helpful to reveal its neural mechanism. Based on the fMRI experimental data of open source word recognition， the brain anatomical template of AAL was used to construct the functional brain networks of real word trials and the consonant string trials respectively. Degree centrality in graph theoretical analysis was adopted to measure the activities of the 90 brain regions in the AAL. The activities of each brain region under the two trials were statistically compared with T-test at last. The experimental results showed that the degree centralities of nine brain regions distributed in cerebral cortex， including calcarine cortex， lingual gyrus， occipital superior gyrus， occipital middle gyrus， occipital inferior gyrus and parietal superior gyrus during real word trials， are significantly higher than those during consonant string trials. The final results indicate that when human brain recognizes words with semantic information， the various regions of the cerebral cortex tend to have a more integrating collaboration， and the significantly active brain regions can be used as biomarkers for further research on word recognition.

【Key words】： Word recognition; Functional brain network; Graph theoretical analysis; Degree centrality

0  引言

人腦词语识别的神经机制是认知研究领域一个非常具有挑战性的问题。在词语识别的认知过程中，大脑会在几分之一秒内从大量的存储区域中检索当前词语的信息，并以极其灵活的方式对这些信息进行组合。基于人脑语言处理经典神经学模型的研究，发现有助于词语识别的神经网络只涉及少数的一些脑区，例如左下额叶，左下颞，角回等脑区[1-3]。许多研究基于视觉呈现的词语识别实验收集数据并进行了分析。有研究发现变化的词频与左侧梭形回，双侧下额回和双侧岛叶的激活呈负相关，表明词频可影响人脑词语处理的多个方面[4]。文献[5]通过三种不同语言的母语被试进行了实验，证实了心理语言学中的正字法拼写深度（orthographical depth）对视觉词语识别的影响。文献[6]研究了视觉词语识别的抑制和促进现象，并发现前额叶对正字拼写法邻域尺寸效应（orthographic neighborhood size effect）的作用。脑功能网络（Functional Brain Network， FBN）是近年来用于研究大脑工作机制的一种常用方法，有研究指出，功能网络会受到结构连接的约束，认知任务期间的上下文敏感的集成会导致结构和功能网络之间的分歧，基于静态结构连接的动态功能网络需要给出神经信息处理的一种形式化方法[7]。本文将在大脑解剖模板上研究词语识别认知过程中的脑功能网络，对其神经机制进行探索和理解。

1  脑功能网络构建

本研究使用了OpenfMRI（https：//openfmri.org/ dataset）开源数据平台中‘词语与对象处理项目[8]的开放fMRI数据集。如图1所示，该认知心理实验中共包括4种试验类型（trial type），分别是真词、辅音字符串、目标图片、加扰目标图片。实验过程中通过不同类别试验的随机交替出现，诱发被试对真词和辅音字符串进行词语识别、以及对目标图片

图1   开源fMRI数据心理实验中的四种试验条件

Fig.1  The four trial conditions of psychological experiment in open source fMRI data

和加扰目标图片进行目标识别。试验中出现的刺激材料是变化的，每次试验用的真词和辅音字符串分别是从经过实验设计的真词库和辅音字符串库里进行随机选择，目标图片也是同样的情况，加扰目标图片是对目标图片库中的图片进行切割和随机拼接获得的图片。由于词语识别是本文的研究重点，因此，该实验fMRI数据中属于真词试验和辅音字符串试验的时间切片是分析的对象。

脑功能网络是将人脑中受关注的脑区看作成节点，每对脑区之间是否存在边则根据它们之间的活动相关性是否显著来决定，由这些节点和存在的边构成的图就是脑功能网络。如图2所示，AAL（Automated Anatomical Labeling）[9]模板是由蒙特利尔神经学研究所（Montreal Neurological Institute， MNI）定义的一个人脑解剖学模板，这个模板包含116个解剖学脑区，由于其中的26个脑区属于小脑部分，因此剩余90个属于大脑的脑区被更多的用于研究。此外，AAL2[10]是在AAL的基础上对眶额皮质进行了新的分割。最新的AAL3[11]定义也正在提交审核中，它在AAL2的基础上通过增加一些脑核对前扣带、丘脑脑区进行了新的分割。考虑到AAL目前应用得相对广泛一些，本文就以AAL中涉及大脑的90个脑区来构建脑功能网络。

图2  大脑解剖模板AAL

Fig.2  The brain anatomical atlas of AAL

由于AAL中的脑区是基于解剖学进行定义的，可以将形状不规则的解剖学区域在逻辑上看作是一个节点，此时节点的信号则需要考虑到该解剖学区域中所有体素的信号，例如对脑区内所有的体素信号求平均。如图3（a）所示，本文采取的是另一种策略，即取AAL每个解剖学脑区的中心MNI坐标为圆心，取特定半径、例如5 mm的球形作为该区域在脑功能网络中的节点。此时节点的信号是对球形所包含的所有体素的信号求平均，并且为了用于计算脑区之间的活跃相关性，需要对平均后的信号进行归一化处理。

图3  词语识别认知过程中的脑功能网络

Fig.3  The functional brain network in the

cognitive process of word recognition

脑区之间的边通常是脑区活动相关性的表现，即两个脑区之间的相关性越高，表示這两个脑区之间边的权重越高。计算脑区之前的相关性一般使用的是Pearson相关系数，其值域为[–1，1]，由于负相关的边在心理语言学上没有足够的理论进行解释，所以这里只关注相关系数为正值的边，即关注的边的值域为（0，1]。此外，不同权值的正边在脑功能网络中的作用存在差别，这里会利用Pearson相关系数计算时产生的P值作为边是否存在的依据，即显著相关的正边认为是存在的，不显著相关的正边是不存在的。本文选择P值的显著性水平α值为0.05，因此，如图3（b）所示，只有Pearson相关系数的显著性P值小于α值的正边认为是存在的。

2  脑区活跃度分析

脑功能网络中脑区的活跃度可以基于图论分析中的指标进行度量，在图论和网络分析中，中心性指标能够用来识别图中最重要的顶点。度中心性是图论中心性指标中的一个典型指标，能够量化一个脑区与其它脑区之间存在的边的数量。一个脑区的度中心性越高，说明与它进行协作的其它脑区也越多，那么该脑区在脑功能网络中的重要性和活跃度也越高。

定义1  是一个二元组，表示的是脑功能网络。其中是脑功能网络中所有脑区构成的集合，是脑功能网络中存在的边构成的集合。

定义2  ，表示的是脑区在脑功能网络中的中心性，其中是脑区在脑功能网络中所有邻居脑区构成的集合，是脑区邻居脑区的总数，是脑功能网络中的脑区总数。

图4（a）给出的是脑功能网络的脑区Pearson相关系数显著度P值矩阵，图4（b）是取显著性水平α值得到的二值矩阵，其中不包含对角线的上三角或下三角中为黑色的单元表示行和列对应的脑区之间存在边。在基于图论的脑功能网络分析中，需要考虑到计算得到的Pearson相关矩阵存在统计学中的假阳性的问题，即矩阵中部分边是不存在的。对于这个潜在的问题，一般会采用两种方法进行校正，一种是Bonferroni校正，另一种是FDR（False Discovery Rate）校正，图4（b）、4（c）、4（d）分别是是没有经过校正、经过Bonferroni校正和经过FDR校正的结果。将Bonferroni校正应用于脑功能网络时，一般就是将显著性水平α值除以脑功能网络‘满图（full graph）时边的总数，并将求得的商作为行的显著性水平α值作为边是否存在的阈值。Bonferroni方法过于严格，导致最后产生的脑功能网络中的边过少，可能导致图论分析的度量值过低，进行统计比较时在值域上没有明显的区分度。另一种校正方法是FDR，相较于Bonferroni是一种较为折中的方法，文献[12]中给出了详细的算法流程，最后产生的脑功能网络的边的规模在一个相对合理的范围内。

图4  词语识别认知过程中的功能连接矩阵及其二值化

Fig.4  The functional connectivity matrix and its binarization in the cognitive process of word recognition

3  实验与讨论

实验的代码设计和实现是基于Python及相关的开发包完成的，包括利用Nibabel（https：//github. com/nipy/nibabel）进行基本的fMRI神经影像操作、利用Numpy（https：//github.com/numpy/numpy）和NetworkX（http：//networkx.github.io/）完成矩阵计算和网络指标计算、利用MNE[13]（https：//github.com/ mne-tools/mne-python）完成Bonferroni和FDR校正、利用Matplotlib[14]（https：//matplotlib.org/）和Nilearn[15] （https：//nilearn.github.io/）完成可视化计算。

表1  假阳性校正方法与活跃脑区数量的关系

Tab.1  The relationship between false positive correction methods and the number of active brain regions

假阳性

校正方法 活跃性显著变化

的脑区数量 左右脑

数量分布

无校正 8 6/2

Bonferroni 3 2/1

FDR 9 6/3

图5  假阳性校正方法与活跃脑区的分布

Fig.5  The false positive correction methods and the corresponding distribution of active brain regions

由于实验数据集包含45名被试的词语识别数据，在不进行假阳性校正的情况下，真词试验条件下和辅音字符串试验条件下分别会为AAL的每一个脑区计算出45个度中心性值。为了对比两种试验条件下AAL中每个脑区是否在度中心性上存在显著差异，所以需要对AAL的每个脑区进行两种试验条件下45个度中心性的统计检验。结果如表1所示，无校正的情况下，两种试验条件下AAL存在8个脑区的度中心性存在显著差异。经过Bonferroni和FDR校正后，AAL中分别存在3个脑区和9个脑区的度中心性存在显著差异。无校正和Bonferroni校正时都会导致两种试验条件下脑功能网络的形态趋同，因此在指标的统计上更为接近，而经过FDR校正后，脑功能网络的形态差异性较大，因此在指标的统计上会发现更多存在显著性差异的脑区。图5给出了表1中三种假阳性校正方法计算出的活跃性脑区在脑图上的分布。

图6  活跃度存在显著差异的AAL脑区

Fig.6  The AAL brain regions with significant

differences in activity

圖6中给出了FDR校正后两种试验条件下AAL脑功能网络中存在显著差异的9个脑区及其度中心性值。可以看到，这9个脑区在真词试验条件下的度中心性都显著高于辅音字符串条件下的度中心性，这说明与这9个脑区存在协作的脑区数量更多，它们在识别具有语义信息的真词时更加活跃。

表2  词语识别活跃脑区分布

Tab.2  The distribution of active brain regions

during word recognition

AAL编号 脑区名称 左右脑分布

43 距状裂周围皮层 左

47/48 舌回 左/右

49 枕上回 左

51/52 枕中回 左/右

53 枕下回 左

59/60 顶上回 左/右

表2给出了图5中相应9个脑区在AAL模板中的编号、脑区名称、以及在左右脑上的分布。可以看到，存在显著差异的9个脑区中的其中6个都分布在左脑，文献[16]中也提到了‘大多数人是右利手、语言更多由左脑进行支配的学术观点。此外，相关研究。9个脑区中有4个属于枕叶，枕叶是哺乳动物大脑的视觉处理中心，此外距状裂周围皮层是初级视觉皮层（V1）集中的地方，因此结果与实验是基于视觉的刺激方式存在很大的关系。同样，舌回也是视觉皮层中的结构，其在识别和识别单词中起重要作用。顶叶在解释感觉信息方面起着重要作用，非口头语言（non-verbal language）在该区域进行处理。

4  结束语

本文通过在开源‘词语与对象处理fMRI数据集上，利用AAL解剖学模板研究真词试验条件下和辅音字符串试验条件下的脑功能网络，通过计算和统计对比两种试验条件下脑通能网络的度中心性，发现有9个脑区在真词试验条件下比辅音字符串试验条件下显著活跃。说明这9个脑区是人脑在进行真词识别时活跃度明显的脑区。结果反映这9个脑区大多分布在枕叶，且相关文献也发现了部分脑区是人脑处理词语的区域，这与实验材料刺激方式是视觉词语识别有很大的关系。当然，目前的结果与解释人脑词语识别这个非常复杂的认知过程神经机制的本质还有非常大的距离，但这9个脑区可以作为进一步研究人脑词语识别的生物标记。

参考文献

[1]Binder J R， Medler D A， Desai R， et al. Some neurophysiological constraints on models of word naming[J]. Neuroimage， 2005， 27（3）： 677-693.

[2]Bookheimer S. Functional MRI OF LANGUAGE： New approaches to understanding the cortical organization of semantic processing[J]. Annual Review of Neuroscience， 2002， 25（1）： 151-188.

[3]Price C J. The anatomy of language： contributions from functional neuroimaging[J]. Journal of Anatomy， 2000， 197： 335-359.

[4]Hauk O， Davis M H， Friedemann Pulvermüller. Modulation of brain activity by multiple lexical and word form variables in visual word recognition： A parametric fMRI study[J]. Neuroimage， 2008， 42（3）： 1185-1195.

[5]Frost R， Katz L， Bentin S. Strategies for Visual Word Recognition and Orthographical Depth： A Multilingual Comparison[J]. Journal of Experimental Psychology Human Perception & Performance， 1987， 13（1）： 104-115.

[6]Fiebach C J， Ricker B， Friederici A D， et al. Inhibition and facilitation in visual word recognition： Prefrontal contribution to the orthographic neighborhood size effect[J]. NeuroImage， 2007， 36（3）： 901-911.

[7]Park H J， Friston K. Structural and Functional Brain Networks： From Connections to Cognition[J]. Science， 2013， 342（6158）： 1238411-1238411.

[8]Duncan K J， Pattamadilok C， Knierim I， et al. Consistency and variability in functional localisers[J]. Neuroimage， 2009， 46（4）： 1018-1026.

[9]Tzouriomazoyer N， Landeau B， Papathanassiou D， et al. Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain. [J]. Neuroimage， 2002， 15（1）： 273-289.

[10]Rolls E T， Joliot M， Tzourio-Mazoyer N. Implementation of a new parcellation of the orbitofrontal cortex in the automated anatomical labeling atlas[J]. Neuroimage， 2015， 122： 1-5.

[11]Rolls， E T， Huang， C C， Lin， C. -P， Feng， J， Joliot， M， Automated anatomical labelling atlas 3[EB/OL]. http：//www. gin.cnrs.fr/wp-content/uploads/aal3-user-guide-gin-imn.pdf

[12]Storey J D. False Discovery Rate[J]. International Encyclopedia of Statistical Science， 2011， 64（3）： 504-508.

[13]Gramfort A， Luessi M， Larson E， et al. MNE software for processing MEG and EEG data[J]. Neuroimage， 2014， 86（2）： 446-460.

[14]Barrett P， Hunter J， Miller J T， et al. matplotlib -- A Portable Python Plotting Package[C]// Astronomical Data Analysis Software & Systems XIV. 2005.

[15]Alexandre A， Fabian P， Michael E， et al. Machine learning for neuroimaging with scikit-learn[J]. Frontiers in Neuroinformatics， 2014， 8.

[16]Corballis M C， Badzakova-Trajkov G， H？Berling I S. Right hand， left brain： genetic and evolutionary bases of cerebral asymmetries for language and manual action[J]. Wiley Interdisciplinary Reviews： Cognitive Science， 2012， 3（1）： 1-17.