杨雄 姚蓉 杨鹏飞 王哲 李海芳

摘 要：工作记忆复杂网络分析方法大多数是以通道作为节点从空间的角度进行分析，很少有从时间角度对通道网络进行分析。针对脑电图（EEG）的高时间分辨率特性及时间序列分段较难的缺陷，提出一种从时间角度构建网络并对网络进行分析的方法。首先，利用微状态将每个通道的EEG信号划分成不同的子段作为网络的节点;其次，在子段中提取并选择有效特征作为子段的特征，计算子段特征向量之间的相关性构建通道时间序列复杂网络;最后，对所构建网络的属性及相似性进行分析，并在精神分裂症患者EEG数据上进行验证。实验结果表明，通过所提方法对精神分裂症数据进行分析，能够充分利用EEG信号的时间特性从时间角度深入了解精神分裂症病人工作记忆中构建的时间序列通道网络的特点，解释了

精神分裂症患者与正常人的显著性差异。

关键词：脑电图;复杂网络;工作记忆;精神分裂症;微状态

中图分类号：TP391.4

文献标志码：A

文章编号：1001-9081（2019）04-1224-05

Abstract： Working memory complex network analysis methods mostly use channels as nodes to analyze from the perspective of space， while rarely analyze channel networks from the perspective of time. Focused on the high time resolution characteristics of ElectroEncephaloGraph （EEG） and the difficulty of time series segmentation， a method of constructing and analyzing network from the time perspective was proposed. Firstly， the microstate was used to divide EEG signal of each channel into different sub-segments as nodes of the network. Secondly， the effective features in the sub-segments were extracted and selected as the sub-segment effective features， and the correlation between sub-segment feature vectors was calculated to construct channel time sequence complex network. Finally， the attributes and similarity analysis of the constructed network were analyzed and verified on the schizophrenic EEG data. The experimental results show that the analysis of schizophrenia data by the proposed method can make full use of the time characteristics of EEG signals to understand the characteristics of time series channel network constructed in working memory of patients with schizophrenia from a time perspective， and explain the significant differences between patients and normals.

Key words： ElectroEncephaloGraph （EEG）; complex network; working memory; schizophrenia; microstate

0 引言

大腦是由无数神经元构成的，神经元之间通过突触连接传递信号，神经元在传递信号时总是以最优的方式进行传递，当大脑发生病变时这种最优方式就会被破坏。神经精神疾病的发生表明神经元或神经网络出现了故障，而这种故障达到一定程度就会产生外在的宏观表现，典型的就是脑电图的改变。工作记忆是大脑在执行认知任务过程中对信息进行暂时存储和加工的资源有限系统，在人的复杂认知活动中起十分重要的作用，而精神分裂症与一些认知障碍如信息处理、工作记忆等联系紧密。所以对精神神经疾病的工作记忆脑电图（ElectroEncephaloGraph， EEG）研究具有非常重要的价值。

脑电图信号是诊断不同神经障碍和疾病的重要工具[1]。根据文献[2]研究结果表明，脑神经元中的任何不规则活动都会在脑电信号上留下特征。

脑电信号表现出非线性行为，有效的非线性方法之一是应用复杂网络的方法，并且复杂网络对噪声有较好的鲁棒性[3]。在过去的十年中，人们越来越关注使用复杂网络来分析不同的时间序列[4-7]，通过研究复杂网络的网络属性来分析时间序列的动力学行为，但是大脑的功能活动是一个动态的过程，目前构建的网络只能刻画某个时间段内大脑功能活动的拓扑结构，脑电图具有较高的时间分辨率，同时脑电图的空间分辨率却相对较差，如何在更小的时间尺度上构建网络分析大脑随时间变化的规律也变成了一个热门问题。最早由Zhang等[8]提出对时间序列进行分段，对伪周期时间序列构建网络，并对网络的属性进行分析发现不同的时间序列生成不同网络。Diykh等[9]的研究表明EEG信号的统计特征构建的网络属性能反映EEG信号中的形态行为。但在对时间序列构建网络时最关键的是网络节点的选择，已有研究提出不同的网络节点选择方法，但都比较复杂或具有不确定性，如何对EEG数据进行有效的分段并构建网络变成了关键问题。

为了解决上述问题，本文使用微状态对EEG原始序列进行分段，通过微状态分段提高了分段的准确性和有效性，有利于后续时间复杂网络的构建及分析。通过对时间序列网络的构建，能够充分利用EEG信号的高时间分辨率特性，而不失传统空间分析的特点。这为对多通道脑电信号的复杂网络分析提供了一种新的思路。具体实验流程如图1所示。

1 网络构建

1.1 数据采集及预处理

实验采用修改后的短时记忆扫描任务（Short-term Memory Scanning Task，SMST）实验范式[10]，图2为实验范式流程。

数据集中20例为精神类病人，病人在过去6个月内均无药物滥用或神经精神病学诊断的历史。20名正常人作为对照组。两组被试在年龄、性别、受教育程度方面没有明显差异，实验数据采集使用的是NeuroScan公司的64导电极帽，采样频率为500Hz，电极位置如图3所示。

使用Matlab中的EEGlab包对EEG信号进行预处理，采用0.5～50Hz带通对信号进行滤波，使用独立成分分析（Independent Component Analysis， ICA）去除眼电、肌电等干扰，再根据实验中使用的Eprime产生的标签将脑电信号分为编码阶段、保持阶段和检索阶段三个阶段。使用小波变化（Wavelet Transform，WT）提取脑电信号的θ（4～7Hz）和α（7～14Hz）两个波段。为接下来的分析做准备。

1.2 节点选择

脑电信号是非平稳和非周期性信号，本研究使用微状态[11]技术将脑电信号划分成不同长度的准稳定状态子时间序列。在划分微状态时首先计算总体场功率（Global Field Power，GFP）。每个被试60个通道在t时刻的GFP值为：

1.3 特征提取及特征选择

EEG信号的特点是有高的时间分辨率，其中会包含大量的冗余数据，有必要寻找更准确的方法来降低脑电信号的维数，这样既可以保留脑电信号中的重要信息，还可以消除冗余和不相关的数据，能更好地表示出每个子段的特征。

近年来针对不同EEG数据分析提出了各种特征提取和特征分类模型。在研究了文献中常用的特征提取和分类算法后，特征提取中使用了在研究中常用的统计特征、非线性特征及熵特征三个不同类别的18个特征，分别为中位数、最大值、最小值、均值、方差、赫斯特系数、偏度、峰度、过零点个数、近似熵、模糊熵、样本熵、第一四分位数、第二四分位数、第三四分位数、Petrosian分形维数、排列熵、Lempel-Ziv复杂度。图5表示了EEG信号特征提取的过程。

在每段提取的特征中存在无关特征及冗余特征，为了从提取的特征中找出有效特征子集，基于本文实验特征集的特点，通过使用序列向前选择（Sequential Forward Selection， SFS）选择算法特征提取得到的特征集中选出最有效的特征子集。

本文使用的是序列向前选择算法，特征子集X从空集开始，每次选择一个特征x加入特征子集X，使得特征函数j（X）最优，也就是说每次选择一个使得特征函数j（X）最优的特征加入，最终获得最优特征j（X）时的特征子集X作为特征子序列的关键特征，其中j（X）函数为支持向量机（Support Vector Machine， SVM）分类准确率。通过实验验证特征子集{方差、Lempel-Ziv复杂度、模糊熵、偏度、峰度、样本熵、排列熵、均值}认为是能够很好地表征脑电信号的关键特征。

特征选择伪代码：

1.4 边的构建

xm表示第m个向量的平均值。

通过计算各子序列特征向量之间的皮尔逊相关系数可以得到每个通道网络的邻接矩阵，参照文献[12]中关于人脑的小世界特性的相关研究成果，选择合理的稀疏度范围为12%～40%，步长为2%，进而可以得到每个通道对应稀疏度下的二值矩阵。在构建网络时对每个人的每个通道分别构建网络，便于后续的分析。网络的节点数根据微状态的分割数不同而不同，同一个人不同通道构建的网络的节点数是相同的。图6为正常人3号通道在32%稀疏度下计算皮尔逊相关系数第四子序列与其他子序列的连接情况。

2 网络分析与讨论

2.1 网络属性分析

为了揭示原系统的微观动力学机制和统计性质意义，深入了解每个人每个电极构建的时间序列的网络特征，本文分析了平均聚类系数、全局效率、平均局部效率、模块值及平均路径长度五种网络属性[13]。

通过求各通道网络的平均聚类系数、全局效率、平均局部效率、模块值及平均路径长度属性，并对所求属性进行t检验，发现在网络稀疏度为30%～36%时通道FP2、AF4、PO3、POz网络属性差异性显著，这与孙丽婷等[14]的研究相一致，并且差异性属性为聚类系数、平均局部效率以及平均路径长度。

通过对稀疏度为32%的网络属性进行比较，发现正常人通道FP2、AF4、PO3、POz所构建的网络的平均路径长度、平均聚类系数和平均局部效率有明显差异，其中病人相对于正常人的网络平均聚类系数和平均局部效率变小，而病人的平均路径长度相对于正常人变大，32%网络稀疏度正常对照组与患者不同通道网络属性值的比较如图8所示。

2.2 网络相似性分析

通过式（3）～（4）计算通道网络的拓扑结构的相似性，得到网络相似性关系矩阵。为了消除个体之间的差异，分别将所有正常人与病人的相似性矩阵求平均，得到10个正常人的60个通道相似性平均矩阵（见图9（a））和10個病人的60个通道相似性平均矩阵（见图9（b）），图中颜色越深表示节点之间的相似性越高，颜色越浅表示节点之间的相似性越低。

從图9可看出无论是正常人还是病人，其相似性较高的节点都位于矩阵的左上角及右下角，说明正常人与病人在整体上相似性较高的节点的位置是一致的，但从整体来看相似性矩阵时，正常人相似性矩阵比病人相似性矩阵颜色更深一些，说明正常人各节点之间的相似性比病人更高些，从局部来看，正常人右上角及左下角的节点相似性相对于病人来说更高，也更集中，说明正常人相对于病人来说，在记忆过程中电极之间能更好地协同工作，网络表现出更高的相似性。而病人电极之间的协同性较差，通道网络之间的相似性较低。

认为相似性高的节点之间有连边，并把这些节点和边画出，如图10所示，从总体可以看出正常人与病人相似性较大的节点主要位于前额和枕区，而文献[15-16]的研究表明，额叶是大脑的中央执行单元，在大脑信息保持方面起到重要的作用，而枕叶皮质与视觉注意有关，而本文实验中被试要通过观察数字来记忆数字，这与已知的人脑活动生理规律相一致。但是病人相对于正常人而言，相似性高的节点部分发生了转移，由前额和枕叶向顶叶发生转移，并且病人在枕区和前额相似性高的节点相似性较正常人变小，这与Bassett等[17]研究发现精神分裂症患者大脑结构网络拓扑结构组织发生异常，核心节点的分布由额叶区转移到非额叶区的结论相一致。

分析正常人的前额叶，发现正常人前额叶右侧脑区连边多于左侧脑区，病人的前额叶也同样右侧连边多于左侧连边。从复杂网络的角度来看，正常人的前额右侧脑区的节点通道网络的网络相似性更高，进一步说明右侧脑区的各通道之间联系更加密切，可以推断出前额叶右侧在工作中起关键作用。这也与大脑认知过程中使用的脑区相一致[16，18]。而病人相对于正常人来说前额连边相对较少，前额叶右侧连边明显少于正常人，这可能是由于病人前额叶相对于正常人协同性降低导致工作记忆障碍。

3 结语

本文提出一种EEG时间序列复杂网络构建分析方法：首先使用微状态对EEG多通道信号分段选择网络节点;再对每个通道分段后的每个子段提取并选择特征，计算通道各子段特征向量之间的皮尔逊相关系数构建通道时间序列复杂网络;最后对通道构建的网络的网络属性及网络拓扑结构相似性两方面进行分析。分析结果表明：1）正常人与病人结合微状态在时间上构建的网络网络属性有明显差异。通过t检验找出网络属性差异显著的通道并对其网络属性分析发现，差异性显著的通道中病人通道网络属性平均局部效率和聚类系数小于正常人，而病人的最短路径长度相对于正常人变大，从整体来看病人差异显著性通道构建的网络的小世界属性相对于正常人变差。

2）正常人通道间相似性大的节点相对于病人更加集中。通过计算正常人及病人构建的通道时间序列网络间的相似性发现，不论是正常人还是病人相似性较高的通道都主要集中在前额和枕叶，这与工作记忆中使用的脑区相一致，但是从整体来看病人相对于正常人60通道构建的时间序列网络之间的相似性较低。并且还发现病人相似性较高的通道相对于正常人发生转移，在记忆中起关键作用的前额叶正常人相对于病人相似性更高。

本文通过结合微状态对多通道在时间上进行网络构建，将网络特征和时域特征融合到正常人与精神神经患者的EEG信号分析中，发现通过结合微状态方法构建的通道时序网络能够反映正常人与病人之间的差异，为多通道EEG信号分析提供了一种新的思路，也为神经科医生更好地为精神分裂症患者进行诊断和治疗提供帮助。

但目前对精神分裂症患者网络属性发生变化的原因仍然未知，下一步将继续研究是什么原因导致了这种变化的发生，这对疾病患者的治疗具有重要意义。

参考文献（References）

[1] ZAMIR Z R. Detection of epileptic seizure in EEG signals using linear least squares preprocessing [J]. Computer Methods and Programs in Biomedicine， 2016， 133： 95-109.

[2] BHARDWAJ A， TIWARI A， KRISHNA R， et al. A novel genetic programming approach for epileptic seizure detection [J]. Computer Methods & Programs in Biomedicine， 2016， 124： 2-18.

[3] DIYKH M， LI Y. Complex networks approach for EEG signal sleep stages classification [J]. Expert Systems with Applications， 2016， 63： 241-248.

[4] AHMADLOU M， ADELI H， ADELI A. Graph theoretical analysis of organization of functional brain networks in ADHD [J]. Clinical Eeg & Neuroscience， 2012， 43（1）： 5.

[5] PANZICA F， VAROTTO G， ROTONDI F， et al. Identification of the epileptogenic zone from stereo-EEG Signals： a connectivity-graph theory approach [J]. Frontiers in Neurology， 2013， 4（4）： 175.

[6] LIU C， ZHOU W X， YUAN W K. Statistical properties of visibility graph of energy dissipation rates in three-dimensional fully developed turbulence [J]. Physica A， 2010， 389（13）： 2675-2681.

[7] ZHU G， LI Y， WEN P P. Analysis and classification of sleep stages based on difference visibility graphs from a single-channel EEG signal [J]. IEEE Journal of Biomedical and Health Informatics， 2014， 18（6）： 1813-1821.

[8] ZHANG J， SMALL M. Complex network from pseudoperiodic time series： topology versus dynamics [J]. Physical Review Letters， 2006， 96（23）： 238701.

[9] DIYKH M， LI Y， WEN P. EEG sleep stages classification based on time domain features and structural graph similarity [J]. IEEE Transactions on Neural Systems & Rehabilitation Engineering， 2016， 24（11）： 1159-1168.

[10] MANOACH D S， PRESS D Z， THANGARAJ V， et al. Schizophrenic subjects activate dorsolateral prefrontal cortex during a working memory task， as measured by fMRI [J]. Biol Psychiatry， 1999， 45（9）： 1128-1137.

[11] LEHMANN D， FABER P L， GALDERISI S， et al. EEG microstate duration and syntax in acute， medication-naive， first-episode schizophrenia： a multi-center study [J]. Psychiatry Research Neuroimaging， 2005， 138（2）： 141-156.

[12] 郭浩. 抑郁癥静息态功能脑网络异常拓扑属性分析及分类研究[D]. 太原： 太原理工大学， 2013： 21-45. （GUO H. Machine learning classifier using abnormal resting state functional brain network topological metrics in major depressive disorder [D]. Taiyuan： Taiyuan University of Technology， 2013： 21-45.）

[13] 曹锐. 非线性与复杂网络理论在脑电数据分析中的应用研究[D]. 太原： 太原理工大学， 2014： 67-91. （CAO R. Nonlinear and complex network theory in the application of EEG data analysis research [D]. Taiyuan： Taiyuan University of Technology， 2014： 67-91.）

[14] 孙丽婷， 阴桂梅， 谭淑平， 等. 精神分裂症患者工作记忆EEG功能网络属性分析[J]. 计算机工程与应用， 2017， 53（12）： 25-30. （SUN L T， YIN G M， TAN S P， et al. Properties analysis of working memory EEG function network in schizophrenia[J]. Computer Engineering and Applications， 2017， 53（12）： 25-30.）

[15] SARNTHEIN J， PETSCHE H， RAPPELSBERGER P， et al. Synchronization between prefrontal and posterior association cortex during human working memory [J]. Proceedings of the National Academy of Sciences， 1998， 95（12）： 7092-7096.

[16] 李松， 靳静娜， 王欣， 等. 基于脑电θ波特征信息分析的大脑前额皮质在字母工作记忆中作用的研究[J]. 中国生物医学工程学报， 2015， 34（2）： 143-152. （LI S， JIN J N， WANG X， et al. The role of the prefrontal cortex in the characters working memory research based on the EEG theta band characteristic analysis [J]. Chinese Journal of Biomedical Engineering， 2015， 34（2）： 143-152.）

[17] BASSETT D S， BULLMORE E， VERCHINSKI B A， et al. Hierarchical organization of human cortical networks in health and schizophrenia [J]. Journal of Neuroscience， 2008， 28（37）： 9239-9248.

[18] HSIEH L T， RANGANATH C. Frontal midline theta oscillations during working memory maintenance and episodic encoding and retrieval [J]. NeuroImage， 2014， 85： 721-729.