《阿爾茲海默病早期預(yù)測(cè)研究》8800字

II阿爾茲海默病早期預(yù)測(cè)研究目錄TOC\o"1-3"\h\u20931摘要 132707一、緒論 27350（一）引言 219125（二）研究背景和意義 21312（三）研究的內(nèi)容 320439二、相關(guān)知識(shí)簡(jiǎn)介 327707（一）腦網(wǎng)絡(luò)研究方法及手段 38742（二）腦網(wǎng)絡(luò)分類 47441（三）EEG信號(hào) 523675（四）EEG特征 615144（五）數(shù)據(jù)驅(qū)動(dòng) 620（六）格蘭杰因果關(guān)系 710089三、實(shí)驗(yàn)系統(tǒng)環(huán)境 817480（一）實(shí)驗(yàn)環(huán)境 85509（二）數(shù)據(jù)采集 818678四、腦效應(yīng)網(wǎng)絡(luò)的構(gòu)建 97448（一）數(shù)據(jù)預(yù)處理 927004（二）構(gòu)建腦效應(yīng)網(wǎng)絡(luò) 12116181.KPSS平穩(wěn)性檢驗(yàn) 1272112.構(gòu)建多變量自回歸模型 12162083.因果性計(jì)算 13272854.閾值選擇 14166685.生成鄰接矩陣 14125936.構(gòu)建腦網(wǎng)絡(luò) 1520454（三）研究結(jié)果 162335結(jié)論 1714045參考文獻(xiàn) 19摘要人的大腦可以說(shuō)是很復(fù)雜的。各個(gè)腦區(qū)之間有不同的分工，又相互配合，相互作用來(lái)完成大腦功能。阿爾茨海默?。ˋD）是最常見(jiàn)的一種癡呆癥，輕度認(rèn)知障礙（MCI）是AD的早期階段，特征是認(rèn)知能力下降大于個(gè)體年齡的預(yù)期，MCI患者可以通過(guò)相應(yīng)的治療手段治愈，或者使其轉(zhuǎn)化為AD的概率減少。因此，如何精確地診斷受試者是否患有MCI，對(duì)AD早期診斷并且延緩患者向AD疾病發(fā)展有很大作用，具有很大的科學(xué)價(jià)值以及臨床上的應(yīng)用前景。腦電信號(hào)（EEG）可以檢測(cè)大腦在認(rèn)知時(shí)的腦區(qū)信號(hào)的變化，并且具有無(wú)害性，經(jīng)濟(jì)實(shí)惠，操作方便等特點(diǎn)，被廣泛應(yīng)用于腦研究領(lǐng)域。格蘭杰因果關(guān)系檢驗(yàn)方法運(yùn)用了動(dòng)力學(xué)模型以及數(shù)據(jù)驅(qū)動(dòng)的方法，對(duì)腦區(qū)間因果關(guān)系進(jìn)行研究。本文基于正常人和輕度認(rèn)知障礙患者的兩種腦電信號(hào)（EEG），針對(duì)每個(gè)被試數(shù)據(jù)，選取了左右半腦的額葉，頂葉，枕葉六個(gè)電極通道，在EEG腦電數(shù)據(jù)的基礎(chǔ)上對(duì)數(shù)據(jù)進(jìn)行定位數(shù)據(jù)、濾波、獨(dú)立成分分析、去除偽跡的預(yù)處理步驟，對(duì)預(yù)處理完的數(shù)據(jù)構(gòu)造自回歸模型，再構(gòu)造鄰接矩陣，依據(jù)鄰接矩陣構(gòu)建六個(gè)節(jié)點(diǎn)間的因效性腦網(wǎng)絡(luò)。觀察節(jié)點(diǎn)間的因果效應(yīng)關(guān)系，并仔細(xì)分析對(duì)比兩組之間網(wǎng)絡(luò)的差異，研究導(dǎo)致輕度認(rèn)知障礙的腦網(wǎng)絡(luò)之間的變化。有利于輔助醫(yī)生診斷輕度認(rèn)知障礙，可以有效地預(yù)防阿爾茲海默癥。關(guān)鍵詞：腦網(wǎng)絡(luò)；EEG數(shù)據(jù)；格蘭杰因果關(guān)系一、緒論（一）引言高中生物里就講到大腦里有億級(jí)數(shù)量的神經(jīng)元，神經(jīng)元和神經(jīng)元都是連接的突觸，用來(lái)處理消息。大腦的內(nèi)部構(gòu)造其實(shí)可以認(rèn)為是神經(jīng)網(wǎng)絡(luò)，在網(wǎng)絡(luò)中做結(jié)點(diǎn)的是神經(jīng)元，做邊的是突觸，如果能夠研究清楚這個(gè)巨大的網(wǎng)絡(luò)是如何處理信息的，也就知道了大腦的工作機(jī)理。但就目前的科學(xué)技術(shù)而言，我們不可能監(jiān)視大腦里數(shù)以億級(jí)的每一個(gè)神經(jīng)元和無(wú)數(shù)的突觸連接。但我們可以把大腦放在一個(gè)有網(wǎng)格的三維空間，測(cè)量每一個(gè)網(wǎng)格的核磁共振變化值。然后對(duì)大腦進(jìn)行分區(qū)，如分為90個(gè)區(qū)域，每個(gè)區(qū)域包含多個(gè)網(wǎng)格，該區(qū)域核磁共振值為其包含的網(wǎng)格的值的平均值?？梢园堰@90個(gè)區(qū)的每個(gè)區(qū)當(dāng)作一個(gè)結(jié)點(diǎn)來(lái)進(jìn)行研究。研究者們對(duì)大腦進(jìn)行了很長(zhǎng)時(shí)間的研究，大家逐漸深入認(rèn)識(shí)大腦的工作方式，有關(guān)的研究方法也逐漸成熟。腦功能成像技術(shù)越來(lái)越成熟，認(rèn)知神經(jīng)學(xué)越來(lái)越發(fā)展，如今腦功能科學(xué)已經(jīng)逐漸成為許多研究者的研究方向。（二）研究背景和意義人腦構(gòu)造是很復(fù)雜的，如同宇宙一樣難以豐富，腦科學(xué)已成為科研前端知識(shí)。最近一段時(shí)間，全世界都開(kāi)始研究腦科學(xué)，許多國(guó)家都倡始國(guó)家腦科學(xué)計(jì)劃。腦科學(xué)被認(rèn)為是自然科學(xué)研究的“最后國(guó)界”。腦科學(xué)現(xiàn)在研究方向和目標(biāo)很多，例如腦疾病就是全世界人民面對(duì)的困難問(wèn)題。生活狀況變好，壽命增加，老年人越來(lái)越多，但其中三成的老年人患有腦疾病，最主要的是阿爾茲海默病。阿爾茲海默病讓患病老人行動(dòng)不便，也讓其家人和社會(huì)承擔(dān)很多責(zé)任。腦科學(xué)的研究可以有助于解決這些問(wèn)題。阿爾茲海默?。ˋlzheimer’sDisease,AD）是腦神經(jīng)變化引起的疾病，它的癥狀有漸進(jìn)性記憶衰退、認(rèn)知功能障礙等許多其他的行為障礙，給老年人的生活帶來(lái)很多不便，也給其家人和社會(huì)帶來(lái)許多挑戰(zhàn)和負(fù)擔(dān)，且現(xiàn)在沒(méi)有有效的治療方法治療阿爾茲海默病。截止2016年，全球癡呆總?cè)藬?shù)約為4380萬(wàn)，已成為全球第五大死亡原因，阿爾茲海默病是老年癡呆病例中的最常見(jiàn)類型[1]。這是對(duì)全球衛(wèi)生和社會(huì)保健系統(tǒng)的一個(gè)重大挑戰(zhàn)。遺憾的是到目前為止，暫時(shí)沒(méi)有治愈AD的方法，而且很大一部分阿爾茨海默病患者沒(méi)有在早期被及時(shí)的診斷出來(lái)，因此盡早地診斷出AD并及時(shí)加以干預(yù)對(duì)于患者來(lái)說(shuō)十分重要。輕度認(rèn)知障礙(MildCognitiveImpairment,MCI）是癡呆癥的早期階段，亦稱前臨床階段，是介于癡呆癥和正常認(rèn)知之間的一種中間狀態(tài)，主要特征為記憶力下降或出現(xiàn)一些認(rèn)知功能障礙，但不影響日常生活能力[2]。每年，10-15%被診斷為輕度認(rèn)知障礙的患者轉(zhuǎn)化為AD，與年齡匹配的健康個(gè)體相比，進(jìn)展速度顯著加快。但是MCI患者可以通過(guò)相應(yīng)的治療手段治愈，或者使其轉(zhuǎn)化為AD的概率減少。因此，如何精確地診斷受試者是否患有MCI，對(duì)AD早期診斷并且延緩患者向AD疾病發(fā)展有很大作用，具有很大的科學(xué)價(jià)值以及臨床上的應(yīng)用前景。腦網(wǎng)絡(luò)分析可以幫助醫(yī)生做出更準(zhǔn)確的診斷，降低誤診率。（三）研究的內(nèi)容本文基于正常人和輕度認(rèn)知障礙患者的兩種腦電信號(hào)（EEG），針對(duì)每個(gè)被試數(shù)據(jù)，選取了左右半腦的額葉，頂葉，枕葉六個(gè)電極通道，運(yùn)用格蘭杰因果關(guān)系分析方法，分別構(gòu)建六個(gè)節(jié)點(diǎn)間的腦功能網(wǎng)絡(luò)，觀察節(jié)點(diǎn)間的因果效應(yīng)關(guān)系，并研究?jī)山M之間網(wǎng)絡(luò)的區(qū)別，研究導(dǎo)致輕度認(rèn)知障礙的腦網(wǎng)絡(luò)之間的變化，有利于輔助醫(yī)生診斷輕度認(rèn)知障礙，這對(duì)于阿爾茲海默癥的預(yù)知及治療來(lái)說(shuō)，其應(yīng)用前景廣泛，現(xiàn)實(shí)意義重大[3]。二、相關(guān)知識(shí)簡(jiǎn)介（一）腦網(wǎng)絡(luò)研究方法及手段近年來(lái)，科學(xué)家們開(kāi)始深入研究腦的機(jī)理和認(rèn)知障礙。如今科學(xué)技術(shù)發(fā)展越來(lái)越成熟，功能神經(jīng)影像也逐漸被應(yīng)用。它之所以成為重要的研究工具，是具有很高的時(shí)間和空間分辨率，這些特征可以用來(lái)表示人腦內(nèi)部空間分布以及神經(jīng)元突觸的時(shí)間過(guò)程。這些功能神經(jīng)影像對(duì)人腦的研究是無(wú)創(chuàng)的，有助于科學(xué)家更好的研究意識(shí)在大腦中實(shí)施的過(guò)程，更好的研究大腦的工作認(rèn)知方式。如今普遍使用的研究腦科學(xué)的技術(shù)有很多種：其中電極記錄、皮層腦電、多電極記錄、局部場(chǎng)電位等都有很高的時(shí)間和空間分辨率，但對(duì)人體是有傷害的，不能廣泛應(yīng)用，也沒(méi)有良好的研究對(duì)象。另外有很多無(wú)創(chuàng)的技術(shù)，其中功能磁共振成像（FunctionalMagneticResonanceImaging，fMRI）在大腦活動(dòng)成像方面有高的空間分辨率，但時(shí)間分辨率很低不能表示人腦神經(jīng)元突觸的時(shí)間過(guò)程。利用腦磁圖（Magnetoencephalography，MEG）進(jìn)行測(cè)量時(shí)會(huì)有電磁的干擾，而且測(cè)量的設(shè)備太龐大了，不適合平常使用。腦電（Electroencephalogram，EEG）的記錄方法有很高的時(shí)間分辨率，并且具有無(wú)害性，經(jīng)濟(jì)實(shí)惠，便于操作，可以被用來(lái)研究大腦的工作認(rèn)知方式及工作狀態(tài)。（二）腦網(wǎng)絡(luò)分類目前，腦網(wǎng)絡(luò)的研究主要包含了以下三個(gè)方向：結(jié)構(gòu)性網(wǎng)絡(luò)(structuralnetwork)、功能性網(wǎng)絡(luò)(functionalnetwork)和因效性網(wǎng)絡(luò)(effectivenetwork)，這三種方向是三種不同的研究層次，表示腦網(wǎng)絡(luò)研究的逐步發(fā)展；結(jié)構(gòu)性網(wǎng)絡(luò)是通過(guò)解剖大腦，用一些影像手段來(lái)研究神經(jīng)元之間的突觸連接，為功能性網(wǎng)絡(luò)的研究打下良好基礎(chǔ)；功能性網(wǎng)絡(luò)描述的是人腦各個(gè)腦區(qū)間統(tǒng)計(jì)性的連接關(guān)系；因效性網(wǎng)絡(luò)描述的是各個(gè)腦區(qū)之間的相互影響和信息流向，側(cè)重于腦區(qū)間的因果作用關(guān)系[8]。腦的功能分離和功能整合是人腦功能研究的兩類,功能分離是指不同腦區(qū)節(jié)點(diǎn)有不一樣的功能和工作方式，要分開(kāi)研究；而功能整合是指不同的腦區(qū)節(jié)點(diǎn)之間的相互關(guān)系；功能整合由兩種連接表達(dá)，功能連接和效應(yīng)連接這兩種連接表現(xiàn)的是不同腦區(qū)節(jié)點(diǎn)之間功能上的耦合關(guān)系，功能連接的含義為“空間上距離較遠(yuǎn)且具有神經(jīng)生理學(xué)特征的集合的時(shí)間相關(guān)性”，而效應(yīng)連接的含義為“一個(gè)神經(jīng)元集合直接或間接地施加于另一個(gè)神經(jīng)元集合的影響”，所以兩種連接的不同之處是：功能連接關(guān)注點(diǎn)為同一時(shí)間下不同腦區(qū)節(jié)點(diǎn)之間的有關(guān)性，它并沒(méi)有關(guān)注節(jié)點(diǎn)之間的相互影響；效應(yīng)連接側(cè)重點(diǎn)為不同時(shí)間不同腦區(qū)的相互影響，它體現(xiàn)了腦區(qū)之間的一種因果關(guān)系，所以它具有方向性[9]。在因效性腦網(wǎng)絡(luò)的研究中,大多數(shù)運(yùn)用格蘭杰因果關(guān)系檢驗(yàn)（Grangercausality,GC）方法,因?yàn)樗恍枰私膺^(guò)多關(guān)于腦科學(xué)的知識(shí)，并且更注重時(shí)間順序[10]。國(guó)內(nèi)研究者黃文敏[11]認(rèn)為多種腦功能障礙都表現(xiàn)為腦區(qū)間功能連接的顯著變化。有研究表明,不同腦區(qū)之間的活動(dòng)存在著因果調(diào)控關(guān)系,如SN網(wǎng)絡(luò)已經(jīng)被證實(shí)負(fù)責(zé)調(diào)控DMN和CEN網(wǎng)絡(luò)的活動(dòng),因此分析腦區(qū)之間活動(dòng)的因果關(guān)系,并建立因果性腦功能網(wǎng)絡(luò)具有重要的意義。（三）EEG信號(hào)EEG（Electroencephalography）信號(hào)是一種腦電信號(hào)，通過(guò)使用很精密的電子儀器，把電極陣列放置于頭皮，將腦部自發(fā)性生物電位進(jìn)行放大而獲得，屬于非侵入式即無(wú)創(chuàng)的一種腦電信號(hào)[12]。因?yàn)镋EG信號(hào)是神經(jīng)細(xì)胞的電生理活動(dòng)在人腦的頭皮產(chǎn)生的反應(yīng)，所以可以用來(lái)表示大腦的工作機(jī)理。在采集EEG信號(hào)的過(guò)程中，要按照10-20國(guó)際標(biāo)準(zhǔn)放置采集通道。10-20系統(tǒng)將電極陣列放置在沿著經(jīng)線和緯線的10%和20%的位置上，使用鼻根點(diǎn)（Nasion）、枕外隆凸尖（Inion）兩個(gè)參考點(diǎn)來(lái)定義。每一個(gè)電極的開(kāi)頭用一兩個(gè)字母表示大的區(qū)域，例如，F(xiàn)p代表的是額極、F代表的是額葉、C代表中央腦區(qū)、P代表的是頂葉、O代表的是枕葉、T代表的是顳葉。電極的末尾用一個(gè)字母或者一個(gè)數(shù)字代表電極與中心的距離。左半部分為奇數(shù)，右半部分為偶數(shù)。圖2.1為10-20國(guó)際標(biāo)準(zhǔn)采集示意圖。表2.1為各個(gè)電極對(duì)應(yīng)的導(dǎo)聯(lián)名稱。圖2.110-20國(guó)際標(biāo)準(zhǔn)采集通道表2.1腦區(qū)對(duì)應(yīng)的導(dǎo)聯(lián)名稱大腦區(qū)域?qū)?lián)名稱前額區(qū)側(cè)額區(qū)額區(qū)中央顳葉區(qū)后顳葉區(qū)頂葉區(qū)枕葉區(qū)耳Fp1,Fp2F7,F8F3,F4,FzC3,C4,CzT3,T4T5,T6P3,P4,PzO1,O2A1,A2因?yàn)椴杉哪X電信號(hào)必須穿過(guò)頭皮、頭骨等才能被裝置獲得，使得腦電信號(hào)具有信噪比低、可靠性差、噪聲多[13]。所以必須對(duì)采集后的腦電信號(hào)實(shí)現(xiàn)預(yù)處理，比如濾波，過(guò)濾掉不想要的波段，獨(dú)立成分分析，選取每個(gè)通道獨(dú)立的成分，去除眼電偽跡等，以上步驟稱為EEG的去噪過(guò)程，也即預(yù)處理過(guò)程。原始的EEG數(shù)據(jù)是由很多個(gè)樣本點(diǎn)數(shù)所構(gòu)成的一個(gè)有限的離散的時(shí)間序列數(shù)據(jù)。樣本點(diǎn)數(shù)的多少，由采樣率所決定，比如采樣率為1000Hz，那么每秒就有1000個(gè)數(shù)據(jù)樣本點(diǎn)。其中，每個(gè)樣本點(diǎn)數(shù)據(jù)代表的是腦電波幅的大小，物理學(xué)上稱為電壓值，單位為伏特（V），由于腦電信號(hào)通常較弱，所以更常使用的單位為微伏(μV)。（四）EEG特征EEG信號(hào)特征分為兩類，單變量特征和雙變量特征。單變量特征是指提取單個(gè)通道的EEG時(shí)間序列而得到的特征。這種特征主要有時(shí)域特征，頻域特征，時(shí)-頻域特征。雙變量特征是指能夠衡量通道之間關(guān)系的特征，通常被用來(lái)構(gòu)建腦網(wǎng)絡(luò)。（五）數(shù)據(jù)驅(qū)動(dòng)數(shù)據(jù)驅(qū)動(dòng)是一種基于數(shù)據(jù)的思維方式。數(shù)據(jù)驅(qū)動(dòng)分為四類：監(jiān)測(cè)，分析，挖掘，使能。監(jiān)測(cè)指的是用數(shù)據(jù)記錄實(shí)際發(fā)生的事情。分析指的是用各種分析工具對(duì)數(shù)據(jù)做處理。挖掘值得四用一些復(fù)雜算法建立數(shù)據(jù)挖掘模型。使能指的是在前面的基礎(chǔ)上將數(shù)據(jù)應(yīng)用到實(shí)際中發(fā)揮作用。Granger因果模型則是基于向量自回歸的一種數(shù)據(jù)驅(qū)動(dòng)的時(shí)間序列分析方法，不依賴于具體的觀測(cè)模型，而是考察不同變量歷史狀態(tài)對(duì)于現(xiàn)時(shí)狀態(tài)的可預(yù)測(cè)性的影響[14]。本文中用腦電采集裝置采集的EEG信號(hào)即為數(shù)據(jù)監(jiān)測(cè)，建立因果模型的過(guò)程為挖掘數(shù)據(jù)，對(duì)腦網(wǎng)絡(luò)模型進(jìn)行分析即為分析數(shù)據(jù)，將此研究模型應(yīng)用到實(shí)際中研究輕度認(rèn)知障礙患者預(yù)測(cè)即為數(shù)據(jù)使能。（六）格蘭杰因果關(guān)系格蘭杰因果關(guān)系檢驗(yàn)方法，最早是由CliveGranger爵士在1969年提出來(lái)的，該檢驗(yàn)用于判斷一個(gè)時(shí)間序列是否會(huì)對(duì)另一個(gè)時(shí)間序列產(chǎn)生影響，所以被廣泛的應(yīng)用于經(jīng)濟(jì)學(xué)領(lǐng)域的研究之中，后經(jīng)AnilSeth等人的努力，將該方法推廣到神經(jīng)科學(xué)領(lǐng)域，用于構(gòu)建頭部生理電信號(hào)間的關(guān)系。格蘭杰因果關(guān)系檢驗(yàn)的主要內(nèi)容是“如果時(shí)間序列X的滯后值的引入使時(shí)間序列Y的當(dāng)前值的自回歸預(yù)測(cè)誤差的方差減小，則認(rèn)為X是Y的格蘭杰原因”，也稱其為格蘭杰因果關(guān)系。具體來(lái)說(shuō)，用一個(gè)時(shí)間序列X的過(guò)去預(yù)測(cè)X的將來(lái)，然后引入另一個(gè)時(shí)間序列Y，用X和Y的過(guò)去預(yù)測(cè)X的將來(lái)，如果第二種預(yù)測(cè)效果比第一種預(yù)測(cè)效果好，則認(rèn)為加入Y對(duì)X的預(yù)測(cè)產(chǎn)生了影響，Y稱為是X的原因[15]。假設(shè)兩個(gè)變量是隨即平穩(wěn)的時(shí)間序列，首先定義X=X...X,其中X包含了X變量在t-i時(shí)刻的列向量，m是一個(gè)固定的用于預(yù)測(cè)過(guò)去值的階數(shù)，表示各個(gè)列向量之間的串聯(lián)，因此，雙變量的自回歸方程如下：=+=其中m是自回歸模型的階數(shù)，A與B是自回歸模型的參數(shù)，與是自回歸模型的預(yù)測(cè)誤差，均通過(guò)求解線性回歸方程計(jì)算得到。如果Y參與的模型中殘差比無(wú)Y模型的殘差小，說(shuō)明Y的加入對(duì)X將來(lái)值的預(yù)測(cè)顯著性的提高了，Y到X的格蘭杰因果定義如下：=格蘭杰因果關(guān)系檢驗(yàn)方法運(yùn)用動(dòng)力學(xué)模型和數(shù)據(jù)驅(qū)動(dòng)，不需要對(duì)腦科學(xué)知識(shí)的深入了解，建立腦區(qū)之間的多變量自回歸模型，建立鄰接矩陣并計(jì)算腦區(qū)間的因果關(guān)系強(qiáng)度。三、實(shí)驗(yàn)系統(tǒng)環(huán)境（一）實(shí)驗(yàn)環(huán)境本實(shí)驗(yàn)均建立在MATLAB軟件上完成，要獨(dú)立下載EEGLAB工具箱插件、MVGC工具箱插件。EEGLAB工具箱是EEG數(shù)據(jù)預(yù)處理的工具箱，提供了GUI界面，方便操作，功能眾多：可以將EEG數(shù)據(jù)導(dǎo)入EEGLAB，定位電極通道的時(shí)間和空間位置信息，查看數(shù)據(jù)；對(duì)EEG數(shù)據(jù)進(jìn)行濾波、重參考、基線校正、分段、獨(dú)立成分分析、去除偽跡等處理步驟；處理完后保存data數(shù)據(jù)，即腦電信號(hào)的時(shí)間序列。MVGC工具箱是進(jìn)行因果關(guān)系檢驗(yàn)的工具箱，不提供GUI界面，提供的是代碼，其中有一個(gè)demo供我們了解每一步的函數(shù)功能。MVGC不是一個(gè)黑匣子，需要我們自己依據(jù)實(shí)驗(yàn)調(diào)整函數(shù)的參數(shù)。MVGC的具體操作是：將在EEGLAB里預(yù)處理完的時(shí)間序列導(dǎo)入到MVGC，先對(duì)數(shù)據(jù)進(jìn)行平穩(wěn)性檢驗(yàn)，再構(gòu)造多變量自回歸模型，依據(jù)閾值構(gòu)造鄰接矩陣。腦網(wǎng)絡(luò)的構(gòu)建需要我們?cè)贛ATLAB里面自己寫(xiě)腳本，確定每個(gè)電極的位置，再傳入鄰接矩陣值構(gòu)造腦網(wǎng)絡(luò)。（二）數(shù)據(jù)采集本文的數(shù)據(jù)來(lái)源于研究者做的實(shí)驗(yàn)，此實(shí)驗(yàn)涉及年齡在55歲以上，包括32例正常病例和29例MCI患者的61名參與者[16]。在靜息狀態(tài)下，早上在安靜的房間里閉上眼睛，為所有參與者記錄EEG。按照10-20國(guó)際系統(tǒng)（Fp1，F(xiàn)p2，F(xiàn)7，F(xiàn)3，F(xiàn)z，F(xiàn)4，F(xiàn)8，T3，C3，Cz，C4，T4，T5，P3，Pz，P4，T6，O1，和O2）。此系統(tǒng)在第二章介紹過(guò)有關(guān)內(nèi)容，此處不再贅述。EEG信號(hào)由32通道數(shù)字EEG設(shè)備（GalileoNT，EBneuro，意大利）采集，采樣率等于256HZ，電極皮膚阻抗低于5k。腦電圖記錄考慮了30分鐘的持續(xù)時(shí)間。然而，這種長(zhǎng)時(shí)間的記錄將減少信號(hào)的總體變化并抑制噪聲和偽影，但會(huì)增加參與者睡意的可能性，這種睡意可能會(huì)導(dǎo)致腦電圖振蕩的減慢。因此，為避免睡意并保持參與者的意識(shí)，信號(hào)在EEG錄制期間不斷被檢出。本文中我們以一個(gè)正常人和一個(gè)輕度認(rèn)知障礙患者的數(shù)據(jù)來(lái)分析研究。由于數(shù)據(jù)記錄時(shí)間并不能保證是同樣的時(shí)長(zhǎng)，所以為了保證數(shù)據(jù)可對(duì)比性，均選取了前25分鐘的腦電數(shù)據(jù)。EEG信號(hào)是時(shí)間序列的數(shù)據(jù)，就是隨著時(shí)間而改變的數(shù)據(jù)，如圖3.2所示，是一個(gè)19個(gè)通道的腦電信號(hào)。圖3.1腦電極通道數(shù)據(jù)值四、腦效應(yīng)網(wǎng)絡(luò)的構(gòu)建（一）數(shù)據(jù)預(yù)處理預(yù)處理的操作都是利用MATLAB平臺(tái)的EEGLAB工具箱實(shí)現(xiàn)的。先將數(shù)據(jù)加載進(jìn)EEGLAB里面，定位通道數(shù)據(jù)。預(yù)處理的第一步是定位電極的時(shí)間位置，如第三章圖3.1所示，這一步可以查看到每個(gè)電極通道的對(duì)應(yīng)的數(shù)值，預(yù)處理數(shù)據(jù)之前，要看一下最原始的數(shù)據(jù)，看看數(shù)據(jù)的幅值，有時(shí)候圖中幅值特別大的一部分可能是眼動(dòng)引起的腦電波幅變化；定位電極的空間位置，可以查看電極點(diǎn)的分布圖，熟悉電極的位置。其次是刪除無(wú)用電極，刪除沒(méi)有用的通道數(shù)據(jù)，保留要研究的電極。在此處，只保留了頂葉、額葉、枕葉的電極。額葉所在的位置就是我們大腦額頭上面這塊區(qū)域，主要管理的是“高級(jí)認(rèn)知”；頂葉在大腦的正上方，管理的是空間導(dǎo)航以及總結(jié)感官消息；枕葉是最主要的視覺(jué)皮層，管理大腦的視覺(jué)功能。如圖4.1所示為2D腦電極圖，F(xiàn)為額葉，P為頂葉，O為枕葉。圖4.1六個(gè)腦電極的位置第三步是濾波，目的是選取我們想要的頻率段內(nèi)的數(shù)據(jù)。因?yàn)橥瑫r(shí)濾波系統(tǒng)容易卡死，所以我們選擇分開(kāi)濾波，先做一個(gè)0.1HZ的高通濾波，再做一個(gè)30HZ的低通濾波，最終獲取0.1-30HZ頻率段的內(nèi)容。圖4.2為濾波以后的腦電數(shù)據(jù)，幅值被放大。圖4.2濾波之后的腦電數(shù)據(jù)第四步是獨(dú)立成分分析(ICA)，目標(biāo)是分離出每個(gè)通道的不混合其他信號(hào)的獨(dú)立成分。當(dāng)我們用腦電采集裝置記錄腦電信號(hào)時(shí)，在F點(diǎn)的腦電信號(hào)包含了大腦各個(gè)節(jié)點(diǎn)的信號(hào)，因?yàn)樵趯?shí)驗(yàn)過(guò)程中不可避免地會(huì)受到其他節(jié)點(diǎn)影響，其他節(jié)點(diǎn)的電活動(dòng)會(huì)傳播到F點(diǎn)加入到F點(diǎn)的腦電信號(hào)。因此F點(diǎn)的腦電信號(hào)混合了眾多信號(hào)。所以我們要運(yùn)用獨(dú)立成分分析步驟實(shí)現(xiàn)每個(gè)腦節(jié)點(diǎn)信號(hào)的分離，即把記錄數(shù)據(jù)分解成一個(gè)又一個(gè)的成分組成。圖4.3為ICA分析的結(jié)果。圖4.3ICA獨(dú)立成分分析獲取完獨(dú)立成分后，我們可以用肉眼檢測(cè)眼電偽跡并去除偽跡。此處我們不做偽跡去除，有可能把有用腦電數(shù)據(jù)刪除。將腦電信號(hào)保存，就是我們需要的時(shí)間序列。（二）構(gòu)建腦效應(yīng)網(wǎng)絡(luò)1.KPSS平穩(wěn)性檢驗(yàn)進(jìn)行格蘭杰因果關(guān)系檢驗(yàn)之前應(yīng)該確保數(shù)據(jù)是平穩(wěn)的。雖然對(duì)數(shù)據(jù)進(jìn)行了預(yù)處理，但我們不可以保證數(shù)據(jù)是平穩(wěn)的。所以用Kowski-Phillips-Schmidt-Shin（KPSS）檢驗(yàn)對(duì)EEG腦電信號(hào)進(jìn)行平穩(wěn)性檢驗(yàn)[17]。KPSS檢驗(yàn)首先假設(shè)序列是平穩(wěn)的，根據(jù)假設(shè)求得的KPSS值如果小于閾值（一般為5%）下求得的臨界值，那么假設(shè)成立；反之，假設(shè)不成立。圖4.4KPSS檢驗(yàn)結(jié)果研究結(jié)果表明，閾值為0.05時(shí)的臨界值是0.146，而每個(gè)通道的KPSS檢驗(yàn)值都小于臨界值，表明本實(shí)驗(yàn)信號(hào)數(shù)據(jù)都是平穩(wěn)的數(shù)據(jù)。2.構(gòu)建多變量自回歸模型6個(gè)通道t時(shí)刻的腦電信號(hào)為：X(t)=[X1(t),X2(t),X6(t)],其中Xi是第i通道的EEG的時(shí)間序列。多變量自回歸模型為：X(t)=其中A(i)是6×6的系數(shù)矩陣。E(t)是白噪聲矢量，p為模型的階數(shù)。MVAR模型只含有一個(gè)參數(shù)，即模型的階數(shù)p。本文使用貝葉斯信息準(zhǔn)則（BayesianInformationCriterion，BIC）和赤池信息量準(zhǔn)則（AkaikeInformationCriterion，AIC）兩種計(jì)算得到模型階數(shù)p。AIC的定義為：AIC（p）=2log(det())+2pm2/Ntotal其中，p為模型的階數(shù)，Ntotal為數(shù)據(jù)個(gè)數(shù)，根據(jù)極小值原理，當(dāng)階數(shù)p從1開(kāi)始往上增長(zhǎng)時(shí)，AIC（p）將在某個(gè)p處取得最小值，此時(shí)的p為最佳模型階數(shù)。BIC的定義為：BIC(p)=ln(var())+ln(N)/N*p*M2其中N為時(shí)間序列長(zhǎng)度，表示模型殘差項(xiàng)。圖4.5模型階數(shù)計(jì)算結(jié)果本文算得的模型階數(shù)為p=20。3.因果性計(jì)算依據(jù)2.6節(jié)的格蘭杰因果關(guān)系公式可計(jì)算六個(gè)通道之間的因果強(qiáng)度大小，得到因果關(guān)系矩陣，如圖4.6的左圖，數(shù)值大小代表因果關(guān)系強(qiáng)弱。圖4.6右圖為依據(jù)因果矩陣畫(huà)出的六個(gè)腦節(jié)點(diǎn)間的因果聯(lián)系圖，橫軸代表源節(jié)點(diǎn)，縱軸代表目的節(jié)點(diǎn)，顏色越深代表兩個(gè)節(jié)點(diǎn)間因果關(guān)系強(qiáng)度越大。圖4.7為正常人的腦區(qū)節(jié)點(diǎn)因果聯(lián)系強(qiáng)度示意圖。圖4.6MCI患者因果關(guān)系圖4.7正常人因果關(guān)系4.閾值選擇閾值指的是一個(gè)效應(yīng)可以產(chǎn)生的最低值或最高值，也稱為臨界值。結(jié)合眾多研究者的文章，本研究的閾值采取0.05。即高于0.05則代表節(jié)點(diǎn)之間的相互作用強(qiáng)度，也就是因果效應(yīng)強(qiáng)度大。這樣做的目標(biāo)是確定哪些腦區(qū)節(jié)點(diǎn)之間的因果聯(lián)系更加強(qiáng)烈。5.生成鄰接矩陣連接矩陣為上文中計(jì)算得到的因果關(guān)系矩陣，如果矩陣中的值比閾值大，則將鄰接矩陣中對(duì)應(yīng)位置的值設(shè)為1，若小于閾值將它設(shè)為0。如圖4.8中左圖為鄰接矩陣，右圖為鄰接矩陣的圖表示。圖的橫軸代表源腦區(qū)節(jié)點(diǎn)，縱軸代表目的腦區(qū)節(jié)點(diǎn)。圖4.8MCI患者的鄰接矩陣圖4.9正常人的鄰接矩陣6.構(gòu)建腦網(wǎng)絡(luò)腦電極的位置信息需要在EEGLAB工具箱里獲得，依據(jù)這些位置信息就可以構(gòu)造一個(gè)六個(gè)電極的位置分布圖，再利用圖函數(shù)bg=biograph(Aa,IDS)構(gòu)造依據(jù)鄰接矩陣的腦網(wǎng)絡(luò)，其中Aa為鄰接矩陣，IDS是六個(gè)電極名稱。圖4.10和4.11為構(gòu)建好的腦網(wǎng)絡(luò)。圖4.10MCI患者腦網(wǎng)絡(luò)連接圖圖4.11正常人腦網(wǎng)絡(luò)圖（三）研究結(jié)果鑒于一組數(shù)據(jù)的不確定性，本文總共研究了MCI患者四個(gè)人的EEG數(shù)據(jù)建立腦網(wǎng)絡(luò)，均呈現(xiàn)上圖相似的效果。正常人也各取4例數(shù)據(jù)進(jìn)行研究。結(jié)果如圖4.12和4.13所示。由腦網(wǎng)絡(luò)圖可知MCI患者只有頂葉和枕葉之間的信息交換，而正常人頂葉，額葉，枕葉三大區(qū)域之間相互聯(lián)系作用比較強(qiáng)，額葉在其中均發(fā)揮了作用。由此可得，額葉對(duì)人腦認(rèn)知具有主要影響，是人腦認(rèn)知的根本。輕度認(rèn)知障礙患者因?yàn)闇p少了額葉對(duì)頂葉和枕葉的控制作用，所以出現(xiàn)認(rèn)知失常。他人的研究也有效的驗(yàn)證了這個(gè)結(jié)論，額區(qū)是大腦中記憶認(rèn)知的關(guān)鍵腦區(qū)。圖4.12三組MCI患者腦網(wǎng)絡(luò)圖圖4.13三組正常人腦網(wǎng)絡(luò)圖結(jié)論本文基于腦科學(xué)以及腦電數(shù)據(jù)的知識(shí)，研究了正常人和輕度認(rèn)知障礙患者的效應(yīng)性腦網(wǎng)絡(luò)，比較兩者之間的差異。具體操作有對(duì)EEG數(shù)據(jù)進(jìn)行預(yù)處理，構(gòu)造多變量自回歸模型，構(gòu)造鄰接矩陣，構(gòu)建因果關(guān)系效應(yīng)性腦網(wǎng)絡(luò)。研究發(fā)現(xiàn)，MCI患者的額葉區(qū)域相對(duì)于正常人來(lái)說(shuō)活動(dòng)減少，而額葉又在人腦認(rèn)知中占有重要地位。因此得出額葉區(qū)域的活動(dòng)減少是導(dǎo)致MCI患者出現(xiàn)癥狀的原因。此研究結(jié)果可以實(shí)現(xiàn)預(yù)測(cè)作用，MCI疑似患者可以經(jīng)過(guò)腦電測(cè)試采集腦電數(shù)據(jù)，構(gòu)造相應(yīng)的效應(yīng)性腦網(wǎng)絡(luò)，觀察額葉區(qū)域的連接，可以輔助醫(yī)生做出精確的診斷。腦網(wǎng)絡(luò)是一個(gè)新興領(lǐng)域，還有許多問(wèn)題等待解決。首先本文中只采取了針對(duì)單個(gè)被試創(chuàng)建腦網(wǎng)絡(luò)的研究方法，不具普遍性，還應(yīng)繼續(xù)研究用統(tǒng)計(jì)分析的方法對(duì)多個(gè)數(shù)據(jù)樣本取均值的方法。這一方面，國(guó)內(nèi)外研究者們已經(jīng)開(kāi)始作出初步嘗試，比如陳志陽(yáng)選取了別的了鄰接矩陣的構(gòu)造方法，對(duì)腦電信號(hào)采用單樣本檢驗(yàn)統(tǒng)計(jì)分析的方法，檢查不同節(jié)點(diǎn)之間因果連接的強(qiáng)度。另外文章應(yīng)用因果關(guān)系構(gòu)建了腦效應(yīng)網(wǎng)絡(luò)，分析出了輕度認(rèn)知障礙和正常人之間腦區(qū)之間聯(lián)系的區(qū)別，但是如何從效應(yīng)網(wǎng)絡(luò)中抽取出特征值，用于對(duì)腦電信號(hào)進(jìn)行分類，是需要我們繼續(xù)去研究的?？偟膩?lái)看，本文運(yùn)用格蘭杰因果關(guān)系檢驗(yàn)方法構(gòu)建了腦網(wǎng)絡(luò)，并可用此腦網(wǎng)絡(luò)實(shí)現(xiàn)阿爾茲海默癥的早期預(yù)測(cè)，取得了一定的研究進(jìn)展。腦電信號(hào)的研究剛剛開(kāi)始，還未被深入了解，要繼續(xù)鉆研。參考文獻(xiàn)[1]楊曉敏,鮑天昊,阮冶.阿爾茲海默病發(fā)病危險(xiǎn)因素概況[J].四川精神衛(wèi)生,2020,33(06):560-565.[2]王鳳,王麗娜,沈鑫華,葛晨希,周燕茹,張晨.社區(qū)老年輕度認(rèn)知障礙人群藥源性損害的歸因特征研究[J].中國(guó)全科醫(yī)[3]唐進(jìn).基于靜息態(tài)fMRI的EMCI和AD腦功能網(wǎng)絡(luò)研究[D].南京郵電大學(xué),2016.學(xué),2020,23(31):4007-4012.[4]崔會(huì)芳.基于格蘭杰因果分析的MCI腦網(wǎng)絡(luò)分類研究[D].太原理工大學(xué),2019.[5]趙會(huì)坡.視覺(jué)工作記憶不同負(fù)載下腦電網(wǎng)絡(luò)的信息傳遞特性研究[D].天津醫(yī)科大學(xué),2015.[6]Chockanathan,U.,AdoraM.DSouza,A.Abidin,G.SchifittoandA.Wismüller.“IdentificationandfunctionalcharacterizationofHIV-associatedneurocog