复杂网络主成分分析的分类方法在音乐家白质可塑性研究中的应用

李建福 罗 程 董 立 尧德中

(电子科技大学生命科学与技术学院，神经信息教育部重点实验室，成都610054)

复杂网络主成分分析的分类方法在音乐家白质可塑性研究中的应用

李建福 罗 程*董 立 尧德中#

(电子科技大学生命科学与技术学院，神经信息教育部重点实验室，成都610054)

人脑在多种时间和空间尺度上都是复杂网络，而复杂网络中往往包含着大量的连接信息。主成分分析(PCA)方法主要被用于从大量信息中提取重要特征，因而可以被用于探寻复杂网络中的一些重要信息。众所周知，音乐家是研究训练导致的脑可塑性问题的一个理想模型，探求音乐家脑网络的可塑性变化是非常有意义的。首先通过基于弥散加权成像(DWI)数据的纤维束追踪，构建了16位音乐家与16位非音乐家的脑白质结构网络；然后对两组人的整体脑网络进行了PCA分析，进而对得到的每个主成分做支持向量机(SVM)分类处理，得到分类效果最好的主成分；最终找出对此主成分贡献前1% 的连接即为音乐家相对于非音乐家在大脑白质结构网络上发生改变的主要连接。本方法为组间复杂网络对比分析提供了一种基于PCA分类的新思路。基于上述思路，对于音乐家与非音乐家的脑白质结构网络对比分析，表明音乐家在运动、听觉、情绪和记忆等功能脑区表现出更高的脑区间信息传递效率；进而扩展了在网络层面对长期音乐训练改变音乐家白质可塑性问题的理解。

主成分分析(PCA)；支持向量机(SVM)；弥散加权成像(DWI)； 脑网络

引言

人脑在多种时间和空间尺度上都是复杂网络[1-2]，而伴随复杂网络而来的往往是大量的数据和信息。例如，最近的一项研究是在基于音乐家和非音乐家的大脑弥散加权成像(diffusion-weighted imaging，DWI)数据上，进行了白质纤维束追踪进而构建了脑结构网络，虽然是基于大尺度网络的研究，但此处的脑网络仍具有90个节点(脑区)和4 005条不重复的边(脑区间连接)[3]。对于脑网络的分析有诸多方法，比较常用的是基于图论的分析方法[4]。主成分分析(principal component analysis，PCA)方法在从复杂数据中提取重要特征时往往能够得到较好的效果[5]，因而也可以用来探寻复杂网络中的一些重要信息。

众所周知，由于长期和复杂的音乐训练及表演，音乐家的大脑可以作为“经历导致人脑可塑性变化”研究的理想模型[6]。近年来，许多研究者利用不同的成像技术或分析方法进行着对音乐家大脑的神经可塑性研究，这些技术或方法主要包括：功能磁共振成像(functional magnetic resonance imaging，fMRI)、脑电图(electroencephalography，EEG)、脑磁图(magnetoencephalography，MEG)、弥散加权成像(diffusion-weighted imaging，DWI)、基于体素的形态学分析(voxel-based morphometry，VBM)及基于表面的形态学分析(surface-based morphometry，SBM)等。对音乐家大脑可塑性的研究表明，音乐家在一些特定的任务下在音乐训练相关的运动、视觉、听觉等区域表现出与非音乐家不同的激活模式[7-8]，音乐家在以上功能相关的某些区域表现出与非音乐家不同的灰质或白质结构[9-12]。

以往对脑网络的研究中大多都是分析全局或者局部属性，而基于网络中的边直接进行的分析方法寥寥无几。对于特殊人群的大脑可塑性研究，常用的办法是与对照组的大脑相应指标进行对比分析，而在组间脑网络对比问题中，考虑到网络连接的数目巨大，如果使用传统的多重对比校正难免会造成较高的假阴性，从而遗漏一些有意义的结果。为了在为数众多的网络连接中找出与组间对比问题相关性最高的那些连接，本研究尝试在音乐家和非音乐家两组人的大脑白质结构网络分析中，利用基于PCA的分类方法对网络进行处理，进而提取出最有价值的特征。本课题首先对音乐家和非音乐家的脑白质结构网络进行PCA处理，采用奇异值分解(singular value decomposition，SVD)方法，然后对每个主成分对应的奇异向量进行分类分析采用支持向量机(support vector machine，SVM)方法分类，找出对两组人脑网络区分度最高的主成分，最后保留对此主成分贡献最大的前1%的连接，即得到音乐家相对于非音乐家发生改变的主要连接。本研究通过对一种基于复杂网络的新对比方式在音乐家与非音乐家脑白质网络中的应用，希望找出一种高效的复杂网络对比分析方法并探究长期音乐训练对大脑白质网络可塑性的影响。

1 方法

1.1被试

所有被试均为在校大学生。包括16位女性音乐家，年龄为(23.3 ± 2.5)岁(20 ～ 26岁)；音乐经历(13.3 ± 4.5)年(9 ～ 20 年)和16位年龄匹配的女性非音乐家，年龄为(21.5 ± 1.6)岁(20～25岁)。所有被试都是右利手，均未曾诊断出任何神经或精神类疾病。音乐家均接受过长期的专业音乐训练。有14位都接受过钢琴训练，其中有10位在不同程度上还接受过其他乐器的训练(古筝，手风琴等)，另外两位均主修古筝。直到实验开始前，音乐家均保持着每天数小时的连续训练(其中5位每天训练1 h；6位每天训练2 h；5位每天训练3 h以上)。所有非音乐家均声明他们未接受过正规的音乐训练(包括乐器训练)。两组被试的教育年限未显出显著性差异(P=0.11，t=1.68)。所有被试均在充分了解实验内容的前提下于实验前签署了知情同意书。

1.2数据获取

被试均在MR中采集了DWI和高分辨率的3D T1加权结构像，本实验MR数据采集设备为3T Siemens Trio Tim MRI扫描仪(德国生产)，采用8通道相控阵头线圈。DWI数据包含1个b=0(b0)图像和20个方向的加权图像(b=1 000 s/mm2)，采集参数如下：横断面采集50层，层厚2.5 mm，层间隔3.25 mm；FOV=220 mm × 220 mm，采集矩阵=128 × 128，平面内分辨率1.72 mm × 1.72 mm；TE / TR=104 ms / 7 200 ms；反转角度=90°；同样的数据采集连续重复3次。3D T1加权像采集参数：矢状面采集176层，层厚1 mm；FOV=224 mm× 256 mm，平面内分辨率 1 mm× 1 mm；TE / TR=3.02 ms / 2 600 ms；反转角度=8°。

1.3DWI数据预处理

首先使用SPM5工具包(http://www.fil.ion.ucl.ac.uk/spm)分别绘制出每位被试的3个DWI数据集的头动曲线，并由此排除头动过大(平动>1 mm 或者转动>1°)的数据集。本研究中为了减小头动对数据的影响，除去头动过大的数据集后保留的数据集没有直接做平均处理，而是分别进行后续的预处理及网络构建进而将网络进行平均。使用FSL软件(http://www.fmrib.ox.ac.uk/fsl)对DWI数据进行脑组织的提取和涡流校正(包含头动校正)，后续在FSL中进行的处理都是基于由此得到的校正后的弥散方向矩阵[13]和图像。

1.4分割与配准

使用IBASPM工具包(IBASPM，http://www.fil.ion.ucl.ac.uk/spm/ext/#IBASPM)将标准的AAL模板[14]配准到个体b0空间，具体步骤如下：首先，将个体3D T1 图像标准化到标准空间，然后利用此变形参数将标准的AAL分区模板反变换到个体T1空间得到个体的AAL分区图像；其次，将个体3D T1图像配准到个体的b0空间，将此变形参数应用于个体的AAL分区图像上，从而得到基于AAL模板的b0空间个体脑分区(90个灰质分区结构)。

1.5纤维束追踪及脑结构网络的构建

利用FSL软件通过3个步骤来构建脑区之间的连接。

步骤1：计算每个体素内弥散参数的分布；

步骤2：从每个脑区出发向全脑做纤维束概率追踪；

步骤3：将从一个脑区出发到另一个脑区的连接权重和反向追踪得到的权重之和作为这两个脑区间的连接权重。

这里的连接权重是指从脑区A出发到脑区B追踪所得的通路数除以A脑区所包含的体素个数。因此，由此得到的加权网络的边可以间接地反映出每两个脑区间的连接强度，且此网络的连接矩阵是对称矩阵，这里排除脑区的连接。最后，将每个被试除去头动较大的数据后保留的数据集对应的连接矩阵(1～3个)平均后，作为此被试最终的结构网络用于后续的分析。

1.6组间脑网络对比分析

经过前述处理过程，共得到两组人的共计32个脑结构网络，每个网络都对应1个90 × 90的对称连接矩阵，故每个网络需要分析的边有90 ×(90-1)/2=4 005条(除去重复的边和自相连的边)。对两组人的网络(连接矩阵)分析方法如下：首先，将上述32个网络整合起来得到整体网络矩阵(4 005 条边 × 32 人)，对此矩阵做奇异值分解(singular value decomposition，SVD)以实现PCA，得到32个主成分；其次，将每个主成分对应的奇异向量(包含32个元素)进行以音乐家-非音乐家分组为先验的SVM分类，这里选用“交叉验证-留一法”的方式进行分类，然后将每次分类的准确率平均后作为此主成分的分类准确率；其次，将分类效果最好的主成分中对其“贡献”最高的前1 % 的元素对应的位置记录下来。最后，将这些元素对应在脑网络中的边(40条)作为一个整体，即得到音乐家脑结构网络发生改变的主要连接。此外，还基于两组人的脑网络直接进行了SVM分类分析，同样采用“交叉验证-留一法”的方式分类进而得到平均分类准确率。

2 结果

图1 主成分对整体网络的贡献率Fig.1 Rate of contribution of principal component to the integral network

对整合后的网络矩阵(4 005 条边 × 32 人)进行PCA处理后得到32个主成分，如图1所示，它们对此整体网络的贡献率最高的为35.5 %，其次为7.9 %，其他主成分的贡献率均在5 % 以下。各主成分对应的分类准确率中最高的为主成分9，分类准确率为79.8 %，它对整体网络的贡献率为2.6 %。基于两组人的原始脑网络进行的SVM分类准确率为58.7 %。

进一步分析主成分9，贡献最大的前1 % 的元素对应的脑网络中的边被认为是音乐家对应于非音乐家在脑网络层面显著不同的连接，共计40条。这里用每条边连接的两个脑区来记录，其中额叶脑区参与的连接有13条，边缘系统脑区参与的有12条，顶叶脑区参与的有9条，颞叶脑区参与的有9条(详见表1)。这些连接应该展示了长期的音乐训练导致的音乐家脑白质结构网络发生的主要改变。图2中用三维脑模型的连接图形式直观地展示了这些连接。

表1 音乐家脑网络发生改变的主要连接Tab.1 Main changed connections of musicians’ brain network

注：表中每一组脑区A及脑区B的配对代表一条这两个脑区间的连接。脑区名称最后一位字母为“L”代表左侧脑区，“R”代表右侧脑区。Frontal_Sup：额上回；Precentral：中央前回；Frontal_Mid：额中回；Frontal_Inf_Oper：岛盖部额下回；Frontal_Inf_Orb：眶部额下回；Rolandic_Oper：中央沟盖；Frontal_Sup_Medial：内侧额上回；Cingulum_Mid：内侧和旁扣带脑回；Hippocampus：海马；ParaHippocampal：海马旁回；Cuneus：楔叶；Occipital_Sup：枕上回；Frontal_Inf_Tri：三角部额下回；Insula：脑岛；Cingulum_Ant：前扣带和旁扣带脑回；Cingulum_Post：后扣带回；Amygdala：杏仁核；Occipital_Mid：枕中回；Fusiform：梭状回；Postcentral：中央后回；Parietal_Sup：顶上回；Paracentral_Lobule：中央旁小叶；Putamen：豆状壳核；Heschl：颞横回；Angular：角回；Temporal_Pole_Sup：颞极-颞上回；Parietal_Inf：顶下缘角回；Precuneus：楔前叶；Pallidum：豆状苍白球；Thalamus：丘脑；Temporal_Sup：颞上回；Temporal_Mid：颞中回；Temporal_Pole_Mid：颞极-颞中回

图2 音乐家脑网络发生改变的主要连接。(a)外侧视图；(b)顶视图；(c)内侧视图Fig.2 Main changed connections of musicians’ brain network。(a)Outside view；(b)Top view；(c)Inside view

3 讨论

对于两组具有某方面差异的数据，我们往往希望能够有效地找出其主要差异，通常都以采用统计对比的方式来寻求这些差异。但是，对于对比次数众多的情况(一般是多重独立的对比)，使用传统的对比方式往往不能达到很好的去伪存真效果。人类的大脑是个复杂网络系统[1]，因此对于一组具有特殊经历的人群，研究其脑网络，对于真正理解这种特殊经历如何改变其大脑的可塑性是具有重要意义的。在本研究中，基于DWI数据构建了音乐家和非音乐家大脑的白质纤维束结构网络，然后用一种PCA结合SVM分类的思路对这些网络进行分析，进而得到了音乐家由于长期音乐训练和演奏所导致改变的主要连接。总的来说，这些改变主要分布在额叶、边缘系统、顶叶和颞叶的脑区之间。其中，有一半以上的连接都有额叶和边缘系统中脑区的参与。额叶参与的连接绝大多数都是在额叶内部的连接，而边缘系统则是以通往其他区域的连接居多。

在基于人脑网络的对比分析中，除了对网络拓扑属性的研究，也有研究者提出过基于网络的统计方法[15]。对于音乐家脑网络，也尝试了该文献中提供的方法，结果显示整体网络层面两组人不具有显著差异(P=0.7)，在之前的研究中，也发现了整体网络属性无显著组间差异的一致结果[3]，而在本研究中，做了基于原始脑网络的SVM分类测试，平均分类准确率只有58.7 %，这也从另一个方面说明音乐训练很可能只是导致局部脑网络的改变而不是全局脑网络。为了找出音乐训练导致的局部网络连接的变化，通过对两组脑网络进行PCA处理进而对每个主成分对应的奇异向量采用SVM分类的方法，最终得到具有最好区分度(分类准确率最高)的主成分(主成分9)，对此主成分贡献最高的前1 % 的边(40条)即得到音乐家脑网络发生改变的主要连接。主成分9对两组人脑网络的整体信息贡献率仅为2.6 %，而其他主成分的分类准确率均较低(均小于72 %，其中绝大多数小于50 %)，这说明音乐家与非音乐家的脑网络相比发生改变的部分可能只占大脑总信息的一小部分。主成分9的分类准确率为79.8 %，表明基于PCA分类的方法可以有效找出基于网络的组间对比问题中的主要特征。

通过上述方法，得到了发生改变的局部网络连接，而这些结果也为音乐家大脑可塑性研究提供了一些有意义的新证据。近些年来，大量的研究表明音乐训练会导致感觉、运动、听觉、视觉及情绪等功能相关的可塑性变化[7-12]。在本研究中，音乐家较之于非音乐家发生改变的主要白质连接有近1/4是在额叶内部，主要是中央前回、额上回、额中回及额下回几者之间的连接。而额叶在音乐训练中具有非常重要的作用，在听觉想象及记忆任务时的额叶具有明显的激活[16-17]，VBM的研究表明长期的音乐训练可以使位于额下回的Broca区灰质体积显著增大[18]。额叶肩负着运动、听觉记忆及情绪等多种与音乐训练密切相关的功能，本研究的发现为音乐训练对额叶可塑性的改变增添了白质连接方面的新证据。除额叶内部连接外，其他连接中近一半都涉及到边缘系统中的脑区，边缘系统与感觉控制、立体定位、记忆和情绪等功能有关，而这些功能也同样是音乐经历中需要调用和加强的。本研究结果中，除了边缘系统内部的联系加强了之外，杏仁核与颞叶的连接也有明显的改变，由此可以推测长期的音乐训练使得听音乐与情绪的交互在音乐家中表现的更为显著，这与以往的研究结果一致[19]。另外一些改变的连接主要在顶叶和颞叶的部分脑区，比如顶上回在整合视觉、听觉、感觉运动等多模态信息中具有重要作用[9]，顶下回及角回在音乐相关任务下都有显著的激活并和额叶部分脑区一起形成了一个额顶激活网络[17]。总之，长期的音乐训练和演奏导致了音乐家大脑中白质连接可塑性的改变，参与变化连接的主要是额叶、边缘系统、顶叶及颞叶中涉及运动、听觉、情绪和记忆等功能的脑区，音乐训练对相关功能脑区之间的信息传递效率可能有所贡献。

本方法虽然可以较好地找出对大脑网络组间差异贡献最大的主成分，但依然存在不足，在本研究中最大主成分对应的分类准确率仅有79.8%，判别效果仍显不足，还需在今后的工作中进一步探究和改进分析方法以达到更好的判别效果。另外，本研究中仅有16位音乐家及16位对照组，虽可以达到基本要求，但样本量相对较小，随着今后更多进一步扩大被试样本量，可以获得更稳定的结果及更可靠的结论。

4 结论

本研究通过基于主成分分析的分类方法，得到了音乐家相对于非音乐家在大脑白质结构网络上发生改变的主要连接。这种处理方法为组间复杂网络对比分析提供了一种可选的新思路，可以从复杂的网络连接中抽取出少量而重要的特征。对音乐家脑网络的分析结果表明：长期的音乐训练及演奏可能会提高运动、听觉、情绪和记忆等功能脑区间的信息传递效率。

[1] Sporns O,Chialvo DR,Kaiser M,etal.Organization,development and function of complex brain networks [J].Trends Cogn Sci,2004,8(9):418-425.

[2] 尧德中,罗程,雷旭,等.脑成像与脑连接 [J].中国生物医学工程学报,2011,30(1):6-10.

[3] Li Jianfu,Luo Cheng,Peng Yueheng,etal.Probabilistic diffusion tractography reveals improvement of structural network in musicians [J].PLoS ONE,2014,9(8):e105508.

[4] 蒋田仔,刘勇,李永辉.脑网络：从脑结构到脑功能 [J].生命科学,2009,21(2):181-188.

[5] Jolliffe I.Principal component analysis [M].Hoboken：Wiley Online Library，2005.

[6] Munte TF,Altenmuller EL.The musician's brain as a model of neuroplasticity [J].Nature Reviews Neuroscience,2002,3(6):473-477.

[7] Meister I,Krings T,Foltys H,etal.Effects of long-term practice and task complexity in musicians and nonmusicians performing simple and complex motor tasks:implications for cortical motor organization [J].Hum Brain Mapp,2005,25(3):345-352.

[8] Huang Z,Zhang JX,Yang Z,etal.Verbal memory retrieval engages visual cortex in musicians [J].Neuroscience,2010,168(1):179-189.

[9] Gaser C,Schlaug G.Brain structures differ between musicians and non-musicians [J].J Neurosci,2003,23(27):9240-9245.

[10] Keenan JP,Thangaraj V,Halpern AR,etal.Absolute pitch and planum temporale [J].NeuroImage,2001,14(6):1402-1408.

[11] Schmithorst VJ,Wilke M.Differences in white matter architecture between musicians and non-musicians:a diffusion tensor imaging study [J].Neuroscience Letters,2002,321(1):57-60.

[12] Imfeld A,Oechslin MS,Meyer M,etal.White matter plasticity in the corticospinal tract of musicians:a diffusion tensor imaging study [J].NeuroImage,2009,46(3):600-607.

[13] Leemans A,Jones DK.The B-matrix must be rotated when correcting for subject motion in DTI data [J].Magn Reson Med,2009,61(6):1336-1349.

[14] Tzourio-Mazoyer N,Landeau B,Papathanassiou D,etal.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.

[15] Zalesky A,Fornito ABullmore ET.Network-based statistic:identifying differences in brain networks [J].NeuroImage,2010,53(4):1197-1207.

[16] Halpern AR,Zatorre RJ.When that tune runs through your head:a PET investigation of auditory imagery for familiar melodies [J].Cerebral Cortex,1999,9(7):697-704.

[17] Tillmann B,Janata P,Bharucha JJ.Activation of the inferior frontal cortex in musical priming [J].Brain Res Cogn Brain Res,2003,16(2):145-161.

[18] Sluming V,Barrick T,Howard M,etal.Voxel-based morphometry reveals increased gray matter density in Broca's area in male symphony orchestra musicians [J].NeuroImage,2002,17(3):1613-1622.

[19] Blood AJ,Zatorre RJ.Intensely pleasurable responses to music correlate with activity in brain regions implicated in reward and emotion [J].Proc Natl Acad Sci USA,2001,98(20):11818-11823.

ClassificationofPrincipalComponentAnalysisonComplexNetworkandApplicationforWhiteMatterPlasticityofMusicians

Li Jianfu Luo Cheng*Dong Li Yao Dezhong#

(KeyLaboratoryforNeuroinformationofMinistryofEducation,SchoolofLifeScienceandTechnology,UniversityofElectronicScienceandTechnologyofChina,Chengdu610054,China)

The human brain is a complex network with multiple scales of time and space which includes large amount of connection information.Principal component analysis (PCA) can extract important features from vast quantities of information; therefore,it was used to explore important information from complex network in this study.As is widely known,musicians represent an ideal model to investigate experience-driven plasticity changes in the human brain.It is a far more significant research that explores plasticity changes in brain networks of musicians.In this study,white matter brain networks of 16 musicians and 16 non-musicians were firstly constructed by fiber tracking based on diffusion-weighted imaging (DWI); secondly,PCA process was used to extract the feature networks of two the groups,support vector machine (SVM) classification method was then applied to each component,the component with best classification performance was obtained; finally,the first 1% connections with highest contribution to the component were considered to be the main connections which may represent the changes in the musicians’ white matter anatomical networks compared to non-musicians.This method provides a new approach which utilizes the PCA based classification for complex network comparison issues.And,comparison analysis of the white matter anatomical brain network between musicians and non-musicians indicated that musicians showed enhanced information transfer efficient between motor-,auditory-,emotional-,and memory- related brain regions.These findings may extend the network level understanding of white matter plasticity in musicians who have had long-term musical training.

principal component analysis (PCA); support vector machine (SVM); diffusion-weighted imaging (DWI); brain network

10.3969/j.issn.0258-8021.2015.02.008

2014-09-20，录用日期:2014-10-30

国家自然科学基金(91232725，81201159)；中央高校基本科研业务费项目(ZYGX 2011J097)

R318

A

0258-8021(2015) 02-0184-06

# 中国生物医学工程学会会员(Member,Chinese Society of Biomedical Engineering)

*通信作者(Corresponding author)，E-mail:chengluo@uestc.edu.cn