轻度认知障碍老年人脑电的非线性相互依赖脑网络分析

闫 彦 肖莎莎 刘 梦 李云霞* 李颖洁

1(上海大学通信与信息工程学院生物医学工程研究所,上海 200444)

2(同济大学附属同济医院神经内科,上海 200065)

3(上海大学国际教育学院,上海 200444)

4(上海大学生命科学学院,上海 200444)

引言

轻度认知障碍(mild cognitive impairment,MCI)是一种大脑认知功能损伤的疾病[1],一般发生在老年初期,主要表现为记忆力衰退以及情绪、行为和知觉等方面的异常,严重影响老年人的生活质量。有效的情绪调控与保持总体幸福感以及身心健康等正向结果有关[2]。研究表明,认知能力的退化可能会引起情绪调控能力下降,相比于正常人,MCI 患者在处理情绪加工任务时存在困难,情绪失调的发生率较高,焦虑、抑郁的患病率明显提高[3-4]。

目前,研究者们普遍认同,情绪调控的执行是各神经网络协调工作的结果。情绪调控过程是涉及多层次、多区域系统的相互作用下的大范围网络活动。大量研究结果表明,情绪失调的表现之一是大脑功能网络的异常[5],因此了解MCI 患者情绪调控时的脑功能网络特性有助于探究其情绪失调的神经机制。但是,在已有的研究报道中,很少有研究者关注MCI 患者在情绪调控过程中的大脑网络与正常人的区别。

基于图论的脑网络分析方法可以从拓扑学的角度研究大脑整体网络的连接特性,已经成为脑功能网络研究的主流方法[6]。脑功能网络分析的研究流程通常包括3 个部分,即采集数据、构建大脑功能网络、 分析网络特性[7]。脑电( electroencephalogram,EEG)信号具有高时间分辨率的特性,是对大脑神经电活动的客观记录,能够反映神经元之间的交流活动,且为无创检测,是在宏观尺度上研究脑网络的重要且可靠的手段之一,也是脑网络分析中的主要数据类型之一[8]。在高级脑功能执行过程中,各神经网络之间的信息整合和处理的主要潜在机制是网络的同步振荡[9]。在构建脑网络前通常要先量化EEG 两个信号之间的关系。目前,许多研究使用同步的测度方法来进行量化。

EEG 同步性测度大体上可分为线性和非线性两种方式。例如,Ieracitano 等[10]采用传统的线性相干方法(coherence),探究MCI 患者大脑皮层区域间的同步性及连通性是如何随着病情的发展而演变,结果发现,与MCI 稳定受试者相比,转换为阿尔兹海默症(Alzheimer’s disease,AD)的MCI 患者表现出theta 频段同步性的显著降低；Tao 等[11]采用相干分析方法发现,MCI 患者在认知任务状态下的相干值明显低于正常人。由于EEG 是非平稳的隐藏在噪声中的微弱信号,使用线性的方法通常不能有效的发现同步性,非线性方法可以比线性方法更好的量化信号之间的同步特征[8]。在非线性方式的研究中,互信息(mutual information,MI)分析方法用来量化具有较强的非线性特征的信号之间的同步关系。Liu 等[12]利用与任务相关的EEG 数据的互信息指数发现theta 频段反映了MCI 患者和正常老年人处理信息时的大脑同步变化；Handayani 等[13]利用相位同步(phase synchrony,PS)分析方法发现MCI 患者的大脑同步性普遍低于健康受试者。非线性相互依赖性(nonlinear interdependence,NLI)在大规模神经协同合作中扮演着至关重要的角色,反映了病理脑组织中神经元活动的同步变化。在疾病相关的研究中,Le Van Quyen 等[14]研究了癫痫患者脑电电极之间的非线性相互依赖性,发现在癫痫发作前患者脑内癫痫活动中心与其他区域之间的非线性相互依赖性最大,即同步性最强。非线性相互依赖性算法优化了双变量时间序列数据中弱依赖性的检测,且可以检测非平稳数据的同步性[15]。Chen 等[16]发现非线性相互依赖性方法是测量二元神经信号同步方向和同步强度的有效方法,在构建脑网络时解决了相干方法使用中忽略同步方向的局限性。综合考虑,本研究引入非线性相互依赖性这一非线性测度来量化EEG 各通道两两之间的关系,并构建MCI 患者的情绪调控脑网络。在脑网络分析中,常用的度量指标包括特征路径长度、聚类系数、小世界指数、网络效率及介数中心性等[17-19]。网络效率指标解决了由于孤立点的存在而无法评估网络特性的问题。Berlot 等[20]发现相比于正常人,MCI 患者全局效率较低。Pereira 等[21]发现与正常人和认知正常的帕金森患者相比,患有MCI 的帕金森患者大脑网络的全局效率较低,额叶和顶叶区域的局部效率更低。

本研究通过非线性相互依赖性方法来量化MCI患者情绪调控过程中的EEG 各通道间的同步性,并对不同频段的脑电数据构建脑网络,通过全局效率和平均局部效率来探究MCI 患者的情绪调控脑网络与正常老年人的差异性。据笔者所知,这是首次结合非线性相互依赖性和图论对MCI 老年人的认知重评脑网络特性进行研究的报道,为MCI 老年患者的情绪调控脑机制研究提供了一定的理论基础。

1 材料和方法

1.1 受试者信息

受试者均由上海市同济医院神经内科门诊招募。经筛选入组的受试者共32 名,视力均正常或矫正后正常。所有受试者均能正常识字且能很好的配合各项检查；经成像等临床检测手段表明均无帕金森、卒中、HIV/AIDS 或痴呆等疾病；面部均无长时间抽搐颤抖的状况。

实验开始之前,受试者需要完成神经心理学评估。评估方法主要包括:简易智能精神状态量表(mini-mental state examination,MMSE),蒙特利尔认知评估量表(Montreal cognitive assessment,MoCA),汉密尔顿抑郁量表(Hamilton depression scale,HAMD),汉密尔顿焦虑量表(Hamilton anxiety scale,HAMA)、认知域功能检测(包括记忆、语言、执行功能和视空间能力)以及日常生活能力评定。由专业的医生对受试者进行诊断,经老年认知障碍评定标准MMSE 和MoCA 筛选,受试者被分为MCI 组和正常对照组,详见表1。MCI 组包括14 名,其中男性8名,女性6 名,平均年龄为(69.64±6.63)岁。正常对照组包括18 名,其中男性10 名,女性8 名,平均年龄为(66.33±7.38)岁。两组受试者在年龄、性别组成等经统计检验均显示无显著差异。所有受试者的HAMA 评分均小于21,HAMD 评分均小于14,评分在正常范围内,表明均无精神疾病。所有受试者均自愿参加本实验。且本实验经过该院人类伦理委员会审核通过。

表1 两组受试者的基本信息(平均值±标准差)Tab.1 Basic information for both groups(mean±SD)

1.2 情绪刺激材料

情绪刺激图片来源于国际情感图片系统(International Affective Picture System,IAPS)[22]。从中选取了90 张图片作为情绪刺激材料,这些图片均呈彩色,大小相等且无特殊标记。其中包含30 张中性场景图片和60 张负性场景图片,两类图片的效价和唤醒度评分均具有显著差异。将60 张负性场景图片随机分为两组,每组30 张:其中一组对应负性描述,用于观看负性刺激；另外一组对应中性或正性描述,用于重新评价。两组负性图片的效价和唤醒度评分均无显著差异。

另外,为了使受试者更好的理解图片,在受试者“看”文字描述的同时播放文字描述的对应语音,让受试者通过“看”和“听”两种方式来获取即将出现的情绪刺激图片的描述,增强受试者的理解。实验过程中,描述语和情绪刺激图片均在显示屏中央呈现,视角约为10°。

1.3 实验流程

认知重评是一种主要的情绪调控方式[23]。认知重评包括保持距离(distancing)和重新解释(reinterpretation)两种策略,其中重新解释策略以较积极的方式对负性场景进行重新解释,比保持距离策略更易于受试者理解,因此本研究采用重新解释策略。在情绪图片刺激之前给受试者呈现图片对应的描述,让受试者接受情绪图片刺激时根据描述观看中性或负性刺激,或利用认知重评策略对负性刺激进行重新评价,降低负性情绪感受。实验流程如图1所示。

图1 实验流程Fig.1 Experimental flow chart

实验正式开始前,由实验操作人员为受试者讲解实验,告知受试者认知重评的含义,并为受试者说明如何对图片的效价和唤醒度进行评分。接下来受试者参与简短的预实验,以此来熟悉实验操作。实验操作人员根据受试者的预实验判断其是否理解实验任务,待受试者理解实验任务后,指导其参加正式的情绪任务实验。实验任务分为5 组(block),每组包含18 个试次(trial),每个trial 对应一张情绪刺激图片。每个block 包含3 种情绪任务(condition):观看中性图片(neutral viewing)、观看负性图片(negative viewing)以及重评负性图片(negative reappraisal)。其中,观看负性图片和重评负性图片对应不同类型的文字描述,重评负性图片时会使用更加积极/中性的描述方式。每个block中包含6 张中性图片和12 张负性图片(每种任务各6 张)。5 个block 的顺序随机,block 中trial 的顺序也随机。情绪任务前后有5 min 的闭眼静息(rest0和rest1)。

实验程序使用E-prime3.0 软件编写。实验正式开始后,屏幕上出现欢迎语和实验指导语,受试者按任意键进入第一个trial,trial 的示意如图2所示。首先,屏幕中央会出现一个黑色的“+”号,持续时间是1 s；然后,屏幕上出现文字描述,同时播报一遍对应的语音,文字的持续时间为4 s；随后,屏幕中央再次出现一个黑色的“+”号,持续时间为1 s；接下来,屏幕中央出现与描述相对应的情绪刺激图片,持续时间为5 s,受试者需要尽可能的根据描述理解图片；最后,受试者对图片的效价和唤醒度进行评分,评分分别包括9 个等级。首先对效价进行评分,数字1 到9 分别对应“非常负面”到“非常正面”,数字5 代表“正常”。然后对唤醒度进行评分,数字1 到9 分别对应“非常放松”到“非常强烈”,数字5 代表“平静”。受试者需要根据自己真实的感受通过按键对图片进行评分,评分过程没有时间限制,评分完成后,自动进入下一个trial。在整个实验过程中,受试者心情放松地坐在舒适的靠背椅上,双眼与显示屏的距离约为70 cm。为了避免噪声干扰,实验均在安静的封闭房间中完成。

图2 刺激序列示意Fig.2 Schematic diagram of stimulation sequence

1.4 脑电数据采集与预处理

在进行情绪调控任务期间,受试者需要佩戴与脑电设备配套的64 电极脑电帽,对其脑电数据进行同步采集。脑电设备采用美国NeuroScan 公司的64 导脑电检测仪SynAmps2Mode 8050,电极分布遵循10-20 国际标准。脑电记录软件采用该公司的Curry8 系统。参考电极和接地电极分别采用Reference 和Ground 电极。64 导中的60 个电极用来采集头皮脑电,另外4 个电极用来记录受试者的垂直和水平眼电。采样率为1 000 Hz,电极阻抗小于20 kΩ。

脑电数据采集后,通过EEGLAB 工具箱对原始数据进行预处理。带通滤波为0.1 ～95 Hz；通过凹陷滤波器去除50 Hz 工频以及100 Hz 倍频；对数据进行分段-200～5 000 ms,0 ms 为情绪刺激图片出现的时刻；对噪声过大的导联和波形为一条直线的导联进行线性插值；删除噪声过大的数据段；通过独立成分分析方法(independent component analysis,ICA)去除眼电、眨眼、眼飘和肌电等伪迹。完成预处理后,将干净的数据导入REST 工具箱进行重参考。Xu 等[24]研究了选用不同脑电参考方法对MCI脑网络的识别效果的影响,结果发现REST 这种零参考技术可以构建更精确的头皮脑电网络,对MCI的识别精度更高。

考虑到容积传导效应的存在,选取30 个电极[25]进行接下来的数据分析,所选电极包括:FP1、FP2、F7、F3、FZ、F4、F8、 FT7、FC3、FCZ、FC4、FT8、T7、C3、CZ、C4、T8、TP7、CP3、CPZ、CP4、TP8、P7、P3、 PZ、P4、P8、O1、OZ、O2。电极分布如图3所示。

图3 选用的30 导电极分布Fig.3 Location of selected 30 channels

1.5 脑电数据分析

对于预处理后的脑电数据,首先使用EEGLAB工具箱对脑电数据进行分频,得到delta(1 ～4 Hz)、theta(4～8 Hz)、alpha(8～13 Hz)、beta(13 ～30 Hz)、低gamma(30～50 Hz)以及高gamma(50 ～80 Hz)等6 个频段下的数据,并分别在各频段下进行接下来的大脑功能网络分析。

构建大脑功能网络可分为定义节点、度量节点之间的连接、选取阈值建立连接边3 个步骤[7]。根据图论[26],大脑可以被看作是一个复杂的功能网络,可抽象为由节点和边组成的图。基于多通道EEG 信号的脑网络研究,通常先将每个EEG 通道对应的电极覆盖的脑区定义为一个节点,EEG 各通道两两之间存在的某种关系即为边。利用非线性相互依赖性指数来量化EEG 各通道两两之间的关系,并将该关系的强弱作为对应脑区的连接强度来构建脑网络。如果通道间的非线性相互依赖性值超过所选阈值,则这两个导联之间存在一条边,否则这两个导联之间不存在边。选择小的阈值得到的脑网络图连接密集,而选择大的阈值得到的脑网络图连接稀疏。通过选择合适的阈值,可以得到MCI受试者和正常对照组的情绪调控脑网络。由于没有公认的有效方法来对阈值进行选择,因此,参考文献[27-28],参考各频段的脑网络在30%的边连通时对应的阈值选取一个范围,并以一定间隔为步长,分别计算每个阈值下的网络效率来探究两组的情绪调控脑网络的连接特性。

1.5.1 非线性相互依赖性测度

对两个通道的脑电信号xi和yi进行重构[25],可以得到m维相空间的状态变量,分别为X =(xi,…,xi+(m-1)τ)和Y =(yi,…,yi+(m-1)τ),其中i =1,…,I,m是嵌入维度,τ是延迟时间。令xi和yi的K个最近邻向量的时间索引分别为ri,j和si,j,j =1,…,K,则每个xi到它的K个最近邻向量的均方欧式距离定义为

在Y条件下每个xi到K个最近邻向量的均方欧式距离定义为

则相空间中两个系统的非线性相互依赖性可以通过相似度指标S 来量化,定义为

S值越大表示非线性相互依赖性越强。两个完全相同的系统,其相似度指数最大(S=1),而两个完全相互独立的系统,其相似度指数趋近于0(S≈0)。

1.5.2 网络效率分析

网络效率[26]是对网络交换信息效率的评估,效率值越大,说明信息和能量在此网络上交换时所需的代价越小。对于网络的连通图,任意两个节点i和j之间距离的平均值定义为最短路径长度Li,j,节点i和j之间的连接效率与Li,j成反比。网络的全局效率Eglobal反映了整个大脑网络的信息交换和整合的能力,定义为

式中,N为网络节点个数。

网络的局部效率Elocal反映了特定网络节点i与其邻近节点之间的信息交换能力,定义为

式中,NGi表示局部子网络Gi中节点的个数。平均局部效率是对各节点的局部效率的平均。

利用文献[26]中提供的brain connectivity toolbox(BCT)以计算这两种网络效率。

1.5.3 统计分析

本实验数据的统计分析均采用统计分析软件SPSS 21.0(IBM,美国)完成。使用的分析方法包括重复测量方差分析、t检验以及皮尔逊相关分析。在进行重复测量方差分析时,组间因素为Group(MCI 组/正常对照组 Normal),组内因素为Condition(负性观看negative/中性观看neutral/负性重评reappraisal),如果发现两因素之间存在显著的交互作用,则进一步进行简单效应分析。对于统计分析结果的描述,若统计结果P＜0.05,认为存在显著性差异。多重比较采用Bonferroni 校正,如果不满足球形检验(P＜0.05),则进行Greenhouse-Geisser校正。在进行相关分析时,对负性重评与负性观看的行为学之差和认知分数、非线性相互依赖性指数以及网络效率进行皮尔逊相关分析。

2 结果

2.1 行为学结果

为了检测情绪调控对行为学数据的影响,对两组受试者的效价和唤醒度评分进行重复测量方差分析的行为学结果如图4所示。对于效价评分,发现Condition 主效应(F= 38.192,P＜0.001,η2=0.560),成对比较发现,负性观看的效价评分最低,中性观看的效价评分最高,其中负性观看(MCI:3.774 ±1.096,Normal:3.331 ±1.266)vs 负性重评(MCI:4.498 ±0.971,Normal:4.610 ±1.059):P＜0.001 ；负性观看vs 中性观看(MCI:5.169 ±0.691,Normal:5.381 ±0.821):P＜0.001 ；负性重评vs 中性观看:P=0.003,即两组受试者的效价评分均具有重评效应。对于唤醒度评分,发现Condition 主效应(F=41.832,P＜0.001,η2=0.582),成对比较发现,负性观看的唤醒度评分最高,中性观看的唤醒度评分最低,其中负性观看(MCI:6.044 ±1.122,Normal:5.768 ±1.504)vs 负性重评(MCI:5.020 ±1.134,Normal:4.642 ±1.585):P＜0.001 ；负性观看vs 中性观看( MCI:3.692 ± 1.681,Normal:2.908±1.618):P＜0.001 ；负性重评vs 中性观看:P＜0.001,即两组受试者的唤醒度评分也均具有重评效应。未发现效价或唤醒度评分的显著Group 主效应或交互效应。

图4 两组受试者在各情绪任务下的行为学评分(negative 表示负性观看，neutral 表示中性观看，reappraisal 表示负性重评，Normal 表示正常对照组。**表示P＜0.05，误差线对应标准差)。(a)效价评分；(b)唤醒度评分Fig.4 The behavioral score of two groups under each emotion task(negative， neutral and reappraisal are respectively the negative viewing， neutral viewing and negative reappraisal task.Normal is the normal control group.** represents the significant difference P ＜0.05， The error bar corresponds to the SD).(a)The valence score；(b)The arousal score

2.2 非线性相互依赖性结果

分别对各频段下两组受试者在完成不同情绪任务时大脑的非线性相互依赖性值进行平均,采用重复测量方差分析检测各频段下两组受试者在完成不同情绪任务时大脑的非线性相互依赖性的差异,结果如图5所示。对于theta 频段,发现Group主效应(F=6.805,P=0.014,η2=0.185)。成对比较发现,MCI 组的非线性相互依赖性(中性观看、负性观看、负性重评分别为0.104 ±0.005 、0.104 ±0.005 、0.104 ±0.004)显著小于正常对照组(中性观看、负性观看、负性重评分别为0.109±0.005、0.108±0.005 、0.109 ±0.006)。对于alpha 频段,发现显著的Condition×Group 交互效应(F=3.313,P=0.043,η2=0.099)。进而进行简单效应分析显示,在负性观看任务下(t=2.437,P=0.021,Cohen′s d=0.865),MCI 组的非线性相互依赖性(0.122 ±0.006)显著小于正常对照组(0.127 ±0.005)。另外,正常对照组的Condition 主效应(F=3.941,P= 0.029,η2=0.188)显示负性观看刺激下的非线性相互依赖性有大于负性重评刺激任务下的趋势(P=0.083)。对于低gamma 频段,发现Condition 主效应(F=6.502,P=0.003,η2=0.178)。成对比较的结果显示,负性观看的非线性相互依赖性显著小于中性观看(P=0.010)。在delta、beta 以及高gamma 频段,未发现任何显著的主效应或交互效应。

图5 3 个频段下两组受试者在各情绪任务下的非线性相互依赖性(negative 表示负性观看，neutral 表示中性观看，reappraisal 表示负性重评，Normal 表示正常对照组。**表示P＜0.05，误差线对应标准差)。(a)Theta频段下的非线性相互依赖性；(b)Alpha 频段下的非线性相互依赖性；(c)低gamma 频段下的非线性相互依赖性Fig.5 The nonlinear interdependence of two groups under each emotion task in the three band(negative，neutral and reappraisal are respectively the negative viewing， neutral viewing and negative reappraisal task.Normal is the normal control group.** represents the significant difference P ＜ 0.05， The error bar corresponds to the SD ).( a )The nonlinear interdependence in theta band；(b)The nonlinear interdependence in alpha band；(c)The nonlinear interdependence in low gamma band

2.3 脑网络分析结果

根据上面的非线性相互依赖性的分析结果,发现了具有显著性差异的3 个频段,即theta 频段、alpha 频段和低gamma 频段,因此,重点关注这3 个频段。根据这3 个频段的非线性相互依赖性值分别构建脑网络,选择阈值范围为0.070 到0.130,步长为0.005 进行脑网络分析,采用重复测量方差分析探究MCI 受试者在进行认知重评实验过程中的脑网络与正常受试者的区别。考虑到的探究目标是两组受试者在情绪调控中的脑网络差异,重点分析了Group×Condition 具有显著交互效应时所对应阈值下的全局效率和平均局部效率,统计结果如表2所示,具体结果如图6所示。结果显示,在theta 频段,负性观看和负性重评条件下MCI 组的全局效率和平均局部效率均显著低于正常对照组(阈值=0.075),其中MCI 组和正常对照组在负性观看任务下的全局效率分别为0.998±0.002和1.000±0.000(P=0.034),平均局部效率分别为0.998 ±0.002 和1.000±0.000(P=0.025)；MCI 组和正常对照组在负性重评任务下的全局效率分别为0.999±0.001和1.000±0.000(P=0.039),平均局部效率分别为0.999±0.001 和1.000±0.000(P=0.032)。此外,对于MCI 组,Condition 主效应显示负性观看以及负性重评下的平均局部效率均显著高于中性观看(阈值=0.105)。在alpha 频段,负性观看下的Group 主效应显示MCI 组的全局效率显著低于正常对照组(阈值=0.115；阈值=0.125),其中阈值为0.115 时MCI 组和正常对照组的全局效率分别为0.663±0.050和0.713 ±0.042(P=0.006)；阈值为0.125 时MCI组和正常对照组的全局效率分别为0.524±0.066和0.591±0.069(P=0.011)。另外,在正常对照组中,Condition 主效应显示(阈值=0.115)负性观看的全局效率(0.713±0.042)显著高于负性重评(0.699 ±0.045)以及中性观看(0.697±0.048)。在低gamma频段(阈值=0.070),中性观看下的Group 主效应显示MCI 组的平均局部效率(0.976±0.020)显著低于正常对照组(0.992±0.007)。

图6 两组受试者在各情绪任务下的网络效率(negative 表示负性观看，neutral 表示中性观看，reappraisal 表示负性重评；Normal 表示正常对照组；**表示P＜0.05，误差线对应标准差)。(a)低gamma 频段下阈值为0.070 时的平均局部效率；(b)Theta 频段下阈值为0.075 时的全局效率；(c)Theta 频段下阈值为0.075 时的平均局部效率；(d)Theta 频段下阈值为0.105 时的平均局部效率；(e)Alpha 频段下阈值为0.115 时的全局效率；(f)Alpha 频段下阈值为0.125 时的全局效率Fig.6 The network efficiency of two groups under each emotion task(negative， neutral and reappraisal are respectively the negative viewing， neutral viewing and negative reappraisal task.Normal is the normal control group.** represents the significant difference P＜0.05， The error bar corresponds to the SD).(a)The average local efficiency in low gamma band when threshold was 0.070 ；(b)The global efficiency in theta band when threshold was 0.075 ；(c)The average local efficiency in theta band when threshold was 0.075 ；(d)The average local efficiency in theta band when threshold was 0.105 ；(e)The global efficiency in alpha band when threshold was 0.115 ；(f)The global efficiency in alpha band when threshold was 0.125

表2 网络效率的统计结果Tab.2 The statistical result of network efficiency

另外,对于Group×Condition 没有显著交互效应时所对应阈值下的全局效率和平均局部效率,在一些阈值条件下发现了Group/Condition 主效应。根据Group 主效应结果,MCI 组的全局效率(Theta 频段下阈值为0.075、0.080、0.085、 0.090、 0.095、0.100、 0.105、 0.130；Alpha 频段下阈值为0.115；低gamma 频段下阈值为0.085 和0.090)和平均局部效率(Theta 频段下阈值为0.075、 0.080、 0.085、0.090、 0.095 ；低gamma 频段下阈值为0.080、0.085、 0.090、 0.095、 0.100)均显著低于正常对照组。根据Condition 主效应结果,无论是全局效率还是平均局部效率,两组受试者在任何阈值下均没有表现出重评效应。

2.4 相关分析结果

根据上述的行为学结果,无论是正常对照组还是MCI 组均能成功进行重评,并没有直接发现行为学的组间效应。负性重评与负性观看的行为学之差在一定程度上体现了受试者情绪调控能力的强弱,通过分析行为学评分与认知分数之间的相关性,即受试者进行负性重评和负性观看的效价/唤醒度评分之差与MMSE 评分、MoCA 评分、HAMA 评分以及HAMD 评分的关系,进一步探究了MCI 组与正常对照组之间的差异。分别对MCI 组和正常对照组进行皮尔逊相关分析,结果如图7所示。对于正常对照组,仅发现负性重评与负性观看的效价/唤醒度之差与MMSE 分数均存在显著相关性,其中,效价的差值与MMSE 分数存在显著正相关(r=0.514,P=0.029,见图7(a)),即认知能力越好,效价在重评后上升的越多；唤醒度的差值与MMSE 分数存在显著负相关(r=-0.624,P=0.006,见图7(b)),即认知能力越好,唤醒度在重评后下降的越多。但是对于MCI 组,则未发现行为学之差与任一认知分数之间的显著相关性。

图7 正常对照组的负性重评与负性观看的行为学评分之差与MMSE 评分的相关性(negative 表示负性观看，reappraisal 表示负性重评)。(a)效价；(b)唤醒度Fig.7 Correlation between the difference of behavior scores between negative reappraisal and negative viewing and the MMSE score in normal group(negative and reappraisal are respectively the negative viewing and negative reappraisal task).(a)The valence score；(b)The arousal score

另外,还分析了两组受试者的行为学评分、认知分数与大脑信息交换效率之间的相关性。根据2.2 节的结果,对具有显著性差异的3 个频段,即theta 频段、alpha 频段和低gamma 频段下负性重评与负性观看的非线性相互依赖性差值与对应频段下的效价/唤醒度的差值以及MMSE 评分、MoCA评分、HAMA 评分、HAMD 评分进行相关分析,在两组中均未发现显著相关。接着,对2.3 节中具有显著差异时所对应阈值条件下的网络效率与行为学、认知分数进行同样的相关分析,结果显示MCI 组和正常对照组均未发现显著的相关性。

3 讨论

在相关研究中,Opitz 等[29]通过分析行为学数据和功能磁共振成像数据,研究了老年人的情绪调节能力是否会受到损害。通过对比唤醒度评分的下降程度(看消极的图片-认知重评),发现健康老年人认知重评后下降的唤醒度感受比年轻人的要少,表明健康老年人在认知重评方面比年轻人的成功度要小。同时还发现健康老年人的背内侧前额叶皮层(dorsal medial prefrontal cortex,dmPFC)和左腹外侧前额叶皮层重评时的活跃度也比年轻人更低。本研究通过分析情绪调控任务中的EEG 网络特性及行为学表现,发现MCI 患者比正常老年人的认知重评的成功度低。表明认知能力与情绪调控能力的显著相关。

对于MCI 患者,心理学研究表明其选择合适的情绪调控策略的能力有所下降[30]。Foti 等[31]在情绪调控实验中采用在刺激图片前呈现一段简短描述的范式,选用负性和中性两种图片,在负性图片出现之前,采用两种类型的语句对负性图片进行描述,即较负性或较中性。结果发现,在负性图片出现之前采用较中性的描述语句时受试者的晚期正电位值、不愉悦度、唤醒度均显著较低。这说明在刺激前采用不同的描述足以调节受试者观看情绪图片时的行为学反应及电皮层反应。本研究在负性图片出现前采用更中性或更正性的描述语句,行为学结果显示MCI 组和正常对照组的不愉悦度及唤醒度均显著降低,即MCI 组和正常对照组均成功执行了情绪调控任务,完成了对负性情境的重新评价,这说明MCI 患者保留有一定的情绪调控能力。对比两组受试者的行为学结果,两组在数值上是有差异的,正常对照组重评后的效价大于MCI 组,唤醒度小于MCI 组,但未表现出统计学显著性,说明MCI 情绪调控水平依然在正常范围之内,情绪调控能力的差异还不能在行为学上体现出显著性。但是行为学与认知分数的相关分析结果显示出了MCI组与正常对照组之间的差异,即重评后正常对照组效价的上升和唤醒度的下降均与认知分数MMSE表现出显著相关性,而MCI 组则未表现出这种显著相关性。这说明重评程度的大小与受试者本身的认知能力是相关的,MCI 组的情绪调控的能力低于正常对照组。另一方面,大量相关研究表明,基于EEG 的神经信号与行为表达之间几乎没有一对一的关系,电生理上的差异并不一定都能在行为学上反映出来[32]。本研究的结果也发现,相比于行为学结果,两组受试者的电生理数据表现出显著差异,这也说明相比于行为学,EEG 更加敏感。

EEG 提供了神经活动的直接度量,许多研究结果为MCI 受试者的认知能力低于正常人这一观点提供了证据。Kramer 等[33]利用相位同步和非线性相互依赖性的方法研究了正常人、MCI 患者以及AD患者的静息脑电的同步性,结果发现,MCI 患者的同步值介于正常人(具有高同步值)和AD 患者(具有低同步值)之间。Miraglia 等[17]应用图论,研究了MCI 组与正常对照组在睁眼/闭眼时脑电的小世界网络特性的差异,发现无论是睁眼条件还是闭眼条件下,MCI 组的小世界指数均显著低于正常对照组。这些研究结果都说明,相比于正常人,MCI 患者的大脑信息传递效率下降,本研究的结果为这一结论提供了证据。本研究在进行认知重评任务时,MCI 组与正常对照组表现出显著的组间效应,且MCI 组的网络效率显著小于正常对照组,这说明MCI 组在进行情绪调控时的大脑活跃度及大脑间的信息传递效率显著低于正常对照组。

情绪调控是大脑的高级认知功能之一,不同的情绪对大脑的影响不同,一般而言,情绪内容比中性内容能产生更强的情感效果[34]。与令人愉悦的情绪相比,涉及不愉悦情绪的内容对人们的情感影响更突出[35]。Li 等[36]通过传统的图论方法研究了抑郁症患者在情绪化面孔处理过程中的EEG 脑网络与正常人的区别,结果发现,健康对照组在处理情绪刺激时,负性条件下的脑网络连接边要显著多于正性条件。另外,Zhu 等[37]发现正性视频刺激下的锁相值(phase locking value,PLV)明显低于负性视频刺激下的锁相值。Costa 等[38]发现在负性情绪刺激下的相位同步值明显高于正性情绪刺激。本研究结果中,涉及情绪内容时,MCI 患者和正常对照组的网络效率均显著高于中性条件。相比于负性观看刺激,正常对照组在负性重评刺激下的全局效率显著较低,MCI 组未发现负性观看刺激与负性重评刺激下的显著差异,说明在负性重评条件下,由于对图片的描述是相对积极的,正常对照组在理解情绪图片内容时根据描述采用一种更加正性的方法,显著的降低了负性感受,从而使大脑活跃度降低,因此,在负性观看时的全局效率比负性重评下更高,而MCI 组的情绪调控脑网络异常,在负性重评时未能表现出网络效率的显著降低。

需要进一步讨论的是,在分析功能连接以及网络属性与认知分数和效价/唤醒度等指标的相关性时,并没有发现显著的相关性。根据相关文献,Engels 等[39]通过纳入病情严重程度不同的患者组,利用相位滞后指数探究了AD 患者病情变化对大脑信息交换效率的影响,并与MMSE 进行了相关分析。研究发现,大脑信息交换效率随着AD 患者的病情严重程度的增加而减小,大脑信息交换效率与MMSE 并没有显著的相关性,然而,在对大脑进行分区后,发现额叶区域的信息交换效率与MMSE 呈现正相关,而后脑区域的信息交换效率与MMSE 呈现负相关。本研究中对MCI 患者并没有就整个大脑进行分区,推测是否存在相关性与所研究区域有关。在未来的研究中,将探究大脑不同区域的网络属性与认知分数的相关性。另外,在认知重评的研究中,同样也有一些文献研究了其他电生理指标,如晚期正电位(late positive potential,LPP)与行为学结果的相关性,有些发现了显著的相关性[40],而有些研究并没有发现显著相关性[31]。这说明研究结果在某种程度上与用于分析处理的方法有关。另一方面,相关可以为线性相关或非线性相关,如果系统是高度相关且为非线性的,简单的线性相关方法通常不能揭示非线性复杂信号之间的隐藏相关性[41]。本研究进行的是线性相关分析,也许并没有反映出真实的相关关系,在今后的研究中可以进一步对这个问题进行关注。此外,本研究入组的受试者例数较少,只是对MCI 患者进行认知重评时的脑功能网络进行了初步研究,未来将纳入更多的受试者验证本研究的发现。

4 结论

本研究利用非线性相互依赖性和图论的方法,初步探究了MCI 老年人与正常老年人在进行情绪调控时脑网络的差异。MCI 患者在行为学上保留有一定的情绪调控能力,但与正常人相比,大脑信息交换效率较低,脑功能网络在一定程度上有所损伤。本研究为MCI 的情绪脑功能网络研究提供了参考。