低氧环境下脑网络的建模与分析

王 磊，韦 新，李雪鹏，杨 昱，李海芳

（1.太原理大学信息与计算机学院，山西 太原 030024；2.西安交通大学社会心理学研究所，陕西 西安 710049）

如今，前往高海拔低氧地区工作、学习或者居住的人数持续增长[1]。暴露于高海拔低氧环境下的人群通常表现出知觉和认知领域的缺陷，例如工作记忆、视觉、注意力、执行功能等[2-3]。值得注意的是，有关高海拔暴露引起认知功能变化的研究大多来自急进海拔[4]，但对长期低氧环境下人的认知功能脑网络变化研究尚不完善，对其脑网络的动态演化特征更是知之甚少。

在网络研究中，通过图论方法来表征复杂网络的拓扑关系是研究网络特性的重要手段。使用功能连接来研究大脑进行认知活动时的脑网络特征是非常有效的方式。研究脑网络拓扑属性有助于研究者更好地考察大脑在进行认知活动时的功能分离和整合等特性，这些特性和大脑功能密切相关。另外，功能连接可以通过后期的认知训练进行重组[5-7]，重塑回健康大脑。因此，确定高原暴露对认知功能的影响，从而阐明潜在神经机制具有重要意义。

大脑当前的动力状态是由特定的大脑编码状态决定的[8]，特定状态的编码将对后续状态具有预测能力[9]，可以通过预测编码动力学机制中的异常来探究海拔对人脑网络结构的改变。基于此基础提出了脑网络重组预测模型，该模型可以模拟被试认知任务脑网络的变化过程，用于揭示脑网络动力学异常。

该研究采集了3个不同海拔任务态EEG 数据，以通道为节点，通道间的锁相值（Phase Locking Value，PLV）为边，应用滑动窗口技术构建了随时间变化的动态PLV 脑网络，计算了每个被试动态网络的拓扑参数，分析了脑网络的动态变化过程，并挑选出海拔组间差异性显著的时间窗口评估预测模型的准确性。高海拔数据集网络权值分布不均，为了消除个体权值的影响和最大程度拟合脑网络变化过程，设计了6 种不同的权值更新概率模型，并进行了实验验证。α波活动减弱是低氧环境下的一个重要性表现[10]，因此网络重组预测模型对α频段刺激前的脑网络进行迭代预测，为每个被试挑出拟合度最高的网络模型。通过分析每个海拔动态网络的拓扑参数差异性和网络模型选择的差异性，发现了高原久居者网络损伤的异常表现，进而为高原损伤的认知康复训练提供了重要参考。

1 被试与实验

1.1 被 试

研究使用的数据来自西安交通大学韦新教授团队采集的高原脑电数据[11]。实验招募了75 名健康男性青年，每组25 人，平均年龄为20.27±2.56 岁，平原出生，进驻高原前从未上过高原，分别移居渭南（400 m）、拉萨（3 700 m）、那曲（4 500 m）。所有受试者在高原居住平均时长为2.12±0.31 年。所有被试均为右利手，无精神障碍。实验前24 小时内未饮用咖啡和酒，无服用精神兴奋类药物，睡眠正常。所有被试均已填写知情同意书。

1.2 Stroop任务

刺激材料由两个中文颜色字(红和绿)和两种颜色(红色和绿色)两两搭配组成两种刺激。每个任务中一致刺激为38 个，不一致刺激为102 个，以伪随机顺序呈现。颜色字为48号仿宋体，呈现于计算机14寸显示器屏幕中央,视角为2.2°。实验由一个颜色判断任务和一个字义判断任务组成。被试通过按键作出判断，正式实验前让被试充分练习直到完全理解。记录准确率和平均命中反应时间进行分析。

1）颜色任务：要求被试克服字义干扰，观察字体颜色，如果字体颜色为红色，按“z”键，字体颜色为绿色，按“m”键。对于每组实验，首先在屏幕中央呈现一个“+”作为注视点，呈现时间固定为300 ms。颜色刺激呈现时间固定为200 ms，被试在2 000 ms 内作出按键判断，接着出现下一个颜色字等待被试按键反应，如果被试按键错误，2 200 ms 后会进入下一轮相同的任务。在任务中要求被试尽可能又快又准地反应。

2）字义任务：与颜色任务相似，要求被试克服字体颜色的干扰，判断呈现刺激的字义。

图1 Stroop范式任务示意图

2 方 法

2.1 EEG数据采集与预处理

数据采集使用的是Neuroscan 公司的36 导脑电系统，电极分布符合国际10-20 系统标准，参考电极置于耳垂处，记为A1和A2，放置4个记录电极分别位于眼睛上下部和眼外眦处，用于采集垂直方向眼电和水平方向眼电。采集EEG 数据时使用的采样频率为1 000 Hz，头皮与电极之间的阻抗保证低于5 kΩ。

实验所有的数据分析使用的是Matlab2017b 和开源工具箱EEGLAB 进行了预处理，将4 个眼电电极去除。对EEG 数据进行了常规去除噪音预处理，提取所有不一致刺激开始前200 ms 到刺激开始后600 ms 为一个试次，确保与随后的试验不重叠，并修正了每个时期的基线。

2.2 脑网络的构建

神经科学研究认为，发生锁相的神经元群体间可以进行有效的信息通信[12]，而PLV可量化在特定频带和时间区域的两个神经信号进入锁相状态的同步程度[13]。因此该研究以头皮电极为节点，通道间的PLV值为连边，构建加权网络。PLV可通过如下公式求得：

式（1）中，Δφn(t)=φx(t)-φy(t)表示信号x与信号y在t时刻的瞬时相位差，N为时间点。PLV值介于0 到1之间，其值为1 时，表示两个信号相位完全同步；值为0 时，表示相位不同步，无相位锁定。

为了评估认知任务期间脑网络随时间的变化，研究采用滑动窗口来评估认知任务期间脑网络随时间的变化。对每个被试的每个刺激前200 ms 到刺激后600 ms 的数据，采用了重叠度为90%，窗口大小为200 ms 的滑动窗口构建脑网络，为了消除特异性，对每个被试的所有刺激网络进行了平均，并提取了每个被试的网络属性[14]。

2.3 网络属性

脑功能网络的拓扑性质可以通过一些拓扑结构参数来表征，该文采用了特征路径长度、聚类系数[15]、网络密度和全局效率[16]对脑网络进行评估。

特征路径长度可以表征网络的集成程度[16]，它定义为网络中所有节点对之间的平均最短路径长度：

式（2）中，dij为节点i与节点j之间的最短路径长度，N为网络节点个数。

平均聚类系数可以量化网络的分离度。在加权网络的情况下，为了避免主连接权值的影响，平均聚类系数可以推广如下[17]：

式（3）中，Wij表示电极i和j之间的权值，N为网络节点个数。

网络密度可以评估网络的连接强度，其计算公式如下：

式（4）中，L为网络所有权值之和，N为网络节点个数。

全局效率可衡量网络的信息流动快慢[16]，全局效率的定义公式：

式（5）中，dij表示节点i到节点j的随机距离，N为网络节点个数。

2.4 技术路线

整体实验技术路线如图2 所示，首先选取刺激前200 ms 到刺激后600 ms 的EEG 数据，采用窗口大小为200 ms，重叠率为90%的滑动窗口为每个被试构建了31 个连续的动态PLV 脑网络，然后分别对每个脑网络提取网络属性，挑选出刺激后3 个海拔组间网络属性差异性最大的窗口作为衡量模型预测的准确度。

图2 技术路线图

最后分别对每个被试刺激前200 ms 的EEG 数据构建PLV 脑网络，为了确定每个被试的脑网络重组预测模型，根据不同的网络预测模型规则，对每个被试刺激前的脑网络权值进行概率修改，为每个被试挑选出模拟网络属性和真实网络属性之间均方差（MSE）最小的模型类型。

2.5 网络预测模型

6 种网络预测模型如下所示：

1）主连接增强：该模型假设刺激前脑网络的主要连接（即网络权值较大的连接），在认知任务过程中权值更有可能增加，增加概率为p=P；

2）次连接增强：该模型假设刺激前脑网络的次要连接（即网络权值较低的连接）在认知任务过程中权值更有可能增加，增加概率为p=(1-P)；

3）随机增强：该模型假设刺激前脑网络连接是随机增加。即所选连接的权值增加概率p=1；

4）主连接削弱：该模型假设刺激前脑网络的主要连接（即网络权值较大的连接）在认知任务过程中权值更有可能减小，减小概率为p=P；

5）次连接削弱：该模型假设刺激前脑网络的次要连接（即网络权值较低的连接）在认知任务过程中权值更有可能减小，减小概率为p=(1-P)；

6）随机削弱：该模型假设刺激前脑网络连接是随机减小。即所选连接的权值减小概率p=1。

算法步骤总结如下：

1）随机选取刺激前脑网络连通矩阵的一个连接（图论中通常称为Wij）；

2）连接值Wij根据概率p进行权值修改，增加或减小的大小为（1%Wij）。概率p的值和如何修改取决于当前所考虑的特定模型；

3）计算每个模型修改后脑网络的网络属性；

4）计算3）中脑网络的网络属性与刺激后脑网络的网络属性之间的MSE；

5）重复5 000 次步骤1）、2）、3）和4），并为每次迭代存储MSE；

6）选择MSE最小的预测模型。

为了最小化算法内在随机行为产生的偏差，所有实验重复100 次，将预测模型与真实网络的属性之间的MSE最小的作为选定模型。

如图3 所示，高海拔被试网络权值呈正态分布，并且权值分布比较集中，被试之间的网络权值分布中心也有差异。因此为了消除个体网络权值分布集中问题，突出网络权值的主次性，并且体现权值更新的概率性问题，网络重组预测模型更新概率P的设计尤为重要，该模型设P=num/N，num是所选连接的排序位置，N是网络总连接数。此概率设置可以消除网络权值分布问题，凸显各模型之间的差异性。

图3 被试PLV权值分布图

3 实验结果与分析

3.1 行为数据结果与分析

对Stroop 任务的正确率和反应时间进行了研究，同时利用信息传输率（Information Translate Rate,ITR）量化了被试的大脑信息加工速率，从而评估不同海拔人群大脑认知加工速率的差异性，实验结果如表1 示。

从表1中可以看出每个海拔词义判断任务的ITR值都高于颜色判断任务的ITR值，这是因为在Stroop任务中读词是行为习惯的自动加工过程，颜色命名是意识控制较强的行为加工过程，自动加工不需要太多注意力的参与，意识控制加工过程则需要有意的控制，相对字义任务，颜色判断任务的复杂强度更大[18]。

表1 Stroop任务行为结果统计分析

统计分析发现，在颜色和词义任务中，反应时间在各组间存在显著性差异(P色=0.01，F色=4.912；P词=0.01，F词=5.375)，并且反应时间随着海拔的增高而延长。经Bonferroni 校正后，在颜色任务中，ITR 在渭南和那曲组间有显著性差异(P=0.045)。而正确率在各海拔之间没有显著性差异。长期居住在高海拔低压低氧的环境下，人的反应速度会相对变慢，而正确率相对平衡[13]，这可能是由于高海拔环境下大脑长期处于供氧不足，疲惫状态，导致认知能力的神经元受损[14-15]，用时间上的消耗来补偿认知反应。

3.2 网络动力学结果与分析

为了评估网络属性的时变性，计算了每个动窗口下的网络属性。图4 给出了颜色任务α频段下不同海拔下网络属性的动力学变化。通过特征路径长度、聚类系数、网络密度和全局效率可以观察到高海拔组相对低海拔组脑网络表现出更低整合性、更低分离性、更低的连接强度和更低的传播效率。以往研究表明在300 ms 左右高海拔与低海拔组脑电属性具有显著性差异[17-18]，该研究对第20 个窗(200～400 ms)下的脑功能网络进行了方差检验，特征路径长度(F=5.187,P＜0.01)，聚类系数(F=5.189,P＜0.01)，网络密度(F=4.505,P＜0.05)，全局效率(F=5.021,P＜0.01)在组间均具有显著性差异。此窗口下海拔与特征路径长度(r=0.336 093,P=0.009)，聚类系数(r=-0.336 065,P=0.009),网络密度(r=-0.338 507,P=0.008)和全局效率(r=-0.332 180,P=0.009 514)也具有一定的相关性。脑功能网络的集成和连接强度的降低表明了脑网络之间的通信能力降低，这与先前的研究神经活动普遍降低的相结果一致[2]。功能性脑网络分离性降低表明大脑局部性沟通较弱或较少分离的神经处理[9]。网络全局效率的降低表明网络的信息处理能力下降。功能性脑网络分离性降低表明大脑局部性沟通较弱或较少分离的神经处理[9]。网络全局效率的降低表明网络的信息处理能力下降。长期的高原暴露会导致人的神经活动减弱，进而反映在认知反应速度上的减慢，但是神经活动减弱的原因尚不确定是神经损伤所致还是供氧不足所致。在以后的研究中可以采集遣返人员脑电信号作进一步分析。

图4 网络属性随时间变化

3.3 网络预测模型分析

根据网络动力学的结果，选取刺激后200～400 ms(第20 个窗口)数据的网络属性作为预测模型的判断标准。将每个被试刺激前200 ms 数据的脑网络放入预测模型中进行迭代预测，为每一个被试挑选出最能拟合刺激前网络变化的认知反应模型。如图5 所示预测模型与认知反应之间的均方误差(MSE)达到了98.951 2%，这证明了改进模型的准确性。

图5 模型结果分析图

表2 预测模型迭代次数和准确率

颜色任务下每组的模型选择分布如图6(a)所示，高海拔和低海拔被试在认知过程中次连接（即刺激感知前大脑区域之间低相位同步连接）的增强为主要的脑网络动力模型，然而，海拔组间模型选择分布有统计学意义(χ2(3，N=75)=11.04，P＜0.0 5；卡方检验)。从刺激前到刺激后网络参数的变化量与网络重组模型的选择之间存在统计学的显著关系((F渭=5.876，P渭=0.009)，(F拉=10.251，P拉=0.001)，(F那=85.903，P那＜0.001)；方差分析)。图6（b）中给出了次连接增强模型与认知任务中更高的网络重构相关联[19-20]，这可被视为“正常行为”。然而在高海拔组中，部分被试刺激前后网络参数差异性较小，网络重构能力更弱，这也证明了长期的高海拔暴露可能会引起认知脑功能网络的异常。

图6 模型选择结果图

低压低氧会诱导灰质体积和白质纤维束功能的改变，与脑功能区的异常活动有关，高海拔引起的海马损伤有随海拔和暴露时间的增加而加重的趋势[21]。因此在高海拔组中有更多的被试偏离了次连接增强的模型，这可能是由于脑功能区的损伤和激活程度的降低，使得全脑网络差异性减弱[22-23]。

4 结束语

文中从滑动窗口的角度出发构建脑功能网络，分析脑网络属性的动态变化过程，找出差异显著的时间窗口，并利用基于边概率演化的脑网络预测模型进行模拟脑网络变化过程。通过实验可以得出以下结论：

1）通过滑动窗口发现海拔对人脑认知影响主要发生在300 ms 左右，并且随着海拔高度的增加，大脑的神经活动减弱，脑网络表现出更低整合性、更低分离性、更低的连接强度和更低的传播效率。

2）脑网络预测模型结果表明长期高海拔暴露会引起大脑网络动力减弱，同时损害脑功能网络的重构能力，而且大脑的受损程度会随着海拔高度的增加而加重。