王 磊，韋 新，李雪鵬，楊 昱，李海芳

（1.太原理大學(xué)信息與計算機(jī)學(xué)院，山西 太原 030024；2.西安交通大學(xué)社會心理學(xué)研究所，陜西 西安 710049）

如今，前往高海拔低氧地區(qū)工作、學(xué)習(xí)或者居住的人數(shù)持續(xù)增長[1]。暴露于高海拔低氧環(huán)境下的人群通常表現(xiàn)出知覺和認(rèn)知領(lǐng)域的缺陷，例如工作記憶、視覺、注意力、執(zhí)行功能等[2-3]。值得注意的是，有關(guān)高海拔暴露引起認(rèn)知功能變化的研究大多來自急進(jìn)海拔[4]，但對長期低氧環(huán)境下人的認(rèn)知功能腦網(wǎng)絡(luò)變化研究尚不完善，對其腦網(wǎng)絡(luò)的動態(tài)演化特征更是知之甚少。

在網(wǎng)絡(luò)研究中，通過圖論方法來表征復(fù)雜網(wǎng)絡(luò)的拓?fù)潢P(guān)系是研究網(wǎng)絡(luò)特性的重要手段。使用功能連接來研究大腦進(jìn)行認(rèn)知活動時的腦網(wǎng)絡(luò)特征是非常有效的方式。研究腦網(wǎng)絡(luò)拓?fù)鋵傩杂兄谘芯空吒玫乜疾齑竽X在進(jìn)行認(rèn)知活動時的功能分離和整合等特性，這些特性和大腦功能密切相關(guān)。另外，功能連接可以通過后期的認(rèn)知訓(xùn)練進(jìn)行重組[5-7]，重塑回健康大腦。因此，確定高原暴露對認(rèn)知功能的影響，從而闡明潛在神經(jīng)機(jī)制具有重要意義。

大腦當(dāng)前的動力狀態(tài)是由特定的大腦編碼狀態(tài)決定的[8]，特定狀態(tài)的編碼將對后續(xù)狀態(tài)具有預(yù)測能力[9]，可以通過預(yù)測編碼動力學(xué)機(jī)制中的異常來探究海拔對人腦網(wǎng)絡(luò)結(jié)構(gòu)的改變?；诖嘶A(chǔ)提出了腦網(wǎng)絡(luò)重組預(yù)測模型，該模型可以模擬被試認(rèn)知任務(wù)腦網(wǎng)絡(luò)的變化過程，用于揭示腦網(wǎng)絡(luò)動力學(xué)異常。

該研究采集了3個不同海拔任務(wù)態(tài)EEG 數(shù)據(jù)，以通道為節(jié)點(diǎn)，通道間的鎖相值（Phase Locking Value，PLV）為邊，應(yīng)用滑動窗口技術(shù)構(gòu)建了隨時間變化的動態(tài)PLV 腦網(wǎng)絡(luò)，計算了每個被試動態(tài)網(wǎng)絡(luò)的拓?fù)鋮?shù)，分析了腦網(wǎng)絡(luò)的動態(tài)變化過程，并挑選出海拔組間差異性顯著的時間窗口評估預(yù)測模型的準(zhǔn)確性。高海拔數(shù)據(jù)集網(wǎng)絡(luò)權(quán)值分布不均，為了消除個體權(quán)值的影響和最大程度擬合腦網(wǎng)絡(luò)變化過程，設(shè)計了6 種不同的權(quán)值更新概率模型，并進(jìn)行了實(shí)驗驗證。α波活動減弱是低氧環(huán)境下的一個重要性表現(xiàn)[10]，因此網(wǎng)絡(luò)重組預(yù)測模型對α頻段刺激前的腦網(wǎng)絡(luò)進(jìn)行迭代預(yù)測，為每個被試挑出擬合度最高的網(wǎng)絡(luò)模型。通過分析每個海拔動態(tài)網(wǎng)絡(luò)的拓?fù)鋮?shù)差異性和網(wǎng)絡(luò)模型選擇的差異性，發(fā)現(xiàn)了高原久居者網(wǎng)絡(luò)損傷的異常表現(xiàn)，進(jìn)而為高原損傷的認(rèn)知康復(fù)訓(xùn)練提供了重要參考。

1 被試與實(shí)驗

1.1 被 試

研究使用的數(shù)據(jù)來自西安交通大學(xué)韋新教授團(tuán)隊采集的高原腦電數(shù)據(jù)[11]。實(shí)驗招募了75 名健康男性青年，每組25 人，平均年齡為20.27±2.56 歲，平原出生，進(jìn)駐高原前從未上過高原，分別移居渭南（400 m）、拉薩（3 700 m）、那曲（4 500 m）。所有受試者在高原居住平均時長為2.12±0.31 年。所有被試均為右利手，無精神障礙。實(shí)驗前24 小時內(nèi)未飲用咖啡和酒，無服用精神興奮類藥物，睡眠正常。所有被試均已填寫知情同意書。

1.2 Stroop任務(wù)

刺激材料由兩個中文顏色字(紅和綠)和兩種顏色(紅色和綠色)兩兩搭配組成兩種刺激。每個任務(wù)中一致刺激為38 個，不一致刺激為102 個，以偽隨機(jī)順序呈現(xiàn)。顏色字為48號仿宋體，呈現(xiàn)于計算機(jī)14寸顯示器屏幕中央,視角為2.2°。實(shí)驗由一個顏色判斷任務(wù)和一個字義判斷任務(wù)組成。被試通過按鍵作出判斷，正式實(shí)驗前讓被試充分練習(xí)直到完全理解。記錄準(zhǔn)確率和平均命中反應(yīng)時間進(jìn)行分析。

1）顏色任務(wù)：要求被試克服字義干擾，觀察字體顏色，如果字體顏色為紅色，按“z”鍵，字體顏色為綠色，按“m”鍵。對于每組實(shí)驗，首先在屏幕中央呈現(xiàn)一個“+”作為注視點(diǎn)，呈現(xiàn)時間固定為300 ms。顏色刺激呈現(xiàn)時間固定為200 ms，被試在2 000 ms 內(nèi)作出按鍵判斷，接著出現(xiàn)下一個顏色字等待被試按鍵反應(yīng)，如果被試按鍵錯誤，2 200 ms 后會進(jìn)入下一輪相同的任務(wù)。在任務(wù)中要求被試盡可能又快又準(zhǔn)地反應(yīng)。

2）字義任務(wù)：與顏色任務(wù)相似，要求被試克服字體顏色的干擾，判斷呈現(xiàn)刺激的字義。

圖1 Stroop范式任務(wù)示意圖

2 方 法

2.1 EEG數(shù)據(jù)采集與預(yù)處理

數(shù)據(jù)采集使用的是Neuroscan 公司的36 導(dǎo)腦電系統(tǒng)，電極分布符合國際10-20 系統(tǒng)標(biāo)準(zhǔn)，參考電極置于耳垂處，記為A1和A2，放置4個記錄電極分別位于眼睛上下部和眼外眥處，用于采集垂直方向眼電和水平方向眼電。采集EEG 數(shù)據(jù)時使用的采樣頻率為1 000 Hz，頭皮與電極之間的阻抗保證低于5 kΩ。

實(shí)驗所有的數(shù)據(jù)分析使用的是Matlab2017b 和開源工具箱EEGLAB 進(jìn)行了預(yù)處理，將4 個眼電電極去除。對EEG 數(shù)據(jù)進(jìn)行了常規(guī)去除噪音預(yù)處理，提取所有不一致刺激開始前200 ms 到刺激開始后600 ms 為一個試次，確保與隨后的試驗不重疊，并修正了每個時期的基線。

2.2 腦網(wǎng)絡(luò)的構(gòu)建

神經(jīng)科學(xué)研究認(rèn)為，發(fā)生鎖相的神經(jīng)元群體間可以進(jìn)行有效的信息通信[12]，而PLV可量化在特定頻帶和時間區(qū)域的兩個神經(jīng)信號進(jìn)入鎖相狀態(tài)的同步程度[13]。因此該研究以頭皮電極為節(jié)點(diǎn)，通道間的PLV值為連邊，構(gòu)建加權(quán)網(wǎng)絡(luò)。PLV可通過如下公式求得：

式（1）中，Δφn(t)=φx(t)-φy(t)表示信號x與信號y在t時刻的瞬時相位差，N為時間點(diǎn)。PLV值介于0 到1之間，其值為1 時，表示兩個信號相位完全同步；值為0 時，表示相位不同步，無相位鎖定。

為了評估認(rèn)知任務(wù)期間腦網(wǎng)絡(luò)隨時間的變化，研究采用滑動窗口來評估認(rèn)知任務(wù)期間腦網(wǎng)絡(luò)隨時間的變化。對每個被試的每個刺激前200 ms 到刺激后600 ms 的數(shù)據(jù)，采用了重疊度為90%，窗口大小為200 ms 的滑動窗口構(gòu)建腦網(wǎng)絡(luò)，為了消除特異性，對每個被試的所有刺激網(wǎng)絡(luò)進(jìn)行了平均，并提取了每個被試的網(wǎng)絡(luò)屬性[14]。

2.3 網(wǎng)絡(luò)屬性

腦功能網(wǎng)絡(luò)的拓?fù)湫再|(zhì)可以通過一些拓?fù)浣Y(jié)構(gòu)參數(shù)來表征，該文采用了特征路徑長度、聚類系數(shù)[15]、網(wǎng)絡(luò)密度和全局效率[16]對腦網(wǎng)絡(luò)進(jìn)行評估。

特征路徑長度可以表征網(wǎng)絡(luò)的集成程度[16]，它定義為網(wǎng)絡(luò)中所有節(jié)點(diǎn)對之間的平均最短路徑長度：

式（2）中，dij為節(jié)點(diǎn)i與節(jié)點(diǎn)j之間的最短路徑長度，N為網(wǎng)絡(luò)節(jié)點(diǎn)個數(shù)。

平均聚類系數(shù)可以量化網(wǎng)絡(luò)的分離度。在加權(quán)網(wǎng)絡(luò)的情況下，為了避免主連接權(quán)值的影響，平均聚類系數(shù)可以推廣如下[17]：

式（3）中，Wij表示電極i和j之間的權(quán)值，N為網(wǎng)絡(luò)節(jié)點(diǎn)個數(shù)。

網(wǎng)絡(luò)密度可以評估網(wǎng)絡(luò)的連接強(qiáng)度，其計算公式如下：

式（4）中，L為網(wǎng)絡(luò)所有權(quán)值之和，N為網(wǎng)絡(luò)節(jié)點(diǎn)個數(shù)。

全局效率可衡量網(wǎng)絡(luò)的信息流動快慢[16]，全局效率的定義公式：

式（5）中，dij表示節(jié)點(diǎn)i到節(jié)點(diǎn)j的隨機(jī)距離，N為網(wǎng)絡(luò)節(jié)點(diǎn)個數(shù)。

2.4 技術(shù)路線

整體實(shí)驗技術(shù)路線如圖2 所示，首先選取刺激前200 ms 到刺激后600 ms 的EEG 數(shù)據(jù)，采用窗口大小為200 ms，重疊率為90%的滑動窗口為每個被試構(gòu)建了31 個連續(xù)的動態(tài)PLV 腦網(wǎng)絡(luò)，然后分別對每個腦網(wǎng)絡(luò)提取網(wǎng)絡(luò)屬性，挑選出刺激后3 個海拔組間網(wǎng)絡(luò)屬性差異性最大的窗口作為衡量模型預(yù)測的準(zhǔn)確度。

圖2 技術(shù)路線圖

最后分別對每個被試刺激前200 ms 的EEG 數(shù)據(jù)構(gòu)建PLV 腦網(wǎng)絡(luò)，為了確定每個被試的腦網(wǎng)絡(luò)重組預(yù)測模型，根據(jù)不同的網(wǎng)絡(luò)預(yù)測模型規(guī)則，對每個被試刺激前的腦網(wǎng)絡(luò)權(quán)值進(jìn)行概率修改，為每個被試挑選出模擬網(wǎng)絡(luò)屬性和真實(shí)網(wǎng)絡(luò)屬性之間均方差（MSE）最小的模型類型。

2.5 網(wǎng)絡(luò)預(yù)測模型

6 種網(wǎng)絡(luò)預(yù)測模型如下所示：

1）主連接增強(qiáng)：該模型假設(shè)刺激前腦網(wǎng)絡(luò)的主要連接（即網(wǎng)絡(luò)權(quán)值較大的連接），在認(rèn)知任務(wù)過程中權(quán)值更有可能增加，增加概率為p=P；

2）次連接增強(qiáng)：該模型假設(shè)刺激前腦網(wǎng)絡(luò)的次要連接（即網(wǎng)絡(luò)權(quán)值較低的連接）在認(rèn)知任務(wù)過程中權(quán)值更有可能增加，增加概率為p=(1-P)；

3）隨機(jī)增強(qiáng)：該模型假設(shè)刺激前腦網(wǎng)絡(luò)連接是隨機(jī)增加。即所選連接的權(quán)值增加概率p=1；

4）主連接削弱：該模型假設(shè)刺激前腦網(wǎng)絡(luò)的主要連接（即網(wǎng)絡(luò)權(quán)值較大的連接）在認(rèn)知任務(wù)過程中權(quán)值更有可能減小，減小概率為p=P；

5）次連接削弱：該模型假設(shè)刺激前腦網(wǎng)絡(luò)的次要連接（即網(wǎng)絡(luò)權(quán)值較低的連接）在認(rèn)知任務(wù)過程中權(quán)值更有可能減小，減小概率為p=(1-P)；

6）隨機(jī)削弱：該模型假設(shè)刺激前腦網(wǎng)絡(luò)連接是隨機(jī)減小。即所選連接的權(quán)值減小概率p=1。

算法步驟總結(jié)如下：

1）隨機(jī)選取刺激前腦網(wǎng)絡(luò)連通矩陣的一個連接（圖論中通常稱為Wij）；

2）連接值Wij根據(jù)概率p進(jìn)行權(quán)值修改，增加或減小的大小為（1%Wij）。概率p的值和如何修改取決于當(dāng)前所考慮的特定模型；

3）計算每個模型修改后腦網(wǎng)絡(luò)的網(wǎng)絡(luò)屬性；

4）計算3）中腦網(wǎng)絡(luò)的網(wǎng)絡(luò)屬性與刺激后腦網(wǎng)絡(luò)的網(wǎng)絡(luò)屬性之間的MSE；

5）重復(fù)5 000 次步驟1）、2）、3）和4），并為每次迭代存儲MSE；

6）選擇MSE最小的預(yù)測模型。

為了最小化算法內(nèi)在隨機(jī)行為產(chǎn)生的偏差，所有實(shí)驗重復(fù)100 次，將預(yù)測模型與真實(shí)網(wǎng)絡(luò)的屬性之間的MSE最小的作為選定模型。

如圖3 所示，高海拔被試網(wǎng)絡(luò)權(quán)值呈正態(tài)分布，并且權(quán)值分布比較集中，被試之間的網(wǎng)絡(luò)權(quán)值分布中心也有差異。因此為了消除個體網(wǎng)絡(luò)權(quán)值分布集中問題，突出網(wǎng)絡(luò)權(quán)值的主次性，并且體現(xiàn)權(quán)值更新的概率性問題，網(wǎng)絡(luò)重組預(yù)測模型更新概率P的設(shè)計尤為重要，該模型設(shè)P=num/N，num是所選連接的排序位置，N是網(wǎng)絡(luò)總連接數(shù)。此概率設(shè)置可以消除網(wǎng)絡(luò)權(quán)值分布問題，凸顯各模型之間的差異性。

圖3 被試PLV權(quán)值分布圖

3 實(shí)驗結(jié)果與分析

3.1 行為數(shù)據(jù)結(jié)果與分析

對Stroop 任務(wù)的正確率和反應(yīng)時間進(jìn)行了研究，同時利用信息傳輸率（Information Translate Rate,ITR）量化了被試的大腦信息加工速率，從而評估不同海拔人群大腦認(rèn)知加工速率的差異性，實(shí)驗結(jié)果如表1 示。

從表1中可以看出每個海拔詞義判斷任務(wù)的ITR值都高于顏色判斷任務(wù)的ITR值，這是因為在Stroop任務(wù)中讀詞是行為習(xí)慣的自動加工過程，顏色命名是意識控制較強(qiáng)的行為加工過程，自動加工不需要太多注意力的參與，意識控制加工過程則需要有意的控制，相對字義任務(wù)，顏色判斷任務(wù)的復(fù)雜強(qiáng)度更大[18]。

表1 Stroop任務(wù)行為結(jié)果統(tǒng)計分析

統(tǒng)計分析發(fā)現(xiàn)，在顏色和詞義任務(wù)中，反應(yīng)時間在各組間存在顯著性差異(P色=0.01，F(xiàn)色=4.912；P詞=0.01，F(xiàn)詞=5.375)，并且反應(yīng)時間隨著海拔的增高而延長。經(jīng)Bonferroni 校正后，在顏色任務(wù)中，ITR 在渭南和那曲組間有顯著性差異(P=0.045)。而正確率在各海拔之間沒有顯著性差異。長期居住在高海拔低壓低氧的環(huán)境下，人的反應(yīng)速度會相對變慢，而正確率相對平衡[13]，這可能是由于高海拔環(huán)境下大腦長期處于供氧不足，疲憊狀態(tài)，導(dǎo)致認(rèn)知能力的神經(jīng)元受損[14-15]，用時間上的消耗來補(bǔ)償認(rèn)知反應(yīng)。

3.2 網(wǎng)絡(luò)動力學(xué)結(jié)果與分析

為了評估網(wǎng)絡(luò)屬性的時變性，計算了每個動窗口下的網(wǎng)絡(luò)屬性。圖4 給出了顏色任務(wù)α頻段下不同海拔下網(wǎng)絡(luò)屬性的動力學(xué)變化。通過特征路徑長度、聚類系數(shù)、網(wǎng)絡(luò)密度和全局效率可以觀察到高海拔組相對低海拔組腦網(wǎng)絡(luò)表現(xiàn)出更低整合性、更低分離性、更低的連接強(qiáng)度和更低的傳播效率。以往研究表明在300 ms 左右高海拔與低海拔組腦電屬性具有顯著性差異[17-18]，該研究對第20 個窗(200～400 ms)下的腦功能網(wǎng)絡(luò)進(jìn)行了方差檢驗，特征路徑長度(F=5.187,P＜0.01)，聚類系數(shù)(F=5.189,P＜0.01)，網(wǎng)絡(luò)密度(F=4.505,P＜0.05)，全局效率(F=5.021,P＜0.01)在組間均具有顯著性差異。此窗口下海拔與特征路徑長度(r=0.336 093,P=0.009)，聚類系數(shù)(r=-0.336 065,P=0.009),網(wǎng)絡(luò)密度(r=-0.338 507,P=0.008)和全局效率(r=-0.332 180,P=0.009 514)也具有一定的相關(guān)性。腦功能網(wǎng)絡(luò)的集成和連接強(qiáng)度的降低表明了腦網(wǎng)絡(luò)之間的通信能力降低，這與先前的研究神經(jīng)活動普遍降低的相結(jié)果一致[2]。功能性腦網(wǎng)絡(luò)分離性降低表明大腦局部性溝通較弱或較少分離的神經(jīng)處理[9]。網(wǎng)絡(luò)全局效率的降低表明網(wǎng)絡(luò)的信息處理能力下降。功能性腦網(wǎng)絡(luò)分離性降低表明大腦局部性溝通較弱或較少分離的神經(jīng)處理[9]。網(wǎng)絡(luò)全局效率的降低表明網(wǎng)絡(luò)的信息處理能力下降。長期的高原暴露會導(dǎo)致人的神經(jīng)活動減弱，進(jìn)而反映在認(rèn)知反應(yīng)速度上的減慢，但是神經(jīng)活動減弱的原因尚不確定是神經(jīng)損傷所致還是供氧不足所致。在以后的研究中可以采集遣返人員腦電信號作進(jìn)一步分析。

圖4 網(wǎng)絡(luò)屬性隨時間變化

3.3 網(wǎng)絡(luò)預(yù)測模型分析

根據(jù)網(wǎng)絡(luò)動力學(xué)的結(jié)果，選取刺激后200～400 ms(第20 個窗口)數(shù)據(jù)的網(wǎng)絡(luò)屬性作為預(yù)測模型的判斷標(biāo)準(zhǔn)。將每個被試刺激前200 ms 數(shù)據(jù)的腦網(wǎng)絡(luò)放入預(yù)測模型中進(jìn)行迭代預(yù)測，為每一個被試挑選出最能擬合刺激前網(wǎng)絡(luò)變化的認(rèn)知反應(yīng)模型。如圖5 所示預(yù)測模型與認(rèn)知反應(yīng)之間的均方誤差(MSE)達(dá)到了98.951 2%，這證明了改進(jìn)模型的準(zhǔn)確性。

圖5 模型結(jié)果分析圖

表2 預(yù)測模型迭代次數(shù)和準(zhǔn)確率

顏色任務(wù)下每組的模型選擇分布如圖6(a)所示，高海拔和低海拔被試在認(rèn)知過程中次連接（即刺激感知前大腦區(qū)域之間低相位同步連接）的增強(qiáng)為主要的腦網(wǎng)絡(luò)動力模型，然而，海拔組間模型選擇分布有統(tǒng)計學(xué)意義(χ2(3，N=75)=11.04，P＜0.0 5；卡方檢驗)。從刺激前到刺激后網(wǎng)絡(luò)參數(shù)的變化量與網(wǎng)絡(luò)重組模型的選擇之間存在統(tǒng)計學(xué)的顯著關(guān)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)。圖6（b）中給出了次連接增強(qiáng)模型與認(rèn)知任務(wù)中更高的網(wǎng)絡(luò)重構(gòu)相關(guān)聯(lián)[19-20]，這可被視為“正常行為”。然而在高海拔組中，部分被試刺激前后網(wǎng)絡(luò)參數(shù)差異性較小，網(wǎng)絡(luò)重構(gòu)能力更弱，這也證明了長期的高海拔暴露可能會引起認(rèn)知腦功能網(wǎng)絡(luò)的異常。

圖6 模型選擇結(jié)果圖

低壓低氧會誘導(dǎo)灰質(zhì)體積和白質(zhì)纖維束功能的改變，與腦功能區(qū)的異?；顒佑嘘P(guān)，高海拔引起的海馬損傷有隨海拔和暴露時間的增加而加重的趨勢[21]。因此在高海拔組中有更多的被試偏離了次連接增強(qiáng)的模型，這可能是由于腦功能區(qū)的損傷和激活程度的降低，使得全腦網(wǎng)絡(luò)差異性減弱[22-23]。

4 結(jié)束語

文中從滑動窗口的角度出發(fā)構(gòu)建腦功能網(wǎng)絡(luò)，分析腦網(wǎng)絡(luò)屬性的動態(tài)變化過程，找出差異顯著的時間窗口，并利用基于邊概率演化的腦網(wǎng)絡(luò)預(yù)測模型進(jìn)行模擬腦網(wǎng)絡(luò)變化過程。通過實(shí)驗可以得出以下結(jié)論：

1）通過滑動窗口發(fā)現(xiàn)海拔對人腦認(rèn)知影響主要發(fā)生在300 ms 左右，并且隨著海拔高度的增加，大腦的神經(jīng)活動減弱，腦網(wǎng)絡(luò)表現(xiàn)出更低整合性、更低分離性、更低的連接強(qiáng)度和更低的傳播效率。

2）腦網(wǎng)絡(luò)預(yù)測模型結(jié)果表明長期高海拔暴露會引起大腦網(wǎng)絡(luò)動力減弱，同時損害腦功能網(wǎng)絡(luò)的重構(gòu)能力，而且大腦的受損程度會隨著海拔高度的增加而加重。