為探討衰老過程對大腦連接網絡的影響，Fabrizio Vecchio等人收集170名健康老年被試的靜息態EEG數據進行分析，文章發表在GeroScience。
方法：先對數據進行預處理，然后利用eLORETA分析基于皮層溯源的功能連接，最后對連接值進行圖論網絡分析，計算小世界屬性（small world，考察腦網絡全局屬性的經典指標）。研究者比較全腦的左右差異，同時特別關注下列3個靜息態腦網絡：注意網絡（attentionalnetwork,AN）、額網絡（frontal network,FN）和默認模式網絡（default mode network，DMN）的左右腦區差異。分析的頻段有delta、theta、alpha1、alpha2、beta1、beta2、gamma。為了評估參數的穩定性、驗證結果的可重復性，挑選32名被試在相同的環境下，間隔數天采集3次腦電數據。
結果：對全腦進行分析時并未發現左右腦區的差異，但是對3個子網絡進行分析的時候發現了左右腦區的差異：對于AN和DMN，低頻段（delta and/or theta）和高頻段(gamma)的小世界屬性在左側腦區更高;而對于FN，alpha1頻段的小世界屬性在左側腦區更低。同時，通過對前后測數據的分析得到結果穩定可重復，前后數據并無差異。
結論：本研究以健康老年人為被試，采集其靜息態EEG數據，計算基于皮層的功能連接并進行圖論網絡分析，重點分析小世界屬性。此外，多次采集數據驗證結果的可重復性。結果發現注意網絡、額網絡和默認模式網絡在相關頻段上存在左右腦區差異，并且這些結果穩定、可重復。研究亮點有2點：樣本量大，共收集了170名健康老年人的數據；首次進行了可重復性驗證。總的來說，研究結果表明圖論是探索EEG腦網絡的一種可靠方法，特別適合用來研究衰老對功能連接網絡的影響。
關鍵詞：圖論、小世界屬性、功能連接、EEG
【引言】
人腦是一個復雜的網絡，不同的功能區域相互左右、相互協調。網絡模型和基于圖論的拓撲方法可以幫助理解大腦組織結構和功能機制。小世界屬性（small world）就是圖論網絡的一個經典指標，可用來評估不同腦區功能連接的強弱、靈活性等（基于EEG或MEG信號測量不同腦區隨時間變化的振蕩電磁活動的同步性）。
近年來，許多研究通過分析EEG信號的小世界網絡，研究了生理/病理衰老過程中大腦發育的變化。本研究受此啟發，著重探討探討三個功能網絡：注意網絡（與認知有關，比如執行功能、工作記憶、語言、決策、視覺空間能力、警覺等）、額網絡（主要與語言有關，有研究發現額葉之間的功能耦合與健康老年人在語法學習任務中的表現、語義流利任務相關活動以及靜息狀態的功能連接有關）、默認模式網絡（作為一種內在的功能連接網絡，在靜息狀態下很好地表現為一種心理重組和執行任務的準備狀態。DMN與自傳體記憶和習慣性的自我參照思維有關。）。
本研究的亮點一是大樣本量，一共170名被試（以往研究沒有提供大量健康老年人群的數據），二是對結果進行了可重復性驗證（以往研究也沒有測試參數的再測試穩定性）。
【被試和方法】
被試
170名健康老年被試，平均年齡66.7±0.8，均為右利手。有32名被試在幾乎相同的環境下又記錄了2次數據，間隔天數為2天，用作可重復性驗證。
數據記錄和預處理
腦電數據記錄時至少包括如下19個電極—Fp1、Fp2、F7、F8、F3、F4、T3、T4、C3、C4、 T5、T6、P3、P4、O1、O2、Fz、Cz和Pz，電極排布符合10-20國際標準。記錄垂直眼電和水平眼電用來監控眨眼。記錄時的電阻小于5kΩ，采樣率為256Hz。被試在安靜下的環境坐著記錄，整個過程保持清醒、放松，至少記錄5分鐘的閉眼靜息數據。
預處理采用EEGLAB，帶通濾波0.2-47Hz，分段長度為2s。通過ICA去除眼動、肌肉運動等偽跡。處理干凈的數據用作下一步分析。
基于皮層溯源的功能連接
利用eLORETA計算ROI之間的功能連接，ROI的定義參考broadman分區。左右腦區共包括42個ROI（BAs 1, 2, 3, 4, 5, 6, 7, 8, 9, 10, 11,13,17, 18, 19, 20, 21, 22, 23, 24, 25, 27, 28, 29, 30, 31, 32,33, 34, 35, 36,37, 38, 39, 40, 41, 42, 43, 44, 45, 46, 47）、注意網絡包括13個ROI(BAs 6, 7,8, 9, 10, 21, 22, 31, 32, 39, 40, 45, 47)、額網絡包括9個ROI（BAs 2, 7, 8,9, 10, 40, 44, 45, 46）、默認模式網絡包括8個ROI（BAs 7, 8, 10, 23, 31,32, 39, 46）。詳見圖1。
圖1 AN/FN/DMN broadman腦區的分布
對基于eLORETA計算得到的電流密度時間序列，提取84個ROI最近鄰體素（以每個感興趣的BA中心坐標為原點，19mm為半徑）的信號，計算每個被試不同頻段下[delta (2–4 Hz)、theta (4–8 Hz)、alpha 1 (8–10.5 Hz)、alpha 2 (10.5– 13 Hz)、beta 1 (13–20 Hz)、beta 2 (20–30 Hz) 和 gamma (30–45 Hz)]的皮層內延遲線性相干（intracorticallagged linear coherence）。公式如下：
X、Y代表時間序列，該方程提供了一種不受容積傳導效應影響且適用于空間分辨率較低時測量真實生理連通性的方法。在接下來的圖論分析中，每個被試每個頻段下所有ROI對的連接值被用來計算圖論屬性。
圖論分析
網絡是現實世界復雜系統的數學表示，由節點（node）和連邊(edge)組成。在腦網絡中，節點指各個腦區，連邊指腦區間的連接。圖論網絡有2個核心指標：最短路徑（L,最短路徑越短，全局效率越高，網絡信息傳遞越快）和集聚系數（C，集聚系數越高，局部效率越高，局部信息傳遞越快）。小世界網絡（SW）具有高集聚系數和較短的最短路徑，通過集聚系數和最短路徑的比值來定義小世界屬性，如果數值大于1.1，說明網絡具有小世界屬性，值越大代表小世界屬性越強。
腦網絡包括有向/無向、二值/加權幾種。無向網絡不考慮連接的方向，哪個腦區影響哪個腦區；有向網絡考慮連接的方向，A腦區影響B腦區還是B腦區影響A腦區。二值網絡將腦區連接分為2類，有連接的全部標記為1，不考慮連接的強弱，無連接的標記為0；加權網絡則考慮連接的強弱。本研究選擇無向加權網絡進行分析。節點由BAs表示，連邊由eLORETA計算得到的延遲線性相干進行表示。作者計算了集聚系數、最短路徑以及小世界屬性考察網絡整體效率。
統計
統計方法采用方差分析，使用Greenhouse-Geisser校正來防止可能違反球形假設。采用Duncan’stest進行事后分析，顯著性水平為0.05。所有統計分析均采用Statistica軟件。為了考察左右腦區的差異，對所有頻段的全腦數據和3個子網絡的數據（AN/FN/DMN）進行2（腦區：左 vs. 右）×7（頻段：delta vs. theta vs. alpha1 vs. alpha2 vs. beta1 vs. beta2 vs. gamma）的雙因素方差分析。此外，為了檢驗結果的可重復性，對小世界屬性進行3（時間：第一次采集 vs. 第二次采集 vs. 第三次采集）×7（頻段：delta vs. theta vs. alpha1 vs. alpha2 vs. beta1 vs. beta2 vs. gamma）的雙因素方差分析。
【結果】
基于EEG皮層溯源的圖論分析
標準化后的小世界屬性表現出一種趨勢（見圖2）：delta、theta、gamma小世界屬性值較大，alpha1、alpha2小世界屬性值較小。具體的平均數和五分位數詳見表1。
圖一 170名被試的小世界屬性表現出一種趨勢
表1 平均小世界屬性數據
為了分析左右腦區的差異，進行2（腦區：左 vs. 右）×7（頻段：delta vs.theta vs.alpha1 vs.alpha2 vs.beta1 vs.beta2 vs. gamma）的雙因素方差分析，但是差異均不顯著（詳見圖3）。此外，為了分析3個子網絡左右腦區（AN/FN/DMN）的差異,分別對每個腦網絡進行2（腦區：左 vs. 右）×7（頻段：delta vs. theta vs.alpha1 vs.alpha2 vs.beta1 vs.beta2 vs. gamma）的雙因素方差分析。結果如下：
對于AN（F(6, 774) = 6.7446, p = 0.00000），delta（p<0.009）、theta(p<0.002)和gamma(p < 0.000004)頻段上左側腦區的小世界屬性顯著高于右側腦區；
對于FN (F(6, 774) = 5.0472,p = 0.00004)，alpha1(p < 0.031)右側腦區的小世界屬性顯著高于左側腦區，而gamma(p < 0.00001)右側腦區的小世界屬性顯著小于左側腦區；
對于DMN (F(6, 774) =4.6416, p = 0.00012)，theta(p <0.0015)和gamma (p < 0.0008)頻段上左側腦區的小世界屬性顯著大于右側腦區。
圖3 左右腦區的小世界屬性
圖4 AN/FN/DMN的小世界屬性
被試內的可重復性驗證
對32名被試3次記錄數據進行3（時間：第一次采集 vs. 第二次采集 vs. 第三次采集）×7（頻段：delta vs.theta vs.alpha1 vs.alpha2 vs.beta1 vs.beta2 vs. gamma）的雙因素方差分析，結果發現交互作用不顯著、時間主效應不顯著，證明了本研究方法學測量參數的穩定性。作為控制分析，作者還對每個頻段進行了非參數統計（Friedman’s ANOVA），結果也證實了參數的穩定性。
【討論】
功能連接被認為是理解大腦解剖區域在活動過程中組織行為的關鍵，這種組織可能是基于不同皮層部位的相互作用。皮質功能連接旨在將這些相互作用描述為連接模式，反映相關皮質區域之間信息傳遞的效率。而圖論分析就是考察功能連接的一個有效方法，本研究即選擇了該方法進行分析。
結果可總結如下：
從描述性分析來看，delta、theta和gamma的小世界屬性較大，alpha的小世界屬性較小。從統計結果來看，整個腦網絡并不存在左右腦區差異，但是子網絡的左右腦區存在差異。
對于注意網絡，delta、theta和gamma頻段左側腦區的小世界屬性更高；
對于額網絡，alpha頻段右側腦區的小世界屬性更高，gamma頻段左側腦區更高；
對于默認模式網絡，theta和gamma頻段左側腦區的小世界屬性更高。描述性結果的趨勢與前人研究一致，與老年癡呆患者相比，健康老年被試delta和theta的小世界屬性更高，alpha的小世界屬性更低。
此外，半球功能網絡的小世界結構可表征發育生長過程中的最佳組織模式。從結果來看，左側子網絡對功能連接的貢獻度更大（AN/DMN 的delta、theta、gamma以及FN的alpha1的參與度更高）。人類大腦半球的損傷表明兩個半球具有互補功能:左半球(LH)專門負責語言和動作，右半球(RH)負責注意力和視覺空間感知。分裂腦研究進一步表明，每個半球都是一個完整的認知系統�？梢娎夏耆说淖笥夷X區依舊存在差異，且左側腦區貢獻更大。
最后，本研究也發現了頻段的差異。一些證據顯示大腦的頻率依賴存在不對稱性。關于alpha頻段，EEG研究發現alpha活動在大腦半球對側的枕頂葉相對減少（與空間注意有關）。目前，EEG中最常被研究的就是額葉alpha頻段（8—13赫茲）的不對稱性。頭皮上觀察到的不對稱通常反映了底部神經系統的功能不對稱。
不過，腦區和頻段的差異具體反映了什么，作者并未深入討論，因為本研究的主要目的是驗證數據庫，將結論立即運用到老年病人的臨床場景。未來研究，可考慮收集年輕被試，分析年輕被試與老年被試腦網絡的差異。
【總結】
本研究通過對腦電信號進行圖論分析，證實了采用數學方法研究真實復雜網絡相關特征的實用性。研究結果與假設一致，衰老會影響大腦功能網絡連接。從這個意義上說，圖論可應用于EEG幫助分析連接模式，特別是動態特性，因為EEG信號具有高時間分辨率。
請微信搜索“思影科技”關注我們，關注我們的公眾號，獲得更多精彩腦科學內容，如需原文或對思影科技課程感興趣請添加微信號siyingyxf或19962074063
歡迎瀏覽思影的數據處理課程以及數據處理業務介紹。（請直接點擊下文文字即可瀏覽思影科技其他課程，歡迎添加微信號siyingyxf或19962074063進行咨詢，仍接受報名，受疫情影響部分課程時間或有調整，報名后我們會第一時間聯系）：
第六屆任務態fMRI專題班（重慶4.8-13）
第二十八屆磁共振腦影像基礎班（重慶2.24-29）
第十四屆磁共振腦網絡數據處理班（重慶3.18-23）
第二十屆腦電數據處理中級班（重慶3.7-12）
第二十九屆磁共振腦影像基礎班（南京3.15-20）
第十五屆磁共振腦網絡數據處理班（南京4.13-18）
第十屆腦影像機器學習班（南京3.3-8）
第六屆小動物磁共振腦影像數據處理班(3.27-4.1)
第十二屆磁共振彌散張量成像數據處理班（南京3.21-26）
第九屆磁共振腦影像結構班(南京2.26-3.2）
第八屆腦電數據處理入門班（南京3.9-14）
第七屆眼動數據處理班（南京4.9-13）
第七屆近紅外腦功能數據處理班(上海4.2-7）
思影數據處理業務一：功能磁共振（fMRI）
思影數據處理業務二：結構磁共振成像(sMRI)與DTI
思影數據處理業務三：ASL數據處理
思影數據處理業務四：EEG/ERP數據處理
思影數據處理服務五：近紅外腦功能數據處理
思影數據處理服務六：腦磁圖（MEG）數據處理
招聘：腦影像數據處理工程師（重慶&南京）
