精神分裂症患者诱发态脑电信号特征提取研究

徐 琪，李 斌，朱 耿，李永康，王琦雯，李晓欧

（1.上海理工大学 健康科学与工程学院，上海 200093；2.上海健康医学院 医疗器械学院，上海 201318；3.上海市杨浦区精神卫生中心，上海 200093）

0 引言

中国卫生健康委员会发布的《2019-2020 年中国精神医疗行业报告》显示，截至2017 年我国精神障碍疾病患病率为17.5%，居于全球首位，其中精神分裂症（Schizophrenia，SCZ）患者占比最高［1］。SCZ 是一种严重的精神障碍疾病，患者多发于青少年时期和成年初期，并且具有复发率高、致病原因不明确和病程迁延的特点，不仅会对患者学习生活造成影响，还会给社会和家庭带来沉重负担［2］。由于SCZ 患病原因及病理机制尚未明确，因此传统诊断方法主要通过临床经验对患者症状作出判断［3］，缺乏一定的客观性。

近年来，研究人员尝试多种技术获取SCZ 患者的生物标志物，包括功能性磁共振成像技术（fMRI）、脑电检测技术、行为学采集技术等。其中，脑电图（Electroencephalogram，EEG）具有时间分辨率高、成本低等优点受到广泛使用［4］。

1 相关研究

临床上，主要通过静息态脑、诱发态脑电信号采集脑电信号。其中，静息态EEG 是未施加特定刺激或任务的内源性或内在神经活动；诱发态EEG 是由外源性刺激或任务所诱发的神经活动。

目前，脑网络研究大多关注两通道时域幅值的同步性互相关、频域幅度同步性相干性（Coherence，COH）［5］、相位同步性锁相值（Phase Locking Value，PLV）［6］、相位滞后指数（Phase Lag Index，PLI）［7］等方面。其中，采用PLV、PLI 衡量脑部连通性居多。Douglass 等［8］研究SCZ 患者各脑区的平均功能连接性，发现患者额叶脑功能连接模式不同。Kim 等［9］采用PLV 对不同程度SCZ 患者的EEG 信号构建网络，研究网络属性特征。Zhao 等［10］采用PLI 对SCZ患者诱发态信号构建网络，分析脑功能网络的拓扑结构和脑功能连通性，发现SCZ 患者Theta 脑网络存在差异。Zhang 等［11］采用PLI 对重度抑郁症患者静息态EEG 信号构建网络，发现Theta 节律的平均最短路径长度、聚类系数及节点介数中心性可作为潜在生物学标志。

虽然，通过改变脑连接模式可提供信息区分SCZ 患者，但现存研究仍然较少。为此，本文主要基于PLI、COH构建脑网络，分析学习任务过程中SCZ 患者和健康人脑网络属性在特定阶段、频段下的显著性和脑功能连通性差异，探索患者在学习任务中的表现。此外，通过处理诱发态脑电信号特征，在精神分裂症领域将两种脑网络构建方法进行比较分析。

2 数据集

本文数据来源于开放数据库Zenodo［12］。该数据集共记录71 名受试者（42 名SCZ 患者与29 健康人），包括32 个通道，256Hz采样率的EEG 数据。

实验建立了具有奖惩机制的任务，每次试验金钱收益或损失设定为0.05 美元。任务要求将4 个简单形状以伪随机方式呈现给受试者48 次（试验次数共192 次），受试者则需要通过按下按钮（Go）或停止回应（NoGo）获得奖励（Win）或避免惩罚（Avoid）。

因此，实验将包含以下4 种刺激：Go-to-Win、Go-to-Avoid、NoGo-to-Win 和NoGo-to-Avoid。其中，设定刺激所获得的奖惩概率为80%，要求受试者快速反应赢取更多奖励。试验开始时，屏幕上出现十字，持续0.4～0.6s；然后进入刺激阶段，屏幕随机呈现一幅刺激图片停留1s；接下来进入0.25～2s 的无反应期和2.5s 的反应期；最后屏幕出现1s十字后显示反馈图像，并停留2s。

根据以上不同刺激可将反馈类型分为正反馈、负反馈和中性反馈［10］。本文仅对负反馈诱发事件的相关电位进行分析，将EEG 进行标准脑电预处理后选择19 个脑电通道（FP1、FP2、Fz、F3、F4、F7、T7、T8、C3、C4、Cz、Pz、P4、P3、F8、P8、P7、O2、O1）进行分析。

3 评价指标

3.1 时频功率

本文选用Morlet 小波变换对单次试验数据计算时频功率［13］。

其中，A 为高斯窗函数系数，n为小波循环次数，f为峰值频率。本文将3.8～40Hz 峰值频率均匀划分为50 个点，设置小波变换循环次数为5，对每个试验数据得到一个50（频点）×768（时间点）的二维矩阵。

随后，比较SCZ 患者和健康人的时频功率图，总共包括15 350 次比较（-0.2～1.0s 共307 个时间点，3.9～40Hz 共50 个频点）［14］。为了简化计算，本文通过一种基于聚类的非参数置换检验验证实验数据［15］。

3.2 相位滞后指数功能连接

EEG 信号产生于人体大脑皮层，是由大脑皮层下的神经活动导致的电活动。在无外界干扰情况下，每个电极记录的电位信号均只反应对应位置下脑源的放电活动。但事实上，由于头皮、脑内血液、颅骨等存在不同的电传导特性，可将人的大脑看作一个容积导体。因此，脑源放电活动不仅能传导至大脑正上方，还会传导于头皮周边位置，导致一个脑源放电活动会被多个电极共同记录［16］。为此，使用PLI 量化每个脑电信号通道间的功能连通性，假定两个EEG 信号xn（t）、xm（t）在t时刻的相位差。

其中，i、j为整数，通常取均取1，φn(t)、φm(t)为两个时间序列n、m的相位，当两者间的相位差近似于一个常数时，称n、m相位同步。x（t）的瞬时相位为：

定义相位同步指标PLI为：

其中，sign 为符号函数，PLI 在0-1 间变化，当PLI 为0时，两个时间序列无相位同步；当PLI 为1 时，两个时间序列完美相位同步。根据上式，可在每个时频点处得到一个19×19的PLI函数连通性矩阵。

3.3 相干性功能连接

在同一频率下，度量EEG 信号相位稳定性最经典的方法为频谱分析，即将信号由时域转为频域，基于丰富的频段信息对两个信号的相互关系进行计算分析。

其中，f为m（t）、n（t）经过傅里叶变换后的频率，Smn为信号m（t）、n（t）的互功率谱，Smm、Snn分别为m（t）、n（t）的自功率谱。COH 值在0～1 间变化，当COH 为0 时两个信号在某频率f上不相干；当COH 为1 时，表明两个信号在某频率f上完美相干。

3.4 精神分裂症特征选择

本文共获得342 个特征，包括19×（19-1）/2=171 个PLI功能连通性特征和19×（19-1）/2=171 个COH 功能连通性特征。然而，特征中存在部分不相关或相关性较低的特征会影响分析结果，为此通过Fisher 评分法获取SCZ 患者与健康人间具有显著差异性的特征［17］。

4 实验结果与分析

4.1 时域分析

Albrecht 等［12］发现SCZ 患者在两种相同条件（Go-to-Win 和NoGo-to-Avoid）下的准确性相较于健康人准确性有所降低，存在一定的认知缺陷。在此基础上，本文主要研究SCZ 患者与健康人的时域特征，如图1 所示（彩图扫OSID 可见，下同）。

图1 为19 个电极的负反馈诱发事件电位的叠加平均。由此可见，在0.3～0.4s 间，SCZ 患者和健康人间存在显著性差异（p=0.042）。

Fig.1 Time domain comparison of negative feedback between healthy people and SCZ patients图1 健康人和SCZ患者的负反馈时域比较

4.2 时频分析

图2 为健康人和SCZ 患者的时频功率，在F3、F4 通道上取平均值，并绘制的时间—频率功率图。由此可见，在刺激开始后约0.2s 时，SCZ 患者的θ、α频段加强，健康人则在刺激开始后θ频段立即增强，约0.2s后α、β频段增强。

图3 红色区域表示两组间差异显著位置。由此可见，在刺激开始后0.1～0.8s 内，健康人θ频段功率相较于精神分裂症患者更强（p=0.003），证实了通过theta 频段和时间段计算PLI和COH 脑连通性的合理性。

Fig.3 Difference area图3 差异区域

4.3 脑功能连接分析

4.3.1 COH脑功能分析

本文选择刺激开始后0.2～0.6s 的时间窗口和4～7Hz（θ频段）的频率范围，得到每个受试者任务相关的加权功能连接矩阵，如图4所示。

图中横纵坐标均为19 通道，矩阵值为相应两通道间的EEG 信号关联强度，颜色越深代表值越大，关联强度越强。由此可见，健康人和SCZ 患者COH 脑功能连接差异较小。

根据脑功能连接矩阵对大脑连通性进行可视化操作，如图5 所示。其中，不同颜色色条表示连接强度。由此可见，基于COH 建立的脑网络SCZ 患者相较于健康人差异较小。

然后，使用Fisher评分进行分析，选取评分较高的前两个特征进行比较，如表1 所示。由此可见，两组均存在统计学差异，但差异并不明显。

Fig.4 COH functional connectivity matrix of healthy controls and SCZ patients图4 健康人和SCZ患者的COH功能连接矩阵

Fig.5 COH brain network of healthy controls and SCZ patients图5 健康人和SCZ患者的COH脑网络

Table 1 Comparison of COH between healthy people and SCZ patients表1 健康人与SCZ患者的COH比较

4.3.2 PLI脑功能分析

图6 为健康人和SCZ 患者的PLI 平均功能连接性矩阵，矩阵值为相应两通道间EEG 信号的关联强度，颜色越深代表值越大，两信号关联强度越强。由此可见，相较于SCZ 患者，健康人在不同脑区间的功能连接更强。

根据平均功能连接矩阵对脑部连接矩阵进行可视化操作，如图7 所示。由此可见，基于PLI 建立的脑网络中SCZ 患者额叶/颞叶皮质与枕叶间的远距离连接相较于健康人更少，连通性更弱。

然后，通过Fisher 选取评分较高的前10 个特征进行比较，如表2 所示。由此可见，10 个脑连通性特征在两组间均存在统计学差异，SCZ 患者颞叶皮质与视皮层之间的连接强度相较于健康人显著降低。

4.4 结果分析

在同等条件下构建的脑网络，SCZ 患者和健康人的脑功能连接差异性较小，主要集中在额叶与颞叶间，而PLI脑功能连接存在显著差异，主要集中在颞叶与枕叶间，这可能与PLI本身对共同源、噪声等不敏感性相关。

Fig.6 PLI functional connectivity matrix of healthy controls and SCZ patients图6 健康人和SCZ患者的PLI功能连接矩阵

Fig.7 PLI brain network of healthy controls and SCZ patients图7 健康人和SCZ患者的PLI脑网络

Table 2 Statistical comparison of PLI results between healthy controls and SCZ patients表2 健康人与SCZ患者的PLI统计结果比较

实验结果表明，SCZ 患者额叶、颞叶和枕叶均存在不同程度受损，与文献［18］的研究报告相一致。

5 结语

本文对SCZ 患者和健康人诱发态EEG 信号进行研究，对3 种特征研究方法所获取的脑电特征进行分析。实验证明，SCZ 患者和健康人的EEG 信号存在显著特征差异。然而，本文尚未进行多层网络分析，后续将结合多种脑网络结构，并引入深度学习方法分析SCZ 患者的脑网络差异性。