图论和网络科学工具揭示了静息状态脑电分析中脑功能组织的基本机制。然而,仍不清楚几个方法学方面如何可能使重构的功能网络的拓扑产生偏差。在此背景下,文献显示所选分段的长度不一致,阻碍了不同研究结果之间的有意义的比较。本研究的目的是提供一种不受分段长度对功能连通性和网络重建影响的网络方法。采用不同时间间隔(1、2、4、6、8、10、12、14和16s)对18名健康志愿者的静息状态脑电图进行相位滞后指数(PLI)和振幅包络相关(AEC)测量。通过计算加权聚类系数(CCw)、加权特征路径长度(Lw)和最小生成树参数(MST)对网络拓扑进行评估。分析在电极和源空间数据上进行。电极分析结果显示,PLI和AEC的平均值都随着分段长度的增加而降低,PLI在12s和AEC在6s有稳定的趋势。此外,CCw和Lw表现出非常相似的行为,基于AEC的指标在稳定性方面更可靠。一般来说,MST参数在短时间内稳定,特别是基于PLI的MST (1-6 s,而AEC为4-8 s)。在源水平,结果更加可靠,基于PLI的MST的结果稳定可以达到1 s。这表明,PLI和AEC都依赖于分段长度,这对重建的网络拓扑结构有影响,特别是在电极上。源水平的MST拓扑对分段长度的差异不敏感,因此可以对不同研究的脑网络拓扑进行比较。本文发表在Journal of Neural Engineering杂志。(可添加微信号siyingyxf或18983979082获取原文及补充材料,另思影提供免费文献下载服务,如需要也可添加此微信号入群,原文也会在群里发布)。近十年来,利用图论和网络科学的工具对静息状态下的脑电和脑磁图进行分析,揭示了正常和病理脑功能组织的基本机制。然而,我们仍然不清楚几种方法的选择如何影响重构的功能脑网络的拓扑结构,最终阻碍了不同研究结果的有意义的比较。在最近的一篇综述中,van Diessen和他的同事讨论了影响功能网络拓扑重构的脑电图和脑磁图静息态分析方法的选择,包括估计功能连通性(FC)的时间窗的时间。先前的研究表明,FC的估计受分段长度的影响而有偏差,这种偏差的严重程度因不同的连通性度量而不同。再加上在静息态FC研究中观察到的脑电图分段长度的不同,这些方面可能会严重阻碍研究结果的有意义的比较。类似地,最近的论文表明,基于相位的连通性度量会受到数据量(试次数)的影响而造成偏差。但本研究更侧重于所选分段长度的影响。此外,FC估计中的这些偏差可能会对网络拓扑的估计产生直接影响。因此,我们需要在避免任意选择的同时,选择合适的对大脑网络进行表征的方法。最近的研究表明,最小生成树(MST)是原始加权网络的主干,虽然尚不清楚分段长度对MST的影响,但可以实现网络之间的无偏比较。在本研究中,我们旨在提供一种不受分段长度对FC和网络重建影响的网络方法。因此,我们首先证明了不同的持续时间(在静息状态分析常用的脑电图分段范围内)对两种众所周知且广泛使用的连接度量的影响:相位滞后指数(PLI)和振幅包络相关(AEC)。这些测量方法捕获了两种不同类型的内在耦合(一种来自相位耦合,另一种来自信号包络的波动),它们似乎在定义持续的大脑活动中的相互作用中发挥了作用。此外,我们还研究了分段长度对MST拓扑的影响,以及对常用网络度量的影响:加权聚类系数(CCw)和加权特征路径长度(Lw)。我们假设传统的网络表示方法(CCw和Lw)将受到由于分段长度而导致的FC估计偏差的强烈影响,因为在加权网络分析中考虑了连接强度。相反,MST预计受到的影响较小,因为它是基于连接的排序,而不是(有偏差的)绝对值。此外,许多静息状态脑电图研究仍然使用电极记录的活动来估计FC和脑网络组织的模式。然而,在这种情况下,一些因素(如磁场扩散和体积传导效应)会影响估计参数的可靠性。尽管这些问题不能简单地通过使用源分析来解决,但有几种将电极信号投射到底层源的方法能够更直接地解释结果(就解剖学而言)。为了评估这两种方法的差异,我们对电极脑电图和源重构时间序列进行了分析。18个(13男+5女,38.6岁左右)参与了本研究。BP-61导,闭眼静息态,采样率1024Hz,低通70Hz,离线处理时采用全脑平均参考,3个无伪迹的32s的数据用来分析,离线带通为1-20Hz。研究分段长度在FC和大脑网络组织的影响,3段数据被分为不重叠的长度为1,2,4,6,8,10,12,14,16s。此外,为了研究采样频率的影响,还对同一数据集进行了降采样至128hz和256hz后的分析。为了探讨电极空间和源空间的差异,还对源重建的时间序列进行了分析。为此,在OpenMEEG中使用对称边界元方法生成头部模型,头部模型是基于MNI Colin27大脑的默认解剖结构。利用加权最小范数估计(wMNE)重建了源时间序列,这可以补偿MNE倾向于表面源的趋势。使用brainstorm提取DK模板中的64个脑区时间序列。FC的估计使用PLI和AEC指标。PLI根据相位关系量化FC,而AEC检测脑信号之间基于振幅的耦合。在估计振幅包络之间的相关性之前(利用解析信号的绝对值),时间序列通过线性回归分析进行正交,这为了去除由于场扩散或容积传导而产生的微小相关性(泄漏校正后的AEC)。对于每个分段长度,估计各通道PLI和AEC的平均值。平均PLI和AEC值依次在各分段和受试者上平均。这些分析使用了内部Matlab实现。为了评价分段长度对网络测量的影响,计算了每个加权连通矩阵的聚类系数(CCw)(功能分离)和特征路径长度(Lw))(功能整合),电极-脑区是节点,PLI/AEC值是边。尽管图论测量通常是通过随机替代数据进行归一化的,但我们决定不使用CCw和Lw的归一化方式,因为这一过程可能会增加对网络规模和平均度分布差异的敏感性。为了避免这些偏差,我们计算了MST。MST是一个非循环子图,包含了原始图的大部分最强连接,它是用Kruskal方法从每个加权连接矩阵中计算出来的。MST拓扑的特征是使用以下几个参数:叶分数(leaf fraction,LF,1度的节点数量除以总节点数量),直径(D, 网络中任意两个节点之间的最大距离),树层次结构(Th,反映出直径减少和预防超载之间的平衡),偏心率(E, 一个节点与其他节点之间的最长的距离)和kappa (K, 度分布的广度)。采用非参数Friedman检验检测不同分段长度对FC和网络参数的影响。Friedman检验显示显著效应的情况下,使用事后邓恩多重比较检验。用线性回归分析估计不同测量的分段长度与平均值的标准误差之间的关系。所有统计采用Graphpad 5进行。根据Friedman统计,PLI和AEC的平均值随着分段长度的增加而下降(图1左面板)。这种影响对PLI稍微更明显,而对于AEC,6s和12s的AEC值保持稳定。值得注意的是,分段长度不仅影响平均的FC值,而且较短的分段相比较长的分段的FC图更不清晰(更模糊)(图2,上面板)。
图1 电极(左)和源分析(右)的PLI和AEC平均值。误差棒是指平均的标准误差。白盒和黑盒分别表示PLI和AEC的稳定区。
图2 电极(上面板)和源(下面板)分析的PLI和AEC在不同分段长度下的FC模式。
表1 基于电极水平的PLI和AEC网络测量的统计数据,报告了Friedman的主效应。
对于 FC,加权网络指标也随着分段长度的增加有所下降。CCw和Lw对于基于AEC的网络较早稳定而不是基于PLI的网络 (4s vs. 12s)。相比之下,对于较短的分段,MST参数已经稳定,即基于PLI的MST在1-6 s之间,基于AEC的MST在4-6 s之间(取决于MST参数)。所有结果汇总在表1、图3和图4中。
图3 电极(左图)和源分析(右图)的CCw(上图)和Lw(下图)值。误差棒是指平均的标准误差。白框和黑框分别表示基于PLI和AEC的网络的稳定区域。
图4 电极(左图)和源分析(右图)的MST参数。误差棒是指平均的标准误差。白盒和灰盒分别表示基于PLI和AEC的网络的稳定区域。
电极分析:线性回归
对于PLI、AEC和不同的网络度量,分段长度与平均值的标准误差之间存在显著的关系(见表3)。
表2 基于源水平的PLI和AEC网络测量的统计数据,报告了Friedman的主效应。
表3 标准误差和分段长度的线性回归分析。除PLI、CCw和基于PLI的Lw外,其他指标的分段长度与平均值的标准误差均为正相关。
在源空间中,利用Friedman统计,PLI和AEC的平均值都随着分段长度的增加而减小(图1右面板)。对于AEC,稳定区的分段长度为 6 秒,对于PLI 为 10 秒。再次,较短的分段显示不太清楚(更模糊)的 FC 模式(图 2,下图)。对于 FC,加权网络指标也随着分段长度的增加有所下降。CCw 和 Lw 较早稳定对于基于 AEC 的网络而不是基于 PLI 的网络 (6s vs. 12s)。相比于电极分析,源的MST参数对于较短的分段已经稳定,即对于基于PLI的MST为1 s的分段(对于所有MST参数)和对基于AEC的MST的2-6s的分段(依赖于MST参数)。表2、图3和图4总结了所有结果。对于电极分析的AEC而言,在大多数测量中,分段长度与平均值的标准误差之间存在显著的正相关关系,意味着标准误差随分段长度的增加而增加(见表3)。对于平均PLI和基于PLI的网络(对于基于AEC的MST-叶分数、偏心度和层次),没有发现与标准误差的显著关系。采样率的影响:不同采样率(128,256,1024hz)之间没有差异。本研究探讨静息态脑电分析中分段长度对估计的FC和脑网络组织的影响。综上所述,我们发现:(i) FC即PLI和AEC,受所选择的分段长度的影响;(2)传统的网络测量即CCw和Lw受到这些偏差的影响;(iii)基于源空间PLI的MST的拓扑结构几乎不受分段长度的影响。尽管在评估FC和实验设置中采用了不同的方法,但我们的结果与之前的发现是一致的,之前的发现报告了基于线性耦合的连接测量的类似行为。此外,报道的结果证实,时间窗较长,FC测量相对更有效。值得注意的是,正如之前的报道(Tewarie et al 2014), AEC和PLI在组水平分析中表现相似。我们的结果建议使用至少6秒的分段长度,并考虑所采用的测量所捕获的耦合类型。此外,尽管与PLI相比,随着分段长度的增加,AEC的结果稳定得更早,但这种较高的稳定性可能至少在一定程度上是由于随着分段长度的增加,AEC的方差有所增加,这可能是导致事后检测不显著的原因。要注意的是,分段长度不仅影响平均FC值,但是也很明显(特别是AEC),较短的分段也显示不太清楚的(模糊的)FC模式(图2),更短的分段的模糊的FC模式可能是由于分段间的神经元的变化活动,这表示可以使用较短的分段来检查网络动态性。另一种解释是,由于样本数据点的减少,FC估计值在较短分段内变得更加有噪声,但本研究的降采样数据的结果却与此相反。正如预期的那样,FC估计中的偏差会影响功能网络的拓扑估计,至少对于允许估计全局网络整合(Lw)和分离(CCw)的常见和广泛使用的测量是这样。这些结果表明,当以不同的分段长度进行分析时,在比较网络组织研究的结果时应谨慎,特别是较短的分段。应该避免使用短于4秒的分段长度(图3)。此外,我们注意到,使用PLI和AEC获得的加权网络的聚类系数相似,而PLI的路径长度要比AEC的低得多。这可能与以下事实有关:这两种测量方法捕获了两种不同的固有耦合模式(一种来自相位耦合,另一种来自信号包络的波动)。然而,这也可能是加权网络方法本身引入偏差的一个例子(van Wijk等人2010)。图4支持这种解释,其中使用了MST,一种无偏差的方法。这张图显示了MST直径,反映了可比机制,并与路径长度相关(Tewarie等人2015年),基于两种连通性指标的MST与之相似,特别是对于中等到长的分段长度的MST。重要的是,MST的使用已经被证明对网络拓扑的变化与传统网络测量一样敏感(Tewarie et al . 2015),在非常短的时间内也提供了稳定的结果。这可以通过观察发现,即使平均FC值受到分段长度的影响,但等级顺序(rank order)受到的影响较小(图2),特别是对于基于PLI的FC。这一结果表明,不同研究的结果可以使用MST进行有意义的比较。特别地,通过在源空间中结合PLI(作为FC指标)和MST(用于网络指标),可以获得在时间窗为1 s时已经稳定的结果。这一结果在时变(动态)网络分析中也具有重要意义,而时变(动态)网络分析是当前脑电静息分析的一个热点。事实上,我们的研究表明,结果如何依赖于特定的方法,可以强化这样的观点,即时变方法可以产生非平稳动力学的伪符号(由过程本身引起),即使应用于平稳过程(Hlinka和Hadrava 2015)。在这种情况下,从MST中提取的参数的稳定性将为研究拓扑变化提供机会(至少在1 s的时间尺度上),并研究这种拓扑如何与固有静息态网络相对应。与电极分析的结果相比,从源分析中提取的测量值观察到更好的行为(在稳定性方面)。这一发现表明,在源水平使用技术来重建时间序列可以减少对分段长度的依赖,这可能是由于信号的分离,随后的容积传导效应的降低和信噪比的增加。这种现象在PLI和基于PLI的网络参数中尤其明显,与其他指标不同的是,分段长度和标准误差之间没有关系。应该指出,尽管存在许多重建源时间序列的方法。然而,这项工作的主要重点不是调查这些不同技术的细节、优点和局限性,而是了解源空间中分段长度的影响。因此,我们决定使用一种广泛应用于脑电图分析的方法(wMNE),该方法易于使用现有工具实现。此外,最近有人提出,结合wMNE和相位同步测量是表征脑电网络的可靠解决方案。尽管如此,我们希望其他技术(Hillebrand et al 2012)也能得到一般结论,例如波束形成的空间滤波特性可能有助于进一步减少分段长度的影响。尽管报告的结果显示了一些关于分段长度的清晰模式,但应该注意的是,在真实的脑电图分析中,真实的FC模式是未知的。因此,可能仍然很难知道PLI和AEC(以及网络测量)是否在很长一段时间内收敛到更接近现实的神经生理过程,或仅仅代表一些与潜在的生物机制无关的稳定统计估计。此外,需要指出的是,本研究结果的下限为1 s分段长度。采样频率似乎在FC和网络拓扑的估计中起着不那么重要的作用,这证实了我们的结果很大程度上依赖于分段长度本身的定义,而不仅仅取决于样本的数量。我们的结果表明,分段长度对FC和估计的网络拓扑都有重要的影响。此外,MST的拓扑结构已被证明是传统网络分析的有效替代方案,在不同分段长度范围中都可以可靠地估计,从而有助于不同研究结果的比较。
如需原文及补充材料请添加思影科技微信:siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。另思影提供免费文献下载服务,如需要也可添加此微信号入群,原文也会在群里发布,如果我们的解读对您的研究有帮助,请给个转发支持以及右下角点击一下在看,是对思影科技的支持,感谢!
欢迎浏览思影的数据处理业务及课程介绍。(请直接点击下文文字即可浏览思影科技所有的课程,欢迎添加微信号siyingyxf或18983979082进行咨询,所有课程均开放报名,报名后我们会第一时间联系,并保留已报名学员名额):
脑电及红外、眼动:
北京:
第十九届脑电入门班(北京,10.10-15)
第十届脑电信号提高班(北京,10.16-21)
第十六届近红外脑功能数据处理班(北京,10.28-11.2)
第三十三届脑电中级班(北京,11.3-8)
第四届脑电机器学习班(A版本,北京,11.17-22)
南京:
第十七届近红外脑功能班(南京,11.19-24)
第三十二届脑电中级班(上海,10.20-25)
第一届脑电机器学习班(B版本,上海,10.27-11.1)
第十一届眼动数据处理班(上海,11.9-14)
重庆:
第二十届脑电入门班(重庆,11.8-13)
第十八届近红外脑功能数据处理班(重庆,12.7-12)
核磁:
第四十八届脑影像基础班(南京,10.10-15)
第九届ASL数据处理班(南京,10.17-20)
第二十届DTI数据处理班(南京,10.21-26)
第二届任务态功能磁共振提高班(南京,11.30-12.5)
第二十四届脑网络数据处理班(重庆,10.16-21)
第三届脑网络数据处理提高班(上海,10.12-17)
第十届任务态功能磁共振数据处理班(上海,11.2-7)
第四十九届脑影像基础班(上海,11.16-21)
第十九届脑影像机器学习班(上海,11.23-28)
第二十五届磁共振脑网络数据处理班(上海,12.3-8)
北京:
第四十七届脑影像基础班(北京,10.22-27)
第十六届脑影像结构班(北京,11.11-16)
第五十一届磁共振脑影像基础班(北京,11.25-30)
第二十一届DTI数据处理班(北京,12.2-7)
数据处理业务介绍:
思影科技近红外脑功能数据处理服务