基于脑电图的孤独谱系障碍儿童的偏定向相干脑网络研究*

江 军， 王晓璐， 匡光涛， 阮媛媛， 梁菊芳， 陈小红， 林 俊， 邵剑波

华中科技大学同济医学院附属武汉儿童医院(武汉市妇幼保健院)1神经电生理室 2康复科 3CT&MRI影像科，武汉 430016

基于脑电图的孤独谱系障碍儿童的偏定向相干脑网络研究*

江 军1， 王晓璐1， 匡光涛1， 阮媛媛1， 梁菊芳1， 陈小红2， 林 俊2， 邵剑波3△

华中科技大学同济医学院附属武汉儿童医院(武汉市妇幼保健院)1神经电生理室2康复科3CT&MRI影像科，武汉 430016

目的 探讨孤独谱系障碍(autism spectrum disorders，ASD)行为发育特点与脑网络异常连接间的关系。方法 通过采集幼儿时期起病的ASD患者及对照组健康发育儿童的静息态脑电图(Electroencephalogram，EEG)信号，利用偏定向相干方法(partial directed coherence，PDC)建立脑网络，对不同组儿童的网络连接异同进行分析。结果 与对照组相比，ASD儿童网络连接强度减小，在中等长度连接处显著减少；在阈值0.15的二值化网络中，ASD儿童网络全局效率下降，集群系数及局部效率在右侧大脑半球的下降较左侧突出，出度在中央运动区未出现偏侧性、在颞顶区明显减少。结论 这些网络连接异常可以解释ASD儿童的行为发育特点，有希望应用于对ASD儿童的脑功能受损程度的客观评估。

孤独谱系障碍； 脑电图； 脑网络； 偏定向相干

孤独谱系障碍(autism spectrum disorders，ASD)是一组广泛性发育障碍性疾病，以社会互动障碍、语言沟通障碍及反复刻板行为和局限性兴趣狭窄为核心特征。最新的统计显示在近十年间，儿童ASD患病率上升3.5倍，总体患病率大于1%[1]。ASD严重威胁到儿童健康，并可能作为一种神经发育障碍伴随终身，给患病儿童及其家属带来巨大痛苦。不仅如此，ASD共患癫痫非常常见，为20%～25%，且治疗反应可能与单纯的癫痫患儿不同，3种及以上抗癫痫药联合使用对控制共病患儿的癫痫发作疗效甚微[2]。

我们处于一个网络的世界里，自然界任何复杂系统都能建立其相对应的网络模型。目前大脑成像技术主要有功能磁共振成像(f-MRI)、弥散张量成像(DTI)、弥散加权成像(DWI)、脑电图(EEG)等[3]，这些技术都可以应用大脑连接的复杂网络理论进行研究。

在ASD患者的脑网络研究中，连接异常年龄跨度大，从最小至早期诊断研究中的6个月婴儿[4]，到成年人均有报道。Pablo等[5]使用EEG动态脑网络对低频δ段研究发现，相对于正常人群，ASD患者短距离连接显著增加，而长距离连接显著减少。Michael等[6]在EEG相关性研究中，认为成年ASD患者在3～6 Hz、13～17 Hz相关性显著增加，在9～10 Hz显著下降，在δ频段左侧额、颞区局部相关性上升，在低频α频段额区及额区与其他脑区相关性下降。Lazarev[7]、Isler[8]、李蓓[9]等发现在闪光刺激下EEG脑网络研究中，ASD儿童右半球连接低下，左半球代偿性过度连接，且半球间功能连接低下。Verly等[10]通过f-MRI研究儿童语言功能区间及全脑连接，发现大脑半球内的Wernicke和Broca区连接保留，而右侧大脑半球和幕上调控语言区间有显著连接丢失，在纵裂Broca区和额极背外侧裂的调节控制区间连接减少。Elton等[11]在f-MRI脑网络连接与ASD儿童行为量表间建立回归模型，揭示了连接-行为间的关系，发现ASD组与正常儿童组间差异，证明使用f-MRI脑网络进行ASD的诊断识别具有可行性。

ASD多于婴幼儿起病，其本身为一种发育障碍性疾病，对2～3岁的ASD患者的研究有助于了解这种发育障碍在脑功能上的表现，为早期诊断提供依据。脑电图(Electroencephalogram，EEG)是脑神经元细胞活动电信号的集合，是大脑活动最直观的反映，由于ASD儿童往往不能配合EEG采集，本论文提出一种有效获得ASD儿童静息态EEG信号方法，建立EEG信号的偏定向相干脑网络，并试图解释行为发育特点与网络异常连接间的关系。

1 资料与方法

1.1 数据采集对象

本研究数据采集对象由武汉市妇女儿童医疗保健中心招募，并知情同意。共包含40名年龄为23～37月的儿童，其中ASD儿童20例，正常对照组儿童20例，所有儿童的磁共振、脑电图检查结果均未见明显异常。ASD组儿童平均年龄为(28.9±4.73)月，对照组儿童年龄为(29.5±4.10)月，2组儿童均含有19名男性、1名女性，以保证在年龄、性别上匹配。

ASD儿童均由2名医师联合诊断，在ASD诊断中使用Gesell、CARS量表。Gesell量表描述各项发育水平，共包含5个方面，依次为适应性、大运动、精细动作、语言、个人-社交能力[12]，每个方面结果以发育商(developmentalquotient，DQ)表示，DQ≤86为发育落后。CARS量表评分由Schopler等[13]提出，具有ASD诊断意义，其评分标准为：30～35分为轻到中度，35分为中度，35分以上为重度。

ASD组儿童Gesell量表的5项结果平均DQ依次为适应性(65.85±3.80)，大运动(84.65±7.94)，精细动作(70.30±11.09)，语言(36.05±9.63)，个人-社交(42.00±12.52)，除部分儿童大运动DQ>86外，其余DQ均<86；对照组儿童Gesell量表各项DQ均>86，2组儿童在语言和个人-社交两个方面得分具有显著差异(均P<0.01)，ASD儿童在这两个方面明显落后。ASD组儿童CARS量表得分均大于30，平均得分为(35.93±3.80)，对照组儿童CARS得分均小于30，两组间CARS量表得分具有显著差异(P<0.01)。

1.2 脑电数据采集及预处理

由于ASD儿童配合程度较差，较难采集稳定信号，在2组儿童脑电采集过程中给予默片观看(该默片经过筛选能够使患儿较为安静且本身没有强烈感情色彩)，使其保持坐姿放松，采集环境为安静、自然光、具有电磁屏蔽的神经电生理实验室。19导联电极放置遵循国际10-20系统，采用平均参考，采样率为500 Hz，滤波范围为0.05～70 Hz，采集时长5 min。

由于采集得到的数据包含肢体运动造成的肌电伪差及眼球运动引起眼电，在数据预处理时首先手动选取伪差较少且较为平稳的信号，然后去除数据基线漂移，进行0.5～35 Hz带通滤波，去除高频伪差及低频干扰，最终每名儿童保留不少于30 s EEG数据，用于后续分析。

1.3 数据分析方法

1.3.1 偏定向相干 偏定向相干(partial directed coherence，PDC)是一种基于多变量自回归处理时间序列模型的格兰杰因果性频域测量方法。近年来，已有学者使用PDC获得脑电图网络，并应用于脑卒中后抑郁患者、认知负荷、以及癫痫发作期的模式识别研究[14-17]。其计算公式为：

其中，Ci为N导联EEG信号X(x1，x2，…，xn)的时域AR模型系数，表示中的第j列中的第k个元素。表示信息由xj流向xk占所有流出xj的信息流的比率，代表导联j流向导联k的信息流强度，取值范围为[0，1]，取值越接近1则表示两导联间相关性较强，信息流强度越大。最终得到N维矩阵，表示N(N-1)个导联对之间的信息流强度及方向。

1.3.2 脑网络的构建 本研究使用EEG信号的19导联作为节点，使用PDC计算所有节点对之间的信息流强度即连接强度作为该对节点间的边，信息流方向作为该对节点间边的指向，构建ASD儿童和对照组儿童的EEG信息流拓扑网络，得到有向加权网络矩阵，通过一定阈值对该网络进行二值化处理并计算网络特征，分析ASD与对照组儿童网络差异，研究ASD儿童大脑的异常连接性。

有向二值化网络特征计算：为求得不同分组的平均二值化网络矩阵，对每一分组的20个样本，检验网络中每个边与阈值间的关系，具体过程为，在阈值为T的情况下建立无效假设：H0：μ≤T，备择假设：H1：μ>T，检验水准：α=0.05，并采用单尾t检验的方法，如备择假设成立，则说明网络在该边处连接强度大于阈值，在二值矩阵中记为1；如无效假设成立，则说明网络在该边处连接强度不大于阈值，在二值矩阵中记为0。一般采用枚举法选取阈值T，其取值要达到使不同组间网络差异性最大的目的。

在网络特征计算中，以连接矩阵来描述拓扑网络的边及指向，对于具有19节点的网络，其二值化连接矩阵A为19×19阶，以aij=1表示信息从节点j流向节点i，aij=0表示节点i与节点j之间失连接。计算二值化N阶连接矩阵的以下拓扑网络特征[18-19]：

①节点度：节点度k为网络中连接该节点边的数目，分为出度(kout)与入度(kin)，出度为由该节点i流出的边的数目，入度为有其他节点流入该节点i的边的数目，其计算公式如下，其中wij为二值化连接矩阵W的元素，N为节点数目。

②连接密度：所有真实存在的连接与所有节点对的比值，其计算公式如下，其中k为节点度。

④全局效率：全局效率代表网络中的所有节点并发信息的效率，E越接近1，信息传递的效率越高，其计算公式如下，其中dij为节点i与节点j间最短路径。

⑤局部效率：局部效率代表去掉节点i后，余下子图并发信息的效率，与聚类系数相似，局部效率也表征了网络的集团化特征，是对网络中信息传递时的容错性(faulttolerant)的描述，其计算公式如下，其中dhj(Ni)为包含近邻i的节点h与节点k间最短路径。

2 结果

2.1 有向加权网络特征

图1 2组儿童连接强度差的条形图Fig.1 The bar graph of the connection density differences bentween the children in the two groups

2.2 有向二值化网络特征

对2组儿童数据进行单尾t检验，计算在阈值0.15下的二值化网络矩阵。以脑电信号的19导联作为节点，连接2节点间的蓝色实线代表节点对之间的信息流，箭头代表节点对间信息流的方向，将矩阵描绘为脑网络图，如图2所示。

从图2以看出，对照组儿童连接密度(D=0.86)大于ASD组(D=0.63)，即在同样的阈值下，对照组儿童有86%左右的节点对间的信息流得到保留，而ASD组仅保留62%，ASD儿童节点对间信息流强度减小，节点间交流减小，大脑传递的信息量减小。

全局效率代表网络中的所有节点并发信息的效率，全局效率越大，网络中信息发送效率越高，ASD组全局效率为0.68，对照组为0.90，ASD组儿童脑网络所有节点并发信息的效率明显落后于对照组，大脑传递信息的效率较差。

A：ASD组；B：对照组图2 ASD儿童组和对照组儿童组的脑网络Fig.2 Brain networks in ASD children and control children groups

度分析是网络特征的重要组成，特别是对于有向网络的具体节点，既有入度，也有出度。入度代表该节点作为“果”，接收其它节点信息的情况；出度代表该节点作为“因”，向其它节点发送信息的情况。用脑地形图表示各节点归一化出度情况，红色代表较大的出度，蓝色代表较小的出度，如图3所示。

A：ASD组；B：对照组图3 出度脑地形图Fig.3 Brain topographic mapping of the out degree

从图3可以看出，在观看默片时，两组儿童在功能复杂的额区、视觉中枢枕区出度较高，ASD组儿童颞顶区的出度较对照组明显减少，此外，对照组儿童出度在左侧中央区有明显下降，而ASD组儿童出度在两侧中央区下降基本相当。在入度分析中，两组儿童的入度在空间脑区分布相似。

集群系数衡量网络的集团化程度，集群系数越大，网络集团化程度越大。比较两组儿童的集群系数可得，ASD组平均集群系数(C=0.780，SD=0.075)小于对照组(C=0.886，SD=0.027)，其中ASD组右侧大脑半球集群系数(C=0.750，SD=0.081)相对于左侧大脑半球(C=0.785，SD=0.078)减少，与此相反的是，对照组右侧大脑半球集群(C=0.892，SD=0.013)大于对侧(C=0.876，SD=0.016)。由此可得出，ASD组集团化程度较差，且右侧大脑半球集团化程度更差；对照组集团化程度较强，右侧大脑半球集团化程度较强于对侧。

局部效率与集群系数类似，从网络中信息传递时的容错性角度分析网络连接集团化程度，局部效率越高，网络中信息传递时容错性较好。比较两组儿童的集群系数可得，ASD组平均局部效率(Eloc=0.825，SD=0.082)小于对照组(Eloc=0.927，SD=0.009)，其中ASD组右侧大脑半球局部效率(Eloc=0.801，SD=0.069)相对于左侧大脑半球(Eloc=0.825，SD=0.080)减少，与此相反的是，对照组右侧大脑半球局部效率(Eloc=0.928，SD=0.005)略大于对侧(Eloc=0.924，SD=0.011)。相对于对照组，ASD组脑网络信息传递时容错性较小，其中ASD组右侧大脑半球容错性比对侧差，而对照组大脑半球两侧容错性相当。

3 讨论

本研究使用PDC算法对ASD组儿童及对照组儿童的脑电数据进行处理，构建2组儿童的脑网络，对比分析2组儿童的加权网络及二值化网络特征，探讨ASD儿童在发育过程中的脑网络异常连接，并试图对ASD儿童一些异常行为和某些方面的发育落后进行解释。

研究结果显示，在同样阈值下，ASD儿童网络连接密度小于对照组，即ASD儿童信息流强度变小，大脑传递的信息量减小。且这一信息量的减少，主要集中于具有中等连接长度的节点间，这表明在该年龄段ASD儿童的大脑发育中中等长度连接丢失严重。有研究认为短距离连接代表功能区内连接，其处理的是特定信息如视觉刺激，代表较为低级皮层活动；长距离连接为不同功能区内连接，是对经大脑不同功能区处理后的信息的整合，代表较为高级的皮层活动，而在正常发育进程中短距离连接会逐渐削弱，长距离连接得到加强[20]。ASD组儿童中等长度连接丢失则可能导致在接下来的发育过程中长距离连接形成困难，亦或者在当前发育阶段，中等长度连接缺失本身即代表了具有这些长度功能间交流的减少。

对网络平均集团化程度、全局效率、平均局部效率的研究表明，ASD儿童脑网络具有集团化程度较低，所有节点并发信息的效率明显落后，网络中信息传递时容错性较差的网络特性。为了进一步探索儿童在发育过程中出现孤独谱系障碍的机制，本论文增加2组儿童在不同脑区、大脑左右半球之间的比较。

在出度的不同脑区分布中，首先，出度主要集中在额、枕区，这与观看默片有关；其次，ASD组儿童颞顶区的出度较对照组明显减少，而该区域恰好为听觉语言中枢和视觉语言中枢所在，前者具有听到声音并将声音理解成语言的功能，后者具有理解看到的符号和文字意义的功能，这一特定区域的出度减少可能是ASD儿童在语言发育方面明显落后的原因；再次，ASD儿童的双侧中央区出度呈对称分布，而对照组儿童呈现明显的不对称，即左侧半球出度低于右侧半球，由于正常儿童在该年龄段76.9%～81.5%形成右利手[21]，所以对照组儿童在静息态出现左右半球运动区不对称，这是因为当同样没有动作时，右利手儿童的左侧大脑半球运动区比右侧大脑半球更平静，而ASD组儿童左右半球运动区对称，且出度均值较小，运动区发育落后，从出度上不能明显区分利手，这对ASD组儿童的精细运动有不利影响。

对集群系数及局部效率的左右大脑半球对比分析可看出，ASD组儿童右侧大脑半球集群系数及局部效率均较左侧降低，而对照组儿童右侧大脑半球集群系数较左侧升高，而局部效率与右侧大脑半球一致。由集群系数的公式可以看出其与网络中三角团簇数目正相关，而三角团簇结构稳定，如果网络中三角团簇数目较多，那么网络在信息传递过程中也较为稳定。则可以大致推测ASD儿童的脑网络较为不稳定，尤其是右侧大脑半球，网络的不稳定将引起短时间内剧烈的连接改变。由局部效率的定义可知，在去掉节点后网络效率下降越大，则该网络信息传递时容错性较小，即在网络中某一信息流的微小改变则可能引起右侧半球网络剧烈变化。这种网络的较差稳定性及较低容错性可能与ASD儿童情绪不稳、冲动，刻板重复行为及局限性兴趣狭窄相关。

综上所述，相对于同龄正常儿童，幼儿起病的ASD儿童大脑出现了明显的网络连接改变：信息流强度变小，连接长度发育异常；集团化程度、信息传递效率、信息传递容错性下降；出度在具有运动功能的中央区没有出现偏侧性，和在语言区的明显减少；代表情感的右侧大脑半球具有较差稳定性及较低容错性。与在发育过程中出现孤独谱系障碍有关的这些改变，可以解释ASD儿童的行为发育特点，并有希望应用于对ASD儿童的脑功能受损程度的客观评估之中。

[1] Idring S，Lundberg M，Sturm H，et al.Changes in prevalence of autism spectrum disorders in 2001-2011：Findings from the stockholm youth cohort[J].J Autism Dev Disord，2015，45(6)：1766-1773.

[2] 中华医学会.临床诊疗指南·癫痫病分册[M].北京：人民卫生出版社，2012.

[3] 江军， 匡光涛， 李承,等.典型失神癫痫的脑电定量分析及分类研究[J].华中科技大学学报(医学版)， 2016,45(3):315-318.

[4] Jin Y，Wee C Y，Shi F，et al.Identification of infants at high-risk for autism spectrum disorder using multiparameter multiscale white matter connectivity networks[J].Hum Brain Mapp，2015，36(12)：4880-4896.

[5] Pablo B，Bruno W，Sebastián C，et al.A big-world network in ASD：dynamical connectivity analysis reflects a deficit in long-range connections and an excess of short-range connections[J].Neuropsychologia，2011，49(2)：254-263.

[6] Michael M，Webb S J，Jessica G，et al.Resting state cortical connectivity reflected in EEG coherence in individuals with autism.[J].Biol Psychiatrym，2007，62(3)：270-273.

[7] Lazarev V V，Pontes A，Mitrofanov A A，et al.Interhemispheric asymmetry in EEG photic driving coherence in childhood autism.[J].Clin Neurophysiol，2010，121(2)：145-152.

[8] Isler J R，Martien K M，Grieve P G，et al.Reduced functional connectivity in visual evoked potentials in children with autism spectrum disorder[J].Clin Neurophysiol，2010，121(12)：2035-2043.

[9] 李蓓.孤独症大脑网络连接研究进展[J].中国儿童保健杂志，2011，19(12)：1119-1121.

[10] Verly M，Verhoeven J，Zink I，et al.Altered functional connectivity of the language network in ASD：Role of classical language areas and cerebellum[J].Neuroimage Clin，2014，4：374-382.

[11] Elton A，Martino A D，Hazlett H C，et al.Neural connectivity evidence for a categorical-dimensional hybrid model of autism spectrum disorder[J].Biol Psychiatry，2015，80(2)：120-128.

[12] 邹园园，张素卿，黄师菊，等.2～3岁儿童孤独症谱系障碍与发育性语言障碍的Gesell结果分析[J].中国儿童保健杂志，2015，23(3)：298-300.

[13] Schopler E，Reichler R J，Devellis R F，et al.Toward objective classification of childhood autism：Childhood Autism Rating Scale(CARS)[J].J Autism Dev Disord，1980，10(1)：91-103.

[14] 王春方，孙长城，张希，等.基于偏定向相干性(PDC)的脑卒中后抑郁症患者脑网络研究[J].中国生物医学工程学报，2015，34(4)：385-391.

[15] 陈润格，张露，王晓璐，等.自适应多维N-back认知负荷模型下的脑网络研究[J].航天医学与医学工程，2015，28(6)：391-396.

[16] 王晓璐，高翔，许敏鹏，等.基于睡眠剥夺模型的脑力疲劳检测方法研究[J].生物医学工程学杂志，2015，32(3)：497-502.

[17] Gang W，Sun Z，Tao R，et al.Epileptic seizure detection based on partial directed coherence analysis[J].IEEE J Biomed Health Inform，2016，20(3)：873-879.

[18] Latora V，Marchiori M.Efficient behavior of small-world networks[J].Phys Rev Lett，2001，87(19)：198701.

[16] Rubinov M，Sporns O.Complex network measures of brain connectivity：Uses and interpretations[J].Neuroimage，2010，52(3)：1059-1069.

[20] Uhlhaas P J，Roux F，Rodriguez E，et al.Neural synchrony and the development of cortical networks[J].Trends Cogn Sci,2010，14(2)：72-80.

[21] 李心天，李鸣杲，葛慧坤，等.六个月至三岁儿童用左右手抓物的实验研究[J].心理学报，1984,2：214-222.

(2016-02-23 收稿)

Electroencephalogram-based Partial Directed Coherence Analysis of BrainNetworks of Children with Autism Spectrum Disorder

Jiang Jun，Wang Xiaolu，Kuang Guangtaoetal

DepartmentofNeuro-electrophysiology，WuhanChildren’sHospital(WuhanMaternalandChildHealthcareHospital)，TongjiMedicalCollege，HuazhongUniversityofScienceandTechnology，Wuhan430016，China

Objective This study aimed to explore the relationship between the behavioral development features of Autism spectrum disorder(ASD) and the abnormal brain network connections.Methods Resting-state electroencephalogram(EEG)was obtained from ASD children and their normally developed countparts.The partial directed coherence(PDC)method was used to establish brain networks，and the similarities and differences of network connections were analyzed in the two groups.Results The intensity of network connections，especially medium-length connections，was significantly decreased in ASD children as compared with healthy children.In binarization network at 0.15 threshold，ASD children had lower globle efficiency.In ASD children，the decreases in the clustering coefficient and local efficiency were more significant in the right hemisphere than in the left hemisphere；there was no out-degree laterality in the center of the sports area；and the out-degree was obviously reduced in the temporal and parietal region.Conclusion These network connection anomalies can be used to explain the behavior development characteristics of ASD children，and they are expected to be used for the objective evaluation of the brain dysfunction of ASD children.

autism spectrum disorders； electroencephalogram(EEG)； brain netwok； partial directed coherence(PDC)

*湖北省卫生计生委科研项目(No.WJ2015MB247)

R748

10.3870/j.issn.1672-0741.2017.02.016

江 军，女，1975年生，副主任医师，E-mail：jiangjunzm@163.com

△通讯作者，Corresponding author，E-mail：shaojb2002@sina.com