基于互信息的帕金森病脑皮层功能连接

2022-02-03湛慧苗曾宣威吕浩铵高军峰

科学技术与工程 2022年33期

湛慧苗，曾宣威，吕浩铵，高军峰

(中南民族大学生物医学工程学院，武汉 430074)

帕金森病 (Parkinson’s disease，PD)是最常见的神经退行性疾病之一，影响了1%～2%的65岁以上人群[1]。它是一种持续的神经系统疾病，由于产生多巴胺的神经元的缺失，影响运动和情绪的调节。其主要临床特征是运动症状，如运动迟缓、静止性震颤、肌肉僵直及姿势平衡障碍等[2-3]。当出现明显的运动症状时，可能大多数多巴胺能神经元已经丢失，症状也会逐渐恶化，严重影响患者生活质量[4]。因此，对帕金森病的早期诊断是十分重要的。

当前，帕金森病的诊断仍然依靠临床[5]。只有当帕金森病患者有两种或两种以上的主要症状时，才会被临床医生诊断出来。而对没有伴有明显的体征或症状的早期PD患者，诊断可能会很困难[6]。由于观察到明显的运动特征和认知障碍差异十分困难，所以基于临床症状的帕金森病早期诊断极具挑战性[7]。另一方面，人们又发现帕金森病被诊断之前，会出现一些非运动症状，如认知障碍、睡眠障碍和自主神经功能障碍等[2]。确定帕金森病生物标志物的方法，可以对帕金森病进行更早的诊断和更加有针对性的治疗，以减缓疾病的进程。各国研究人员一直在积极致力于识别PD的生物学标志物[8]。然而，目前没有一个明确的生物标志物能够准确地对早期的PD进行诊断[6]。

神经科学认为人脑是一个具有解剖和功能连接的网络[9]。正常大脑功能的运行与这些连接密不可分，即使是简单的感觉、运动和认知任务也依赖于许多大脑区域之间相互连接的精确协调[10-11]。有研究发现，帕金森病等神经障碍与振荡反应的功能连接性改变有关[12]。功能连接性是衡量两个脑区解剖分离与否的神经元活动的时间依赖性，通过功能连接性的研究去分析这些单一的功能连接，这将有助于作为评估帕金森病的一个可能的标志物。

在众多神经信号的分析研究工具中，脑电图具有巨大的优势，可以非侵入性地研究大脑神经元信号的振荡及不同脑功能区的功能连接，而且时间分辨率高，价格相对廉价。脑电信号被认为是神经元和突触完整性的功能标记，可能对神经退行性疾病之前的结构改变敏感。在帕金森病研究中，利用脑电图数据对大脑区域之间的功能连接已经有了广泛地研究。Yuvaraj等[13]利用双谱功能连接指数研究了无痴呆PD患者情绪状态分类时大脑功能连接模式的变化，并表明功能连接指数的下降表明PD脑皮层区域之间的功能断开。Hassan等[14]用锁相值方法计算了6个频带的功能连接性，发现功能连接性伴随着PD患者认知功能的恶化而逐渐下降。Cai等[15]采用去偏加权相位滞后指数计算功能连接值，发现功能连接模式的改变有可能成为诊断PD患者认知障碍的可靠生物标志物。Mano等[16]使用脑电信号相干性分析对有认知功能障碍的PD患者的脑功能连接进行研究，发现其认知障碍的程度与α频段内的连接性降低有关。近年来，一些研究采用有关熵的非线性分析方法，如近似熵[17]、排列熵[18]，发现PD患者大脑复杂性显著改变。由于非线性分析方法相较于线性分析方法更适用于分析与处理像大脑信号这样的典型的非平稳信号，并能更好地描述复杂系统的行为。互信息是信息论中的一个概念，属于非线性功能连接方法，它可以精确地测量两个时间序列之间的信息传递，截至目前，它已被广泛应用于神经系统疾病的研究中，如癫痫[19]、阿尔兹海默病[20]和精神分裂症[21]。但在对帕金森病领域，该方面的应用还未见报道。

综上，现利用标准低分布率电磁断层成像(standardized low resolution brain electro-magnetic tomography，sLORETA)溯源方法，将头皮记录的脑电(electroencephalography，EEG)信号转换为具有同等时间分辨率的皮层源信号，应用互信息方法分析大脑功能性连接。目的是通过分析PD患者的大脑功能性连接，并与健康对照组进行比较，分析研究基于互信息的功能连接方法对帕金森病早期诊断方面的可能性。

1 方法

为了研究帕金森病脑功能连接，采用基于互信息的功能连接方法分析研究帕金森病患者和健康对照组的脑皮层功能连接，并对两组人之间有差异的连接边进行进一步分析，验证该方法的有效性。研究方法的流程图如图1所示。

图1 基于互信息的帕金森病脑皮层功能连接研究流程图Fig.1 Schematic illustration of the proposed method

1.1 数据描述

在Narayanan实验室公开数据库获取27名PD患者和27名健康对照组的静息态脑电数据[22]。其中27名PD患者脑电数据是在未服药物治疗期间记录的，即最后一次多巴胺能药物代谢12 h过夜后记录。健康对照组与PD患者的年龄和性别在人口学上匹配，并在教育程度或病前的智力方面没有差异。实验所有程序均由新墨西哥大学机构审查委员会办公室批准，所有参与者都签署了书面知情同意书。PD患者在服用药物的状态下完成神经心理学和问卷评估，并由神经科医师负责帕金森病评定量表的运动评分。对该数据的相关研究见文献[23-24]。

1.2 脑电记录及预处理

采用64通道脑电系统，在线参考CPZ电极，使用Ag/AgCl电极记录0.1～100 Hz范围内的脑电信号，采样率为500 Hz。所获取到的每个受试者脑电图记录包括一个闭眼状态和一个睁眼状态。仅采用了闭眼状态的脑电数据，其中数据的形式是每个通道的对应两组人的数据。通过MATLAB软件提取出两组共54人脑电数据，每人的脑电数据形式为通道数×采样点。由于部分受试者的脑电信号伪影过大，最终选取脑电信号质量较好的受试者，即15名帕金森病患者和15名健康对照者。使用MATLAB软件中的EEGLAB工具箱[25]对脑电信号进行滤波、基线校正、去伪迹等操作，选取0.5～50 Hz带通滤波对脑电数据进行滤波，采用独立成分分析识别并去除伪影，如眼球运动、心脏活动和头皮肌肉收缩。最后选取40 s无伪影的脑电信号进行分析。

使用sLORETA软件对预处理后的头皮脑电信号进行溯源，获得源重构的时间序列。重建的时间序列被投射到由布罗德曼图谱[26]定义的感兴趣区域(regions of interest，ROI)上，在ROI内体素的时间序列被平均后用于功能连接分析。为了减少分析复杂度，重点分析几个大脑主要区域之间的连接情况，选取了由额叶、中央、颞叶、顶叶和枕叶布罗德曼区域(Brodmann areas，BA)合并而成的10个ROI，分别对左、右半球进行分组，定义如下：中央区(BA1、BA2、BA3、BA4、BA6)；额区(BA8、BA9、BA10、BA11、BA44、BA45、BA46)；顶叶区(BA5、BA7、BA30、BA39、BA40、BA43)；枕叶区(BA17、BA18、BA19)；颞叶区(BA20、BA21、BA22、BA38)。

1.3 互信息计算

互信息(mutual information, MI)是在信息论背景下提出，衡量随机变量间独立性的指标之一[27]。它可以用于估计从一个随机变量观察另一个随机变量所获得另一个随机变量的信息量[28]。用MI来衡量各个导联采集的脑电信号之间的信息传递情况，就可以反映两导联信号之间的关联程度。

如果对一个导联X上的信号采样后有N个时间点，则其时间序列为X={x1,x2,…,xN}，对应的概率分布为{px1,px2,…,pxN}。同理，另一个导联Y上的信号其时间序列为Y={y1,y2,…,yN}，其对应的概率分布为{py1,py2,…,pyN}。两个导联之间时间序列的联合概率分布即为pxy(xi,yj)。根据香农熵[29]的定义，X和Y的脑电信息熵为

(1)

(2)

两个导联X和Y之间信号的联合熵为

(3)

最后，两个导联X和Y之间信号的互信息可定义为

MI(X,Y)=H(X)+H(Y)-H(X,Y)

(4)

当两个导联之间信号信息传递完全无损耗时，MI具有最大值；当两个导联之间信号的信息传递完全独立时，MI为零。使用HERMES工具箱[30]将每个受试者的40 s脑电图数据划分为每段4 s的长度，并用叠加50%的窗口进行互信息值计算。之后，每个受试者获得到19个10×10的互信息值的对称矩阵，再对19个连续片段的互信息值矩阵进行平均。最终，得到每个受试者10×10的互信息值的连接矩阵。

1.4 统计分析及分类

对每个受试者10×10的互信息连接矩阵，取其上三角元素，得到每个受试者的45个互信息值。在进行统计分析之前，确定互信息值的正态分布。然后对PD组和健康对照组之间的每个互信息值进行独立样本t检验，计算统计学显著差异性。

为了检验上述过程得到的显著差异连接对的有效性，将具有显著差异的连接对的互信息值作为特征向量，进行分类。XGBoost[31]是一种融合多个弱分类器进而演化成强分类器，其计算复杂度低，运行速度快、准确度高。因此，选取XGBoost分类器进行分类。采用嵌套交叉验证[32]对于分类器的训练，其整个过程包含两个循环，即外层循环和内层循环。外层循环使用5折交叉验证，将全部受试者数据分为5折，在每折中，将1折数据作为测试集，剩余4折数据作为训练集。训练集数据用于内层循环寻找最佳超参数模型，测试集数据对内层循环模型测试。内层循环使用7折交叉验证，在每折计算中都将6折数据作为子训练集，剩余数据作为验证集。在该过程中，应用不同参数组合，使用子训练集训练分类器，接着用验证集对训练出的分类器进行验证。当验证准确率最高时，可以获得具有最佳参数组合的分类器，再将测试集送入该分类器中，得到测试准确率。最后，将5折计算得到的测试准确率取平均值得到最后的分类准确率。

2 结果

图2为两组受试者的归一化后的总平均互信息矩阵。可知，与健康对照组相比，健康对照组与PD患者的互信息矩阵存在明显差异，即PD患者的互信息矩阵值整体明显低于健康对照组。为了进一步度量两组受试者脑电信号之间信息传递的差异，对PD患者组和健康对照组之间每个连接边的互信息值进行独立样本t检验，并选择具有显著差异的连接边进一步分析。图3中显示了两组连接边之间统计差异为P<0.05的20个连接边归一化后的互信息值，其中星号(*)标注出来的是统计差异为P<0.01的8个连接边。同时，可以看出所有显著差异的连接边均是PD患者小于健康对照组。

*表示显著差异为P<0.01的连接边图3 显著差异P<0.05连接边归一化的平均MIFig.3 Normalized average MI of connection edge with significant difference P<0.05

CR和CL为右(R)和左(L)半球的中央区；FR和FL为右(R)和左(L)半球的额叶区；PR和PL为右(R)和左(L)半球的顶叶区；OR和OL为右(R)和左(L)半球的枕叶区；TR和TL为右(R)和左(L)半球的颞叶区图2 归一化后的平均互信息连接矩阵Fig.2 The normalized average mutual information connection matrix

同时，为了更加直观地展示健康对照组和PD患者显著差异边的分布情况，将具有显著差异的连接边通过脑连接图刻画出来。图4(a)和图4(b)中可以看出，在P<0.05下，PD患者整体大脑区域之间的连接显著低于正常对照组；图5(a)和图5(b)中可以看出，在P<0.01下，PD患者在额顶叶之间以及顶枕叶之间的连接降低得更为显著。另外，计算大脑区域之间具有显著差异连接边的占比。如图4(c)所示，在P<0.05下，共有20条显著差异连接边，其中占比最多的是顶枕叶(15%)，中央和枕叶(15%)；如图5(c)所示，在P<0.01下，共有8条差异更为显著的连接边，其中占比最多的是顶枕叶(25%)，额顶叶(25%)。这些表明，与健康对照组相比，PD患者整体大脑区域之间信息交流减少，尤其在顶枕叶和额顶叶之间表现地更为显著。

F为额叶；T为颞叶；P为顶叶；C为中央；O为枕叶；CR和CL为右(R)和左(L)半球的中央区；FR和FL为右(R)和左(L)半球的额叶区；PR和PL为右(R)和左(L)半球的顶叶区；OR和OL为右(R)和左(L)半球的枕叶区；TR和TL为右(R)和左(L)半球的颞叶区图4 显著差异为P<0.05时，帕金森病患者组和健康对照组的脑连接图及区域之间连接边占比Fig.4 Brain connectivity for PD and HC and the proportion of connection edges between regions when significant difference was P<0.05

F为额叶；T为颞叶；P为顶叶；C为中央；O为枕叶；CR和CL为右(R)和左(L)半球的中央区；FR和FL为右(R)和左(L)半球的额叶区；PR和PL为右(R)和左(L)半球的顶叶区；OR和OL为右(R)和左(L)半球的枕叶区；TR和TL为右(R)和左(L)半球的颞叶区图5 显著差异为P<0.01时，帕金森病患者组和健康对照组之间的脑连接图及区域之间连接边占比Fig.5 Brain connectivity for PD and HC and the proportion of connection edges between regions when significant difference was P<0.01

将P<0.01下的8条连接边作为特征向量，送入XGBoost分类器中训练及测试。最终，得到区分帕金森病和健康对照组测试的准确率为76.7%，灵敏度和特异度分别为80%和73.3%，如表1所示。分类结果基本上验证了这些显著差异边的有效性。

表1 XGBoost分类结果Table 1 XGBoost classification results

3 讨论

通过溯源获得ROI区域的脑电数据，并利用互信息研究两组受试者ROI区域之间连接性的差异。结果表明，与健康对照组相比，PD患者的互信息值整体较低，这显示出帕金森病与广泛的大脑区域连接降低有关。利用互信息分析研究帕金森病的脑功能连接特性，为帕金森病的神经机制研究及早期诊断提供了一个新的途径。

PD患者大脑5个区域之间的互信息值整体上比健康对照组低，而健康对照组大脑5个区域之间的信息交流相较于PD患者表现为较强的信息交换，这表明PD患者大脑5个区域之间的信息交流减少及功能连接降低。帕金森病的脑磁图相关研究表明帕金森病会随着时间的推移会继续发展，全脑的效率也会下降[33]。推测大脑整体的信息交流的减少预示着PD患者大脑区域连接整体的断开及其疾病的进一步恶化。

还发现两组之间大脑功能连接在额顶叶之间以及顶枕叶之间表现出更为显著的差异。PD患者通常会更先受非运动症状的影响，非运动症状常表现为冷漠、抑郁、嗅觉丧失和认知障碍等。额顶叶之间的连接与工作记忆有关[34]，PD患者额顶叶之间的连接显著降低，可能表明PD患者在工作记忆方面的能力下降，导致其对复杂的认知任务如语言理解、学习和推理等信息处理能力也相应地减弱。这表明额顶叶之间的连接减少与PD患者认知缺陷的存在有关。此外，额-顶-枕网络中的局部信息流与镇静水平有关[35]。其他非运动症状如嗅觉障碍与额顶叶区皮质功能连接降低有关[36]。因此，PD患者出现的一些非运动症状与额-顶-枕网络中的局部信息交流的减弱相关。同时，顶枕叶网络负责监督视觉和感觉的整合，处理大脑获取的信息，并将其纳入运动执行程序中。PD患者顶枕叶之间的连接显著降低可能预示着，在复杂的运动执行控制过程中，其运动和视觉系统之间紧密的相互作用出现了障碍，这也是PD疾病进程中的核心神经病理学特征之一[37]。正电子发射断层扫描也表明该区域发生了变化，该研究显示与健康对照组相比，无痴呆的PD患者双侧枕叶和后顶叶皮层的脑血流量显著降低[38]。在PD步态冻结研究中发现，出现步态冻结的PD患者在前额叶和顶枕叶皮质中的齿状核功能连接比健康对照组更低[39]。由此推测，顶枕叶之间的功能连接降低可能导致PD的一些运动障碍。

总之，通过分析PD患者与健康对照组大脑5个区域之间的功能连接性，发现PD患者大脑5个区域之间功能连接减弱，特别是额顶叶和顶枕叶之间功能连接性更为显著地减弱，与PD患者临床症状密切相关，表明这些大脑区域之间功能连接的异常是导致PD患者运动和非运动功能障碍的原因之一，为帕金森病的神经机制研究提供新的认识。此外，利用显著差异连接边进行分类，最后分类准确率为76.7%，基本上验证了将互信息作为功能连接计算指标对帕金森病研究的有效性，同时说明该方法对于帕金森病的筛查具有可行性。然而未来还需要用更大的样本数据对其可信度及有效性等进行验证。