首发精神分裂症患者脑网络特征提取与分析

席鑫花 阴桂梅

摘  要：精神分裂症是一种慢性迁延性疾病，在我国患病率平均每年在6‰～10‰之间，即1%左右，这个数字是比较大的。为了探索精神分裂症的病灶，基于首发精神分裂症患者和健康被试的静息态脑电数据提出了一种精神分裂症分类方法。同时分析了患者在治疗前后的脑区变化以及认知功能与脑功能活动的相关性，显著特征与量表得分和用药量的相关性。实验结果证明，β、δ和θ频段的病灶集中在额叶和颞叶。与治疗前相比，治疗后患者的额叶连通性有所改善。显著特征与panss分显著相关，与用药量无显著相关性。

关键词：精神分裂症；复杂网络；相位同步；特征分析

中图分类号：TP391；R749.3 文献标识码：A 文章编号：2096-4706（2023）04-0163-05

Feature Extraction and Analysis of Brain Network in First-Episode Schizophrenics

XI Xinhua， YIN Guimei

（College of Computer Science and Technology， Taiyuan Normal University， Jinzhong  030619， China）

Abstract： Schizophrenia is a chronic persistent disease. The average annual prevalence rate in China is between 6‰ and 10‰， or about 1%， which is relatively large. In order to explore the focus of schizophrenia， a classification method of schizophrenia is proposed based on resting EEG data of first-episode schizophrenics and healthy subjects. At the same time， this paper analyzes the changes of brain regions， the correlation between the cognitive function and functional brain activity， and the significant characteristics and the scale score and drug dosage before and after treatment. The experimental results prove that the lesions in β， δ and θ frequency band are concentrated in frontal lobe and temporal lobe. Compared with before treatment， the frontal lobe connectivity of patients after treatment is improved. The significant characteristics are significantly correlated with panss scores， but not with drug dosage.

Keywords： schizophrenia; complex network; phase synchronization; feature analysis

0  引  言

精神分裂癥是一种严重的精神疾病，它会导致认知障碍、幻觉和妄想，其特征是感觉和认知功能的整合障碍导致不连贯的感知。出于这个原因，越来越多的研究者运用神经影像学技术来识别预测性的神经生物学标志物，以便对处于危险中的个体进行早期诊断[1，2]。研究方法通常是各种主要的认知神经科学和心理学方法，运用磁共振成像技术（MRI）、脑电图（EEG）、脑磁图（MEG）等进行研究，其中脑电图数据采集方式简单，而且有很高的时间分辨率和较好的空间分辨率，因此EEG信号在该领域的应用一直是热点。

许多研究者使用复杂网络对脑电信号进行分析，图论分析可为刻画大脑网络的拓扑特性提供一个强有力的框架，它将整个大脑视为一个相互关联的网络。孙丽婷等人使用工作记忆的EEG信号构建脑网络对精分患者和健康对照进行分类，并分析了两组的脑区差异，但没有分析与精神病理学评分之间的关系[3]。李宇驰等人提出了一种情感识别系统，使用DEAP数据集构建了脑功能网络，对四种情感类型进行分类，达到了良好的分类准确率[4]。付荣荣等基于采集的脑电数据构建脑网络用于评价脑疲劳[5]。Yao等人使用磁共振成像技术构建了脑网络对首发精分患者、长期治疗的精分患者以及健康对照三组进行分析，并测试了网络指标与精神病理学评分之间的关系，其对于特定样本的变化提供了新见解[6]。这些文章中的方法对于原始脑电信号采用常规的预处理方法并且没有对精分患者治疗前后的脑区变化进行研究，因此本文将轨迹简化算法—Douglas Peucker应用于原始脑电信号进行抽稀以便获得更纯净的数据，使用复杂网络方法对静息态的首发精神分裂症患者与正常人的脑电信号进行分析，从而探索两组之间的显著性差异，并研究精分患者在治疗前后脑区所发生的变化并将显著特征与panss分和用药量进行相关性分析，旨在为精神分裂症的诊断提供科学的依据。

1  Douglas Peucker算法

Douglas Peucker是将曲线近似表示为一系列点，并减少点数量的一种算法。其原理是通过检测和保留直线的最重要点而忽略不太重要的点来缩短直线，广泛应用于制图和计算机图形学应用，也可应用于生物医学中脑电信号的压缩[7]。针对脑电信号相关度高、信息量大等特点，采用DP算法来提取最具代表性的样本。

对于原始脑电信号采用DP算法分两步进行，第一步是数据分割，第二步是每个数据序列使用Douglas Peucker算法。数据分割是将脑电信号根据特定时间段划分为不重叠的数据序列。对每个数据序列使用Douglas Peucker算法来确定简化序列。DP算法如式（1）：

（1）

在式（1）中，N表示数据序列的点数。D（Pi+1， Pi）表示点Pi+1和点Pi之间的欧氏距离。 表示数据序列的总体距离。T是一个由经验决定的实数。根据经验，T从0.01以步长为0.01变为0.1。使用算法首先将每条曲线的首末点相连，求除首末点以外的中间所有点到直线的距离，找出最大距离值dmax，与ε相比。若dmax＜ε，则曲线上的中间点全部舍去，该直线段作为曲线的近似；若dmax＞ε，则保留最大距离值所对应的坐标点，并以该点为界，把曲线分为两部分，对这两部分递归使用该算法。

2  基于PLV的EEG脑功能网络特征分析

2.1  概述

首先对原始脑电信号以8秒为时间间隔进行分段[8]，对每段均使用Douglas Peucker算法提取代表性采样点。最后将各段的代表性采样点进行拼接作为最终的脑电信号。然后选择头皮电极通道作为节点，PLV相位同步性作为连接指标[9]，构建邻接矩阵，即脑功能网络[10-12]。其次对脑网络选择合理稀疏度范围为0.2～0.4，步长为0.02进行二值化，得到每个频段每个网络密度下对应的二值网络。接下来将二值矩阵导入Brain Connectivity Toolbox中计算网络全局属性和局部属性以及对应的AUC值。然后选择K-S检验挑选存在全局和局部差异显著的特征（p＜0.05），使用选出来的显著特征去训练随机森林（RF）、决策树（DT）、支持向量机（SVM）以及自适应提升（AdaBoost）分类器[13]，采用八折交叉验证分类，选取十次的平均值作为最终的分类结果，根据分类结果探索精分疾病组与健康对照组之间的脑区差异，并分析患者治疗前后的脑区变化及显著特征与panss分和用药量之间的相关性。

2.2  边的测量——PLV

采用相位锁值度量脑电信号之间的相位同步性。由于被试在采集脑电信号过程中会受到外界的干扰，而且自身的因素也会对信号产生影响，导致信号瞬时变化并且信噪比低。因为PLV是量化平均相位差的，能够单独分析相位成分，因此使用PLV作为连接指标。PLV如式（2）所示：

（2）

在式（2）中，t表示时间点，Δt表示采样周期，N表示每个信号的采样点数，φx（t），φy（t）为信号的相位值。

2.3  网络属性

使用BCT（Brain Connectivity Toolbox）求取网络的六种全局属性：同配系数、模块化指数、平均局部效率、特征路径长度、平均聚类系数和全局效率[14，15]；以及四种局部属性：节点度、节点介数、聚类系数和局部效率来分析首发精分疾病组和健康控制组、首发精分疾病组和入院治疗八周的精分患者的脑网络全局和局部属性差异[16]。

2.3.1  平均聚类系数

节点的聚类系数表示该节点的邻居间互为邻居的概率。度量相邻两节点之间邻居的重合度。平均聚类系数如式（3）所示：

（3）

在式（3）中，E表示节点i的邻接节点的连边数，节点i的度为ki。

2.3.2  特征路径长度

特征路径长度指网络中所有节点对之间所有最短路径长度的平均值。特征路徑长度如式（4）所示：

（4）

在式（4）中，N表示节点总数，dij表示节点i和节点j之间的距离。

2.3.3  节点度

节点度指连接到该节点的边的总和。节点i的度Ki如式（5）所示：

（5）

在式（5）中，aij表示节点i和节点j之间存在连接。

3  实验与讨论

3.1  实验数据

103名首发精神分裂症患者均来自合作的北京回龙观医院精神病学研究中心，符合美国精神障碍诊断和统计手册（DSM-IV）精神分裂症研究诊断标准，患者在过去的6个月均无药物滥用或其他神经精神病学诊断的历史。92名健康对照均从社区中招募，纳入标准为根据90项症状自评量表（SCL-90R）无神经或精神疾病史，且目前无精神共病。患者组年龄范围为20～50岁，平均年龄为30.553岁，健康组年龄范围为20～48岁，平均年龄为30.554岁。其中，对23名首发精神分裂症患者进行收院治疗，在治疗八周时间后，对他们又进行了一次采集脑电，针对这23名精分患者在入院治疗八周后的脑电信号也进行了分析。

3.2  数据采集与预处理

数据采集由合作的北京回龙观医院精神病学研究中心完成，实验中采用NeuroScan公司的64导电极帽，采样频率为1 000 Hz，阻抗保持在低于5 kΩ，接地电极为AFz，参考电极物理连接在左、右侧乳突，垂直眼电记录将电极放置在左眼的上、下方，水平眼电记录将电极放置在右眼眼眶边缘。

预处理先将原始采集到的脑电信号导入eeglab，定位电极使用默认的BESA电极模板；删除记录水平眼电和垂直眼电的电极数据；重参考选用平均电极；选择1 Hz的高通滤波以及50 Hz的低通滤波，为了消除工频干扰，使用50 Hz的凹陷滤波；因为脑电采集设备使用的采样率是1 000 Hz，重采样到500 Hz；用ICA独立成分分析去除眼动和肌电干扰；对坏导进行插值，剔除坏段；最后保存预处理后的59导脑电数据。为了讨论不同频段的差异，将脑电信号分为五个频段，分别为δ（1 Hz～3 Hz）、θ（4 Hz～7 Hz）、α（8 Hz～12 Hz）、β（13 Hz～30 Hz）、γ（31 Hz～49 Hz）[17]。在59通道的脑电信号中以8秒为时间间隔进行分段，对每段均使用Douglas Peucker算法提取代表性采样点。然后将各段代表性采样点进行拼接作为最终的脑电信号。

3.3  评价指标

实验采用准确率来评价分类效果。准确率如式（6）所示：

（6）

在式（6）中，TP表示真正类，TN表示真负类，FP表示假正类，FN表示假负类。Acc表示准确率。

3.4  实验结果分析

3.4.1  首发精分疾病组与健康控制组全局属性分析

针对不同网络密度下的二值网络提取网络的全局属性和局部属性值进行分析。对两组在各个频段各个网络密度下求取的六种全局属性做K-S检验，使用挑选出来的显著网络密度范围内的全局属性作为特征进行分类。

两组一共有195个被试，对不同频段下单个差异显著的全局特征使用八折交叉验证，训练集和测试集的比例是7：3，则训练集有136个被试，测试集有59个被试。θ频段下各个差异显著的全局特征的分类准确率如图1所示。

由图1可知，θ频段下构建的脑网络的全局属性的分类准确率在70%～80%，几乎所有全局属性的分类效果都基本相同。

3.4.2  首发精分疾病组与健康控制组局部属性分析

脑网络的每种局部属性对应有59个值，融合11个网络密度计算曲线下面积AUC来表征局部属性的整体特性。将两组对应的每种局部属性在网络密度范围内的AUC值进行K-S检验，选出每种局部属性的显著节点，将节点相应局部属性AUC值进行拼接得到特征输入到分类器中去分类。θ、β、δ频段四个局部属性的分类结果分别如图2、图3、图4所示。

由图2可知，根据较高的分类准确率，得出θ频段的局部属性分析重点是聚类系数和局部效率。由图3可知，得出β频段的局部属性分析重点是节点度、节点介数和局部效率。由图4可知，得出δ频段的局部属性分析重点是节点度和聚类系数。

3.4.3  局部属性的重点节点在59通道电极图中的位置

首发精分疾病组与健康对照组在β、θ和δ频段的局部属性分析重点节点如表1所示。

由表1可知，上述局部属性分析的重点节点在β频段的节点度、节点介数和局部效率均差异的节点为FP1、AF7。δ频段节点度和聚类系数均差异的节点为T7、AF7。θ频段聚类系数和局部效率均差异的节点为F7、Fz、F8、FC6、C4、T8、CP2、CP6、P8、AF7、AF8、FT7、FT8、C6、CP4。然后在电极图中找到各个频段差异显著的节点所在的脑区，电极图如图5所示。

由图5可知，在59通道电极图中找到上述各个频段重点节点的分布位置可知，β、δ频段差异显著的电极分布在左侧额叶区，而θ频段差异显著的电极集中在右侧颞叶区和额叶区。众所周知，额叶区与人的精神、情绪和思维有关，而颞叶主要负责语言的理解，同时还与记忆和情感有关，这和精神分裂症患者存在信息处理、记忆认知等障碍的结论是一致的。

3.4.4  首发精分疾病组与其治疗八周后局部属性分析

对首发精分疾病组与其治疗八周后的脑电数据进行分析，得到α频段、γ频段和θ频段的局部属性分析的重点节点如表2所示。

在59导电极图中找到上述表中患者治疗前后的显著节点所在的脑区。根据图5可以得知，患者治疗前后在α频段差异显著的电极基本在全脑皮层都有分布。θ频段基本没有差异显著的电极。而γ频段差异显著的电极主要集中在左侧额叶区和枕叶区。这表明静息态脑电高频段的脑网络拓扑与精神分裂症的相关性较高。进一步说明额叶区、枕叶区和颞叶区是精神分裂症的主要发病脑区。

3.4.5  显著特征与量表得分和用药量的相关性分析

利用皮尔逊相关性分析计算了患者组的聚类系数与量表得分（PANSS）和用药量之间的相关性。如图6所示，精神分裂症患者的用药量与量表得分组合而成的散点分别由蓝色和红色小点表示，而红色直线和蓝色直线是对应颜色的散点的拟合。r代表相关性，p代表显著性。

由图6可知，聚类系数与量表得分存在显著（p=0.038 1）的正相关关系（r=0.539 11）。与用药量没有显著性相关关系（p＞0.05）。

4  结  论

现代社会存在着很多心理疾病，例如精神分裂症、抑郁症、轻度认知障碍以及阿尔茨海默病等，这些疾病都严重影响了人们的身体健康和生活水平，而且传统的专家诊断的效率又很低，因此能够尽早地发现病灶并且迅速地诊断疾病是非常重要的。本文使用复杂网络方法分析了首发精分疾病组与健康对照组的全局和局部网络属性，并根据显著特征进行分类。探索了两组的差异脑区从而发现精神分裂症的病灶。为临床专家提供有效帮助。同时研究了患者用药治疗前后的脑区变化，并将显著特征与量表得分和用药量做了相关性分析。实验结果表明，首发精分患者的额叶和颞叶受到损伤，不同于健康对照，经过用药八周治疗后额叶有所改善，颞叶和额叶无太大改善。同时患者的显著特征与量表得分具有显著相关性，而与用药量无显著相关性。

参考文献：

[1] TRAJKOVIC J，GREGORIO F D，FERRI F，et al. Publisher Correction：Resting State Alpha Oscillatory Activity is a Valid and Reliable Marker of Schizotypy [J].Scientific Reports，2021，11（1）：13487.

[2] 梁佳琳，謝烨，库逸轩.精神分裂症的脑网络特征与症状的联系 [J].生理学报，2021，73（3）：446-458.

[3] 孙丽婷，阴桂梅，谭淑平，等.精神分裂症患者工作记忆EEG功能网络属性分析 [J].计算机工程与应用，2017，53（12）：25-30.

[4] 李宇驰，李海芳，介丹，等.基于复杂网络的情感脑电相位同步性分析 [J].计算机工程与应用，2017，53（18）：230-235.

[5] 付荣荣，米瑞甫，王涵，等.基于脑功能网络的脑疲劳状态检测研究 [J].计量学报，2021，42（11）：1528-1533.

[6] YAO L，LI F，LIU J K，et al. Correction：Functional Brain Networks in Never-Treated and Treated Long-Term ILL Schizophrenia Patients [J].Neuropsychopharmacology，2020，45（8）：1406.

[7] ZAREI R，HE J，SIULY S，et al. Exploring Douglas-Peucker Algorithm in the Detection of Epileptic Seizure from Multicategory EEG Signals [J].BioMed Research International，2019，2019：1-19.

[8] FRASCHINI M，DEMURU M，CROBE A，et al. The Effect of Epoch Length on Estimated EEG Functional Connectivity and Brain Network Organisation [J].Journal of Neural Engineering，2016，13（3）：1-10.

[9] 姚蓉，杨雄，杨鹏飞，等.精分EEG脑网络同步稳定性研究 [J].计算机工程与应用，2019，55（5）：60-64.

[10] 黄嘉爽，接标，丁卫平，等.脑网络分析方法及其应用 [J].数据采集与处理，2021，36（4）：648-663.

[11] 张冰涛，周文颖，李延林，等.基于脑功能网络的抑郁症识别研究 [J].生物医学工程学杂志，2022，39（1）：47-55.

[12] 朱岩，李斌，杨越琪，等.复杂网络在精神分裂症患者脑功能分析中的应用综述 [J].现代仪器与医疗，2021，27（3）：89-92.

[13] 罗渠，冯静雯，赖虹宇，等.精神分裂症和抑郁症患者静息态脑电分类 [J].计算机工程与应用，2021，57（13）：138-146.

[14] 许学添，万晓辉，陈丹.一种基于复杂网络特征指标的脑电图信号分析方法：202010093996.0 [P].2020-06-05.

[15] 季淑梅，步鑫鑫，荀兴苗，等.高特质焦虑个体执行控制功能及其脑网络研究 [J].中国生物医学工程学报，2021，40（3）：272-279.

[16] 张振兴，吴亚东，廖竞，等.探索功能性脑网络差异的可视分析系统设计与实现 [J].计算机测量与控制，2021，29（1）：220-226.

[17] 王中阳，信俊昌，汪新蕾，等.多频段脑功能网络融合的阿尔茨海默病分类 [J].小型微型计算机系统，2021，42（1）：208-212.

作者简介：席鑫花（1997—），女，汉族，山西文水人，硕士研究生在读，研究方向：智能數据分析与应用；通讯作者：阴桂梅（1975—），女，汉族，山西太原人，副教授，博士，研究方向：智能数据分析与应用。

收稿日期：2022-11-04