詞語(yǔ)識(shí)別認(rèn)知過(guò)程中的腦功能網(wǎng)絡(luò)研究

摘 ?要： 詞語(yǔ)識(shí)別是心理語(yǔ)言學(xué)研究領(lǐng)域的一個(gè)重要方面，基于腦功能網(wǎng)絡(luò)連接模式的研究有助于對(duì)其神經(jīng)機(jī)制的揭示。本文基于開(kāi)源詞語(yǔ)識(shí)別fMRI實(shí)驗(yàn)數(shù)據(jù)，首先利用人腦解剖學(xué)模板AAL分別構(gòu)建真詞試驗(yàn)時(shí)和輔音字符串試驗(yàn)時(shí)的腦功能網(wǎng)絡(luò)，然后采用圖論分析中的度中心性對(duì)AAL中的90個(gè)腦區(qū)進(jìn)行活躍度度量，最后使用T檢驗(yàn)對(duì)兩種試驗(yàn)條件下各腦區(qū)的活躍度進(jìn)行了統(tǒng)計(jì)對(duì)比。實(shí)驗(yàn)結(jié)果顯示，真詞試驗(yàn)時(shí)腦功能網(wǎng)絡(luò)中分布在距狀裂周圍皮層、舌回、枕上回、枕中回、枕下回、頂上回的9個(gè)腦區(qū)的度中心性顯著高于輔音字符串試驗(yàn)時(shí)的情況。實(shí)驗(yàn)結(jié)果表明，人腦在識(shí)別具有語(yǔ)義信息的詞語(yǔ)時(shí)，大腦皮層的各個(gè)區(qū)域更加趨于協(xié)作，顯著活躍的腦區(qū)能夠作為詞語(yǔ)識(shí)別進(jìn)一步研究的生物標(biāo)記。

關(guān)鍵詞： 詞語(yǔ)識(shí)別;腦功能網(wǎng)絡(luò);圖論分析;度中心性

中圖分類號(hào)： TP391. 41 ? ?文獻(xiàn)標(biāo)識(shí)碼： A ? ?DOI：10.3969/j.issn.1003-6970.2019.12.025

本文著錄格式：何享，張笑非. 詞語(yǔ)識(shí)別認(rèn)知過(guò)程中的腦功能網(wǎng)絡(luò)研究[J]. 軟件，2019，40（12）：110114

Research on Functional Brain Network in Cognitive Process of Word Recognition

HE Xiang1， ZHANG Xiao-fei2，3*

（1. School of Foreign Language， Jiangsu University of Science and Technology， Zhenjiang 212003， China;

2. Faculty of Information， Beijing University of Technology， Beijing 100124， China;

3. School of Computer， Jiangsu University of Science and Technology， Zhenjiang 212003， China）

【Abstract】： Word recognition is an important aspect in the field of psycholinguistic research. The research based on connectivity pattern of functional brain network is helpful to reveal its neural mechanism. Based on the fMRI experimental data of open source word recognition， the brain anatomical template of AAL was used to construct the functional brain networks of real word trials and the consonant string trials respectively. Degree centrality in graph theoretical analysis was adopted to measure the activities of the 90 brain regions in the AAL. The activities of each brain region under the two trials were statistically compared with T-test at last. The experimental results showed that the degree centralities of nine brain regions distributed in cerebral cortex， including calcarine cortex， lingual gyrus， occipital superior gyrus， occipital middle gyrus， occipital inferior gyrus and parietal superior gyrus during real word trials， are significantly higher than those during consonant string trials. The final results indicate that when human brain recognizes words with semantic information， the various regions of the cerebral cortex tend to have a more integrating collaboration， and the significantly active brain regions can be used as biomarkers for further research on word recognition.

【Key words】： Word recognition; Functional brain network; Graph theoretical analysis; Degree centrality

0 ?引言

人腦詞語(yǔ)識(shí)別的神經(jīng)機(jī)制是認(rèn)知研究領(lǐng)域一個(gè)非常具有挑戰(zhàn)性的問(wèn)題。在詞語(yǔ)識(shí)別的認(rèn)知過(guò)程中，大腦會(huì)在幾分之一秒內(nèi)從大量的存儲(chǔ)區(qū)域中檢索當(dāng)前詞語(yǔ)的信息，并以極其靈活的方式對(duì)這些信息進(jìn)行組合。基于人腦語(yǔ)言處理經(jīng)典神經(jīng)學(xué)模型的研究，發(fā)現(xiàn)有助于詞語(yǔ)識(shí)別的神經(jīng)網(wǎng)絡(luò)只涉及少數(shù)的一些腦區(qū)，例如左下額葉，左下顳，角回等腦區(qū)[1-3]。許多研究基于視覺(jué)呈現(xiàn)的詞語(yǔ)識(shí)別實(shí)驗(yàn)收集數(shù)據(jù)并進(jìn)行了分析。有研究發(fā)現(xiàn)變化的詞頻與左側(cè)梭形回，雙側(cè)下額回和雙側(cè)島葉的激活呈負(fù)相關(guān)，表明詞頻可影響人腦詞語(yǔ)處理的多個(gè)方面[4]。文獻(xiàn)[5]通過(guò)三種不同語(yǔ)言的母語(yǔ)被試進(jìn)行了實(shí)驗(yàn)，證實(shí)了心理語(yǔ)言學(xué)中的正字法拼寫深度（orthographical depth）對(duì)視覺(jué)詞語(yǔ)識(shí)別的影響。文獻(xiàn)[6]研究了視覺(jué)詞語(yǔ)識(shí)別的抑制和促進(jìn)現(xiàn)象，并發(fā)現(xiàn)前額葉對(duì)正字拼寫法鄰域尺寸效應(yīng)（orthographic neighborhood size effect）的作用。腦功能網(wǎng)絡(luò)（Functional Brain Network， FBN）是近年來(lái)用于研究大腦工作機(jī)制的一種常用方法，有研究指出，功能網(wǎng)絡(luò)會(huì)受到結(jié)構(gòu)連接的約束，認(rèn)知任務(wù)期間的上下文敏感的集成會(huì)導(dǎo)致結(jié)構(gòu)和功能網(wǎng)絡(luò)之間的分歧，基于靜態(tài)結(jié)構(gòu)連接的動(dòng)態(tài)功能網(wǎng)絡(luò)需要給出神經(jīng)信息處理的一種形式化方法[7]。本文將在大腦解剖模板上研究詞語(yǔ)識(shí)別認(rèn)知過(guò)程中的腦功能網(wǎng)絡(luò)，對(duì)其神經(jīng)機(jī)制進(jìn)行探索和理解。

1 ?腦功能網(wǎng)絡(luò)構(gòu)建

本研究使用了OpenfMRI（https：//openfmri.org/ dataset）開(kāi)源數(shù)據(jù)平臺(tái)中‘詞語(yǔ)與對(duì)象處理項(xiàng)目[8]的開(kāi)放fMRI數(shù)據(jù)集。如圖1所示，該認(rèn)知心理實(shí)驗(yàn)中共包括4種試驗(yàn)類型（trial type），分別是真詞、輔音字符串、目標(biāo)圖片、加擾目標(biāo)圖片。實(shí)驗(yàn)過(guò)程中通過(guò)不同類別試驗(yàn)的隨機(jī)交替出現(xiàn)，誘發(fā)被試對(duì)真詞和輔音字符串進(jìn)行詞語(yǔ)識(shí)別、以及對(duì)目標(biāo)圖片

圖1 ? 開(kāi)源fMRI數(shù)據(jù)心理實(shí)驗(yàn)中的四種試驗(yàn)條件

Fig.1 ?The four trial conditions of psychological experiment in open source fMRI data

和加擾目標(biāo)圖片進(jìn)行目標(biāo)識(shí)別。試驗(yàn)中出現(xiàn)的刺激材料是變化的，每次試驗(yàn)用的真詞和輔音字符串分別是從經(jīng)過(guò)實(shí)驗(yàn)設(shè)計(jì)的真詞庫(kù)和輔音字符串庫(kù)里進(jìn)行隨機(jī)選擇，目標(biāo)圖片也是同樣的情況，加擾目標(biāo)圖片是對(duì)目標(biāo)圖片庫(kù)中的圖片進(jìn)行切割和隨機(jī)拼接獲得的圖片。由于詞語(yǔ)識(shí)別是本文的研究重點(diǎn)，因此，該實(shí)驗(yàn)fMRI數(shù)據(jù)中屬于真詞試驗(yàn)和輔音字符串試驗(yàn)的時(shí)間切片是分析的對(duì)象。

腦功能網(wǎng)絡(luò)是將人腦中受關(guān)注的腦區(qū)看作成節(jié)點(diǎn)，每對(duì)腦區(qū)之間是否存在邊則根據(jù)它們之間的活動(dòng)相關(guān)性是否顯著來(lái)決定，由這些節(jié)點(diǎn)和存在的邊構(gòu)成的圖就是腦功能網(wǎng)絡(luò)。如圖2所示，AAL（Automated Anatomical Labeling）[9]模板是由蒙特利爾神經(jīng)學(xué)研究所（Montreal Neurological Institute， MNI）定義的一個(gè)人腦解剖學(xué)模板，這個(gè)模板包含116個(gè)解剖學(xué)腦區(qū)，由于其中的26個(gè)腦區(qū)屬于小腦部分，因此剩余90個(gè)屬于大腦的腦區(qū)被更多的用于研究。此外，AAL2[10]是在AAL的基礎(chǔ)上對(duì)眶額皮質(zhì)進(jìn)行了新的分割。最新的AAL3[11]定義也正在提交審核中，它在AAL2的基礎(chǔ)上通過(guò)增加一些腦核對(duì)前扣帶、丘腦腦區(qū)進(jìn)行了新的分割。考慮到AAL目前應(yīng)用得相對(duì)廣泛一些，本文就以AAL中涉及大腦的90個(gè)腦區(qū)來(lái)構(gòu)建腦功能網(wǎng)絡(luò)。

圖2 ?大腦解剖模板AAL

Fig.2 ?The brain anatomical atlas of AAL

由于AAL中的腦區(qū)是基于解剖學(xué)進(jìn)行定義的，可以將形狀不規(guī)則的解剖學(xué)區(qū)域在邏輯上看作是一個(gè)節(jié)點(diǎn)，此時(shí)節(jié)點(diǎn)的信號(hào)則需要考慮到該解剖學(xué)區(qū)域中所有體素的信號(hào)，例如對(duì)腦區(qū)內(nèi)所有的體素信號(hào)求平均。如圖3（a）所示，本文采取的是另一種策略，即取AAL每個(gè)解剖學(xué)腦區(qū)的中心MNI坐標(biāo)為圓心，取特定半徑、例如5 mm的球形作為該區(qū)域在腦功能網(wǎng)絡(luò)中的節(jié)點(diǎn)。此時(shí)節(jié)點(diǎn)的信號(hào)是對(duì)球形所包含的所有體素的信號(hào)求平均，并且為了用于計(jì)算腦區(qū)之間的活躍相關(guān)性，需要對(duì)平均后的信號(hào)進(jìn)行歸一化處理。

圖3 ?詞語(yǔ)識(shí)別認(rèn)知過(guò)程中的腦功能網(wǎng)絡(luò)

Fig.3 ?The functional brain network in the

cognitive process of word recognition

腦區(qū)之間的邊通常是腦區(qū)活動(dòng)相關(guān)性的表現(xiàn)，即兩個(gè)腦區(qū)之間的相關(guān)性越高，表示這兩個(gè)腦區(qū)之間邊的權(quán)重越高。計(jì)算腦區(qū)之前的相關(guān)性一般使用的是Pearson相關(guān)系數(shù)，其值域?yàn)閇–1，1]，由于負(fù)相關(guān)的邊在心理語(yǔ)言學(xué)上沒(méi)有足夠的理論進(jìn)行解釋，所以這里只關(guān)注相關(guān)系數(shù)為正值的邊，即關(guān)注的邊的值域?yàn)椋?，1]。此外，不同權(quán)值的正邊在腦功能網(wǎng)絡(luò)中的作用存在差別，這里會(huì)利用Pearson相關(guān)系數(shù)計(jì)算時(shí)產(chǎn)生的P值作為邊是否存在的依據(jù)，即顯著相關(guān)的正邊認(rèn)為是存在的，不顯著相關(guān)的正邊是不存在的。本文選擇P值的顯著性水平α值為0.05，因此，如圖3（b）所示，只有Pearson相關(guān)系數(shù)的顯著性P值小于α值的正邊認(rèn)為是存在的。

2 ?腦區(qū)活躍度分析

腦功能網(wǎng)絡(luò)中腦區(qū)的活躍度可以基于圖論分析中的指標(biāo)進(jìn)行度量，在圖論和網(wǎng)絡(luò)分析中，中心性指標(biāo)能夠用來(lái)識(shí)別圖中最重要的頂點(diǎn)。度中心性是圖論中心性指標(biāo)中的一個(gè)典型指標(biāo)，能夠量化一個(gè)腦區(qū)與其它腦區(qū)之間存在的邊的數(shù)量。一個(gè)腦區(qū)的度中心性越高，說(shuō)明與它進(jìn)行協(xié)作的其它腦區(qū)也越多，那么該腦區(qū)在腦功能網(wǎng)絡(luò)中的重要性和活躍度也越高。

定義1 ?是一個(gè)二元組，表示的是腦功能網(wǎng)絡(luò)。其中是腦功能網(wǎng)絡(luò)中所有腦區(qū)構(gòu)成的集合，是腦功能網(wǎng)絡(luò)中存在的邊構(gòu)成的集合。

定義2 ?，表示的是腦區(qū)在腦功能網(wǎng)絡(luò)中的中心性，其中是腦區(qū)在腦功能網(wǎng)絡(luò)中所有鄰居腦區(qū)構(gòu)成的集合，是腦區(qū)鄰居腦區(qū)的總數(shù)，是腦功能網(wǎng)絡(luò)中的腦區(qū)總數(shù)。

圖4（a）給出的是腦功能網(wǎng)絡(luò)的腦區(qū)Pearson相關(guān)系數(shù)顯著度P值矩陣，圖4（b）是取顯著性水平α值得到的二值矩陣，其中不包含對(duì)角線的上三角或下三角中為黑色的單元表示行和列對(duì)應(yīng)的腦區(qū)之間存在邊。在基于圖論的腦功能網(wǎng)絡(luò)分析中，需要考慮到計(jì)算得到的Pearson相關(guān)矩陣存在統(tǒng)計(jì)學(xué)中的假陽(yáng)性的問(wèn)題，即矩陣中部分邊是不存在的。對(duì)于這個(gè)潛在的問(wèn)題，一般會(huì)采用兩種方法進(jìn)行校正，一種是Bonferroni校正，另一種是FDR（False Discovery Rate）校正，圖4（b）、4（c）、4（d）分別是是沒(méi)有經(jīng)過(guò)校正、經(jīng)過(guò)Bonferroni校正和經(jīng)過(guò)FDR校正的結(jié)果。將Bonferroni校正應(yīng)用于腦功能網(wǎng)絡(luò)時(shí)，一般就是將顯著性水平α值除以腦功能網(wǎng)絡(luò)‘滿圖（full graph）時(shí)邊的總數(shù)，并將求得的商作為行的顯著性水平α值作為邊是否存在的閾值。Bonferroni方法過(guò)于嚴(yán)格，導(dǎo)致最后產(chǎn)生的腦功能網(wǎng)絡(luò)中的邊過(guò)少，可能導(dǎo)致圖論分析的度量值過(guò)低，進(jìn)行統(tǒng)計(jì)比較時(shí)在值域上沒(méi)有明顯的區(qū)分度。另一種校正方法是FDR，相較于Bonferroni是一種較為折中的方法，文獻(xiàn)[12]中給出了詳細(xì)的算法流程，最后產(chǎn)生的腦功能網(wǎng)絡(luò)的邊的規(guī)模在一個(gè)相對(duì)合理的范圍內(nèi)。

圖4 ?詞語(yǔ)識(shí)別認(rèn)知過(guò)程中的功能連接矩陣及其二值化

Fig.4 ?The functional connectivity matrix and its binarization in the cognitive process of word recognition

3 ?實(shí)驗(yàn)與討論

實(shí)驗(yàn)的代碼設(shè)計(jì)和實(shí)現(xiàn)是基于Python及相關(guān)的開(kāi)發(fā)包完成的，包括利用Nibabel（https：//github. com/nipy/nibabel）進(jìn)行基本的fMRI神經(jīng)影像操作、利用Numpy（https：//github.com/numpy/numpy）和NetworkX（http：//networkx.github.io/）完成矩陣計(jì)算和網(wǎng)絡(luò)指標(biāo)計(jì)算、利用MNE[13]（https：//github.com/ mne-tools/mne-python）完成Bonferroni和FDR校正、利用Matplotlib[14]（https：//matplotlib.org/）和Nilearn[15] （https：//nilearn.github.io/）完成可視化計(jì)算。

表1 ?假陽(yáng)性校正方法與活躍腦區(qū)數(shù)量的關(guān)系

Tab.1 ?The relationship between false positive correction methods and the number of active brain regions

假陽(yáng)性

校正方法 活躍性顯著變化

的腦區(qū)數(shù)量 左右腦

數(shù)量分布

無(wú)校正 8 6/2

Bonferroni 3 2/1

FDR 9 6/3

圖5 ?假陽(yáng)性校正方法與活躍腦區(qū)的分布

Fig.5 ?The false positive correction methods and the corresponding distribution of active brain regions

由于實(shí)驗(yàn)數(shù)據(jù)集包含45名被試的詞語(yǔ)識(shí)別數(shù)據(jù)，在不進(jìn)行假陽(yáng)性校正的情況下，真詞試驗(yàn)條件下和輔音字符串試驗(yàn)條件下分別會(huì)為AAL的每一個(gè)腦區(qū)計(jì)算出45個(gè)度中心性值。為了對(duì)比兩種試驗(yàn)條件下AAL中每個(gè)腦區(qū)是否在度中心性上存在顯著差異，所以需要對(duì)AAL的每個(gè)腦區(qū)進(jìn)行兩種試驗(yàn)條件下45個(gè)度中心性的統(tǒng)計(jì)檢驗(yàn)。結(jié)果如表1所示，無(wú)校正的情況下，兩種試驗(yàn)條件下AAL存在8個(gè)腦區(qū)的度中心性存在顯著差異。經(jīng)過(guò)Bonferroni和FDR校正后，AAL中分別存在3個(gè)腦區(qū)和9個(gè)腦區(qū)的度中心性存在顯著差異。無(wú)校正和Bonferroni校正時(shí)都會(huì)導(dǎo)致兩種試驗(yàn)條件下腦功能網(wǎng)絡(luò)的形態(tài)趨同，因此在指標(biāo)的統(tǒng)計(jì)上更為接近，而經(jīng)過(guò)FDR校正后，腦功能網(wǎng)絡(luò)的形態(tài)差異性較大，因此在指標(biāo)的統(tǒng)計(jì)上會(huì)發(fā)現(xiàn)更多存在顯著性差異的腦區(qū)。圖5給出了表1中三種假陽(yáng)性校正方法計(jì)算出的活躍性腦區(qū)在腦圖上的分布。

圖6 ?活躍度存在顯著差異的AAL腦區(qū)

Fig.6 ?The AAL brain regions with significant

differences in activity

圖6中給出了FDR校正后兩種試驗(yàn)條件下AAL腦功能網(wǎng)絡(luò)中存在顯著差異的9個(gè)腦區(qū)及其度中心性值?？梢钥吹?，這9個(gè)腦區(qū)在真詞試驗(yàn)條件下的度中心性都顯著高于輔音字符串條件下的度中心性，這說(shuō)明與這9個(gè)腦區(qū)存在協(xié)作的腦區(qū)數(shù)量更多，它們?cè)谧R(shí)別具有語(yǔ)義信息的真詞時(shí)更加活躍。

表2 ?詞語(yǔ)識(shí)別活躍腦區(qū)分布

Tab.2 ?The distribution of active brain regions

during word recognition

AAL編號(hào) 腦區(qū)名稱 左右腦分布

43 距狀裂周圍皮層 左

47/48 舌回 左/右

49 枕上回 左

51/52 枕中回 左/右

53 枕下回 左

59/60 頂上回 左/右

表2給出了圖5中相應(yīng)9個(gè)腦區(qū)在AAL模板中的編號(hào)、腦區(qū)名稱、以及在左右腦上的分布?？梢钥吹?，存在顯著差異的9個(gè)腦區(qū)中的其中6個(gè)都分布在左腦，文獻(xiàn)[16]中也提到了‘大多數(shù)人是右利手、語(yǔ)言更多由左腦進(jìn)行支配的學(xué)術(shù)觀點(diǎn)。此外，相關(guān)研究。9個(gè)腦區(qū)中有4個(gè)屬于枕葉，枕葉是哺乳動(dòng)物大腦的視覺(jué)處理中心，此外距狀裂周圍皮層是初級(jí)視覺(jué)皮層（V1）集中的地方，因此結(jié)果與實(shí)驗(yàn)是基于視覺(jué)的刺激方式存在很大的關(guān)系。同樣，舌回也是視覺(jué)皮層中的結(jié)構(gòu)，其在識(shí)別和識(shí)別單詞中起重要作用。頂葉在解釋感覺(jué)信息方面起著重要作用，非口頭語(yǔ)言（non-verbal language）在該區(qū)域進(jìn)行處理。

4 ?結(jié)束語(yǔ)

本文通過(guò)在開(kāi)源‘詞語(yǔ)與對(duì)象處理fMRI數(shù)據(jù)集上，利用AAL解剖學(xué)模板研究真詞試驗(yàn)條件下和輔音字符串試驗(yàn)條件下的腦功能網(wǎng)絡(luò)，通過(guò)計(jì)算和統(tǒng)計(jì)對(duì)比兩種試驗(yàn)條件下腦通能網(wǎng)絡(luò)的度中心性，發(fā)現(xiàn)有9個(gè)腦區(qū)在真詞試驗(yàn)條件下比輔音字符串試驗(yàn)條件下顯著活躍。說(shuō)明這9個(gè)腦區(qū)是人腦在進(jìn)行真詞識(shí)別時(shí)活躍度明顯的腦區(qū)。結(jié)果反映這9個(gè)腦區(qū)大多分布在枕葉，且相關(guān)文獻(xiàn)也發(fā)現(xiàn)了部分腦區(qū)是人腦處理詞語(yǔ)的區(qū)域，這與實(shí)驗(yàn)材料刺激方式是視覺(jué)詞語(yǔ)識(shí)別有很大的關(guān)系。當(dāng)然，目前的結(jié)果與解釋人腦詞語(yǔ)識(shí)別這個(gè)非常復(fù)雜的認(rèn)知過(guò)程神經(jīng)機(jī)制的本質(zhì)還有非常大的距離，但這9個(gè)腦區(qū)可以作為進(jìn)一步研究人腦詞語(yǔ)識(shí)別的生物標(biāo)記。

參考文獻(xiàn)

[1]Binder J R， Medler D A， Desai R， et al. Some neurophysiological constraints on models of word naming[J]. Neuroimage， 2005， 27（3）： 677-693.

[2]Bookheimer S. Functional MRI OF LANGUAGE： New approaches to understanding the cortical organization of semantic processing[J]. Annual Review of Neuroscience， 2002， 25（1）： 151-188.

[3]Price C J. The anatomy of language： contributions from functional neuroimaging[J]. Journal of Anatomy， 2000， 197： 335-359.

[4]Hauk O， Davis M H， Friedemann Pulvermüller. Modulation of brain activity by multiple lexical and word form variables in visual word recognition： A parametric fMRI study[J]. Neuroimage， 2008， 42（3）： 1185-1195.

[5]Frost R， Katz L， Bentin S. Strategies for Visual Word Recognition and Orthographical Depth： A Multilingual Comparison[J]. Journal of Experimental Psychology Human Perception & Performance， 1987， 13（1）： 104-115.

[6]Fiebach C J， Ricker B， Friederici A D， et al. Inhibition and facilitation in visual word recognition： Prefrontal contribution to the orthographic neighborhood size effect[J]. NeuroImage， 2007， 36（3）： 901-911.

[7]Park H J， Friston K. Structural and Functional Brain Networks： From Connections to Cognition[J]. Science， 2013， 342（6158）： 1238411-1238411.

[8]Duncan K J， Pattamadilok C， Knierim I， et al. Consistency and variability in functional localisers[J]. Neuroimage， 2009， 46（4）： 1018-1026.

[9]Tzouriomazoyer N， Landeau B， Papathanassiou D， et al. Automated anatomical labeling of activations in SPM using a macroscopic anatomical parcellation of the MNI MRI single-subject brain. [J]. Neuroimage， 2002， 15（1）： 273-289.

[10]Rolls E T， Joliot M， Tzourio-Mazoyer N. Implementation of a new parcellation of the orbitofrontal cortex in the automated anatomical labeling atlas[J]. Neuroimage， 2015， 122： 1-5.

[11]Rolls， E T， Huang， C C， Lin， C. -P， Feng， J， Joliot， M， Automated anatomical labelling atlas 3[EB/OL]. http：//www. gin.cnrs.fr/wp-content/uploads/aal3-user-guide-gin-imn.pdf

[12]Storey J D. False Discovery Rate[J]. International Encyclopedia of Statistical Science， 2011， 64（3）： 504-508.

[13]Gramfort A， Luessi M， Larson E， et al. MNE software for processing MEG and EEG data[J]. Neuroimage， 2014， 86（2）： 446-460.

[14]Barrett P， Hunter J， Miller J T， et al. matplotlib -- A Portable Python Plotting Package[C]// Astronomical Data Analysis Software & Systems XIV. 2005.

[15]Alexandre A， Fabian P， Michael E， et al. Machine learning for neuroimaging with scikit-learn[J]. Frontiers in Neuroinformatics， 2014， 8.

[16]Corballis M C， Badzakova-Trajkov G， H？Berling I S. Right hand， left brain： genetic and evolutionary bases of cerebral asymmetries for language and manual action[J]. Wiley Interdisciplinary Reviews： Cognitive Science， 2012， 3（1）： 1-17.