以腦電圖子序列特征向量為節(jié)點(diǎn)的腦網(wǎng)絡(luò)分析方法

楊雄 姚蓉 楊鵬飛 王哲 李海芳

摘 要：工作記憶復(fù)雜網(wǎng)絡(luò)分析方法大多數(shù)是以通道作為節(jié)點(diǎn)從空間的角度進(jìn)行分析，很少有從時(shí)間角度對(duì)通道網(wǎng)絡(luò)進(jìn)行分析。針對(duì)腦電圖（EEG）的高時(shí)間分辨率特性及時(shí)間序列分段較難的缺陷，提出一種從時(shí)間角度構(gòu)建網(wǎng)絡(luò)并對(duì)網(wǎng)絡(luò)進(jìn)行分析的方法。首先，利用微狀態(tài)將每個(gè)通道的EEG信號(hào)劃分成不同的子段作為網(wǎng)絡(luò)的節(jié)點(diǎn);其次，在子段中提取并選擇有效特征作為子段的特征，計(jì)算子段特征向量之間的相關(guān)性構(gòu)建通道時(shí)間序列復(fù)雜網(wǎng)絡(luò);最后，對(duì)所構(gòu)建網(wǎng)絡(luò)的屬性及相似性進(jìn)行分析，并在精神分裂癥患者EEG數(shù)據(jù)上進(jìn)行驗(yàn)證。實(shí)驗(yàn)結(jié)果表明，通過所提方法對(duì)精神分裂癥數(shù)據(jù)進(jìn)行分析，能夠充分利用EEG信號(hào)的時(shí)間特性從時(shí)間角度深入了解精神分裂癥病人工作記憶中構(gòu)建的時(shí)間序列通道網(wǎng)絡(luò)的特點(diǎn)，解釋了

精神分裂癥患者與正常人的顯著性差異。

關(guān)鍵詞：腦電圖;復(fù)雜網(wǎng)絡(luò);工作記憶;精神分裂癥;微狀態(tài)

中圖分類號(hào)：TP391.4

文獻(xiàn)標(biāo)志碼：A

文章編號(hào)：1001-9081（2019）04-1224-05

Abstract： Working memory complex network analysis methods mostly use channels as nodes to analyze from the perspective of space， while rarely analyze channel networks from the perspective of time. Focused on the high time resolution characteristics of ElectroEncephaloGraph （EEG） and the difficulty of time series segmentation， a method of constructing and analyzing network from the time perspective was proposed. Firstly， the microstate was used to divide EEG signal of each channel into different sub-segments as nodes of the network. Secondly， the effective features in the sub-segments were extracted and selected as the sub-segment effective features， and the correlation between sub-segment feature vectors was calculated to construct channel time sequence complex network. Finally， the attributes and similarity analysis of the constructed network were analyzed and verified on the schizophrenic EEG data. The experimental results show that the analysis of schizophrenia data by the proposed method can make full use of the time characteristics of EEG signals to understand the characteristics of time series channel network constructed in working memory of patients with schizophrenia from a time perspective， and explain the significant differences between patients and normals.

Key words： ElectroEncephaloGraph （EEG）; complex network; working memory; schizophrenia; microstate

0?引言

大腦是由無數(shù)神經(jīng)元構(gòu)成的，神經(jīng)元之間通過突觸連接傳遞信號(hào)，神經(jīng)元在傳遞信號(hào)時(shí)總是以最優(yōu)的方式進(jìn)行傳遞，當(dāng)大腦發(fā)生病變時(shí)這種最優(yōu)方式就會(huì)被破壞。神經(jīng)精神疾病的發(fā)生表明神經(jīng)元或神經(jīng)網(wǎng)絡(luò)出現(xiàn)了故障，而這種故障達(dá)到一定程度就會(huì)產(chǎn)生外在的宏觀表現(xiàn)，典型的就是腦電圖的改變。工作記憶是大腦在執(zhí)行認(rèn)知任務(wù)過程中對(duì)信息進(jìn)行暫時(shí)存儲(chǔ)和加工的資源有限系統(tǒng)，在人的復(fù)雜認(rèn)知活動(dòng)中起十分重要的作用，而精神分裂癥與一些認(rèn)知障礙如信息處理、工作記憶等聯(lián)系緊密。所以對(duì)精神神經(jīng)疾病的工作記憶腦電圖（ElectroEncephaloGraph， EEG）研究具有非常重要的價(jià)值。

腦電圖信號(hào)是診斷不同神經(jīng)障礙和疾病的重要工具[1]。根據(jù)文獻(xiàn)[2]研究結(jié)果表明，腦神經(jīng)元中的任何不規(guī)則活動(dòng)都會(huì)在腦電信號(hào)上留下特征。

腦電信號(hào)表現(xiàn)出非線性行為，有效的非線性方法之一是應(yīng)用復(fù)雜網(wǎng)絡(luò)的方法，并且復(fù)雜網(wǎng)絡(luò)對(duì)噪聲有較好的魯棒性[3]。在過去的十年中，人們?cè)絹碓疥P(guān)注使用復(fù)雜網(wǎng)絡(luò)來分析不同的時(shí)間序列[4-7]，通過研究復(fù)雜網(wǎng)絡(luò)的網(wǎng)絡(luò)屬性來分析時(shí)間序列的動(dòng)力學(xué)行為，但是大腦的功能活動(dòng)是一個(gè)動(dòng)態(tài)的過程，目前構(gòu)建的網(wǎng)絡(luò)只能刻畫某個(gè)時(shí)間段內(nèi)大腦功能活動(dòng)的拓?fù)浣Y(jié)構(gòu)，腦電圖具有較高的時(shí)間分辨率，同時(shí)腦電圖的空間分辨率卻相對(duì)較差，如何在更小的時(shí)間尺度上構(gòu)建網(wǎng)絡(luò)分析大腦隨時(shí)間變化的規(guī)律也變成了一個(gè)熱門問題。最早由Zhang等[8]提出對(duì)時(shí)間序列進(jìn)行分段，對(duì)偽周期時(shí)間序列構(gòu)建網(wǎng)絡(luò)，并對(duì)網(wǎng)絡(luò)的屬性進(jìn)行分析發(fā)現(xiàn)不同的時(shí)間序列生成不同網(wǎng)絡(luò)。Diykh等[9]的研究表明EEG信號(hào)的統(tǒng)計(jì)特征構(gòu)建的網(wǎng)絡(luò)屬性能反映EEG信號(hào)中的形態(tài)行為。但在對(duì)時(shí)間序列構(gòu)建網(wǎng)絡(luò)時(shí)最關(guān)鍵的是網(wǎng)絡(luò)節(jié)點(diǎn)的選擇，已有研究提出不同的網(wǎng)絡(luò)節(jié)點(diǎn)選擇方法，但都比較復(fù)雜或具有不確定性，如何對(duì)EEG數(shù)據(jù)進(jìn)行有效的分段并構(gòu)建網(wǎng)絡(luò)變成了關(guān)鍵問題。

為了解決上述問題，本文使用微狀態(tài)對(duì)EEG原始序列進(jìn)行分段，通過微狀態(tài)分段提高了分段的準(zhǔn)確性和有效性，有利于后續(xù)時(shí)間復(fù)雜網(wǎng)絡(luò)的構(gòu)建及分析。通過對(duì)時(shí)間序列網(wǎng)絡(luò)的構(gòu)建，能夠充分利用EEG信號(hào)的高時(shí)間分辨率特性，而不失傳統(tǒng)空間分析的特點(diǎn)。這為對(duì)多通道腦電信號(hào)的復(fù)雜網(wǎng)絡(luò)分析提供了一種新的思路。具體實(shí)驗(yàn)流程如圖1所示。

1?網(wǎng)絡(luò)構(gòu)建

1.1?數(shù)據(jù)采集及預(yù)處理

實(shí)驗(yàn)采用修改后的短時(shí)記憶掃描任務(wù)（Short-term Memory Scanning Task，SMST）實(shí)驗(yàn)范式[10]，圖2為實(shí)驗(yàn)范式流程。

數(shù)據(jù)集中20例為精神類病人，病人在過去6個(gè)月內(nèi)均無藥物濫用或神經(jīng)精神病學(xué)診斷的歷史。20名正常人作為對(duì)照組。兩組被試在年齡、性別、受教育程度方面沒有明顯差異，實(shí)驗(yàn)數(shù)據(jù)采集使用的是NeuroScan公司的64導(dǎo)電極帽，采樣頻率為500Hz，電極位置如圖3所示。

使用Matlab中的EEGlab包對(duì)EEG信號(hào)進(jìn)行預(yù)處理，采用0.5～50Hz帶通對(duì)信號(hào)進(jìn)行濾波，使用獨(dú)立成分分析（Independent Component Analysis， ICA）去除眼電、肌電等干擾，再根據(jù)實(shí)驗(yàn)中使用的Eprime產(chǎn)生的標(biāo)簽將腦電信號(hào)分為編碼階段、保持階段和檢索階段三個(gè)階段。使用小波變化（Wavelet Transform，WT）提取腦電信號(hào)的θ（4～7Hz）和α（7～14Hz）兩個(gè)波段。為接下來的分析做準(zhǔn)備。

1.2?節(jié)點(diǎn)選擇

腦電信號(hào)是非平穩(wěn)和非周期性信號(hào)，本研究使用微狀態(tài)[11]技術(shù)將腦電信號(hào)劃分成不同長(zhǎng)度的準(zhǔn)穩(wěn)定狀態(tài)子時(shí)間序列。在劃分微狀態(tài)時(shí)首先計(jì)算總體場(chǎng)功率（Global Field Power，GFP）。每個(gè)被試60個(gè)通道在t時(shí)刻的GFP值為：

1.3?特征提取及特征選擇

EEG信號(hào)的特點(diǎn)是有高的時(shí)間分辨率，其中會(huì)包含大量的冗余數(shù)據(jù)，有必要尋找更準(zhǔn)確的方法來降低腦電信號(hào)的維數(shù)，這樣既可以保留腦電信號(hào)中的重要信息，還可以消除冗余和不相關(guān)的數(shù)據(jù)，能更好地表示出每個(gè)子段的特征。

近年來針對(duì)不同EEG數(shù)據(jù)分析提出了各種特征提取和特征分類模型。在研究了文獻(xiàn)中常用的特征提取和分類算法后，特征提取中使用了在研究中常用的統(tǒng)計(jì)特征、非線性特征及熵特征三個(gè)不同類別的18個(gè)特征，分別為中位數(shù)、最大值、最小值、均值、方差、赫斯特系數(shù)、偏度、峰度、過零點(diǎn)個(gè)數(shù)、近似熵、模糊熵、樣本熵、第一四分位數(shù)、第二四分位數(shù)、第三四分位數(shù)、Petrosian分形維數(shù)、排列熵、Lempel-Ziv復(fù)雜度。圖5表示了EEG信號(hào)特征提取的過程。

在每段提取的特征中存在無關(guān)特征及冗余特征，為了從提取的特征中找出有效特征子集，基于本文實(shí)驗(yàn)特征集的特點(diǎn)，通過使用序列向前選擇（Sequential Forward Selection， SFS）選擇算法特征提取得到的特征集中選出最有效的特征子集。

本文使用的是序列向前選擇算法，特征子集X從空集開始，每次選擇一個(gè)特征x加入特征子集X，使得特征函數(shù)j（X）最優(yōu)，也就是說每次選擇一個(gè)使得特征函數(shù)j（X）最優(yōu)的特征加入，最終獲得最優(yōu)特征j（X）時(shí)的特征子集X作為特征子序列的關(guān)鍵特征，其中j（X）函數(shù)為支持向量機(jī)（Support Vector Machine， SVM）分類準(zhǔn)確率。通過實(shí)驗(yàn)驗(yàn)證特征子集{方差、Lempel-Ziv復(fù)雜度、模糊熵、偏度、峰度、樣本熵、排列熵、均值}認(rèn)為是能夠很好地表征腦電信號(hào)的關(guān)鍵特征。

特征選擇偽代碼：

1.4?邊的構(gòu)建

xm表示第m個(gè)向量的平均值。

通過計(jì)算各子序列特征向量之間的皮爾遜相關(guān)系數(shù)可以得到每個(gè)通道網(wǎng)絡(luò)的鄰接矩陣，參照文獻(xiàn)[12]中關(guān)于人腦的小世界特性的相關(guān)研究成果，選擇合理的稀疏度范圍為12%～40%，步長(zhǎng)為2%，進(jìn)而可以得到每個(gè)通道對(duì)應(yīng)稀疏度下的二值矩陣。在構(gòu)建網(wǎng)絡(luò)時(shí)對(duì)每個(gè)人的每個(gè)通道分別構(gòu)建網(wǎng)絡(luò)，便于后續(xù)的分析。網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)根據(jù)微狀態(tài)的分割數(shù)不同而不同，同一個(gè)人不同通道構(gòu)建的網(wǎng)絡(luò)的節(jié)點(diǎn)數(shù)是相同的。圖6為正常人3號(hào)通道在32%稀疏度下計(jì)算皮爾遜相關(guān)系數(shù)第四子序列與其他子序列的連接情況。

2?網(wǎng)絡(luò)分析與討論

2.1?網(wǎng)絡(luò)屬性分析

為了揭示原系統(tǒng)的微觀動(dòng)力學(xué)機(jī)制和統(tǒng)計(jì)性質(zhì)意義，深入了解每個(gè)人每個(gè)電極構(gòu)建的時(shí)間序列的網(wǎng)絡(luò)特征，本文分析了平均聚類系數(shù)、全局效率、平均局部效率、模塊值及平均路徑長(zhǎng)度五種網(wǎng)絡(luò)屬性[13]。

通過求各通道網(wǎng)絡(luò)的平均聚類系數(shù)、全局效率、平均局部效率、模塊值及平均路徑長(zhǎng)度屬性，并對(duì)所求屬性進(jìn)行t檢驗(yàn)，發(fā)現(xiàn)在網(wǎng)絡(luò)稀疏度為30%～36%時(shí)通道FP2、AF4、PO3、POz網(wǎng)絡(luò)屬性差異性顯著，這與孫麗婷等[14]的研究相一致，并且差異性屬性為聚類系數(shù)、平均局部效率以及平均路徑長(zhǎng)度。

通過對(duì)稀疏度為32%的網(wǎng)絡(luò)屬性進(jìn)行比較，發(fā)現(xiàn)正常人通道FP2、AF4、PO3、POz所構(gòu)建的網(wǎng)絡(luò)的平均路徑長(zhǎng)度、平均聚類系數(shù)和平均局部效率有明顯差異，其中病人相對(duì)于正常人的網(wǎng)絡(luò)平均聚類系數(shù)和平均局部效率變小，而病人的平均路徑長(zhǎng)度相對(duì)于正常人變大，32%網(wǎng)絡(luò)稀疏度正常對(duì)照組與患者不同通道網(wǎng)絡(luò)屬性值的比較如圖8所示。

2.2?網(wǎng)絡(luò)相似性分析

通過式（3）～（4）計(jì)算通道網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)的相似性，得到網(wǎng)絡(luò)相似性關(guān)系矩陣。為了消除個(gè)體之間的差異，分別將所有正常人與病人的相似性矩陣求平均，得到10個(gè)正常人的60個(gè)通道相似性平均矩陣（見圖9（a））和10個(gè)病人的60個(gè)通道相似性平均矩陣（見圖9（b）），圖中顏色越深表示節(jié)點(diǎn)之間的相似性越高，顏色越淺表示節(jié)點(diǎn)之間的相似性越低。

從圖9可看出無論是正常人還是病人，其相似性較高的節(jié)點(diǎn)都位于矩陣的左上角及右下角，說明正常人與病人在整體上相似性較高的節(jié)點(diǎn)的位置是一致的，但從整體來看相似性矩陣時(shí)，正常人相似性矩陣比病人相似性矩陣顏色更深一些，說明正常人各節(jié)點(diǎn)之間的相似性比病人更高些，從局部來看，正常人右上角及左下角的節(jié)點(diǎn)相似性相對(duì)于病人來說更高，也更集中，說明正常人相對(duì)于病人來說，在記憶過程中電極之間能更好地協(xié)同工作，網(wǎng)絡(luò)表現(xiàn)出更高的相似性。而病人電極之間的協(xié)同性較差，通道網(wǎng)絡(luò)之間的相似性較低。

認(rèn)為相似性高的節(jié)點(diǎn)之間有連邊，并把這些節(jié)點(diǎn)和邊畫出，如圖10所示，從總體可以看出正常人與病人相似性較大的節(jié)點(diǎn)主要位于前額和枕區(qū)，而文獻(xiàn)[15-16]的研究表明，額葉是大腦的中央執(zhí)行單元，在大腦信息保持方面起到重要的作用，而枕葉皮質(zhì)與視覺注意有關(guān)，而本文實(shí)驗(yàn)中被試要通過觀察數(shù)字來記憶數(shù)字，這與已知的人腦活動(dòng)生理規(guī)律相一致。但是病人相對(duì)于正常人而言，相似性高的節(jié)點(diǎn)部分發(fā)生了轉(zhuǎn)移，由前額和枕葉向頂葉發(fā)生轉(zhuǎn)移，并且病人在枕區(qū)和前額相似性高的節(jié)點(diǎn)相似性較正常人變小，這與Bassett等[17]研究發(fā)現(xiàn)精神分裂癥患者大腦結(jié)構(gòu)網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)組織發(fā)生異常，核心節(jié)點(diǎn)的分布由額葉區(qū)轉(zhuǎn)移到非額葉區(qū)的結(jié)論相一致。

分析正常人的前額葉，發(fā)現(xiàn)正常人前額葉右側(cè)腦區(qū)連邊多于左側(cè)腦區(qū)，病人的前額葉也同樣右側(cè)連邊多于左側(cè)連邊。從復(fù)雜網(wǎng)絡(luò)的角度來看，正常人的前額右側(cè)腦區(qū)的節(jié)點(diǎn)通道網(wǎng)絡(luò)的網(wǎng)絡(luò)相似性更高，進(jìn)一步說明右側(cè)腦區(qū)的各通道之間聯(lián)系更加密切，可以推斷出前額葉右側(cè)在工作中起關(guān)鍵作用。這也與大腦認(rèn)知過程中使用的腦區(qū)相一致[16，18]。而病人相對(duì)于正常人來說前額連邊相對(duì)較少，前額葉右側(cè)連邊明顯少于正常人，這可能是由于病人前額葉相對(duì)于正常人協(xié)同性降低導(dǎo)致工作記憶障礙。

3?結(jié)語

本文提出一種EEG時(shí)間序列復(fù)雜網(wǎng)絡(luò)構(gòu)建分析方法：首先使用微狀態(tài)對(duì)EEG多通道信號(hào)分段選擇網(wǎng)絡(luò)節(jié)點(diǎn);再對(duì)每個(gè)通道分段后的每個(gè)子段提取并選擇特征，計(jì)算通道各子段特征向量之間的皮爾遜相關(guān)系數(shù)構(gòu)建通道時(shí)間序列復(fù)雜網(wǎng)絡(luò);最后對(duì)通道構(gòu)建的網(wǎng)絡(luò)的網(wǎng)絡(luò)屬性及網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)相似性兩方面進(jìn)行分析。分析結(jié)果表明：1）正常人與病人結(jié)合微狀態(tài)在時(shí)間上構(gòu)建的網(wǎng)絡(luò)網(wǎng)絡(luò)屬性有明顯差異。通過t檢驗(yàn)找出網(wǎng)絡(luò)屬性差異顯著的通道并對(duì)其網(wǎng)絡(luò)屬性分析發(fā)現(xiàn)，差異性顯著的通道中病人通道網(wǎng)絡(luò)屬性平均局部效率和聚類系數(shù)小于正常人，而病人的最短路徑長(zhǎng)度相對(duì)于正常人變大，從整體來看病人差異顯著性通道構(gòu)建的網(wǎng)絡(luò)的小世界屬性相對(duì)于正常人變差。

2）正常人通道間相似性大的節(jié)點(diǎn)相對(duì)于病人更加集中。通過計(jì)算正常人及病人構(gòu)建的通道時(shí)間序列網(wǎng)絡(luò)間的相似性發(fā)現(xiàn)，不論是正常人還是病人相似性較高的通道都主要集中在前額和枕葉，這與工作記憶中使用的腦區(qū)相一致，但是從整體來看病人相對(duì)于正常人60通道構(gòu)建的時(shí)間序列網(wǎng)絡(luò)之間的相似性較低。并且還發(fā)現(xiàn)病人相似性較高的通道相對(duì)于正常人發(fā)生轉(zhuǎn)移，在記憶中起關(guān)鍵作用的前額葉正常人相對(duì)于病人相似性更高。

本文通過結(jié)合微狀態(tài)對(duì)多通道在時(shí)間上進(jìn)行網(wǎng)絡(luò)構(gòu)建，將網(wǎng)絡(luò)特征和時(shí)域特征融合到正常人與精神神經(jīng)患者的EEG信號(hào)分析中，發(fā)現(xiàn)通過結(jié)合微狀態(tài)方法構(gòu)建的通道時(shí)序網(wǎng)絡(luò)能夠反映正常人與病人之間的差異，為多通道EEG信號(hào)分析提供了一種新的思路，也為神經(jīng)科醫(yī)生更好地為精神分裂癥患者進(jìn)行診斷和治療提供幫助。

但目前對(duì)精神分裂癥患者網(wǎng)絡(luò)屬性發(fā)生變化的原因仍然未知，下一步將繼續(xù)研究是什么原因?qū)е铝诉@種變化的發(fā)生，這對(duì)疾病患者的治療具有重要意義。

參考文獻(xiàn)（References）

[1] ZAMIR Z R. Detection of epileptic seizure in EEG signals using linear least squares preprocessing [J]. Computer Methods and Programs in Biomedicine， 2016， 133： 95-109.

[2] BHARDWAJ A， TIWARI A， KRISHNA R， et al. A novel genetic programming approach for epileptic seizure detection [J]. Computer Methods & Programs in Biomedicine， 2016， 124： 2-18.

[3] DIYKH M， LI Y. Complex networks approach for EEG signal sleep stages classification [J]. Expert Systems with Applications， 2016， 63： 241-248.

[4] AHMADLOU M， ADELI H， ADELI A. Graph theoretical analysis of organization of functional brain networks in ADHD [J]. Clinical Eeg & Neuroscience， 2012， 43（1）： 5.

[5] PANZICA F， VAROTTO G， ROTONDI F， et al. Identification of the epileptogenic zone from stereo-EEG Signals： a connectivity-graph theory approach [J]. Frontiers in Neurology， 2013， 4（4）： 175.

[6] LIU C， ZHOU W X， YUAN W K. Statistical properties of visibility graph of energy dissipation rates in three-dimensional fully developed turbulence [J]. Physica A， 2010， 389（13）： 2675-2681.

[7] ZHU G， LI Y， WEN P P. Analysis and classification of sleep stages based on difference visibility graphs from a single-channel EEG signal [J]. IEEE Journal of Biomedical and Health Informatics， 2014， 18（6）： 1813-1821.

[8] ZHANG J， SMALL M. Complex network from pseudoperiodic time series： topology versus dynamics [J]. Physical Review Letters， 2006， 96（23）： 238701.

[9] DIYKH M， LI Y， WEN P. EEG sleep stages classification based on time domain features and structural graph similarity [J]. IEEE Transactions on Neural Systems & Rehabilitation Engineering， 2016， 24（11）： 1159-1168.

[10] MANOACH D S， PRESS D Z， THANGARAJ V， et al. Schizophrenic subjects activate dorsolateral prefrontal cortex during a working memory task， as measured by fMRI [J]. Biol Psychiatry， 1999， 45（9）： 1128-1137.

[11] LEHMANN D， FABER P L， GALDERISI S， et al. EEG microstate duration and syntax in acute， medication-naive， first-episode schizophrenia： a multi-center study [J]. Psychiatry Research Neuroimaging， 2005， 138（2）： 141-156.

[12] 郭浩. 抑郁癥靜息態(tài)功能腦網(wǎng)絡(luò)異常拓?fù)鋵傩苑治黾胺诸愌芯縖D]. 太原： 太原理工大學(xué)， 2013： 21-45. （GUO H. Machine learning classifier using abnormal resting state functional brain network topological metrics in major depressive disorder [D]. Taiyuan： Taiyuan University of Technology， 2013： 21-45.）

[13] 曹銳. 非線性與復(fù)雜網(wǎng)絡(luò)理論在腦電數(shù)據(jù)分析中的應(yīng)用研究[D]. 太原： 太原理工大學(xué)， 2014： 67-91. （CAO R. Nonlinear and complex network theory in the application of EEG data analysis research [D]. Taiyuan： Taiyuan University of Technology， 2014： 67-91.）

[14] 孫麗婷， 陰桂梅， 譚淑平， 等. 精神分裂癥患者工作記憶EEG功能網(wǎng)絡(luò)屬性分析[J]. 計(jì)算機(jī)工程與應(yīng)用， 2017， 53（12）： 25-30. （SUN L T， YIN G M， TAN S P， et al. Properties analysis of working memory EEG function network in schizophrenia[J]. Computer Engineering and Applications， 2017， 53（12）： 25-30.）

[15] SARNTHEIN J， PETSCHE H， RAPPELSBERGER P， et al. Synchronization between prefrontal and posterior association cortex during human working memory [J]. Proceedings of the National Academy of Sciences， 1998， 95（12）： 7092-7096.

[16] 李松， 靳靜娜， 王欣， 等. 基于腦電θ波特征信息分析的大腦前額皮質(zhì)在字母工作記憶中作用的研究[J]. 中國生物醫(yī)學(xué)工程學(xué)報(bào)， 2015， 34（2）： 143-152. （LI S， JIN J N， WANG X， et al. The role of the prefrontal cortex in the characters working memory research based on the EEG theta band characteristic analysis [J]. Chinese Journal of Biomedical Engineering， 2015， 34（2）： 143-152.）

[17] BASSETT D S， BULLMORE E， VERCHINSKI B A， et al. Hierarchical organization of human cortical networks in health and schizophrenia [J]. Journal of Neuroscience， 2008， 28（37）： 9239-9248.

[18] HSIEH L T， RANGANATH C. Frontal midline theta oscillations during working memory maintenance and episodic encoding and retrieval [J]. NeuroImage， 2014， 85： 721-729.