用于構(gòu)建腦磁圖網(wǎng)絡(luò)的信號提取方法

楊春蘭, 吳文曉, 吳水才, 任潔釧

(1.北京工業(yè)大學(xué)生命科學(xué)與生物工程學(xué)院，智能化生理測量與臨床轉(zhuǎn)化北京市國際科研合作基地，北京 100124；2.首都醫(yī)科大學(xué)附屬北京天壇醫(yī)院，北京 100050)

作為人體最重要的器官之一，大腦的功能多樣，結(jié)構(gòu)復(fù)雜，人體的多種生理功能都與大腦的神經(jīng)活動緊密相關(guān). 成年人的大腦由大約1011個神經(jīng)元細胞組成，眾多神經(jīng)元細胞之間通過約1015個神經(jīng)突觸相互連接進而形成一個高度復(fù)雜的腦網(wǎng)絡(luò). 美國著名的腦網(wǎng)絡(luò)分析專家Sporns[1]教授于2005年提出腦連接組的理論并指出：根據(jù)元素和連接不同，腦連接組可劃分為微觀尺度、介觀尺度和宏觀尺度3種不同級別. 微觀尺度即神經(jīng)元細胞和神經(jīng)突觸之間的連接；介觀尺度即神經(jīng)元集群之間的連接；宏觀尺度即各個大腦分區(qū)之間的連接. 大腦的功能網(wǎng)絡(luò)可以反映大腦在處理不同任務(wù)時的協(xié)同關(guān)系，這為理解大腦的工作模式提供了重要的支撐. 由于當(dāng)前科技水平限制，人類對大腦的研究主要集中在宏觀尺度,大腦功能連接網(wǎng)絡(luò)的構(gòu)建主要通過腦電圖(electroencephalogram,EEG)、腦磁圖(magnetoencephalography,MEG)及功能磁共振成像(functional magnetic resonance imaging,fMRI)等成像技術(shù)來實現(xiàn)[2-8].

MEG是一種磁源成像技術(shù)，在磁屏蔽室中利用超干量子干涉儀(superconducting quantum interference device,SQUID)[9]來測量大腦外部的各個點處的磁場，SQUID陣列有多個傳感器通道，用來記錄被試頭部周圍磁場分布并將其繪制成圖. MEG有亞毫米級的空間分辨率和毫秒級的時間分辨率，能夠解析腦區(qū)域之間的活動；MEG源映射的準(zhǔn)確性不受頭部組織復(fù)雜分層造成的信號畸變影響.

MEG相較于fMRI、EEG是一種新的功能成像技術(shù)，隨著近年來MEG分析方法的涌現(xiàn)，利用MEG分析大腦功能網(wǎng)絡(luò)的研究也不斷增加. Hillebrand等[10]于2012年提出了一種基于圖譜的，以大腦分區(qū)為節(jié)點的MEG功能網(wǎng)絡(luò)分析框架，利用beamformer技術(shù)將MEG信號投影到大腦皮層，然后選擇功率最大的信號代表此腦區(qū)，以此來構(gòu)建腦網(wǎng)絡(luò)矩陣. 2017年，López 等[11]通過研究29名輕度認(rèn)知障礙患者(mild cognitive impairment,MCI)和29名健康老年被試者的腦磁圖網(wǎng)絡(luò)發(fā)現(xiàn)，MCI患者的腦網(wǎng)絡(luò)效率較低，且驗證了患有MCI的受試者得阿爾茲海默癥的風(fēng)險會增高. Briley等[12]于2018年對48名被試者(9～25歲)的MEG數(shù)據(jù)進行網(wǎng)絡(luò)研究，發(fā)現(xiàn)網(wǎng)絡(luò)內(nèi)部和網(wǎng)絡(luò)之間的振蕩的協(xié)調(diào)與認(rèn)知技能的成熟相關(guān)，網(wǎng)絡(luò)的連接性隨著年齡的增加而增加. 2018年，van Nieuwenhuizen等[13]分析20名經(jīng)過腫瘤切除的腦膜瘤患者以及20名健康被試者的MEG數(shù)據(jù)發(fā)現(xiàn)，腦膜瘤患者的工作記憶能力較低，同時發(fā)現(xiàn)認(rèn)知功能與默認(rèn)網(wǎng)絡(luò)中的功能連接和腦膜瘤患者的中樞病理學(xué)相關(guān). 利用MEG成像技術(shù)構(gòu)建功能網(wǎng)絡(luò)，網(wǎng)絡(luò)節(jié)點的選擇是個關(guān)鍵的問題，常見的節(jié)點有2種：以傳感器位置作為網(wǎng)絡(luò)節(jié)點和以腦區(qū)作為網(wǎng)絡(luò)節(jié)點. 前者利用大腦外部傳感器采集到的信號直接構(gòu)建功能網(wǎng)絡(luò)，這是一種簡單直接但卻存在較大誤差的方法；腦區(qū)作為網(wǎng)絡(luò)節(jié)點首先需要根據(jù)采集到的腦磁時序信號重建腦內(nèi)源信號，然后以腦區(qū)為單位，通過源信號構(gòu)建功能網(wǎng)絡(luò).

選擇代表性神經(jīng)源信號作為局部腦區(qū)信號是構(gòu)建腦網(wǎng)絡(luò)的關(guān)鍵，也是本文討論的主要問題，目前多數(shù)研究都是選擇腦區(qū)中功率最大的神經(jīng)源信號作為代表性信號[10-11]，這會損失部分區(qū)域重要細節(jié)信息；也有研究使用腦區(qū)質(zhì)心處的神經(jīng)源信號作為整個區(qū)域的代表性信號[14]，質(zhì)量中心在幾何學(xué)上有效性高，但是在信號處理方面其有效性尚未得到證實.

MEG功能網(wǎng)絡(luò)在源重建方法和網(wǎng)絡(luò)分析框架上都尚未達到成熟階段，但多項研究結(jié)果已經(jīng)表明利用MEG研究大腦功能網(wǎng)絡(luò)的可行性. 本文采用Hillebrand基于圖譜的功能網(wǎng)絡(luò)的分析框架，對大腦分區(qū)內(nèi)信號的提取方法提出了2種改進方案，即疊加平均和聚類的方法，然后對構(gòu)建的腦網(wǎng)絡(luò)矩陣進行k均值聚類分析，通過聚類準(zhǔn)確率實現(xiàn)與最大功率方法的比較. 最后，通過分析3種方法構(gòu)建的腦網(wǎng)絡(luò)特征和小世界屬性，對3種方法進行比較和評價.

1 方法與材料

1.1 數(shù)據(jù)來源

本研究選取了人腦連接組計劃(human connectome project，HCP)數(shù)據(jù)庫中51名健康被試者的MEG數(shù)據(jù)，其年齡在22～35歲，數(shù)據(jù)來源于圣路易斯大學(xué)醫(yī)學(xué)院的全腦MAGNES3600(4D Neuroim-aging,San Diego,CA)系統(tǒng). 每名被試者的數(shù)據(jù)均被采集了包括工作記憶、語言處理和運動3種任務(wù)狀態(tài)的MEG數(shù)據(jù)[15]. MEG系統(tǒng)包括248個磁力儀通道和23個參考通道，在白噪聲范圍(2 Hz以上)內(nèi)，磁力儀的均方根噪聲為5 fT/sqrt(Hz),數(shù)據(jù)的采樣頻率為2 034.51 Hz，心電、眼電、肌電信號與腦磁信號同步采集，所有電極的接觸電阻控制在10KOhms之內(nèi). 具體任務(wù)設(shè)計信息可參閱HCP手冊(https:∥www.humanconnectome.org/study/hcp-young-adult/article/announcing-1200-subject-data-release/).

1.2 預(yù)處理

選用的數(shù)據(jù)都是經(jīng)過了HCP數(shù)據(jù)庫的預(yù)處理，可參閱HCP手冊. 預(yù)處理包括數(shù)據(jù)檢查、去除含噪聲的數(shù)據(jù)段、去除有問題的通道、ICA分析. 通過ICA分析可以去除MEG數(shù)據(jù)中摻雜的心電和眼電偽跡，此外，所有的數(shù)據(jù)都經(jīng)過了1.3～150.0 Hz的帶通濾波和59～61 Hz、119～121 Hz的Butterworth濾波. 被試的MRI T1結(jié)構(gòu)像與MEG進行配準(zhǔn)之后，會被標(biāo)準(zhǔn)化到標(biāo)準(zhǔn)模板上，然后將AAL分區(qū)模板逆變換到被試個體空間上，最后得到被試個體空間上的分區(qū)信息.

1.3 MEG功能網(wǎng)絡(luò)構(gòu)建方法

本研究中MEG功能網(wǎng)絡(luò)的構(gòu)建框架是一種基于圖譜的腦功能網(wǎng)絡(luò). 此網(wǎng)絡(luò)是以大腦分區(qū)作為網(wǎng)絡(luò)節(jié)點，信號之間的相關(guān)系數(shù)為邊構(gòu)建而成的[10]. 網(wǎng)絡(luò)構(gòu)建流程如圖1所示.

首先對被測試者進行數(shù)據(jù)采集，包括：臨床數(shù)據(jù)、腦磁圖數(shù)據(jù)、磁共振 T1像. 將被測試者的MRI T1結(jié)構(gòu)像與MEG數(shù)據(jù)進行配準(zhǔn)，然后將配準(zhǔn)后的圖像在空間上標(biāo)準(zhǔn)化到MRI標(biāo)準(zhǔn)模板上，標(biāo)準(zhǔn)化后的MRI圖像和AAL分區(qū)模板的感興趣區(qū)域(region of interest，ROI)通過逆變換轉(zhuǎn)換為個體分區(qū)的MRI圖像；通過對配準(zhǔn)后的MRI結(jié)構(gòu)像分割從而構(gòu)建得到被試者大腦的頭部模型[16]；由腦磁圖數(shù)據(jù)產(chǎn)生的協(xié)方差矩陣、被試者的頭模型以及個體分區(qū)的MRI圖像一起用來計算beamformer權(quán)重. 之后MEG數(shù)據(jù)通過對beamformer權(quán)重的投影產(chǎn)生時間序列[10]；對每個頻段的時間序列進行相關(guān)性分析得到連接矩陣，最后對連接矩陣進行圖譜分析構(gòu)建大腦網(wǎng)絡(luò).

對于感興趣區(qū)域的選取，本文選擇了AAL模板[17]，此模板共有116個腦分區(qū)，其中90個屬于大腦，在模板空間中選取了前78個大腦分區(qū)作為ROI. 每個ROI內(nèi)包含多個體素，而且體素的數(shù)量也是各不相同的，這依賴于空間采樣，在本研究中采用的是體素間隔為8 mm的源模型.

源信號的重建過程基于FieldTrip(http:∥www.fieldtriptoolbox.org/)工具包完成，源信號重建流程如圖2所示.

源重建流程圖中調(diào)用的函數(shù)都來自FieldTrip工具包. 每個被試者的MRI圖像都是不同的，利用ft_read_mri函數(shù)讀取被試者的磁共振圖像，然后通過ft_prepare_headmodel函數(shù)構(gòu)建源重建過程中需要的體積傳導(dǎo)模型，也稱為頭模型，如圖3所示. 利用ft_timelockanalysis函數(shù)計算出協(xié)方差矩陣. 最后在ft_sourceanalysis函數(shù)的method屬性中選擇線性約束最小方差(linearly constrained minimum variance,LCMV)方法[18]計算得到beamformer權(quán)重矩陣.

當(dāng)確定beamformer的權(quán)重后，就可以重建每個體素的時間序列，傳感器的非均勻投射可以在源信號上得到顯示，權(quán)值隨深度增加，而傳感器的噪聲保持不變. 為了消除這固有的偏差，在計算源信號之前需要對beamformer的權(quán)重利用它本身的向量范數(shù)進行歸一化. 文獻[19]表明α頻帶最活躍的區(qū)域是視覺皮層和頂葉區(qū)域，β頻帶的功能連接在感覺運動區(qū)域最強[20],γ頻帶在聽覺皮層區(qū)域[21-22]和視覺皮層區(qū)域[23]有功能性作用. 因本研究是基于運動、工作記憶和語言處理3種任務(wù)態(tài)的，而這3種任務(wù)狀態(tài)與視覺皮層、聽覺皮層以及運動皮層區(qū)域最為相關(guān)，因此，在α(8～13 Hz)、β(13～30 Hz)、γ(30～48 Hz)以及全頻帶(1～48 Hz)共4個頻帶對體素的時間序列進行分析.

通過體素間距為8 mm的標(biāo)準(zhǔn)源模型進行源重建后會產(chǎn)生約10 000個體素源信號，對每一個體素的時間序列進行研究工作量巨大且也沒有必有，因此多數(shù)研究中都會選取代表性的時間序列來表示整個ROI的時間序列，對于每一個頻帶和ROI，通常選取在此頻帶中功率最大的體素作為整個ROI代表，并使用這個體素的時間序列進行下一步研究分析[10-11].

1.4 改進方案

在用MEG構(gòu)建腦網(wǎng)絡(luò)時，常用最大功率方法提取代表性時間序列作為整個ROI的時間序列，但此方法會忽略掉其他體素對整個ROI的作用，導(dǎo)致信息量損失. 因此，提出了2種改進方案：基于疊加平均的方法和基于聚類的方法.

1.4.1 基于疊加平均的方法

腦區(qū)源信號具有方向性，直接對其在矢量度量下進行疊加平均會導(dǎo)致一些信號的抵消現(xiàn)象. 本研究的目的是通過計算腦區(qū)之間的一致性，構(gòu)建腦網(wǎng)絡(luò)，所以源信號的方向性可以忽略，只考慮其在主要方向上的投影即可. 選取某ROI的任意體素源信號作為基準(zhǔn)信號，分別計算各體素源信號和基準(zhǔn)信號的相關(guān)性，并根據(jù)其正負(fù)性對各體素源信號進行符號修改. 最后對修改后的所有信號進行疊加平均得到ROI的時間序列信號

S=〈sign(Cθ)Sθ〉

(1)

式中：S為ROI的時間序列信號；Cθ為基準(zhǔn)信號與θ處體素源信號之間的相關(guān)性；Sθ為θ處的體素源信號；〈〉為取平均.

1.4.2 基于聚類的方法

人類大腦在處理某個任務(wù)時不止是單個腦區(qū)在工作，而是多個腦區(qū)共同協(xié)調(diào)作用，大腦的某個腦區(qū)產(chǎn)生的源信號也不僅僅只代表一種生理活動. 聚類根據(jù)各個源信號之間的距離把信號分成一簇簇的類，使得類內(nèi)的源信號的相關(guān)性較強，而類間的相關(guān)性較弱. 不同的類別內(nèi)包含的體素數(shù)量是不同的，某一類中體素的數(shù)量越多則說明其在腦區(qū)活動中的重要程度越高. 因此，可以選用包含體素數(shù)量最多的類別代表整個腦區(qū)的生理活動，而把此類別的聚類中心作為整個腦區(qū)的代表信號.

某些聚類方法需要事先設(shè)定分類數(shù)，例如在k均值聚類中需要知道k的具體值，才能進而將要聚類的對象分為k類. 無法事先確定每個腦區(qū)信號分類數(shù)目，所以需要事先設(shè)定分類數(shù)目的聚類方法在此處不適用，本研究利用信號間的相關(guān)性進行聚類. 具體方法如下：

假設(shè)某個腦區(qū)內(nèi)所有體素信號的集合用N表示，其元素ni表示某一體素的信號，Mi表示聚類后得到的第i類的信號的集合.

在集合N中任取元素ni作為第一類信號的一個元素,則

N=N-{ni}

(2)

M1={ni}

(3)

取集合N中的任意元素nj，令N=N-{nj}，分別計算nj與已有分類Mk中所有信號ml的相關(guān)性

c=Cov(nj,ml),ml∈Mk

(4)

max(c)>θ，則將nj劃為第k類

(5)

max(c)<θ,則將nj劃為新的一類k1類

(6)

重復(fù)此過程直到遍歷所有體素信號，每個腦區(qū)中會聚類出多種不同類別，而這不同的類別代表著不同的功能活動，選取此腦區(qū)中體素數(shù)最多的那一類別的聚類中心的時間序列信號代表整個腦區(qū)即ROI的時間序列信號.

1.5 腦網(wǎng)絡(luò)構(gòu)建

通過權(quán)重矩陣就可得出體素的時間序列，然后分別通過最大功率、疊加平均和聚類的方法獲取代表ROI的時間序列，通過量化時間序列之間的相位關(guān)系，可捕捉到活動源之間的函數(shù)相關(guān)關(guān)系. 本研究使用了相關(guān)系數(shù)來估算ROI之間的功能連接.

相關(guān)系數(shù)量化了信號之間相關(guān)性關(guān)系，且

(7)

1.6 腦網(wǎng)絡(luò)屬性分析

對于每種任務(wù)狀態(tài)，都有多次試驗，經(jīng)過篩選，本研究選取了其中50次試驗，ROI數(shù)為78，因此對于每種任務(wù)狀態(tài)下的每個頻段利用每種信號提取方法都可以得到50個78×78的網(wǎng)絡(luò)矩陣. 3種任務(wù)狀態(tài)在相同頻段相同信號提取方法下共得到150個網(wǎng)絡(luò)矩陣，將工作記憶任務(wù)狀態(tài)下的網(wǎng)絡(luò)矩陣標(biāo)號為1～50，運動任務(wù)狀態(tài)下的網(wǎng)絡(luò)矩陣編號為51～100，語言處理任務(wù)狀態(tài)下的網(wǎng)絡(luò)矩陣編號為101～150. 對上述150個矩陣?yán)胟均值聚類分為3類，在相同任務(wù)狀態(tài)下產(chǎn)生的網(wǎng)絡(luò)矩陣具有較高的相似程度，若編號為1～50的矩陣為一類，51～100的矩陣為一類，101～150的矩陣為一類，那么就可以認(rèn)為利用此種特征提取的方法得到的矩陣k均值聚類準(zhǔn)確率為100%.

除此之外，本文還對腦網(wǎng)絡(luò)特征和小世界屬性進行研究分析. 小世界網(wǎng)絡(luò)是一種介于規(guī)則網(wǎng)絡(luò)和隨機網(wǎng)絡(luò)之間的一種網(wǎng)絡(luò)屬性[24]，自從提出了小世界網(wǎng)絡(luò)的概念，人們開始研究各種復(fù)雜網(wǎng)絡(luò)的小世界屬性，有關(guān)腦網(wǎng)絡(luò)小世界屬性的研究也越來越多[25-26]，本研究針對3種信號提取方法得到的網(wǎng)絡(luò)矩陣進行網(wǎng)絡(luò)特征的分析，分別采用2個網(wǎng)絡(luò)特征(聚類系數(shù)、最短路徑長度)以及3個小世界特征(λ、γ、σ)來分析3種信號提取方法得到的功能網(wǎng)絡(luò)特征之間的差異. 網(wǎng)絡(luò)特征的分析用到工具包brain connectivity toolbox(BCT,http:∥www.brain-connectivity-toolbox.net). 特征參數(shù)定義及計算公式如表1所示.

表1 網(wǎng)絡(luò)特征參數(shù)定義及計算公式

2 實驗結(jié)果與分析

2.1 腦網(wǎng)絡(luò)矩陣k均值聚類準(zhǔn)確率的比較

在進行腦網(wǎng)絡(luò)分析之前，以在工作記憶狀態(tài)下ID為104012的被試為例，對其α頻段以疊加平均方法得到的腦網(wǎng)絡(luò)矩陣進行了二值化，閾值設(shè)置為0.8，并對二值化后的腦網(wǎng)絡(luò)矩陣進行了可視化，如圖4所示.

在表2的k均值聚類準(zhǔn)確率結(jié)果中，每一個提取方法在每一個頻段都對應(yīng)2個百分?jǐn)?shù)，分別為平均聚類準(zhǔn)確率和標(biāo)準(zhǔn)差. 可以看出，疊加平均信號提取方法的聚類準(zhǔn)確率在4個頻率段上均為最高，且對應(yīng)的標(biāo)準(zhǔn)差相對較低；最大功率方法在γ頻段的準(zhǔn)確率與疊加平均方法相當(dāng)，而在其他3個頻段比疊加平均方法低. 從頻段上對比3種信號提取的方法可以看出，在α頻段，3種方法的準(zhǔn)確率均為最低，而標(biāo)準(zhǔn)差卻相對較高；在γ頻段上，3種方法都相對較好的表現(xiàn).

表2 k均值聚類準(zhǔn)確率

2.2 網(wǎng)絡(luò)特征差異

以標(biāo)號為104012被試者為例，該被試在工作記憶狀態(tài)下的腦網(wǎng)絡(luò)的網(wǎng)絡(luò)特征及小世界屬性如圖5所示，可以看出，3種信號提取方法在4個頻段均表現(xiàn)出了小世界屬性，即λ的值接近1、γ的值遠大于1，且σ的值大于1，但是不同的信號提取方法在不同的頻段小世界屬性強弱是不同的.σ是由Humphries等[27]提出的一種衡量小世界屬性的標(biāo)量，它被定義為σ=γ/λ，當(dāng)σ>1時網(wǎng)絡(luò)具有小世界屬性，且σ越大，網(wǎng)絡(luò)的小世界屬性越強. 在全頻段(1～48 Hz)，最大功率的信號提取方法得到的腦網(wǎng)絡(luò)的小世界屬性最強；疊加平均方法得到的腦網(wǎng)絡(luò)的小世界屬性次之；聚類方法得到的腦網(wǎng)絡(luò)的小世界屬性最弱；在α(8～13 Hz)頻段，疊加平均方法得到的腦網(wǎng)絡(luò)的小世界屬性強度略高于最大功率方法得到網(wǎng)絡(luò)的小世界屬性，聚類方法得到的腦網(wǎng)絡(luò)的小世界屬性最弱；在β(13～30 Hz)頻段，3種信號提取方法得到的小世界屬性的強弱依次為，最大功率最強，疊加平均次之，聚類最弱；在γ(30～48 Hz)頻段，依舊是最大功率的小世界屬性最強，疊加平均次之，聚類最弱.

2.3 討論分析

用腦磁圖構(gòu)建腦網(wǎng)絡(luò)時，在ROI中選取代表性神經(jīng)源信號是關(guān)鍵步驟. 本研究根據(jù)3種信號提取的方法分別構(gòu)建大腦網(wǎng)絡(luò)，然后通過對腦網(wǎng)絡(luò)進行均值聚類分析，會獲得3種信號提取方法的k均值聚類準(zhǔn)確率，通過準(zhǔn)確率的比較發(fā)現(xiàn)，在各個頻段，通過疊加平均和最大功率的方法獲取的時間序列構(gòu)建的大腦網(wǎng)絡(luò)，k均值聚類準(zhǔn)確率都在70%左右，而通過聚類的方法獲取的時間序列構(gòu)建的大腦網(wǎng)絡(luò)的準(zhǔn)確率在65%左右，尤其是在α頻段，聚類方法的準(zhǔn)確率不到50%. 由準(zhǔn)確率的比較，可以初步得出結(jié)論：利用疊加平均和最大功率的方法獲取的時間序列在一定程度上更能代表整個ROI的活動情況，而利用聚類的方法獲取的時間序列不能很好地代表整個ROI的活動情況.

最大功率、疊加平均以及聚類的信號提取方法獲取時間序列構(gòu)建的腦網(wǎng)絡(luò)具有小世界屬性，這也驗證了之前研究中腦網(wǎng)絡(luò)具有小世界屬性的結(jié)論. 在對腦網(wǎng)絡(luò)進行網(wǎng)絡(luò)特征及小世界屬性分析時，對矩陣進行了二值化，為了使網(wǎng)絡(luò)中的節(jié)點都連通，此過程需要設(shè)置閾值，閾值設(shè)置得越大，所有節(jié)點都連通的可能性越大，同時網(wǎng)絡(luò)的小世界屬性越弱. 圖5中的網(wǎng)絡(luò)特征及小世界屬性均是在最小閾值下得到的，其中最大功率和疊加平均方法得到的網(wǎng)絡(luò)矩陣的最小閾值為0.3,而聚類方法得到網(wǎng)絡(luò)矩陣的最小閾值為0.55. 從圖5中也可以看到，在各個頻段，疊加平均和最大功率方法對應(yīng)的σ值都相差不多且在值的大小在1.5以上，而聚類方法對應(yīng)的σ值在1.2上下. 聚類方法獲取時間序列構(gòu)建大腦網(wǎng)絡(luò)的小世界屬性較弱.

本研究中采用的聚類方法是通過比較新體素和已有類別中體素的相關(guān)性來劃分類別的，理論上其比基于距離來劃分類別的聚類方法有更高的準(zhǔn)確度. 選取體素數(shù)最多的類別的聚類中心作為整個ROI的時間序列，如果各個類別的體素數(shù)量都相差不多，這也將會產(chǎn)生較大的誤差；在同一腦區(qū)中的各個神經(jīng)源信號的功率是不同的，選取功率最大的信號作為代表信號固然會損失部分信息，但是相比與其他信號功率最大的信號更能代表腦區(qū)，其有效性也得到了相關(guān)研究的證實；疊加平均的方法是把整個腦區(qū)的信號求和取均值，這樣得到的信號在理論上能代表局部腦區(qū). 上述實驗結(jié)果也驗證了基于最大功率和疊加平均作為信號提取方法的有效性.

3 結(jié)論

1) 從k均值聚類準(zhǔn)確率和網(wǎng)絡(luò)特征及小世界屬性的分析比較中可以發(fā)現(xiàn)，聚類方法不適合獲取ROI代表性時間序列，而最大功率和疊加平均作為獲取ROI代表性時間序列的方法有較好的表現(xiàn)，在某些頻段疊加平均方法優(yōu)于最大功率方法，在另外一些頻段最大功率方法優(yōu)于疊加平均方法. 從大量的神經(jīng)源信號中獲取代表性時間序列對于構(gòu)建大腦網(wǎng)絡(luò)至關(guān)重要，不同的神經(jīng)源信號作為ROI的時間序列構(gòu)建出的大腦網(wǎng)絡(luò)截然不同，所以性能良好的信號提取方法對于腦磁圖構(gòu)建網(wǎng)絡(luò)及網(wǎng)絡(luò)的分析有著很大的作用.

2) 對于如何從眾多神經(jīng)源信號選取代表性時間序列沒有金標(biāo)準(zhǔn)，有研究使用ROI的質(zhì)量中心作為整個區(qū)域的代表性時間序列[11]. 信號提取方法作為腦磁圖網(wǎng)絡(luò)構(gòu)建中的關(guān)鍵步驟，對于整個網(wǎng)絡(luò)構(gòu)建的質(zhì)量有很大影響，本研究針對這一點，對比了常用的最大功率方法以及本文提出的疊加平均方法，發(fā)現(xiàn)2種方法均可作為獲取代表性時間序列的方法，為腦磁圖網(wǎng)絡(luò)的構(gòu)建及分析提供良好的支持.