基于腦功能網絡分析的孤獨癥兒童輔助干預效果研究

李昕 王欣 安占周 蔡二娟 康健楠

2014 年美國疾病控制與預防中心(Center for Disease Control and Prevention,CDC) 發(fā)布最新數(shù)據指出:孤獨癥發(fā)病率已經達到了1:45,即每45個兒童中就有一人是ASD 患者[1].孤獨癥譜系障礙是一種嚴重的發(fā)育障礙性疾病,其基本特征是社會交流障礙、語言交流障礙、重復刻板行為.不典型孤獨癥則在前述三個方面不全具有缺陷,只具有其中之一或之二.不僅對患者本人及其家庭乃至社會都造成極大影響[2].對于孤獨癥兒童,早發(fā)現(xiàn)早干預至關重要[3?4].

研究者發(fā)現(xiàn)ASD 與腦結構改變及腦功能網絡異常的拓撲變化有關,在ASD 人群靜息態(tài)腦電中體現(xiàn)出了這種異?；蜻B接障礙[5].孫小棋等[6]通過實驗證明孤獨癥前顳葉和后頂葉的腦電信號呈現(xiàn)出的復雜性明顯低于正常,這一結果表明ASD 和正常人之間腦電信號存在差異性,且不同腦區(qū)敏感程度不同.Bressler 等[7]研究表明,認知是由在大規(guī)模網絡中運作的分布式腦區(qū)的動態(tài)相互作用引起的.Murias 等[8]在2007 年,通過對ASD 兒童靜息態(tài)腦電的研究發(fā)現(xiàn),在Theta (3～6 Hz) 頻率范圍內,ASD 組尤其是左側額葉和顳葉區(qū)的相干增強明顯.在較低的Alpha 范圍(8～10 Hz),ASD 組在額葉區(qū)域和額葉與其他頭皮區(qū)域之間的一致性明顯降低.提示ASD 患者存在明顯的腦連通性異常.2014 年,Coben 等[9]運用Granger 因果分析方法計算ASD人群的腦網絡各通道間的效應連接,結果表明ASD人群的腦功能網絡短距離過度連接、長距離連接不足.Green 等[10]發(fā)現(xiàn)孤獨癥患者大腦網絡與正常人相比有改變,對于這種改變的靜息狀態(tài)連接如何與大腦在信息處理過程中的活動有關的.2016 年,孫金秀[11]基于圖論參數(shù)對比ASD 兒童和正常兒童腦網絡差異,結果發(fā)現(xiàn)這種差異在高頻段更為顯著,且ASD 兒童的腦網絡連接密度更低.大腦是具有多個層次、多種反饋機制和整合機制的復雜系統(tǒng),并且腦功能網絡都表現(xiàn)出較其他實證網絡更加良好的魯棒性,因此,依據基于圖論參數(shù)的腦功能網絡分析方法,可以為改善腦功能障礙提供不同的方向.

神經調節(jié)技術早期干預ASD 是一種有效方法.Schneider 和Hopp[12]將tDCS 應用于孤獨癥兒童治療,通過修改過的雙語測試(BAT) 對患兒進行語法測試,結果表明tDCS 前后差異有顯著性意義(p <0.0005,d=2.78),表明tDCS 干預對孤獨癥兒童腦功能障礙有一定改善.Amatachaya 等[13]對20 例孤獨癥兒童進行隨機雙盲交叉試驗,結果表明進行tDCS 真性刺激的患兒治療后兒童孤獨癥評定量表(Children autism rating scale,CARS) 和孤獨癥治療評估量表(Autism treatment evaluation checklist,ATEC) 得分均有改善,而假性刺激組未見改善.這些研究發(fā)現(xiàn)為tDCS 的臨床及科研發(fā)展提供理論基礎.

本文采用頻域Granger 因果分析定向傳遞函數(shù)方法建立腦功能網絡,通過計算各導聯(lián)間因果連接矩陣,構建Theta 頻段、Alpha 頻段、低-Beta 頻段、高-Beta 頻段和Gamma 頻段五個頻段的腦功能網絡.基于腦功能網絡,進而分析經顱直流電刺激對于孤獨癥兒童干預效果.

1 腦功能網絡建立

1.1 頻域Granger 因果分析方法

由于ASD 患兒年齡較小、認知水平和任務配合程度低,基于靜息態(tài)腦電信號分析腦功能狀態(tài)分析更可行、更具優(yōu)勢[14],同時腦電信號具有成本低[15]的特點,因此本文基于腦電信號構建孤獨癥兒童腦功能網絡.

網絡連接表示網絡中各個節(jié)點之間相互關系或相互作用,Granger 因果關系檢驗方法不需要先驗知識,較其他方法更具優(yōu)勢.Granger 因果分析方法基于二元自回歸模型,考慮EEG 信號的頻域特征明顯,本文基于多元自回歸模型的頻域Granger因果分析方法,即定向傳遞函數(shù)(Directed transfer function,DTF) 方法[16],建立腦功能網絡,進而分析刺激前后兩組多通道腦電的功能連通性.

設16 通道腦電信號的時間序列如式(1) 所示.

其中,Xi是第i通道的時間序列.建立多元量自回歸模型MVAR 模型表示如式(2) 所示.

其中,A(n) 為16 ×16 系數(shù)矩陣,Et為白噪聲向量,為MVAR 模型階數(shù),由貝葉斯信息準則(BIC)確定.將式(1) 通過Fourier 變換轉化到頻域如式(3) 所示.

其中,f為頻率,H(f) 為傳遞矩陣,如式(4) 所示.

式中I是單位矩陣.由傳遞矩陣H(f) 定向傳遞函數(shù)DTF 定義,通道j到通道i的因果連接γij(f) 定義如式(5) 所示.

其中,MVAR 模型的階數(shù)p通過貝葉斯信息準則(Bayesian information criterions,BIC) 計算,并調用arfit 工具箱函數(shù)實現(xiàn)[17];通過調用He 等[18]開發(fā)的eConnectome 工具箱函數(shù)實現(xiàn)DTF 的計算以構建腦網絡.

1.2 復雜腦網絡的圖論特征分析

圖論(Graph theory)是研究復雜腦網絡拓撲結構的重要數(shù)學工具.通過圖論分析發(fā)現(xiàn)人腦功能網絡呈現(xiàn)小世界網絡特征[19].基于圖論的復雜腦網絡分析可以從宏觀的視角分析人腦,更好地描述腦功能網絡的拓撲特性.

大腦的功能網絡構建[20],首先將電極或通道作為網絡“節(jié)點”,令電極或通道之間的連接定義為“邊”,從而構建腦網絡,進一步運用圖論參數(shù)對復雜腦網絡進行探究.

1.2.1 節(jié)點度

度是鄰接到某節(jié)點的邊或弧的數(shù)目,節(jié)點度可以衡量該節(jié)點在網絡中的重要程度.

1) 入度和出度

在復雜網絡中,有向圖的度有入度、出度之分.節(jié)點的入度,是指以該節(jié)點為終點的邊的數(shù)目,與該節(jié)點受其他節(jié)點的影響程度正相關.節(jié)點的出度,是指以該頂點為起點的邊的數(shù)目,與該節(jié)點對其他節(jié)點的影響程度成正比.入度如式(6) 所示,出度如式(7) 所示.

2) 網絡的平均度

網絡中節(jié)點度定義為和該節(jié)點相關聯(lián)的邊的條數(shù),如式(8) 所示.

網絡中所有節(jié)點的度平均值稱為網絡的平均度,如式(9) 所示.

其中,N是網絡節(jié)點總數(shù),V為節(jié)點集合,aij表示從節(jié)點j到節(jié)點i的連接.

1.2.2 全局效率

網絡全局效率與復雜腦網絡的全局傳輸速度成正比.定義為網絡中所有節(jié)點之間最短路徑長度的調和平均值的倒數(shù),如式(10) 所示.

其中,N是網絡節(jié)點總數(shù),E表示節(jié)點集合,lij代表節(jié)點j到節(jié)點i之間的最短路徑長度.

1.2.3 局部效率

網絡的局部效率反映了網絡的局部信息傳輸能力.

1) 節(jié)點的局部效率

與全局效率相對的,局部效率反應了網絡中相鄰節(jié)點“組團” 的緊湊程度,定義為子網絡中所有節(jié)點之間最短路徑調和平均值,如式(11) 所示.

其中,Gi表示與節(jié)點i相連接的所有節(jié)點構成的子網絡,是該子網絡中節(jié)點的總數(shù),lkj表示節(jié)點k與節(jié)點j之間的最短路徑長度.

2) 網絡的平均局部效率

網絡中全部節(jié)點構成的子網絡局部效率的平均值定義為網絡平均局部效率,如式(12) 所示.

1.3 統(tǒng)計方法

圖論參數(shù)均有均值±標準誤表示.采用配對樣本t檢驗方法對比刺激前后兩組間的統(tǒng)計學差異.p值表示如下:*p <0.05 為有統(tǒng)計學差異,**p <0.01 為有顯著統(tǒng)計學差異,***p <0.001 為有極其顯著的統(tǒng)計學差異.

2 試驗及數(shù)據處理

2.1 數(shù)據采集

隨機抽取10 名ASD 兒童tDCS 干預前后腦電數(shù)據,其中8 名男孩,2 名女孩,年齡在4～7 歲,平均年齡為5.76±0.24.試驗協(xié)議通過倫理審查委員會批準,且遵從受試者自愿參與的原則,試驗人員告知受試者及其家人試驗流程及要求,在家長或監(jiān)護人同意情況下簽訂知情同意書.試驗將tDCS 干預的刺激點選在背外側前額葉的位置,周期設定為五周,每周兩次干預,每隔兩天做一次,共十次.試驗分為兩部分:腦電數(shù)據采集和行為數(shù)據采集.第一次干預之前和第十次干預之后需要進行腦電數(shù)據采集和行為數(shù)據采集.腦電信號采集時,要求受試者在安靜的房間內,坐在舒適的椅子上,以保持安靜狀態(tài),實驗開始前,要求受試者安靜3～4 分鐘,以便進入放松狀態(tài),然后進行五分鐘的腦電信號采集,腦電數(shù)據采集完成后,休息兩分鐘,進行時長20 分鐘的神經調節(jié)干預,在干預的五周內,受試者均不參與除本研究中干預以外的任何物理干預和藥物治療.

試驗采用美國EGI 公司生產的128 導聯(lián)的腦電采集設備(HydroCel Geodesic Sensor Net,Electrical Geodesics,Inc,Eugene,OR),使用Net Station 4.5.2 進行時長5 分鐘的靜息態(tài)腦電采集,將頭上的頂點vertex (Cz) 的電極作為參考,同時設定每個電極小于50 kΩ 的阻抗值,參考電極和雙側乳突處電極低于10 kΩ,采樣率為1000 Hz.要求受試者在安靜的房間內,舒服地坐在椅子上,期間要保持安靜狀態(tài),盡量避免或減少外界干擾,記錄受試兒童在保持清醒和放松狀態(tài)下的16 導聯(lián)靜息態(tài)腦電數(shù)據.

行為數(shù)據需要家長或長期照顧受試者的人針對孩子近期的狀況填寫孤獨癥行為量表(Autism behavior checklist,ABC),ABC 量表不受性別年齡的限制,家長根據孩子近期的行為表現(xiàn)進行量表填寫,量表評估具有一定的主觀性.

2.2 數(shù)據預處理

由于采集到的EEG 中還包括其他一些噪聲信號,如隨機噪聲和偽跡.通常我們所接觸到的偽跡有工頻干擾、心電偽跡、肌電偽跡、眼電偽跡、電磁干擾等.因此在進一步處理數(shù)據前,去噪是非常必要的[21].

1) 從128 個通道里按照國際標準的10/20系統(tǒng)選出本文所需要的16 個通道,分別為額區(qū)FP1、FP2、F3、F4、F7、F8、T3、T4、T5、T6、C3、C4、P3、P4、O1、O2,如圖1 所示,這些通道分別在額葉,頂葉,枕葉,左顳葉和右顳葉等5 個腦區(qū);

圖1 國際標準10/20 系統(tǒng)的16 通道電極分布Fig.1 16-channel electrode distribution in international standard 10/20 system

2) 進行壞通道替換,如果我們進行數(shù)據分析的所需通道中有存在問題的,那么將用該通道周圍的通道數(shù)據進行平均所代替;

3) 對16 個通道的腦電數(shù)據降采樣至128 Hz;

4) 去除存在的偽跡信號;

5) 將腦電數(shù)據從穩(wěn)定位置開始,截取為30 段,每段1 秒;

6) 將預處理的數(shù)據改為工具箱可用的形式,其中通道數(shù)為16,各通道采樣點數(shù)為1000,采樣率為1000 Hz.

3 試驗結果與分析

3.1 計算因果效應連接

MVAR 模型的階數(shù)p根據貝葉斯信息準則確定.通過計算DTF 連接矩陣,分別對Theta 頻段(4～8 Hz)、Alpha 頻段(8～12 Hz)、低-Beta 頻段(12～24 Hz)、高-Beta 頻段(24～30 Hz)和Gamma頻段(30～60 Hz) 進行探究.其中,每個DTF 矩陣大小均為16 ×16,矩陣元素DTFij定義為從導聯(lián)j到導聯(lián)i的因果連接值.

因為腦電數(shù)據截取可能出現(xiàn)影響最終結果的誤差,所以本文中每位ASD 兒童經預處理后的靜息態(tài)腦電數(shù)據截取為1 秒一段,共30 段的腦電數(shù)據,并分別計算其DTF 矩陣.因此,五個頻段的刺激前后每組均有300 (10 × 30) 個DTF 矩陣,有刺激前后兩組,共3000 (10 人×30 秒×5 段×2 組) 個DTF 矩陣.

刺激前后兩組受試兒童靜息態(tài)腦電5 個頻段的平均DTF 矩陣分別如圖2 和3.矩陣中元素代表通道j到通道i間的連接值,可以看出刺激后組腦網絡連通性要優(yōu)于刺激前組.

圖2 刺激前組受試兒童各個頻段的DTF 連接矩陣圖Fig.2 The DTF connection matrix of each frequency band of children in the group post-tDCS

分別計算五個頻段下刺激前后兩組每個DTF中全部元素之和,得到全腦范圍DTF 矩陣的總和,最終計算結果如表1 所示.經t檢驗,刺激前組的全腦DTF 總和在Theta 頻段、Alpha 頻段、低-Beta頻段、高-Beta 頻段和Gamma 頻段下均低于刺激后組,并具有統(tǒng)計性差異(p<0.005),其中在Alpha頻段、低-Beta 頻段和Gamma 頻段刺激前后兩組具有顯著性差異(p<0.001).

表1 各頻段下刺激前后兩組ASD 兒童全腦DTF 總和Table 1 Total global brain DTF of ASD children in both groups before and after stimulation

3.2 最佳閾值選取

運用頻域Granger 因果分析方法構建腦網絡時,需要選取最佳閾值T,使得DTF 矩陣轉化為二值有向圖.將DTF 矩陣元素大于T的位置置為1,表示對應節(jié)點之間存在因果連接,小于T的位置置為0,表示對應節(jié)點之間不存在因果連接.因為節(jié)點本身之間不存在因果關系,所以連接矩陣的對角線位置置為0.

閾值的選擇對復雜腦網絡有一定影響:過高的閾值下網絡連接過少,從而破壞網絡的連通性;但是閾值過低將導致網絡中存在大量虛假連接,使得刺激前后兩組差異性不顯著.由圖4 所示的間接因果關系示意圖,假設A節(jié)點對B節(jié)點有直接影響,B節(jié)點對C節(jié)點有直接影響,而A節(jié)點對C節(jié)點并沒有直接影響,但通過B節(jié)點,A和C之間產生了間接的、虛假的連接關系.因此,最佳閾值的選擇至關重要,本文在較大閾值范圍0.001≤T ≤0.1,步長為0.001 的情況下觀測在不同閾值下受試兒童刺激前后腦網絡的圖論參數(shù)統(tǒng)計性差異.

圖3 刺激后組受試兒童各個頻段的DTF 連接矩陣圖Fig.3 The DTF connection matrix of each frequency band of children in the group pre-tDCS

圖4 間接因果關系示意圖Fig.4 Schematic diagram of indirect causality

將給定的閾值T代入計算得到的所有DTF 矩陣中,經計算得到二值化后的連接矩陣,最終表示有向網絡,進而再計算出各個頻段的圖論參數(shù).

平均度與腦網絡的稀疏程度成正比,全局效率反映網絡在全局范圍內信息傳遞和信息處理能力,網絡的局部效率則表示網絡節(jié)點的緊湊程度,即局部信息傳輸能力.分別計算兩組受試兒童Theta 頻段、Alpha 頻段、低-Beta 頻段、高-Beta頻段和Gamma 頻段在不同閾值取值下,腦網絡的平均度、全局效率和局部效率.閾值取值范圍為0.001≤T ≤0.1,步長為0.001.

采用配對樣本t檢驗分別比較刺激前后兩組在不同頻段上因果網絡的平均度、全局效率和局部效率.以Gamma 頻段的平均度為例,當T=0.001時,刺激前后兩組的平均度分別為29.88±0.038,29.88±0.007,平均每個節(jié)點與29 個左右的節(jié)點相連接,說明閾值過低;當T=0.1 時,刺激前后兩組平均度分別為4.10±0.169,4.14±0.102,平均每個節(jié)點與4 個左右節(jié)點相連接,即網絡過于稀疏,閾值過高.因此判定該閾值取值范圍中,存在較合理的最佳閾值.

基于DTF 矩陣值,分別構建刺激前后兩組在Theta 頻段、Alpha 頻段、低-Beta 頻段、高-Beta頻段和Gamma 頻段的因果網絡.各個頻段在各閾值下,網絡的平均度、全局效率、平均局部效率閾值統(tǒng)計表分別如表2、3、4、5、6 所示.

最佳閾值的選取應考慮:1) 盡可能地體現(xiàn)出刺激前后的網絡差異;2) 在合理的網絡稀疏程度范圍,盡量保證網絡沒有孤立節(jié)點.綜上所述,根據表2、3、4、5、6,得到各個頻段的閾值以及對應圖論參數(shù)的顯著性如表7 所示.

表2 Theta 頻段平均度、全局效率、平均局部效率閾值統(tǒng)計表Table 2 Threshold statistics of theta band average,global efficiency,average local efficiency

表3 Alpha 頻段平均度、全局效率、平均局部效率閾值統(tǒng)計表Table 3 Threshold statistics of alpha band average,global efficiency,average local efficiency

表4 Low-beta 頻段平均度、全局效率、平均局部效率閾值統(tǒng)計表Table 4 Threshold statistics of low-beta band average,global efficiency,average local efficiency

表5 High-beta 頻段平均度、全局效率、平均局部效率閾值統(tǒng)計表Table 5 Threshold statistics of high-beta band average,global efficiency,average local efficiency

表6 Gamma 頻段平均度、全局效率、平均局部效率閾值統(tǒng)計表Table 6 Threshold statistics of gamma band average,global efficiency,average local efficiency

表7 各頻段下刺激前后兩組受試兒童腦網絡各圖論參數(shù)的閾值Table 7 Threshold of graph parameters of brain network in two groups of children before and after stimulation

3.3 最佳閾值下的統(tǒng)計分析

各個頻段在最佳閾值下,網絡的平均度統(tǒng)計表如表8 所示.統(tǒng)計分析結果顯示,刺激前組的腦網絡平均度在五個頻段下均低于刺激后組,并具有統(tǒng)計性差異,但是Alpha 頻段不如Theta 頻段、低-Beta頻段、高-Beta 頻段和Gamma 頻段統(tǒng)計性差異顯著.

表8 最佳閾值下刺激前后腦網絡平均度Table 8 Average degree of brain network before and after stimulation under optimal threshold

刺激前后兩組不同頻段下的腦網絡的全局效率如表9 所示.t檢驗后,發(fā)現(xiàn)兩組數(shù)據在各頻段下具有統(tǒng)計性差異且刺激前組的腦網絡全局效率在五個頻段下均低于刺激后組,其中Gamma 頻段比Alpha 頻段、Theta 頻段、低-Beta 頻段和高-Beta頻段的差異顯著性更高.

表9 最佳閾值下刺激前后腦網絡全局效率Table 9 Global efficiency of pre-and hindbrain network stimulation under optimal threshold

如表10 所示,為刺激前后兩組在各頻段下的腦網絡的局部效率值,t檢驗后,刺激前組的腦網絡局部效率均低于刺激后組,并且都具有統(tǒng)計性差異,其中Theta 頻段和低-beta 頻段更具有顯著性差異.

表10 最佳閾值下刺激前后腦網絡局部效率Table 10 Local efficiency of pre-and hindbrain network stimulation under optimal threshold

4 結論

本文基于定向傳遞函數(shù)方法,構建孤獨癥兒童經顱直流電刺激前后腦功能網絡.基于圖論復雜網絡分析方法對所構建的因果網絡進行量化分析,計算腦功能網絡DTF 矩陣值.分析選擇最佳閾值,將DTF 矩陣轉化為二值有向圖,研究網絡的平均度、全局效率和局部效率等網絡特性參數(shù),經t檢驗統(tǒng)計分析兩組數(shù)據統(tǒng)計性差異.探究經顱直流電刺激干預對孤獨癥兒童腦功能網絡的影響.

網絡平均度與網絡的稀疏程度正相關,全局效率反映網絡在全局范圍內信息傳遞和信息處理能力,網絡的局部效率反映了網絡局部信息傳輸能力.通過研究分析發(fā)現(xiàn)刺激前組在各頻段的平均度、全局效率和局部效率均低于刺激后組(P <0.05),說明經顱直流電刺激干預后孤獨癥患兒的腦網絡稀疏程度、全局范圍和局部范圍的信息傳輸能力都得到了一定的改善,其中局部效率統(tǒng)計性差異最為顯著,尤其是在Theta 頻段和低-beta 頻段的局部效率,提示ASD 患兒的腦功能網絡的局部連接能力可以通過tDCS 干預得到較為明顯的提升.行為數(shù)據通過ABC 量表分析,結果表明ASD 兒童的ABC 量表得分整體下降,在感覺、交往、運動、語言和自我照顧能力五個方面均有改善,尤其在語言能力方面改善最大,效果最為突出,干預后ASD 兒童表達能力有所改善,對事物的認知和理解能力增強,交往能力也隨之增強,與他人的眼神交流增多,且易怒性降低,整體水平均升高.結合腦電數(shù)據和行為數(shù)據分析,tDCS 對改善ASD 癥狀有一定的作用,因此在一定程度上可以作為干預ASD 的有效手段,給ASD 兒童早期干預治療提供一條思路.

就現(xiàn)有的研究而言,基于頻域Granger 因果分析構建的腦功能網絡改變并不能完全反映ASD 癥狀的改善效果,還需要進一步研究.由于ASD 兒童的腦功能會隨著年齡的變化而改變,未來仍需探究不同年齡段ASD 兒童經過tDCS 干預后的腦功能網絡變化和臨床癥狀,以助于進一步證實tDCS 輔助干預對ASD 兒童的治療效果.