论文部分内容阅读
精神分裂症(schizophrenia)是一种严重的脑部疾病,它以思维过程和情感反应的解体为特征,临床表现症状复杂多样,涉及到感觉,思维,情感等多方面,影响人类的认知功能,并且不同的个体有不同的表现。由于精神分裂症存在各种症状和组合,因此对于其发病原因从过去到现在都一直存在着争论。由于精神分裂症的临床表现和个体间的差异,研究精神分裂症患者和正常人在大脑机制方面的不同具有重要的现实意义。在脑网络的研究中,功能性脑网络的研究处于领先地位,诞生了许多方法如偏相关,同步似然法等。然而功能性脑网络仅仅只能反映不同脑区之间是否存在作用关系,并不能反映脑网络中的信息流向,即功能性脑网络对应的是无向图。为了反映出脑网络中的信息流向,研究者们在功能性脑网络的基础上研究出了因效性脑网络。因效性脑网络本质上是一种特殊的功能性脑网络,它在数据预处理和节点定义上都与功能性脑网络相同,不同之处在于因效性脑网络可以反映出不同脑区之间的信息流向,使功能性脑网络的无向图变成了有向图。在因效性脑网络的研究中,格兰杰因果关系(Granger causality,GC)方法具有明显优势,它不受先验知识的影响,并且更强调时间顺序,因此因效性脑网络的研究多基于此方法。本文在前人研究的基础上,运用基于格兰杰因果关系的部分定向相干分析(Partial Directed Coherence,PDC),利用脑电EEG信号构建因效性脑网络,随后分析因效性脑网络的拓扑结构。本文完成的主要工作如下:第一,实验数据采用64导联静息态的EEG脑电图信号,对两组被试(精神分裂症患者和正常人)构建因效性脑网络。首先,对采集到的数据进行预处理,以去除干扰和伪迹;其次,格兰杰因果关系要求数据具有协方差平稳性,故要对数据进行协方差平稳性检测,对非协方差平稳的数据采用差分方法进行处理;然后,需要选择合适阶数的多变量自回归模型(multivariate autoregressive model,MVAR);再然后,采用基于格兰杰因果关系模型的部分定向相干分析法对各通道间的因果作用关系进行量化,生成因效性脑网络的邻接矩阵;最后,需要选择合适的阈值,将量化出的因果关系进行二值化处理,从而去掉一些不重要的连接边并且降低网络规模。第二,对建立的精神分裂症患者组和正常人组的因效性脑网络进行拓扑结构的分析,分别从全局属性和局部属性两方面内容对构建的因效性脑网络进行分析。在全局属性方面,通过分析在不同频段下两组被试因效性脑网络的平均聚类系数,平均路径长度和网络全局效率可知:两组被试在平均聚类系数和平均路径长度上正常人都高于精神分裂症患者,但是两组被试之间不存在显著性差异,而在网络全局效率上,正常人具有较高的网络全局效率,并且两组被试之间存在显著性差异。在局部属性上,分别分析了精神分裂患者和正常人因效性脑网络的度,度分布,介数,紧密度,局部效率,通过度,度分布,阶数,紧密度对节点间关系的分析后可知,精神分裂症患者在大脑的大脑右半球的额叶和颞叶处分布着网络的核心节点,而正常人则主要分布在大脑左半球的额叶、颞叶、和顶叶;通过对两组被试因效性脑网络的局部效率的分析,我们发现精神分裂症患者具有更高的网络局部效率。