08-张丹-天津医科大学-基于稀疏非负分解的工作记忆脑电的功能网络特性研究
神经工程/脑网络
基于稀疏非负分解的工作记忆脑电的功能网络特性研究*张丹，田心*
天津医科大学，生物医学工程学院，300070
摘要:本文发展稀疏网络分析方法，在低维稀疏空间定量描述工作记忆脑电（EEGs ）网络的特性参数。实验数据为正常受试者2-back 、0-back 和静息16通道脑电。应用Granger 因果分析，计算受试者脑电网络特性参数：因果值GC ，网络信息传递效率E ，网络密度D 。应用稀疏非负矩阵分解，将原记录空间EEGs 投影到稀疏空间构建稀疏网络，分别计算GC 、E 、D 。结果：（1）原空间：2-back 组GC=（6.469±0.490）*10-4，E=0.209±0.015，D=0.156±0.010；0-back 组GC=（2.420±0.330）*10-4，E=0.080±0.009，D=0.067±0.008；静息组GC=（0.819±0.150）*10-4，E=0.025±0.005，D=0.024±0.005。（2）稀疏空间2-back 组GC=（1.915±0.086）*10-3，E=0.631±0.008，D=0.353±0.008；0-back 组：GC=（1.017±0.033）*10-3，E=0.382±0.013，D=0.191±0.006；静息组：GC=（0.766±0.031）*10-31 引言
，E=0.303±0.016，D=0.156±0.005。结论：工作记忆EEGs 功能连接增强，信息传递效率提高。在低维稀疏空间能突出描述工作记忆功能连接网络特性。
关键词：工作记忆；Granger 因果分析；功能连接；脑电网络；稀疏非负矩阵分解
工作记忆（working memory ）是一种对信息进行暂时加工和贮存的能量有限的记忆系统，是一些基本认知功能的基础，如语言理解、学习、计划、推理等[1]。因此，研究工作记忆神经信息功能连接网络是理解工作记忆机制的关键。
在认知加工过程中，大量神经元、神经集群或者脑区之间相互作用形成网络连接，完成大脑的各种功能。其中，功能网络是大脑处理信息和表达的生理基础。研究大脑功能网络的算法有很多，其中，Granger 因果分析由1969年经济学家Clive Granger 提出，近年来被广泛用于分析神经系统的拓扑细节[2]大量研究表明，θ频段（4～8Hz ）是工作记忆的特征频段。
[3,4]。基于MEG 和EEG 的研究表明，在工作记忆状态下，额区和中央区的θ振荡显著增大，而且与记忆负载和任务难度相关[5,6]实验已经证明，在特定的任务刺激下，脑部神经元的活动响应是稀疏的。
[7]
*
本课题受国家自然科学基金（No.61074131和No.91132722）资助。
第一作者：张丹，女，生物医学工程专业2012级硕士研究生，主要从事神经工程研究。
通讯作者：田心，女，博士，教授，博士生导师，主要从事神经工程研究。Email:tianx@https://www.wendangku.net/doc/9b12854855.html,, 联系电话：86-22-83336951
。针对脑内功能区域活动性时的稀疏性，在EEG 逆问题求解中，很多学者认为可把稀疏性考虑到求解过程中，以获得更加符合生理解释的结果。因此本文主要结合时域Granger 因果分析和稀疏非负矩阵分解（Sparse Nonnegative Matrix Factorization ，SNMF ），发展稀疏网络分析方法，分析
正常人工作记忆θ频段EEGs 原始和稀疏后的功能连接，用参数定量描述功能网络的特性。
2 原理与方法
2.1 受试者
两名健康女性受试者（21，22岁），均为天津医科大学在校大学生，视力或矫正视力正常，无色盲或色弱，为右利手，无神经、精神或睡眠障碍方面的病史，且直系亲属无精神病障碍。所有均获知情同意，自愿参加实验。 2.2 工作记忆范式
本研究按组块模式设计，选用经典n-back WM 范式，选用辅音字母为刺激项目[8,9]
。2-back
为工作记忆任务，0-back 为对照状态，无需WM ，两种任务交替进行，分别执行3次，如图1所示。
在2-back 任务下，要求受试者决定每个出现的字母是否与此前刚呈现过的前面第二个字母匹配，若匹配，则按键盘上的按键，记录受试者的反应时间。在0-back 对照任务下，要求受试者看到X 字母，则按键盘上的按键，记录受试者的反应时间。在每个block 的开始，屏幕中心呈现实验内容名称“0-back ”或者“2-back ”，提示受试者做好准备，按任意键开始。每个刺激呈现500ms ，接下来黑屏2500ms 。在每个0-back block 中有20个刺激，共60s ，在每个2-back block 中有22个刺激，共66s ，在每个block 中，只有30%是目标刺激，block 之间休息30s 。
图1. 组块设计的N-back WM 范式
Figure 1. The block designed N-back working memory paradigm
2.3 数据采集
采用美国Biopac 公司MP150型16通道EEG 记录仪。按照国际10-20系统在头皮上放置16个电极，分别为Fp1、Fp2、F3、F4、C3、C4、P3、P4、O1、O2、F7、F8、T3、T4、T5、T6，采样频率为1000Hz ，以两侧耳朵乳突为参考。记录时室内安静，受试者坐在椅子上，在记录过程中保持清醒、放松。本研究分别记录每名受试者在2-back 、0-back 和闭目静息下的EEGs ，并对EEGs 进行离线预处理，去除其中的基线漂移、工频干扰、眼动等伪迹。 2.4 数据处理
假设给定一个大小为m×n 的非负矩阵X ，SNMF 算法可以将X m×n 分解为基矩阵A m×r 和系数矩阵S r×n ，其中，r 应满足r < min (m, n)的条件[10,11]。原始矩阵的每一列可以看成对基矩阵A m×r 中所有列向量的加权和，权重为系数矩阵S r×n 中对应列向量中的元素，携带原始矩阵中的有效信息。SNMF 算法通过同时在超平面和超球面上的投影以实现对矩阵S 的非负性、稀疏性的控制。我们运用短时傅里叶变换得到预处理后θ频段EEGs 的时频表达，构建非负矩阵X ，经过SNMF 后得到低维稀疏矩阵S 。
为了探究神经活动机制，Granger 因果分析方法被广泛应用于神经信号中，提取确定的
定向功能连接[2]。我们应用时域Granger 因果分析方法分别计算2-back 组、0-back 组、静息组θ频段EEGs 的功能连接网络，以及相应的稀疏矩阵S 的功能连接网络。
为了定量比较功能连接网络之间的特性，我们选用三个网络特性参数：因果值GC 、网络全局效率E 和网络密度D [12,13]3 结果
。因果值GC 为功能网络因果连接的平均值，GC 的大小表示功能连接的强弱；网络全局效率E 与最小路径长度成反比，E 可以衡量网络并行传输信息的全局效率；网络密度D 被定义为网络中实际的连接数目除以网络最大的容量，D 值越小，网络越稀疏。
3.1 时频分析结果
对两名受试者在2-back 、0-back 和闭目静息状态下各10段预处理后的10s 16通道EEGs 进行时频分析，结果表明与0-back 相比，2-back 任务下各通道θ频段的能量较大，而闭目静息状态下EEGs 的能量集中在10Hz 左右，即α频段，如图2所示。图2中，我们选用受试者1在三种状态下各一段EEGs 中F3、C3、P7通道的时频图作为代表，进行对比。
2-back
0-back
rest
F3
C3
P7
Time/s F r e q u e n c y /H z
2
4
6
8
5
101520Time/s F r e q u e n c y /H z
2
4
6
8
5
101520Time/s
F r e q u e n c y /H z
2
4
6
8
5
101520Time/s F r e q u e n c y /H z
2
4
6
8
5
101520Time/s F r e q u e n c y /H z
2
4
6
8
5
101520Time/s
F r e q u e n c y /H z
2
4
6
8
5
101520Time/s F r e q u e n c y /H z
2
4
6
8
5
101520Time/s
F r e q u e n c y /H z
2
4
6
8
5
101520Time/s
F r e q u e n c y /H z
2
4
6
8
5101520010
20
图2. 受试者1在2-back 、0-back 和静息状态下F3、C3、P7通道0~10s EEGs 的时频图
Figure 2. Time-frequency representations of 0~10s EEGs obtained from F3, C3, P7 channels in subject 1 during
2-back, 0-back and rest phase
3.2网络特性参数
本文分别计算了两名受试者2-back、0-back和闭目静息状态下θ频段16通道EEGs原始空间和稀疏分解后的功能连接网络的因果值GC、全局效率E、密度D，如图3所示。在原始空间，2-back组的因果值GC、全局效率E、密度D比相应的0-back和闭目静息组的GC、E、D明显增大（t检验，P<0.01），说明WM任务下脑区之间的功能连接更强，更稠密，信息传输效率更高。在稀疏空间，三组的网络因果值GC、全局效率E、密度D均有明显增大，2-back组的GC、E、D值仍显著大于相应的0-back组和闭目静息组的GC、E、D 值（P<0.01）。
图3. 受试者在2-back、0-back和静息状态下θ频段16通道EEGs功能网络的特性参数，（A）在原始空间功能网络的因果值GC、全局效率E、网络密度D（平均值±标准误）；（B）在稀疏空间功能网络的因果值GC、全局效率E、网络密度D（平均值±标准误）。其中，**表示具有显著差异（P<0.01，t检验）。Figure 4. Indexes of functional network calculated in the theta frequency band of 16 channel EEGs for subjects during during 2-back, 0-back and rest phase, (A) Granger causality(GC), global efficiency (E) and network density (D) of functional network in original space (mean±SEM); (B) Granger causality(GC), global efficiency (E) and network density (D) of functional network in sparse space (mean±SEM). The ** symbal indicates means that were signigicantly diffferent from each other (P<0.01，t-test).
4讨论
θ频段是WM的重要频段之一。我们发现WM 2-back任务中θ频段的能量比对照0-back任务增大（图2）。在原始空间，与闭目静息组和0-back组相比，2-back组θ频段各脑区之间的功能连接更强，更稠密，协同传递信息的效率更高。此结果与Schlosser等所报道的研究结果
相似[14]，他们发现在WM 负荷增加时，左额下回到左后顶叶皮层和右额内侧回到左半球额顶区连接增强。Kistopher 等人也发现与基线对照实验相比，记忆过程中前额叶皮层与内侧颞叶的连接增强[3]。
针对脑内功能区域活动性的稀疏性，本文将SNMF 与时域Granger 因果分析相结合，发展稀疏网络分析方法，构建稀疏分量之间的网络，发现稀疏后三组网络的因果值GC 、全局效率E 和密度D 都有了明显的提高，但2-back 组仍显著大于0-back 组和闭目静息组，可能与SNMF 算法能提取WM 的特征相关[11][12] Bullmore E., Sporns O. Complex brain networks: graph theoretical analysis of structural and
。
参考文献
[1] Baddeley A. Working memory: looking back and looking forward[J]. Nature Reviews Neuroscience,2003,4:829-839
[2] Anil K S. A matlab toolbox for Granger causal connectivity analysis[J]. Journal of Neuroscience Methods,2010,186:262-273
[3] Kristopher L. A., Rajasimhan R., Georges A. G ., et al. Theta oscillations mediate interaction between prefrontal cortex and medial temporal lobe in human memory[J]. Cerebral Cortex,2010,20(7):1604-1612
[4] Matthew J. B., Jonathan R. W., Claire M. S., et al. Changes in brain network activity during working memory tasks: a magnetoencephalography study[J]. NeuroImage,2011,55:1804-1815 [5] Missonnier P., Deiber M P., Gold G ., et al. Frontal theta event-related synchronization: comparison of directed attention and working memory load effects[J]. Journal of Neural Transmission,2006,113:1477-1486
[6] Mikael L., Pawel H., Anders L. Theta and gamma power increases and alpha/beta power decreases with memory load in an attractor network model[J]. Journal of Cognitive Neuroscience,2011,23(10):3008-3020
[7] Mattias P. K., Loren M. F. Network dynamics underlying the formation of sparse, informative representations in the hippocampus[J]. The Journal of Neuroscience,2008,28(52):14271-14281 [8] Adrian M. O., Kathryn M. M., Angela R. L., et al. N-back working memory paradigm: a meta-analysis of normative functional neuroimaging studies[J]. Human Brain Mapping,2005,25:46-59
[9] Ting L., Qingming L., Hui G . Gender-specific hemodynamics in prefrontal cortex during a verbal working memory task by near-infrared spectroscopy[J]. Behavioural Brain Research,2010,209:148-153
[10] Yuan G ., George C. Improving molecular cancer class discoverythrough sparse non-negative matrix factorization[J]. Bioinformatics,2005,21(21):3970-3975
[11] Xu L., Tiao-Tiao L., Wen-Wen B., et al. Encoding of rat working memory by power of multi-channel local field potentials via sparse non-negative matrix factorization[J]. Neurosci Bull,2013,29(3):279-286
functional systems[J]. Nat Rev Neurosci,2009,10(3):186-198
[13] Rubinov M., Sporns O. Complex network measures of brain connectivity: uses and interpretations[J]. Neuroimage,2010,52(3):1059-1069
[14] Schlosser R. G., Wagner G., Sauer H. Assessing the working memory network: studies with functional magnetic resonance imaging and structural equation modeling[J]. Neuroscience,2006,139(1):91-103