模糊符号收敛交叉映射：一种用于意识障碍患者脑电图信号的因果耦合测量方法

《Neural Networks》：Fuzzy Symbolic Convergent Cross Mapping: A Causal Coupling Measure for EEG Signals in Disorders of Consciousness Patients

disorders of consciousness (DOC) 诊断难题，提出模糊隶属函数增强的收敛交叉映射（FuzzSCCM）方法，构建鲁棒EEG脑网络，揭示VS/UWS与MCS患者脑网络差异及意识动态调节机制。

　　这项研究致力于解决意识障碍（Disorders of Consciousness, DOC）患者的准确和及时诊断这一核心临床挑战。意识障碍涵盖多种状态，包括植物状态/无反应觉醒综合征（Vegetative State/Unresponsive Wakefulness Syndrome, VS/UWS）和最小意识状态（Minimally Conscious State, MCS）。对于这些患者，准确的诊断不仅有助于预后评估，还能为治疗方案的制定提供重要依据。目前，诊断DOC的金标准是JFK昏迷恢复量表修订版（Coma Recovery Scale-Revised, CRS-R），该量表通过评估患者的残余视觉、听觉、运动和语言功能，以及交流能力和觉醒状态，为临床判断提供支持。然而，由于DOC患者常表现出由短期（几秒到几小时）或长期（几天到几个月）觉醒波动所引发的无法解释的行为，这使得基于床边行为评估的临床检查存在一定的局限性。据估计，约有40%的DOC患者被误诊为处于VS/UWS状态（Schnakers et al., 2009）。因此，开发一种更加精准、高效的诊断方法具有重要的临床价值。

在神经层面，严重的脑损伤通常会导致广泛的结构断开和异常的功能连接（Functional Connectivity, FC）。这种结构和功能上的破坏会损害支持意识的神经基础设施，并降低信息在大脑中的传播能力和动态涌现能力（Rizkallah et al., 2019；Toppi et al., 2024）。DOC患者表现出全球信息处理能力的下降（即网络整合度降低）以及局部信息处理能力的增强（即网络分离度增加）（Rizkallah et al., 2019）。值得注意的是，大规模功能脑网络的整合能力会随着意识水平的下降而逐渐减弱（Rizkallah et al., 2019）。因此，近年来，准确量化不同脑区之间的耦合关系成为研究的重点（Yi et al., 2024；Gu et al., 2023；Chen et al., 2019）。

脑电图（Electroencephalography, EEG）信号因其高时间分辨率和易于采集的特点，受到了越来越多的关注（Chennu et al., 2017；Gu et al., 2023；Hao et al., 2023）。特别是在探索脑连接性方面，EEG连接图（EEG connectomes）提供了一个强有力的框架，有助于揭示认知功能背后的机制（Zhang and Chen, 2025；Wang et al., 2022；Cao et al., 2022；Demertzi et al., 2019）。在过去几十年中，多种因果关系和耦合度的测量方法被开发出来，其中包括格兰杰因果关系（Granger Causality, GC）（Granger, 1969），它在多种情况下得到了广泛应用，并有相应的扩展（Geweke, 1982；Geweke, 1984；Dhamala et al., 2008）。转移熵（Transfer Entropy, TE）（Schreiber, 2000）提供了另一种强大的框架，特别是在捕捉非线性因果关系方面。然而，这些方法虽然能够揭示方向性的耦合关系，但往往依赖于平稳性假设，并需要较长的数据记录，这在分析EEG信号时可能带来一定困难。近年来，收敛交叉映射（Convergent Cross Mapping, CCM）作为一种状态空间重构方法，因其对数据的要求相对较低而成为检测因果影响的有吸引力的替代方案（Sugihara et al., 2012）。CCM基于动力系统理论，认为如果两个时间序列共享一个共同的吸引子流形，那么它们之间存在因果关系（Sugihara et al., 2012）。该方法通过重构一个时间序列的吸引子流形来预测另一个时间序列的当前或未来值，从而判断两者之间的耦合关系。

尽管CCM在神经科学领域已取得成功，但其对观测噪声的敏感性限制了其在临床中的应用。为了解决这一问题，研究人员尝试对CCM进行符号化扩展，通过将连续信号转换为符号序列，以提高方法的鲁棒性（Gu et al., 2023）。然而，符号化方法依赖于硬阈值，且模式的丰富性受到额外参数的影响，这可能会掩盖那些虽然较弱但具有临床意义的交互作用，特别是在噪声较多的EEG信号中。DOC患者的EEG数据通常受到噪声和伪迹的干扰，进一步限制了这些方法的可靠性。因此，为了有效检测DOC患者EEG电极之间的耦合关系，所采用的方法必须具备良好的噪声容忍能力，并且在弱耦合系统中保持较高的敏感性。探索不同脑区之间的EEG信号耦合关系对于理解异常EEG信号的生成具有重要意义。

为了克服CCM在符号化过程中对参数选择的高度依赖性，研究团队采用了一阶微分的方式，间接捕捉信号的变化，而不是依赖于绝对幅值。这种改进使得方法在保持信号动态特征的同时，增强了对噪声的鲁棒性。此外，研究团队还结合了模糊隶属函数，将硬阈值转换为隶属度，从而进一步提升了方法的可靠性。模糊隶属函数的灵活性使得其在EEG分析中得到了越来越多的应用（Lazar et al., 2016；Abuhasel et al., 2015；Chatterjee et al., 2013）。因此，研究的目标是开发一种能够可靠应用于低信噪比EEG数据的耦合度测量方法，并利用该方法构建脑网络，从而对DOC患者的异常连接模式进行深入分析。长期来看，这种方法有望为临床诊断和决策提供一个客观、可靠的生物标志物。

在本研究中，研究团队提出了一种基于模糊隶属函数的收敛交叉映射方法，即模糊符号收敛交叉映射（Fuzzy Symbolic Convergent Cross Mapping, FuzzSCCM）。该方法不仅能够构建具有鲁棒性的定向脑网络，还提高了对噪声的容忍能力。为了验证FuzzSCCM的有效性，研究团队进行了三方面的模拟实验：噪声鲁棒性、耦合敏感性和数据长度敏感性。通过这些实验，研究团队发现FuzzSCCM在噪声环境中表现出较强的鲁棒性，同时能够敏感地捕捉到耦合关系，并且对数据长度的要求相对较低。此外，研究团队还应用FuzzSCCM对真实DOC EEG数据集进行了分析，以验证其在实际应用中的表现。

研究结果表明，FuzzSCCM能够识别出MCS患者与VS患者之间的不同网络特征。具体而言，与MCS组相比，VS组在α频段表现出更显著的左右半球连接不对称性，而在θ频段则表现出相对较低的前额区域活动性。这些发现揭示了DOC患者脑网络中不同状态之间的动态变化，表明这些动态重组可能是意识调节的基本机制。此外，研究团队还结合了贝叶斯非负矩阵分解（Bayesian Non-negative Matrix Factorization, Bayesian NMF）方法，进一步探讨了DOC患者脑网络中的神经机制，为理解意识障碍的动态神经特征提供了新的视角。

在数据采集方面，本研究遵循了严格的伦理规范。研究方案已通过天津大学新城医院伦理委员会的审批（批准号：TUXC-2022-R3），并获得了所有患者的监护人知情同意。研究对象是从天津大学新城医院于2022年7月至2023年6月期间招募的DOC患者。所有参与者均为右利手，排除了存在既往精神疾病、听力障碍、颅内金属植入物（如动脉夹和起搏器）等影响研究结果的患者。数据采集过程严格遵循标准化流程，以确保EEG信号的质量和可靠性。

通过应用FuzzSCCM方法，研究团队发现，对于DOC患者而言，左右半球之间的连接不对称性在α频段表现出明显差异。这一发现不仅有助于区分MCS与VS患者，还可能揭示意识调节的基本机制。此外，研究还发现，FuzzSCCM方法在检测群体差异方面优于传统的CCM方法，这为未来在临床中应用该方法提供了有力支持。这些结果表明，FuzzSCCM不仅能够准确捕捉不同脑区之间的耦合关系，还能够在噪声环境中保持较高的鲁棒性，为DOC的诊断和治疗提供新的思路。

在讨论部分，研究团队进一步分析了FuzzSCCM方法的应用潜力。该方法通过符号化模式分析，能够有效捕捉各种类型的因果关系。为了应对真实系统中的时间变化，研究团队引入了贝叶斯非负矩阵分解（Bayesian NMF）方法，以估计因果动态。这一结合不仅提升了方法的准确性，还使得研究能够更全面地探讨DOC患者脑网络的动态特征。此外，研究团队还讨论了FuzzSCCM方法在临床应用中的优势，包括其对噪声的容忍能力、对耦合关系的敏感性以及对数据长度的适应性。这些特性使得FuzzSCCM在处理DOC患者的EEG数据时具有更高的实用性。

综上所述，这项研究提出了一种基于模糊隶属函数的收敛交叉映射方法，即FuzzSCCM，为DOC患者的跨信号耦合分析提供了一种新的解决方案。通过模拟实验和真实数据的分析，研究团队验证了FuzzSCCM在噪声环境下的鲁棒性、对耦合关系的敏感性以及对数据长度的适应性。此外，FuzzSCCM方法在区分MCS与VS患者方面表现出较高的准确性，为DOC的诊断和治疗提供了新的思路。研究团队还结合了贝叶斯非负矩阵分解方法，进一步探讨了DOC患者脑网络的动态特征，揭示了意识调节的基本机制。这些发现不仅为理解DOC的动态神经特征提供了新的视角，还为未来开发更加精准的诊断工具奠定了基础。