人脑电图（EEG）信号的功能整合与拓扑复杂性之间的关系：三个调节因素

《Brain Sciences》：The Relationship Between the Functional Integration and Topological Complexity of Human Electroencephalographic (EEG) Signals: Three Moderating Factors

　　

背景与目标：研究人脑动态功能的一个有用策略是关注脑的功能整合与其拓扑复杂性之间的关系。基于信息论度量的理论分析表明，脑的功能拓扑复杂性与功能整合呈曲线形倒U型关系。利用皮层脑电图（EEG）偶极子源的功能整合与拓扑复杂性的模拟研究支持这一关系。然而，头皮水平的EEG功能拓扑复杂性与功能整合呈反比关系。本研究以清醒静息脑状态下占主导的alpha频段（7–13 Hz）EEG信号为例探讨这种差异。方法：探索了三种可能影响头皮水平EEG整合–复杂性关系的不同EEG源因素：体积传导（Volume Conduction）、规则性（Regularity）和模块化（Modularity）。研究人员通过参数化操纵皮层EEG偶极子源信号的规则性和模块化及其头皮水平投影，在体积传导的空间混合效应发生前后，确定EEG功能整合和拓扑复杂性在这些因素下如何在皮层和头皮水平依赖于这些因素。将模拟结果与经验测量的静息态EEG信号结果进行比较。结果：模拟的源水平EEG功能整合和拓扑复杂性遵循曲线形倒U型关系，而头皮水平功能拓扑复杂性与功能整合呈反比关系，这种差异出现在不规则（非周期性）源而非规则（周期性）源中。EEG源模块化仅与规则EEG信号的功能整合–复杂性关系有关。这些发现与经验EEG信号获得的结果一致。结论：源水平与头皮水平EEG功能整合–复杂性关系之间的差异主要反映了体积传导的空间混合效应及其对头皮EEG规则性的次级效应。

研究背景方面，目前学术界广泛认为人脑的动态功能反映了跨局部和全局时空尺度的多样化神经元网络相互作用，脑作为系统在功能上高度复杂，其分离与整合自适应演化形成动态的相互连接的神经元层级，而脑的复杂性（Functional Topological Complexity，即功能拓扑复杂性，也可简称为功能复杂性、拓扑复杂性或复杂性，反映神经系统中神经元相互作用导致的功能分离与整合的动态权衡）与相关的分离和整合对人类认知、行为、心理健康及意识至关重要。研究脑的这些组织特性有助于阐释其功能相关性。其中一个有用策略是关注功能整合与复杂性之间的关系，因为这隐含捕捉了脑的分离（整合与分离互为反比，整合低则分离高，反之亦然）。功能拓扑复杂性与相应功能整合可通过多种方式量化，本文采用基于信息论的量化技术，在此框架下脑的功能整合量化为“神经系统中各成分偏离统计独立性之程度”，脑的功能拓扑复杂性通过称为神经复杂性（Neural Complexity）的度量量化，即将神经系统划分为由递增数量神经元元素组成的子集，神经复杂性量化为整合的线性增长与作为子集大小函数的平均整合之间的面积，由于计算大系统的神经复杂性计算量大，常使用更简单的替代度量即交互复杂性（Interaction Complexity，C_I(X)），索引脑元素间相互作用产生的信息内容。理论与模拟均显示功能整合与拓扑复杂性之间呈近似倒U型曲线的曲线关系：低整合时复杂性小，整合从中低水平增加时复杂性增至最大，整合从中到高增加时复杂性下降。先前研究显示皮层EEG偶极子源的功能整合与拓扑复杂性遵循理论倒U关系，但头皮EEG信号处于复杂性曲线峰值右侧的中高整合区间，拓扑复杂性随整合增加递减，最初由前人报道并复现，推测差异源于源信号向头皮体积传导（Volume Conduction，指脑内电信号经容积导体传播至头皮过程中的空间混合）的空间混合与振荡EEG信号周期规则性的交互，该推测基于源与头皮关系差异初始出现在从非周期随机噪声偶极子源向周期振荡偶极子源过渡时。由于大多数EEG研究使用头皮记录考察脑功能组织，解决此问题有助于解释头皮水平EEG功能整合与拓扑复杂性度量在神经认知信息处理研究中的含义。许多因素影响EEG功能整合与拓扑复杂性测量量化，本研究考虑三个特定因素：一是体积传导的混合效应，基于前述观察；二是EEG信号规则性（Regularity，反映信号随机非规则过程与完全有序过程的相对平衡，振荡神经过程具内在非随机自相关结构不能进一步分解而不改变信号周期性），神经复杂性反映随机不规则与完美有序脑过程间的相对平衡，EEG信号处于图1复杂性曲线峰值右侧整合水平，此行为受体积传导混合效应调节；三是脑分离程度，通过脑网络分析中开发的称为模块化（Modularity，网络社区或“模块”是密集连接网络节点的细分，“模块”内节点彼此连接强于与网络其他部分连接，量化网络模块化强度的统计量为Modularity Q）的统计度量索引，脑模块化度量应是理解EEG功能整合与拓扑复杂性的良好独立度量。本研究评估这三个因素与清醒静息态下经验和模拟EEG功能整合及拓扑复杂性的关系，遵循先前研究聚焦alpha频段EEG振荡（清醒静息态占主导，为EEG功能复杂性分析稳健起点，且信息论复杂性度量在有限频带数据上更准确），先量化经验测量静息态alpha频段EEG信号的规则性、模块化、整合与拓扑复杂性，再进行EEG模拟参数化操纵皮层EEG源的规整性与模块化及相应头皮水平EEG信号，识别EEG规则性与模块化在体积传导空间混合效应前后与皮层源及头皮水平EEG功能整合和拓扑复杂性的关系，进而解释经验测量静息态alpha频段EEG信号的规则性、模块化与功能整合–复杂性关系。研究最终得出核心结论：源水平与头皮水平EEG功能整合–复杂性关系差异主要反映体积传导的空间混合效应及其对头皮EEG规则性的次级效应；空间混合因平滑头皮EEG不规则性而改变头皮EEG功能整合与拓扑复杂性；未来用头皮EEG测量解释脑功能整合与拓扑复杂性时必须考虑此因素。该研究发表于《Brain Sciences》。

主要关键技术方法方面，研究人员纳入21名德克萨斯州立大学本科生（年龄18–31岁，平均20±3岁，女性12名、男性9名）的静息态EEG数据（眼闭与眼开各4分钟，暗室舒适坐姿），使用Biosemi Active II EEG系统以72通道按扩展国际10–20系统记录，离线预处理包括去伪迹、球面样条插值替换坏导、转换为拉普拉斯（Laplacian）基电流源密度（Current Source Densities, CSD）以减小体积传导影响、个体化定义alpha频带（7–13 Hz内偏离1/f功率律的范围）带通滤波、均值中心化；采用四壳同心球头容积导体模型放置48个枕区径向偶极子与148个背景偶极子，通过正向体积传导变换计算头皮电位，分两阶段参数化操纵偶极子时空依赖以模拟功能模块化（阶段1将邻近6偶极子簇从非周期随机时程替换为具随机幅频相的周期正弦波直至全部48个偶极子为周期源；阶段2将周期偶极子簇替换为同幅同频但均匀随机相移±π的正弦波以形成功能模块，从24个2偶极子模块至1个48偶极子模块）；采用几何k近邻（Geometric k-Nearest Neighbors, G-KNN）熵估计器计算信息论度量功能整合I(X)与交互复杂性C_I(X)；头皮水平功能连接采用校正虚部分量锁相值（Corrected Imaginary Phase Locking Value, ciPLV）以减轻体积传导零滞后相关伪影，源水平用皮尔逊相关；采用嵌套三级迭代的Louvain社区检测算法结合共识聚类估计脑网络模块化（Modularity Q）、模块数N_M、平均模块大小M_Size、平均参与系数（Participation Coefficient, PC）与平均参与指数（Participation Index, PI），通过 surrogate 数据技术（ICA分解后循环移位激活时程再逆变换回传感器空间）评估体积传导伪依赖；统计采用非参数随机置换t检验与Holm–Bonferroni多重比较校正。

研究结果部分，首先是3.1 Observed EEG Data（观察到的EEG数据），研究人员通过对21名被试眼开与眼闭静息态经验EEG数据分析得出：3.1.1 Observed EEG Power Spectral Density (PSD)（观察到的EEG功率谱密度），眼闭条件后头皮PO7与PO8位点alpha频段功率显著高于眼开（PO7：37.24 dB vs 34.12 dB；PO8：37.12 dB vs 34.07 dB，均p<0.001）；3.1.2 Observed EEG Signal Regularity（观察到的EEG信号规则性），未滤波EEG的游程随机性检验（Run Test for Randomness, RTR）均值眼开0.995、眼闭1.000，滤波后均为1，表明未滤波信号相对规则、滤波强加近完美规则性；3.1.3 Observed EEG Functional Integration and Topological Complexity（观察到的EEG功能整合与拓扑复杂性），眼闭较眼开I(X)更大（t(20)=6.84, p<0.001）、C_I(X)更小（t(20)=-3.94, p<0.001），二者负相关（R=-0.58, p<0.008），且观测值均超出surrogate数据95%置信区间，非体积传导伪影所致；3.1.4 Observed EEG Brain Network Parameters（观察到的EEG脑网络参数），眼闭较眼开模块数N_M更小（t(20)=-3.22, p<0.007）、模块大小M_Size更大（t(20)=3.30, p<0.007）、模块化Q更大（t(20)=3.46, p<0.005）、参与系数PC与参与指数PI更小（PC：t(20)=-3.59, p<0.004；PI：t(20)=-4.92, p<0.001）、分辨率参数γ更小（t(20)=-2.94, p<0.008），观测值均超出surrogate置信区间；3.1.5 Relationships Between Observed EEG Network Parameters and Integration/Complexity（观察到的EEG网络参数与整合/复杂性的关系），眼闭减眼开的差异得分显示ΔI(X)与ΔQ、ΔM_Size正相关，与ΔPC、ΔPI、ΔN_M、Δγ负相关；ΔC_I(X)与ΔPC、ΔPI、ΔN_M、Δγ正相关，与ΔQ、ΔM_Size负相关，表明整合增加伴随模块更少更大更不变量，复杂性降低伴随同样模块变化。

其次是3.2 Dipole Simulation of Resting State EEG（静息态EEG的偶极子模拟），研究人员通过参数化偶极子模拟得出：3.2.1 Regularity of Dipole Simulations（偶极子模拟的规则性），源与未滤波头皮RTR在模块划分1为低，阶段1逐步增至划分9达最大值1并保持至划分18，滤波头皮RTR所有划分恒为1，表明阶段1源与未滤波头皮从非周期独立转为周期时空独立时规则性增加，滤波强加近完美规则性；3.2.2 Simulated EEG Functional Integration and Topological Complexity（模拟的EEG功能整合与拓扑复杂性），源水平I(X)在阶段1（划分1–9）从时空独立非周期到周期时空独立而增加，阶段2（划分10–18）从周期时空独立到近完美时空依赖进一步增加；C_I(X)阶段1增至划分9最大后阶段2递减，源水平C_I(X)与I(X)呈倒U（阶段1 R=0.98, p<0.001；阶段2 R=-0.99, p<0.001）。头皮水平I(X)随划分增加而增加，C_I(X)从全局最大减至局部最小，二者整体负相关（R=-0.92, p<0.001）；未滤波头皮C_I(X)在划分1–3微增后递减，整体仍负相关（R=-0.96, p<0.001），与观测关系一致；3.2.3 Simulated EEG Network Parameters（模拟的EEG网络参数），源水平阶段1 N_M与M_Size近恒定，阶段2 N_M递减、M_Size递增（划分14后加速），PC与PI两阶段从最大减至最小，Q两阶段递增至划分16峰值后微降，γ阶段1增至划分9最大后阶段2递减至次最小；头皮水平N_M阶段1近恒定、阶段2递减，M_Size阶段1近恒定、阶段2递增，PC两阶段从最大减至最小，PI阶段1至阶段2大部分递减、划分17–18微增，Q两阶段递增至划分17峰值后微降，γ两阶段恒略大于1后划分17–18微降；3.2.4 Relationships Between Simulated EEG Network Parameters and Integration/Complexity（模拟的EEG网络参数与整合/复杂性的关系），源与头皮水平I(X)与Q、M_Size正相关，与PC、PI、N_M、γ负相关；源水平阶段1 C_I(X)与Q、γ正相关，与PC、PI负相关，阶段2相反；头皮水平C_I(X)与PC、PI、N_M、γ正相关，与Q、M_Size负相关，表明整合增加伴随模块更少更大更不变量，复杂性变化伴随相应模块变化。

讨论部分总结，研究人员首先复现源水平与头皮水平功能整合–复杂性关系差异：源水平呈倒U（阶段1从非周期独立到周期时空独立C_I增至最大，阶段2近完美依赖C_I递减），头皮水平呈单调反比（C_I随I(X)增加从全局最大减至最小），经验头皮EEG在眼开（中整合高复杂性）到眼闭（高整合低复杂性）呈同样单调减，符合先前提出经验数据处于模拟阶段2中高整合区间的推测，且I(X)与C_I(X)为熵差故不受EEG功率差异影响。接着讨论三个因素：体积传导效应方面，模拟中源向头皮投影的空间混合导致差异，即便使用Laplacian变换减小体积传导仍无法完全消除扭曲，未来或对估计皮层源直接分析可消除；信号规则性效应方面，模拟阶段1规则性增加伴源倒U关系，头皮滤波致恒规则性、未滤波规则性随源增但关系仍扭曲，表明空间混合为主因且混合改变头皮规则性，经验未滤波与滤波头皮均高度周期，证实处于模拟阶段2高整合区间，建议解释头皮复杂性时评估未滤波信号规则性（低整合非周期源应显著偏离规则，高整合周期源不应）；模块化效应方面，阶段1未直接操纵模块化，估计的模块化反映节点统计伪巧合活动（高N_M低M_Size高PC/PI低Q），与源C_I快速增加无关，表明源模块化与头皮差异无关；阶段2操纵同步与依赖形成模块，源与头皮模块化模式变化一致（ciPLV减轻体积传导），源最复杂时为规则周期高模块化（多独立分区），模块化降低则整合增复杂性减，经验眼闭整合增复杂性减伴随模块更少更大更不变量、模块化更低，与先前皮层从全局同步到去同步小局部网络一致，ciPLV不受振幅影响故非功率差异所致。随后讨论EEG功能整合与拓扑复杂性动态：眼闭更整合更低复杂性，符合闭眼解除视觉加工、丘脑alpha起搏信号驱动视皮层形成大尺度模块，眼开视觉加工动态组织为多分布模块的高复杂性状态，二者均处于整合–复杂性曲线峰值右侧（规则周期活动元素彼此独立时复杂性峰），正常健康人脑神经源规则时整合与复杂性恒反比，不会超过源最大独立时峰值复杂性，故源与头皮差异仅发生于不规则源，对正常EEG研究无碍；既往视觉感知任务也显示预刺激高复杂性低整合、刺激后整合增复杂性减，均处峰值右侧。最后讨论局限：偶极子功能连接为现象学非机制性，聚焦模块化未含其他网络（如富俱乐部枢纽），未来可测；偶极子位置取向深度为粗略近似（固定最大幅、径向、规则网格），信息论度量与ciPLV不受幅影响，相对变化应一致；聚焦alpha频段，其他频段未来需研究；模块化最大化有分辨极限与退化问题，虽用嵌套迭代与共识聚类但仍可能低估源模块数（>4时），未来可用贝叶斯方法；仅关注功能拓扑复杂性，时间复杂性（如Lempel–Ziv复杂性、Hurst指数）受因素影响不同，未来需研究。

研究结论部分翻译：总之，本研究表明先前观察到的皮层与头皮水平EEG信号功能整合与拓扑复杂性之间的差异主要反映体积传导的空间混合效应。这种空间混合也受皮层EEG源信号规则性的影响，因为源与头皮水平功能整合–复杂性关系的差异出现在不规则（非周期性）皮层源而非规则（周期性）皮层源中。这是因为体积传导的空间混合对体积传导的EEG信号进行时间滤波，使头皮信号不规则性降低、规则性增强。此外，EEG源模块化主要影响规则EEG信号的功能整合–复杂性关系，而不规则头皮EEG信号的关系主要由EEG源规则性变化耦合体积传导效应驱动。未来使用头皮测量脑功能整合与拓扑复杂性的EEG研究在解释这些度量时必须考虑这些因素。