圖論分析是一種數(shù)學(xué)方法，已被應(yīng)用于大腦連接研究，以探索網(wǎng)絡(luò)模式的組織。圖論度量的計(jì)算使腦電圖(EEG)信號的平穩(wěn)行為的表征成為可能，這是不能用簡單的線性方法解釋的。本文的主要目的是系統(tǒng)地回顧圖論在神經(jīng)工效學(xué)中腦電圖數(shù)據(jù)功能連通性映射中的應(yīng)用。此外，本文還提出了一種利用源水平和傳感器水平兩種方法從腦電圖數(shù)據(jù)構(gòu)建無加權(quán)功能腦網(wǎng)絡(luò)的途徑。在57篇文章中，我們的研究結(jié)果表明，自2006年以來，用于表征EEG數(shù)據(jù)的圖論指標(biāo)受到了越來越多的關(guān)注，2018年發(fā)表頻率最高。大多數(shù)研究都集中在認(rèn)知任務(wù)和運(yùn)動任務(wù)的比較上。基于“鎖相值”的平均相位相干法是在回顧的研究中最常用的功能估計(jì)技術(shù)。此外，非加權(quán)腦功能網(wǎng)絡(luò)在文獻(xiàn)中比加權(quán)腦功能網(wǎng)絡(luò)得到了更多的關(guān)注。全局聚類系數(shù)和特征路徑長度是區(qū)分全局整合和局部分離的最普遍的度量，小世界屬性成為描述信息處理的一個(gè)令人信服的度量。本文提供了對在神經(jīng)工效學(xué)研究背景下使用圖論指標(biāo)來建模腦功能連通性的理解。本文發(fā)表在IEEE Access雜志。(可添加微信號siyingyxf或18983979082獲取原文，另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號入群，原文也會在群里發(fā)布)。
溫故而知新，建議結(jié)合以下腦電功能連接及圖論腦網(wǎng)絡(luò)相關(guān)解讀閱讀（直接點(diǎn)擊，即可瀏覽，加微信號siyingyxf或18983979082獲取原文及補(bǔ)充材料）：
腦電功能連接：
促進(jìn)早期的父母-嬰兒情感聯(lián)系可以改善早產(chǎn)兒的皮質(zhì)網(wǎng)絡(luò)
EEG源連通性：旨在實(shí)現(xiàn)大腦網(wǎng)絡(luò)在時(shí)間和空間上的高分辨率
Science子刊：母親的身體氣味增強(qiáng)了嬰兒和成人的腦-腦同步
早期遭受逆境的兒童的生長遲緩與大腦功能連接和認(rèn)知結(jié)果的改變有關(guān)
快速眼動睡眠期行為障礙患者的運(yùn)動皮層網(wǎng)絡(luò)異常
ANESTHESIOLOGY腦電研究 :全麻手術(shù)患者的大腦動態(tài)連接
Anesthesiology腦電研究：健康被試全麻的動態(tài)皮層連通性
利用腦電連通性特征和卷積神經(jīng)網(wǎng)絡(luò)的情緒分類
大規(guī)模電生理網(wǎng)絡(luò)動力學(xué)
低頻腦電連通性的改變可作為輕度認(rèn)知障礙臨床進(jìn)展的指標(biāo)
圖論腦網(wǎng)絡(luò)：
現(xiàn)代物理評論：大腦網(wǎng)絡(luò)中的動力學(xué)控制
重放，默認(rèn)模式網(wǎng)絡(luò)和記憶的級聯(lián)系統(tǒng)控制網(wǎng)絡(luò)和hubs
Nature Neuroscience：網(wǎng)絡(luò)神經(jīng)科學(xué)
PNAS：節(jié)食可調(diào)節(jié)年輕人腦網(wǎng)絡(luò)的穩(wěn)定性
網(wǎng)絡(luò)閾值和加權(quán)對結(jié)構(gòu)腦網(wǎng)絡(luò)的影響
復(fù)雜大腦網(wǎng)絡(luò)的結(jié)構(gòu)和功能
人腦的連接性中心節(jié)點(diǎn)促進(jìn)了人腦網(wǎng)絡(luò)的模塊化
大腦狀態(tài)的重構(gòu)與認(rèn)知行為之間的映射
大腦是一種什么樣的網(wǎng)絡(luò)?
大尺度功能腦組織結(jié)構(gòu)：6個(gè)主要原則
圖論方法在大腦網(wǎng)絡(luò)中的應(yīng)用
大腦網(wǎng)絡(luò)結(jié)構(gòu)、功能和控制的物理學(xué)
腦網(wǎng)絡(luò)研究中的圖論指標(biāo)詳解
從宏觀尺度腦網(wǎng)絡(luò)的角度看結(jié)構(gòu)--功能關(guān)系
圖論在靜息態(tài)和動態(tài)腦連接評估中的應(yīng)用：構(gòu)建腦網(wǎng)絡(luò)的方法
腦網(wǎng)絡(luò)組織的經(jīng)濟(jì)性
兒童神經(jīng)認(rèn)知網(wǎng)絡(luò)的動態(tài)功能連接
動態(tài)功能連接：前景、問題和解釋
Nature reviews Neuroscience：認(rèn)知加工相關(guān)的默認(rèn)網(wǎng)絡(luò)
自閉癥研究中的默認(rèn)網(wǎng)絡(luò)
默認(rèn)網(wǎng)絡(luò)：最新的解剖、生理研究及其研究發(fā)展過程中的新觀點(diǎn)
腦網(wǎng)絡(luò)核心節(jié)點(diǎn)的發(fā)育
抑郁癥，神經(jīng)影像學(xué)和連接組學(xué)
重度抑郁癥多成像中心的泛化腦網(wǎng)絡(luò)標(biāo)志物
Biological Psychiatry：精分患者大腦的組織體積變化與腦網(wǎng)絡(luò)
基于人腦連接組學(xué)將疾病癥狀映射于腦網(wǎng)絡(luò)
大腦連接障礙中跨腦疾病的連接圖論在識別人腦網(wǎng)絡(luò)連通性模式中的應(yīng)用
網(wǎng)絡(luò)神經(jīng)科學(xué)中模型的性質(zhì)和使用
關(guān)鍵詞：Brain connectivity, cognitive
functions, clustering coefficient, EEG, functional connectivity, graph theory,
motor processing, neuroergonomics
1 引言
在過去的幾十年里，人類大腦連通性的繪制在神經(jīng)科學(xué)和認(rèn)知神經(jīng)科學(xué)領(lǐng)域獲得了相當(dāng)大的關(guān)注。現(xiàn)代網(wǎng)絡(luò)科學(xué)是動態(tài)系統(tǒng)論、圖論和統(tǒng)計(jì)學(xué)的混合，被應(yīng)用于研究不同狀態(tài)和條件下的功能和結(jié)構(gòu)大腦連接網(wǎng)絡(luò)。神經(jīng)紊亂網(wǎng)絡(luò)，腦疾病和功能障礙網(wǎng)絡(luò)，衰老的大腦拓?fù)涮匦裕o息狀態(tài)網(wǎng)絡(luò)，以及高腦功能網(wǎng)絡(luò)，如感知、解決問題、記憶和注意力的研究已經(jīng)取得了一定的進(jìn)程。
圖論方法是一種強(qiáng)大的數(shù)學(xué)工具，它圖形化地說明了一個(gè)基于現(xiàn)代網(wǎng)絡(luò)理論的復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)。1736年，物理學(xué)家萊昂納德·歐拉(Leonard Euler)解決了穿越普雷格爾河(Pregel River)的問題，該問題被稱為“K?nigsberg的七橋”問題。在現(xiàn)代術(shù)語中，歐拉用抽象的點(diǎn)(即“頂點(diǎn)”或“節(jié)點(diǎn)”)代替每一塊陸地，用抽象的連接(即“邊”或“線”)代替每一座橋，形成了一種被稱為“圖”或“網(wǎng)絡(luò)”的數(shù)學(xué)結(jié)構(gòu)。對這個(gè)問題的思考奠定了“圖論”的基礎(chǔ)——這是網(wǎng)絡(luò)理論中的第一個(gè)真正的證明。1741年，歐拉發(fā)表了他的論文《求解幾何問題》(solve tio problematis ad geometriam situs pertinentis)，描述了哥尼斯堡橋問題的一個(gè)假設(shè)解。
圖論從此成為電路和化學(xué)結(jié)構(gòu)領(lǐng)域的重要方法。隨著小世界和無標(biāo)度網(wǎng)絡(luò)模型的發(fā)現(xiàn)，圖論的現(xiàn)代時(shí)代開始于20世紀(jì)90年代末，使大腦連接模式的量化成為可能。圖論指標(biāo)被用來研究大腦網(wǎng)絡(luò)的拓?fù)浣M織，并表征有意義的功能分離和整合。
本文的重點(diǎn)是了解目前關(guān)于圖論分析在神經(jīng)工效學(xué)背景下的應(yīng)用的知識狀態(tài)。神經(jīng)工效學(xué)，研究大腦和工作中的行為，應(yīng)用神經(jīng)科學(xué)的方法和工具來闡明人類行為的神經(jīng)特征。
大腦擁有五種不同類型的電波，在文獻(xiàn)中有各種各樣的大腦信號分類。最廣泛使用的分類是基于以Hz測量的五種腦電波頻率：delta (0.5 - 4hz)，theta (4 - 8hz)，alpha (8 - 13hz)，beta (13 - 30hz)和gamma (30 - 150hz)。表1根據(jù)頻率范圍總結(jié)了不同類型大腦信號的信息，并描述了心理和行為狀況。
表1描述、心理和行為狀況以及大腦中的位置對大腦信號頻率進(jìn)行分類
人類的大腦由四個(gè)主要部分組成：大腦、小腦、腦干和間腦，它們共同控制著身體的所有功能。大腦擁有最多的神經(jīng)元，有四個(gè)主要的葉：額葉、顳葉、頂葉和枕葉，每個(gè)葉都有特定的功能。額葉與推理、運(yùn)動、計(jì)劃、情感和解決問題有關(guān)。相反，頂葉與運(yùn)動、識別和對刺激的感知有關(guān)。顳葉與記憶、語言和聽覺刺激的識別有關(guān)，而枕葉與視覺反應(yīng)有關(guān)。不同腦區(qū)之間的信息傳遞反映了局部分離和功能整合過程的結(jié)合。
“連接組”指的是大腦不同區(qū)域之間的連通性以及這些區(qū)域之間信息傳遞的方式。三種不同類型的連接密切相關(guān)：結(jié)構(gòu)連接、功能連接和有效連接。結(jié)構(gòu)連接包括神經(jīng)元之間的物理連接，稱為“神經(jīng)解剖學(xué)”連接，它指的是大腦中的白質(zhì)連接。功能連接是“不同大腦區(qū)域記錄的生理時(shí)間序列之間的統(tǒng)計(jì)相互依賴性”。有效連通性是指一個(gè)神經(jīng)元對另一個(gè)神經(jīng)元的因果效應(yīng)和有向影響。功能和有效的連接是通過在多個(gè)時(shí)間點(diǎn)上采樣記錄的信號來確定的，這提供了對大腦功能更好的理解。
神經(jīng)工效學(xué)領(lǐng)域一直致力于研究工作和日常環(huán)境中的大腦信號。神經(jīng)工效學(xué)研究中使用的有用分析方法的數(shù)量正在迅速增加；然而，神經(jīng)工效學(xué)背景下的腦功能連通性和網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)在很大程度上是未知的。大腦網(wǎng)絡(luò)通常由不同的神經(jīng)成像技術(shù)收集的數(shù)據(jù)建?！，F(xiàn)代腦電圖(EEG)系統(tǒng)具有無創(chuàng)、便攜、無線和易于使用的特點(diǎn)，對神經(jīng)工效學(xué)研究非常有吸引力。由于功能磁共振成像(fMRI)具有良好的空間分辨率，功能連接研究的大量工作主要集中在血氧水平上。然而，這種技術(shù)的時(shí)間分辨率低，只能間接測量大腦活動。為了研究與大腦活動有關(guān)的動態(tài)認(rèn)知過程和信息流的定向，一種高時(shí)間分辨率技術(shù)，如腦電圖，能夠捕捉亞秒級時(shí)間尺度的大腦活動的時(shí)間動態(tài)，并反映神經(jīng)元狀態(tài)的快速變化。此外，腦電圖能夠捕捉豐富的時(shí)間信息，幫助識別信息在不同大腦區(qū)域之間的流動方向。
在過去的二十年中，腦電圖連通性在臨床研究中獲得了相當(dāng)大的興趣。Stam等人首次將圖論應(yīng)用于腦電圖數(shù)據(jù)，他們比較了對照組個(gè)體和阿爾茨海默病患者的腦功能網(wǎng)絡(luò)。然而，對于日?；顒又械慕】祬⑴c者，我們知之甚少。自神經(jīng)工效學(xué)出現(xiàn)以來，試圖表征腦電圖數(shù)據(jù)的研究一直局限于利用單個(gè)電極對腦電圖信號進(jìn)行傳統(tǒng)分析，對不同電極之間的相互依賴性研究較少。
以前的研究已經(jīng)成功地量化了人類在各種各樣的認(rèn)知和生理任務(wù)下的狀態(tài)；然而，還需要進(jìn)一步的研究來了解在日常任務(wù)中大腦區(qū)域之間的動態(tài)時(shí)間相互作用。因此，本文試圖通過計(jì)算任務(wù)誘發(fā)腦電圖數(shù)據(jù)中的圖論度量來回顧大腦連通性的模式。
與之前的綜述相比，本文僅限于利用神經(jīng)工效學(xué)領(lǐng)域相關(guān)健康參與者的功能性腦連接數(shù)據(jù)的腦電圖研究。此外，我們總結(jié)了腦電圖數(shù)據(jù)功能網(wǎng)絡(luò)構(gòu)建的途徑。目前系統(tǒng)綜述的主要重點(diǎn)是提供一個(gè)框架，以促進(jìn)功能腦網(wǎng)絡(luò)分析在不久的將來在神經(jīng)工效學(xué)領(lǐng)域的應(yīng)用。
2.方法
研究問題：
RQ1:隨著圖論的出現(xiàn)，有哪些應(yīng)用被用于模擬人類認(rèn)知和運(yùn)動處理?
RQ2:如何用計(jì)算方法來描述認(rèn)知功能和運(yùn)動加工的潛在神經(jīng)機(jī)制?
RQ3:腦電圖對連接體有什么影響?
RQ4:如何使用腦電圖數(shù)據(jù)建立無向、無加權(quán)的腦功能網(wǎng)絡(luò)模型?
RQ5:與傳統(tǒng)方法相比，圖論方法在描述由腦電圖測量的人類認(rèn)知和運(yùn)動的潛在神經(jīng)機(jī)制方面是否有用?
RQ6:如何在神經(jīng)工效學(xué)中實(shí)現(xiàn)大腦連接模式的建模計(jì)算方法?
搜索策略：
在Google Scholar, Science Direct, IEEE Xplore, SpringerLink, Ergonomics Abstracts, and ProQuest 中搜索electroencephalography，OR EEG，AND graph theory OR functional connectivity OR brain network。詳細(xì)的流程見圖1。
圖1 本文使用的方法和選擇過程流程圖
理論背景
A.功能連接
功能連通性衡量的是大腦不同區(qū)域記錄的生理時(shí)間序列的統(tǒng)計(jì)依賴性。由于功能連接是分析功能神經(jīng)成像數(shù)據(jù)和開發(fā)計(jì)算機(jī)模擬模型的最佳選擇，它已被許多研究采用。由于功能連通性的計(jì)算高度依賴于腦活動在時(shí)間序列上的變化，腦電圖(< 1 ms)等高時(shí)間分辨率技術(shù)是反映神經(jīng)動態(tài)和快速反應(yīng)的最佳選擇。此外，腦電圖是一種非常有前途的連通性分析和因果推理方法(RQ3)。區(qū)域?qū)χg的統(tǒng)計(jì)依賴性使用不同的方法進(jìn)行測量，分為線性、非線性和基于信息的技術(shù)。它們對兩個(gè)時(shí)間序列之間的線性和非線性統(tǒng)計(jì)相關(guān)性都很敏感，可以用來評估因果關(guān)系。
表2概述了最常用的功能連通性評估方法。
(3)是時(shí)域分析、頻域分析，還是跨頻率耦合;
(4)是線性、非線性還是基于信息的技術(shù);
(5)對容積傳導(dǎo)的敏感性
當(dāng)分析來自特定神經(jīng)生理學(xué)技術(shù)的單個(gè)信號的特征時(shí)，應(yīng)該使用單變量分析，而當(dāng)結(jié)合不同的神經(jīng)生理學(xué)技術(shù)時(shí)，通常使用多變量分析。大量證據(jù)依賴于線性方法；然而，也有一些研究者使用非線性分析方法來檢測大腦的非線性現(xiàn)象。另一些作者反對使用非線性方法，因?yàn)樗鼈兎浅Ｈ菀资艿皆肼暤挠绊憽?/span>
B. 圖論分析的理論方面
在過去的二十年中，應(yīng)用圖論對神經(jīng)生理數(shù)據(jù)進(jìn)行量化，在診斷諸如癲癇、精神分裂癥、阿爾茨海默病、中風(fēng)后康復(fù)等腦疾病方面，得到了生物學(xué)和神經(jīng)科學(xué)的廣泛關(guān)注。隨后的幾項(xiàng)工作旨在研究大腦對任務(wù)調(diào)制的響應(yīng)的拓?fù)浣Y(jié)構(gòu)。本文介紹的大多數(shù)研究主要集中在認(rèn)知神經(jīng)科學(xué)；因此，當(dāng)前綜述的目的之一是闡明大腦在工作和日常任務(wù)中的功能連通性。
C.圖論方法
一般的圖方法如圖2所示來表征。
圖2 包含八個(gè)節(jié)點(diǎn)和十個(gè)邊的網(wǎng)絡(luò)的一個(gè)小型表示
（1）基于腦電圖數(shù)據(jù)構(gòu)建腦功能網(wǎng)絡(luò)的流程步驟
下面的11個(gè)步驟展示了使用腦電傳感器方法或空間源方法(解決RQ4)的腦電數(shù)據(jù)圖論構(gòu)建功能性腦網(wǎng)絡(luò)的完整流程。在當(dāng)前的研究中，我們簡要描述了這兩種方法所需要的步驟，主要集中在非加權(quán)網(wǎng)絡(luò)上。我們總結(jié)了所有步驟，從腦電圖大腦信號的獲取開始，到大腦網(wǎng)絡(luò)的統(tǒng)計(jì)描述結(jié)束(圖3)。
圖3 利用圖論構(gòu)建基于腦電圖數(shù)據(jù)的腦功能網(wǎng)絡(luò)的流程示意圖。綠線定義了第一種方法，稱為“傳感器信號”或“單個(gè)通道”方法，而紅線定義了第二種方法，稱為“腦電圖源連接”。(a)將裝有電極的帽子放在頭皮上。
(b)記錄腦電時(shí)間序列。
(c)對數(shù)據(jù)進(jìn)行預(yù)處理，包括清洗、濾波、去除偽影和分段。
(d)通過首先估計(jì)或成像頭部模型(方法2)來解決逆問題。
(e)源重建(方法2)。
(f)將重建的時(shí)間源分割到ROI(方法2)。
(g)定義ROI。
(h)為選定的ROI構(gòu)造連接矩陣。
(i)為所選EEG通道建立連通性矩陣(方法1)。
(j)應(yīng)用閾值(s)對連通性矩陣進(jìn)行二值化(方法1和方法2)。
(k)構(gòu)建EEG電極之間的頭皮功能腦網(wǎng)絡(luò)。
(l)構(gòu)建ROI內(nèi)皮層功能腦網(wǎng)絡(luò)。
(m)利用網(wǎng)絡(luò)拓?fù)湫再|(zhì)計(jì)算圖論測度。
(n)應(yīng)用統(tǒng)計(jì)分析方法。
(o)必要時(shí)對不同的狀態(tài)進(jìn)行分類。
a 定義腦網(wǎng)絡(luò)的節(jié)點(diǎn)
大腦網(wǎng)絡(luò)的節(jié)點(diǎn)代表大腦區(qū)域。定義網(wǎng)絡(luò)節(jié)點(diǎn)是一個(gè)具有挑戰(zhàn)性的步驟，并顯著影響大腦網(wǎng)絡(luò)分析的結(jié)果[83]。在腦電圖研究中，節(jié)點(diǎn)的定義有兩種方法。第一種方法被稱為“傳感器信號”或“單個(gè)通道”，依賴于腦電圖電極的預(yù)定義標(biāo)準(zhǔn)放置(圖3a)。
雖然這種方法很簡單，但容積傳導(dǎo)是降低空間分辨率的主要原因，可能會影響功能連通性估計(jì)的準(zhǔn)確性。因此，第二種基于腦電圖源空間連通性的方法被提出，它可以通過將大腦細(xì)分為不同的區(qū)域，并根選擇感興趣的區(qū)域，從大腦地圖集中單獨(dú)分離出感興趣的解剖區(qū)域(ROIs)來實(shí)現(xiàn)。在記錄EEG信號(圖3b)、預(yù)處理和分段(圖3c)后計(jì)算源空間。反演問題可以采用真實(shí)頭模(圖3d)來重建源水平時(shí)間序列(圖3e)，并根據(jù)模板分割為不同ROIs的時(shí)間序列(圖3f)，從而獲得某個(gè)腦區(qū)的時(shí)間序列(圖3g)。
b EEG數(shù)據(jù)預(yù)處理
要進(jìn)行濾波，分段，去噪，去偽跡來獲得干凈數(shù)據(jù)。
c 定義邊
邊代表不同神經(jīng)元或大腦區(qū)域之間的連接。功能連接可能提高了節(jié)點(diǎn)之間關(guān)系的更多信息。
d 計(jì)算連接矩陣
連接矩陣稱為鄰接矩陣，包含有關(guān)連接模式之間關(guān)聯(lián)的信息。連通性用一個(gè)N × N對稱矩陣來描述，其中行(i)和列(j)表示節(jié)點(diǎn)，矩陣項(xiàng)(aij)表示邊。有兩種類型的指標(biāo)：一種是基于通道(圖3i)，另一種是基于大腦區(qū)域(每個(gè)大腦區(qū)域?qū)Φ碾娏髅芏?/span>)(圖3h)。
e 將連通性矩陣轉(zhuǎn)換為二值化矩陣
進(jìn)行矩陣二值化，將相鄰矩陣轉(zhuǎn)換為無加權(quán)矩陣(圖3j)。對于矩陣二值化，為每個(gè)元素計(jì)算一個(gè)閾值。如果每個(gè)對的相關(guān)性度量超過閾值，則在節(jié)點(diǎn)對之間添加邊(否則不存在邊)。
f 選擇一個(gè)閾值
最優(yōu)閾值在文獻(xiàn)中是一個(gè)懸而未決的問題。閾值化通過消除網(wǎng)絡(luò)中的弱、噪聲和不重要的邊，幫助簡化大腦網(wǎng)絡(luò)計(jì)算的復(fù)雜性。此外，閾值劃分有助于定義零模型進(jìn)行統(tǒng)計(jì)比較。閾值的選擇顯著影響網(wǎng)絡(luò)拓?fù)鋵傩院蜋z測群體、年齡和性別差異的能力。選擇不適當(dāng)?shù)拈撝捣椒〞斐刹环€(wěn)定性并增加偏差；因此，仔細(xì)的選擇是至關(guān)重要的。一個(gè)關(guān)鍵因素是選擇一種能夠控制和最小化第一類錯(cuò)誤(即假陽性)發(fā)生的方法。
有文獻(xiàn)報(bào)道了一些適當(dāng)閾值選擇的標(biāo)準(zhǔn)。閾值劃分方法多種多樣，包括固定閾值、固定平均度、固定邊密度。然而，沒有一種方法是沒有偏差的。
g 功能連接估計(jì)
表2總結(jié)了功能連接估計(jì)方法之間的比較。遺憾的是，目前還沒有一種能對功能連通性進(jìn)行普遍評估的最佳方法。
h 構(gòu)建網(wǎng)絡(luò)
數(shù)學(xué)上，網(wǎng)絡(luò)是一個(gè)矩陣，將二值化的矩陣轉(zhuǎn)換為稀疏連通圖，表示為頭皮網(wǎng)絡(luò)(圖3k)或皮層網(wǎng)絡(luò)(圖3l)。
i 使用圖論分析數(shù)據(jù)
通過分析網(wǎng)絡(luò)的拓?fù)涮匦?，使用不同的圖論度量來量化網(wǎng)絡(luò)結(jié)構(gòu)(圖3m)。圖論用于從功能連接網(wǎng)絡(luò)中提取特征。
j 統(tǒng)計(jì)分析
采用統(tǒng)計(jì)方法比較圖論度量和拓?fù)渚W(wǎng)絡(luò)屬性，并評估其統(tǒng)計(jì)顯著性(圖3n)。這一步通常是通過比較兩種不同的狀態(tài)(警覺vs.嗜睡)、條件(運(yùn)動vs.休息)、人群(健康vs.患病)或性別(男性vs.女性)來完成的，或者通過將結(jié)果與理論參考網(wǎng)絡(luò)進(jìn)行比較。
k 分類條件狀態(tài)
有幾種方法被用來對不同的大腦狀態(tài)進(jìn)行分類(圖3O)。功能連通性評估被用于對疲勞和非疲勞狀態(tài)進(jìn)行分類，而手部運(yùn)動則基于網(wǎng)絡(luò)節(jié)點(diǎn)強(qiáng)度進(jìn)行分類。其他分類算法，如人工神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)，已被用于對具有連通性特征的心理工作量和精神疲勞進(jìn)行分類。
D.圖論度量網(wǎng)絡(luò)拓?fù)湫再|(zhì)
為了定量研究網(wǎng)絡(luò)性質(zhì)，計(jì)算了網(wǎng)絡(luò)測度。表3給出了通常被分類為全局(圖)和局部(節(jié)點(diǎn))度量的常用網(wǎng)絡(luò)度量的簡短非數(shù)學(xué)描述。
表3 經(jīng)典的網(wǎng)絡(luò)測量指標(biāo)
（1）網(wǎng)絡(luò)類型
網(wǎng)絡(luò)有四種類型：正則的、有序的或格子狀的網(wǎng)絡(luò)；隨機(jī)網(wǎng)絡(luò)；小世界網(wǎng)絡(luò)；和無標(biāo)度網(wǎng)絡(luò)(圖4)。根據(jù)局部分離的數(shù)量(通過CC表示)和節(jié)點(diǎn)之間的全局整合(通過PL表示)來區(qū)分這些不同的網(wǎng)絡(luò)。正則網(wǎng)絡(luò)具有較高的CC（聚類系數(shù)）和較長的PL（路徑長度），這表明該網(wǎng)絡(luò)具有較強(qiáng)的魯棒性，但在信息傳輸方面效率較低。相比之下，隨機(jī)網(wǎng)絡(luò)具有較小的CC和較短的PL，這表明該網(wǎng)絡(luò)在傳遞信息方面是有效的，但不那么魯棒性。
小世界網(wǎng)絡(luò)介于正則網(wǎng)絡(luò)和隨機(jī)網(wǎng)絡(luò)之間，具有類似于隨機(jī)網(wǎng)絡(luò)的短PL（路徑長度），比正則網(wǎng)絡(luò)更高的CC（聚類系數(shù)）。就分離、整合、成本和性能而言，小世界網(wǎng)絡(luò)被認(rèn)為是接近最優(yōu)的網(wǎng)絡(luò)。無標(biāo)度網(wǎng)絡(luò)由于其極短的路徑長度而具有獨(dú)特性，并以冪律度分布在全局通信和局部通信之間實(shí)現(xiàn)了平衡。
如果您對腦電等數(shù)據(jù)分析感興趣，可瀏覽思影科技課程及服務(wù)，感謝轉(zhuǎn)發(fā)支持（可添加微信號siyingyxf或18983979082咨詢，另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號入群）:
上海：
第三十六屆腦電數(shù)據(jù)處理中級班（上海，11.13-18）
第二十八屆腦電數(shù)據(jù)處理入門班（上海，11.20-25）
第二十五屆近紅外腦功能數(shù)據(jù)處理班（上海，12.7-12）
南京：
第五屆腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理班（Matlab版本，南京，11.3-8）
北京：
第五屆R語言統(tǒng)計(jì)班（北京，11.16-20）
第三十九屆腦電數(shù)據(jù)處理中級班（北京，12.13-18）
數(shù)據(jù)處理業(yè)務(wù)介紹：
思影科技EEG/ERP數(shù)據(jù)處理業(yè)務(wù)
思影科技腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)
思影數(shù)據(jù)處理服務(wù)六：腦磁圖（MEG）數(shù)據(jù)處理
招聘及產(chǎn)品：
思影科技招聘數(shù)據(jù)處理工程師 （上海，北京，南京，重慶）
3 結(jié)果
本文展示了使用大腦連接技術(shù)和圖論度量的大腦功能研究的增長趨勢(圖5)。我們預(yù)計(jì)未來的研究數(shù)量將在未來幾年大幅增加。
圖5. 基于腦電圖數(shù)據(jù)的神經(jīng)工效學(xué)相關(guān)圖論研究每年發(fā)表的散點(diǎn)圖。
質(zhì)量評估
為了評估這些研究中證據(jù)的強(qiáng)度，我們應(yīng)用了醫(yī)療保健研究和質(zhì)量機(jī)構(gòu)的標(biāo)準(zhǔn)。高質(zhì)量的研究被認(rèn)為有較低的偏倚風(fēng)險(xiǎn)；中等質(zhì)量的研究有兩個(gè)不明確的標(biāo)準(zhǔn)；低質(zhì)量的研究被認(rèn)為有很高的偏倚風(fēng)險(xiǎn)。如果低風(fēng)險(xiǎn)區(qū)域的數(shù)量分別≥4個(gè)、= 3個(gè)或≤2個(gè)，則研究的總體質(zhì)量分為良好、一般或較低。
在納入本系統(tǒng)綜述的57項(xiàng)研究中，n=18被歸為高質(zhì)量，n=7被歸為中等質(zhì)量，n=32被歸為低質(zhì)量(圖6)。
圖6 使用Cochrane協(xié)作工具評估偏倚風(fēng)險(xiǎn)。
本文對不同領(lǐng)域的表現(xiàn)進(jìn)行了分析，發(fā)現(xiàn)目前的研究主要集中在疲勞方面，其次是工作負(fù)荷評估。
總體而言，證據(jù)表明認(rèn)知功能(80%)比運(yùn)動加工(20%)更常被提及。評估功能連通性的技術(shù)，包括PLV、PDC和PLI，顯示出最大的潛在影響(40%)(圖7)。許多研究(n=9)采用了PLV技術(shù)，因?yàn)樗朔耸褂脗鹘y(tǒng)相干方法的局限性，計(jì)算了EEG信號之間的線性相關(guān)性。在使用頻率上，PLV技術(shù)之后是PDC，因?yàn)樵摷夹g(shù)允許評估腦電圖信號在頻域的統(tǒng)計(jì)依賴性。此外，Stam等人建議將PLI用于非平穩(wěn)腦電圖數(shù)據(jù)。PLI對容積傳導(dǎo)的敏感度低于其他連通性測量。加權(quán)網(wǎng)絡(luò)的使用導(dǎo)致豐富的拓?fù)浯竽X組織；然而，許多選定的研究使用了非加權(quán)網(wǎng)絡(luò)，稱為“二值化網(wǎng)絡(luò)”，而只有少數(shù)使用了加權(quán)網(wǎng)絡(luò)。CC（聚類系數(shù)）和PL（路徑長度）是最常使用的圖論指標(biāo)(分別為n =33和26)(圖8)。我們進(jìn)一步發(fā)現(xiàn)，大約79%的研究分析了無向網(wǎng)絡(luò)，而21%評估了有向網(wǎng)絡(luò)。CC和PL都有助于小世界組織的評價(jià)。CC用于量化大腦的功能分離，而PL用于量化網(wǎng)絡(luò)整合。此外，全局和局部的計(jì)算都依賴于這兩個(gè)度量。
圖8 圖論度量的頻率。
圖9 研究的人口分布包括健康的男性和女性參與者
任何腦電圖功能連接網(wǎng)絡(luò)的一個(gè)關(guān)鍵方面是節(jié)點(diǎn)數(shù)的選擇，節(jié)點(diǎn)數(shù)由記錄電極通道數(shù)表示。在文獻(xiàn)中發(fā)現(xiàn)了這一選擇的兩個(gè)建議。一個(gè)更密集的電極分布導(dǎo)致高聚類系數(shù)，可能覆蓋更多的領(lǐng)域，以供未來的研究。
此外，大量電極增加了源估計(jì)和信號預(yù)處理的準(zhǔn)確性。相比之下，García-Prieto等、Li等和Wang等建議電極少于32個(gè)，表明少量電極足以覆蓋ROI并獲得可靠的信息。Luck還建議使用少量的電極，這表明使用16-32個(gè)活性電極可以更好地監(jiān)測大腦活動。在以前的出版物中使用的電極編號總結(jié)在表4中。根據(jù)我們的分析，有20項(xiàng)研究遵循了第一個(gè)推薦條件：電極>=64，31個(gè)研究電極數(shù)<=32，剩余的研究（n=6）在32-64之間。
表4 不同電極數(shù)量的研究
研究的人口分布包括健康的男性和女性參與者(圖9)。其中21項(xiàng)研究僅使用男性，而沒有一項(xiàng)研究僅使用女性。大多數(shù)研究中男性的數(shù)量高于女性(n=16)。其余的研究(n=9)沒有精確地描述參與者的性別數(shù)量，如綠條所示(圖9)。
4 討論
本節(jié)描述了研究的主要發(fā)現(xiàn)。在不同的認(rèn)知和生理狀態(tài)下，腦功能網(wǎng)絡(luò)結(jié)構(gòu)發(fā)生了相當(dāng)大的變化。
圖論在功能腦網(wǎng)絡(luò)分析中的應(yīng)用：本小節(jié)分為六個(gè)主要領(lǐng)域：疲勞、工作負(fù)荷、工作記憶、努力、感知和運(yùn)動處理。在認(rèn)知過程中有一定程度的重疊。例如，認(rèn)知工作負(fù)荷直接關(guān)系到工作記憶的資源分配及其與注意力過程的關(guān)聯(lián)，而注意力過程會受到精神疲勞的嚴(yán)重影響。
疲勞的連通性研究
精神疲勞是一種復(fù)雜的心理生物學(xué)狀態(tài)，在長時(shí)間的任務(wù)中需要高水平的認(rèn)知和運(yùn)動活動。一般來說，疲勞會減慢反應(yīng)時(shí)間，增加錯(cuò)誤率，增加睡意，并導(dǎo)致肌肉骨骼疾病，從而降低人的表現(xiàn)。之前的研究已經(jīng)在現(xiàn)實(shí)應(yīng)用中解決了心理疲勞的潛在神經(jīng)機(jī)制。特別是在神經(jīng)工效學(xué)文獻(xiàn)中，精神疲勞對車輛駕駛的影響備受關(guān)注。alpha和theta波段的功率已被證明是與疲勞有關(guān)的神經(jīng)變化的可靠指標(biāo)。兩個(gè)頻段的功率顯著增加主要與額葉皮層、內(nèi)側(cè)前額葉皮層、額中央、枕葉和頂葉大腦區(qū)域的精神疲勞有關(guān)。近年來認(rèn)知神經(jīng)科學(xué)的研究探討了疲勞任務(wù)完成后大腦各區(qū)域之間的相互作用。額葉、中央和頂葉的功能連通性與精神疲勞密切相關(guān)。在完成需要持續(xù)注意力的任務(wù)時(shí)，額中回和幾個(gè)運(yùn)動區(qū)域是相互聯(lián)系的。在疲勞狀態(tài)下，感覺運(yùn)動區(qū)域的左右半球之間的連接模式也有所不同，這與Liu等人在不同大腦區(qū)域的發(fā)現(xiàn)相似。
此外，有研究發(fā)現(xiàn)，疲勞后任務(wù)比疲勞前任務(wù)的功能連通性更緊密，這表明人類大腦在疲勞時(shí)表現(xiàn)出更強(qiáng)的耦合，以維持信息傳遞，直到所需的任務(wù)完成。與清醒狀態(tài)相比，在困倦狀態(tài)下，alpha和theta波段有更高的相位相干性，delta波段有更高的PLI，表明相位一致性較高。
然而，文獻(xiàn)中也存在矛盾；例如，據(jù)報(bào)道，隨著精神疲勞的增加，頂葉到額葉區(qū)alpha帶的功能連通性以及額葉到頂葉區(qū)alpha帶和beta帶的功能連通性變?nèi)?。此外，已有研究表明，在從清醒到睡意的轉(zhuǎn)變過程中，額枕alpha相干值下降。上述研究的結(jié)果支持皮質(zhì)-皮質(zhì)功能耦合的概念——主要在大腦皮層的額葉、中央葉和頂葉——可以在短時(shí)間內(nèi)表征大腦在精神疲勞時(shí)的特征。
大腦網(wǎng)絡(luò)拓?fù)涮匦缘淖兓从沉巳祟惖木駹顟B(tài)。例如，alpha波段最大特征值的增加反映了表現(xiàn)的下降。在做腦力工作時(shí)，注意力不集中的特征是delta和theta波段的PL（路徑長度）降低，而CC（聚類系數(shù)）增加。結(jié)果表明，疲勞可能導(dǎo)致局部效率增加，而全局效率減少，提示大腦資源可能被重組，區(qū)域間的相互作用可能受到抑制。這一趨勢反映了人類大腦在疲勞時(shí)整合信息的能力下降，導(dǎo)致了一個(gè)小世界的配置。由精神疲勞引起的意識缺失已被證實(shí)為36-44 Hz的CC和全局效率的增加。
在delta節(jié)律和所有頻帶中，右頂葉區(qū)域的度中心性程度增加，表明節(jié)點(diǎn)之間連接良好，警覺性降低。然而，相反的結(jié)果也被證明了，例如未連接節(jié)點(diǎn)的百分比增加，這表明在從清醒到睡意的轉(zhuǎn)變過程中連接出現(xiàn)了故障。此外，一些研究報(bào)告顯示，疲勞任務(wù)后，大腦的CC、平均度和網(wǎng)絡(luò)密度會降低，而PL會增加。
疲勞時(shí)也觀察到額葉皮層的介數(shù)中心性增加。任務(wù)中間休息(休息)是提高大腦網(wǎng)絡(luò)效率的有效方法，從而減輕疲勞的發(fā)生，在兩個(gè)任務(wù)之間休息后，CC和PL都略有增加。由于人類的表現(xiàn)會隨著時(shí)間的推移而下降，因此在任務(wù)上花費(fèi)的時(shí)間與網(wǎng)絡(luò)指標(biāo)(主要是節(jié)點(diǎn)度、CC和PL)之間存在正相關(guān)關(guān)系。然而，一些研究的結(jié)果與這些發(fā)現(xiàn)相悖，在任務(wù)上花費(fèi)的時(shí)間增加會導(dǎo)致網(wǎng)絡(luò)拓?fù)涞木€性減少。隨著花在任務(wù)上的時(shí)間的增加，PL的增加和小世界的減少會導(dǎo)致不太理想的大腦網(wǎng)絡(luò)。此外，任務(wù)時(shí)間的延長降低了中央?yún)^(qū)和左側(cè)額葉區(qū)域的網(wǎng)絡(luò)介數(shù)，而增加了右頂葉區(qū)域的介數(shù)。
心理負(fù)荷的連接研究
心理負(fù)荷是人類工程學(xué)領(lǐng)域中最廣泛使用的概念之一，作為一個(gè)多維結(jié)構(gòu)，可以根據(jù)滿足任務(wù)需求的可用資源來定義?；谏窠?jīng)數(shù)據(jù)的心理負(fù)荷評估在神經(jīng)工效學(xué)研究中一直很有興趣。認(rèn)知負(fù)荷的神經(jīng)指標(biāo)，包括基于腦電圖的負(fù)荷，已經(jīng)在人機(jī)交互和虛擬駕駛環(huán)境的背景下進(jìn)行了討論。
額、枕theta和頂葉alpha波的PSDs已被證明是一種鑒別精神負(fù)荷狀態(tài)的強(qiáng)大評估工具。隨著任務(wù)難度的增加，頂葉alpha降低，額葉theta增加，然而，其他研究的結(jié)果并不一致。
不同難度水平的區(qū)別體現(xiàn)在大腦網(wǎng)絡(luò)的功能連接上，主要在前額葉和頂枕區(qū)。此外，功能連通性的下降已被證明表明，在完成困難任務(wù)時(shí)，人類準(zhǔn)確性的下降。與難度較低的任務(wù)相比，在難度較高的任務(wù)中，頂枕區(qū)域的PLV較低。在高認(rèn)知負(fù)荷下，所有大腦區(qū)域的alpha波段的加權(quán)PLI值均顯示下降，而在身體任務(wù)中，theta波耦合明顯增加。Dimitrakopoulos等人根據(jù)功能連通性分析得到的特征發(fā)現(xiàn)，與認(rèn)知任務(wù)難度相關(guān)的大多數(shù)變化發(fā)生在額葉theta和beta活動中。
認(rèn)知困難水平和認(rèn)知障礙檢測之間的區(qū)分可以通過分析圖論測量來實(shí)現(xiàn)。在高和低的認(rèn)知或體力工作負(fù)荷之間，模式有所不同。此外，左半球與右半球的結(jié)果可能不同。這些分類的重要性可以幫助描述工作場所的危險(xiǎn)情況。
Eglobal和Elocal值對工作負(fù)荷水平有重大影響，其中alpha和beta 的Elocal活動的增加與工作負(fù)荷水平的升高有關(guān)。Eglobal beta模式顯示了一個(gè)獨(dú)特的趨勢。Huang等人觀察到，在玩耍過程中，theta的Elocal降低，beta的Elocal升高。此外，與靜息態(tài)下的網(wǎng)絡(luò)組織相比，beta Eglobal較低，theta Eglobal較高。在數(shù)學(xué)處理任務(wù)從數(shù)感到檢索的過渡過程中，觀察到delta、theta和alpha的 Elocal和Eglobal增加，主要在額頂區(qū)。特別是，努力程度的增加會導(dǎo)致Eglobal的增加，從而產(chǎn)生更整合的網(wǎng)絡(luò)和更高的并行信息傳輸速率。分離過程的減少反映在CC（聚類系數(shù)）和模塊化的減少上。Zhang等人報(bào)告稱，在困難任務(wù)中，beta和低gamma的模塊性更少，聚類更少，Eglobal較高，Elocal較低，物理同步距離更大。此外，在高工作負(fù)荷下，alpha和beta CC的減少，而中央和頂葉大腦的alpha強(qiáng)度顯著增加。這些結(jié)果都說明在高工作負(fù)荷下，人類的腦網(wǎng)絡(luò)存在小世界屬性（較少的聚類和更廣泛的效率）。有趣的是，Klados等人觀察到，最佳的小世界組織在數(shù)學(xué)任務(wù)和休息時(shí)都很明顯。Vijayalakshmi等人證明了不同電極之間的高度相互作用和beta的大腦功能分離的增加。
在認(rèn)知加工過程中，局部屬性似乎比全局屬性更關(guān)鍵。例如，在目標(biāo)識別任務(wù)中，局部CC要比全局CC大得多。此外，節(jié)點(diǎn)強(qiáng)度在額葉和左半球表現(xiàn)出比全局活動更高的值。此外，在手指運(yùn)動任務(wù)時(shí)，在運(yùn)動執(zhí)行區(qū)的Enodal增加。
C、工作記憶的連接研究
認(rèn)知腦功能可以通過工作記憶訓(xùn)練得到改善，這體現(xiàn)在拓?fù)渚W(wǎng)絡(luò)的改變上，主要是在beta。Taya等人證明，訓(xùn)練過程中高頻頻段的全局網(wǎng)絡(luò)特征增加，而局部特征和小世界減小。有趣的是，介數(shù)在額葉和顳葉區(qū)域表現(xiàn)出變化。然而，Langer等人發(fā)現(xiàn)，在訓(xùn)練誘導(dǎo)的工作記憶中，theta CC（聚類系數(shù)）增加和 PL（路徑長度）減少。因此，訓(xùn)練提高了局部網(wǎng)絡(luò)的連通性和傳輸信息的全局效率。
當(dāng)將訓(xùn)練有素的記憶序列實(shí)驗(yàn)與新任務(wù)進(jìn)行比較時(shí)，額葉和后頂葉theta的相位相干性更強(qiáng)。在工作記憶任務(wù)中，受過良好教育的參與者的大腦組織不如受教育程度較低的參與者有組織。此外，在訓(xùn)練后的theta相干中發(fā)現(xiàn)了大尺度的網(wǎng)絡(luò)重構(gòu)。盡管連接組方法在認(rèn)知訓(xùn)練下的腦組織研究中應(yīng)用有限，但該方法在認(rèn)知功能的表征方面很有前途。
工作記憶的研究主要集中在頂葉、額葉和頂葉-枕葉腦區(qū)alpha和theta之間的功能相互作用。Klimesch報(bào)告說，長期記憶導(dǎo)致alpha的不同步，而短期記憶導(dǎo)致theta的同步。在不同的負(fù)荷記憶水平下，發(fā)現(xiàn)額葉和頂枕區(qū)theta和alpha的相位同步性發(fā)生變化。
在編碼、存儲和檢索過程中，在所有頻帶中觀察到不同的拓?fù)湫再|(zhì)。工作記憶任務(wù)需要高度的認(rèn)知努力，導(dǎo)致較低的聚類和模塊化配置，但alpha、beta和gamma的Eglobal值較高。在比較工作記憶任務(wù)與休息任務(wù)時(shí)，我們觀察到theta的功能整合程度較高，alpha的功能分離程度較低。因此，在所有頻帶內(nèi)記憶的存儲和檢索方面，小世界拓?fù)浣Y(jié)構(gòu)是明顯的。
D、運(yùn)動的連接研究
大腦的對側(cè)軀體感覺區(qū)、同側(cè)軀體感覺區(qū)和運(yùn)動區(qū)與運(yùn)動加工功能密切相關(guān)。在運(yùn)動發(fā)生前，大腦的對側(cè)半球會有信息轉(zhuǎn)移到同側(cè)半球，而在運(yùn)動發(fā)生后，則會發(fā)生相反的模式。在運(yùn)動準(zhǔn)備過程中網(wǎng)絡(luò)連邊的增加表明，為了執(zhí)行運(yùn)動相關(guān)的任務(wù)，需要更高程度的信息交換。此外，在準(zhǔn)備和執(zhí)行手指移動任務(wù)時(shí)，觀察到可達(dá)性（accessibility）降低和中心性增加。
不同的干預(yù)策略可以觀察到不同的耦合模式。特別是，在騎行任務(wù)中，不同的強(qiáng)度水平會在前額葉運(yùn)動區(qū)和中央?yún)^(qū)域的alpha和beta帶產(chǎn)生不同的大腦連接模式。此外，在完成身體和視覺疲勞任務(wù)后，還觀察到頂葉和枕葉的同步性增加。在手指敲擊任務(wù)中觀察到beta波段的互信息值增加，反映了信息流的增加。最后，在從靜息狀態(tài)到手部運(yùn)動的過渡期間，感覺運(yùn)動區(qū)和前額葉區(qū)之間有很強(qiáng)的相互作用。
在左向和右向移動任務(wù)中考慮了局部網(wǎng)絡(luò)屬性，以便對不同的移動進(jìn)行分類。Ghosh等人表明，節(jié)點(diǎn)強(qiáng)度可以應(yīng)用于手部動作的分類，而不需要分類器。左側(cè)感覺皮層和雙側(cè)初級運(yùn)動皮層的Enodal值在運(yùn)動相關(guān)任務(wù)中增加，但在后頂葉區(qū)減少。此外，研究人員觀察到，在手臂運(yùn)動過程中，運(yùn)動區(qū)域的功能連通性增加，節(jié)點(diǎn)可達(dá)性降低，節(jié)點(diǎn)中心性增加。兩年后，同一個(gè)研究小組發(fā)現(xiàn)，手臂的運(yùn)動顯著降低了網(wǎng)絡(luò)連通性，主要是在alpha和beta波段，只在左臂運(yùn)動時(shí)降低了加權(quán)PL。然而，CC和小世界都沒有表現(xiàn)出任何顯著的變化。Jin等人在手指運(yùn)動和休息任務(wù)期間觀察了alpha和beta波段網(wǎng)絡(luò)中的小世界屬性。內(nèi)側(cè)運(yùn)動前皮層和雙側(cè)前額葉皮層的gamma和beta帶似乎有更大的連通性和更高的CC，但在運(yùn)動任務(wù)中較短的PL。研究表明，上頂葉體感覺皮層的低頻beta和gamma的hubs的顯著變化可表征視覺運(yùn)動關(guān)聯(lián)。通過比較運(yùn)動任務(wù)中譜相干與虛部相干的節(jié)點(diǎn)度，發(fā)現(xiàn)譜相干網(wǎng)絡(luò)在對側(cè)運(yùn)動皮層的表現(xiàn)優(yōu)于虛部相干網(wǎng)絡(luò)。
E、身體鍛煉的連接研究
身體鍛煉與工作負(fù)荷直接相關(guān)，反映了受試者在體育鍛煉中可能面臨的疲勞、緊張、努力強(qiáng)度和不適感。在與體力消耗有關(guān)的工作記憶任務(wù)中，在額葉區(qū)域觀察到部分theta相干性的增加。在CC中最初觀察到一個(gè)有趣的u型模式，theta的CC在體力消耗任務(wù)和腦力任務(wù)中都增加，當(dāng)任務(wù)變得更加困難時(shí)顯著下降。這項(xiàng)研究將調(diào)查范圍限定在額區(qū);然而，未來的研究應(yīng)該調(diào)查整個(gè)大腦的拓?fù)涮匦浴?/span>Comani等人觀察到在不同負(fù)荷水平下信息流的雙邊連接模式。最近的一項(xiàng)研究探討了在騎行任務(wù)中大腦的功能模式和網(wǎng)絡(luò)拓?fù)?。針對六種不同的困難，在EEG源水平計(jì)算了三種圖論測度。在alpha和beta波段，局部效率保持不變，表明疲勞并沒有改變大腦網(wǎng)絡(luò)的分離。由于對警覺性的要求很高，任務(wù)前后的全局效率變化明顯。然而，在高耐力階段，網(wǎng)絡(luò)密度在beta波段下降，說明了決策過程的影響。
F、知覺的連通性研究
感知的研究需要比較幾種認(rèn)知功能(如注意力、意識和記憶)和任務(wù)的持續(xù)時(shí)間。一項(xiàng)研究報(bào)告了在目標(biāo)識別任務(wù)中，額頂區(qū)theta相位同步耦合的顯著變化。此外，在對目標(biāo)的認(rèn)知加工過程中，還表現(xiàn)出低模塊化、高聚類、節(jié)點(diǎn)hubs間強(qiáng)交互等特征。花在一項(xiàng)任務(wù)上的時(shí)間直接影響參與者的情緒、覺醒狀態(tài)和認(rèn)知負(fù)荷。Ghaderi等人研究了在時(shí)間感知任務(wù)中大腦的非線性差異。兩組參與者——高估時(shí)間和低估時(shí)間的參與者——在beta CC上表現(xiàn)出了顯著的差異。此外，更高的任務(wù)努力知覺顯示了前額葉-運(yùn)動區(qū)強(qiáng)烈的beta相干耦合。高估組的全局效率、傳遞性和度均低于低估組。
5 局限和未來方向
目前的研究結(jié)果表明，人們對研究與執(zhí)行特定任務(wù)有關(guān)的大腦連通性越來越感興趣。本文還論證了在腦電數(shù)據(jù)中使用圖論度量可獲得可靠和可行的結(jié)果；然而，要取得進(jìn)一步進(jìn)展，還必須克服許多挑戰(zhàn)。圖論指標(biāo)在神經(jīng)工效學(xué)中的應(yīng)用將幫助科學(xué)家研究日?；顒又械倪B接模式，并可能提供更豐富的關(guān)于大腦活動的信息。因此，未來的工作應(yīng)該專注于在不同的實(shí)際應(yīng)用中使用圖分析測量。目前綜述中討論的研究缺乏具有生態(tài)有效性的設(shè)計(jì)。關(guān)于疲勞和工作負(fù)荷任務(wù)的研究是在控制良好的模擬環(huán)境中進(jìn)行的(即駕駛和領(lǐng)航)。運(yùn)動任務(wù)僅限于手指動作，如敲擊。對知覺的研究一直局限于經(jīng)典的oddball實(shí)驗(yàn)。日常設(shè)置中經(jīng)常執(zhí)行的任務(wù)，如處理、舉、抓、抓、拉、推、組裝、分類、手動檢查和下肢運(yùn)動，都沒有使用圖論指標(biāo)很好地量化。因此，需要新的探索性研究來解決現(xiàn)實(shí)世界的應(yīng)用。
腦電圖優(yōu)越的時(shí)間分辨率有助于捕捉大腦活動的快速動態(tài)變化。很少有研究考慮神經(jīng)信息的流向。這些研究使用格蘭杰因果關(guān)系、DTF、PDC和廣義PDC來量化兩個(gè)信號之間的相互作用和因果關(guān)系的強(qiáng)度。這些方法從信號Y的過去預(yù)測信號X的未來，反之亦然。頻域方法因其能夠提取不同頻段的神經(jīng)變化而更常被推薦用于腦電圖。
已有一些研究對腦電圖數(shù)據(jù)的靜態(tài)功能連通性進(jìn)行了研究。人類的大腦是一個(gè)復(fù)雜的系統(tǒng)，隨著時(shí)間的推移有著動態(tài)的行為。一種被稱為動態(tài)腦網(wǎng)絡(luò)的擴(kuò)展方法被用于追蹤功能腦網(wǎng)絡(luò)的時(shí)空動態(tài)。它基于腦電圖源連通性與滑動窗口方法的結(jié)合。在基于任務(wù)的研究中，甚至在靜息狀態(tài)研究中，都觀察到連接模式的重構(gòu)隨時(shí)間的變化。
6 結(jié)論
本文系統(tǒng)綜述了利用任務(wù)誘發(fā)腦電圖數(shù)據(jù)研究腦功能連接網(wǎng)絡(luò)的趨勢?；谛畔⑻幚淼娜终虾途植糠蛛x，圖論度量已成為描述功能交互的有價(jià)值和可靠的指標(biāo)。基于57篇文章的分析，我們展示了認(rèn)知和運(yùn)動功能的不同領(lǐng)域。我們還提供了關(guān)于所選應(yīng)用的分布、功能連接的估計(jì)技術(shù)、圖論度量、參與者數(shù)量和使用的電極數(shù)量的信息。此外，我們提出了腦功能連通性的概述和圖論的理論方面。這些結(jié)果為構(gòu)建腦電功能網(wǎng)絡(luò)提供了一個(gè)有用的框架，以避免最常見的陷阱。
更多的綜述研究關(guān)注認(rèn)知功能而不是運(yùn)動處理任務(wù)；然而，證明大腦網(wǎng)絡(luò)分析在現(xiàn)實(shí)任務(wù)中的應(yīng)用的研究是有限的，缺乏具有生態(tài)有效性的設(shè)計(jì)。實(shí)驗(yàn)結(jié)果的異質(zhì)性可歸因于多種因素，導(dǎo)致不同研究的結(jié)果不一致。在實(shí)踐中，圖論度量——主要是CC和PL——是最常用的度量，因?yàn)樗鼈兎从沉舜竽X網(wǎng)絡(luò)的功能和全局整合。大多數(shù)關(guān)于疲勞相關(guān)任務(wù)的研究都證實(shí)了人腦整合信息的能力下降。較高的任務(wù)難度導(dǎo)致較少的分離過程和更多的整合網(wǎng)絡(luò)，主要是在低頻波段。在手指運(yùn)動、記憶的存儲和檢索、高工作負(fù)荷，在任務(wù)上花費(fèi)的時(shí)間增加和涉及精神疲勞的任務(wù)中，都證明了小世界網(wǎng)絡(luò)的存在。經(jīng)審查的文章的偏倚評估顯示偏倚風(fēng)險(xiǎn)很高。解決選擇性數(shù)據(jù)報(bào)告等問題應(yīng)能在未來的出版物中減少這種偏倚的風(fēng)險(xiǎn)?？傊?/span>使用圖論度量的連接組分析可能為神經(jīng)工效學(xué)領(lǐng)域的新思想鋪平道路，并最終導(dǎo)致更安全的工作設(shè)計(jì)。我們的系統(tǒng)綜述的發(fā)現(xiàn)應(yīng)該有助于理解可以應(yīng)用于腦電圖數(shù)據(jù)分析的計(jì)算方法，主要是使用圖論。
如需原文及補(bǔ)充材料請?zhí)砑铀加翱萍嘉⑿牛?/span>siyingyxf或18983979082獲取,如對思影課程及服務(wù)感興趣也可加此微信號咨詢。另思影提供免費(fèi)文獻(xiàn)下載服務(wù)，如需要也可添加此微信號入群，原文也會在群里發(fā)布，如果我們的解讀對您的研究有幫助，請給個(gè)轉(zhuǎn)發(fā)支持以及右下角點(diǎn)擊一下在看，是對思影科技的支持，感謝！
微信掃碼或者長按選擇識別關(guān)注思影
非常感謝轉(zhuǎn)發(fā)支持與推薦
歡迎瀏覽思影的數(shù)據(jù)處理業(yè)務(wù)及課程介紹。（請直接點(diǎn)擊下文文字即可瀏覽思影科技所有的課程，歡迎添加微信號siyingyxf或18983979082進(jìn)行咨詢，所有課程均開放報(bào)名，報(bào)名后我們會第一時(shí)間聯(lián)系，并保留已報(bào)名學(xué)員名額）：腦電及紅外、眼動：南京：
第五屆腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理班（Matlab版本，南京，11.3-8）
上海：
第三十六屆腦電數(shù)據(jù)處理中級班（上海，11.13-18）
第二十八屆腦電數(shù)據(jù)處理入門班（上海，11.20-25）
第二十五屆近紅外腦功能數(shù)據(jù)處理班（上海，12.7-12）
北京：
第五屆R語言統(tǒng)計(jì)班（北京，11.16-20）
第三十九屆腦電數(shù)據(jù)處理中級班（北京，12.13-18）
核磁：重慶：
第二十八屆彌散成像數(shù)據(jù)處理班（重慶，11.5-10）
第六屆彌散磁共振成像提高班（重慶，11.17-22）
第二十三屆磁共振腦影像結(jié)構(gòu)班（重慶，11.27-12.2）
第二十五屆腦影像機(jī)器學(xué)習(xí)班（重慶，12.5-10）
南京：
第七十一屆磁共振腦影像基礎(chǔ)班（南京，11.12-17）
第二十九屆彌散成像數(shù)據(jù)處理班（南京，11.19-24）
第二十六屆腦影像機(jī)器學(xué)習(xí)班（南京，12.9-14）
上海：
第三十一屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（上海，10.28-11.2）
第六十九屆磁共振腦影像基礎(chǔ)班（上海，11.4-9）
第十四屆任務(wù)態(tài)功能磁共振數(shù)據(jù)處理班（上海，11.30-12.5）
第十一屆腦網(wǎng)絡(luò)數(shù)據(jù)處理提高班（上海，12.15-20）
北京：
第十一屆磁共振ASL（動脈自旋標(biāo)記）數(shù)據(jù)處理班（北京，11.3-6）
第七十二屆磁共振腦影像基礎(chǔ)班（北京，11.9-14）
第六屆影像組學(xué)班（北京，11.25-30）
第三十四屆磁共振腦網(wǎng)絡(luò)數(shù)據(jù)處理班（北京，12.3-8）
數(shù)據(jù)處理業(yè)務(wù)介紹：
思影科技功能磁共振(fMRI)數(shù)據(jù)處理業(yè)務(wù)
思影科技彌散加權(quán)成像（DWI/dMRI）數(shù)據(jù)處理
思影科技腦結(jié)構(gòu)磁共振成像數(shù)據(jù)處理業(yè)務(wù)（T1)
思影科技定量磁敏感（QSM)數(shù)據(jù)處理業(yè)務(wù)
思影科技嚙齒類動物（大小鼠）神經(jīng)影像數(shù)據(jù)處理業(yè)務(wù)
思影科技靈長類動物fMRI分析業(yè)務(wù)
思影數(shù)據(jù)處理業(yè)務(wù)三：ASL數(shù)據(jù)處理
思影科技腦影像機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)介紹
思影科技微生物菌群分析業(yè)務(wù)
思影科技EEG/ERP數(shù)據(jù)處理業(yè)務(wù)
思影科技近紅外腦功能數(shù)據(jù)處理服務(wù)
思影科技腦電機(jī)器學(xué)習(xí)數(shù)據(jù)處理業(yè)務(wù)
思影數(shù)據(jù)處理服務(wù)六：腦磁圖（MEG）數(shù)據(jù)處理
思影科技眼動數(shù)據(jù)處理服務(wù)
招聘及產(chǎn)品：
思影科技招聘數(shù)據(jù)處理工程師 （上海，北京，南京，重慶）
BIOSEMI腦電系統(tǒng)介紹
目鏡式功能磁共振刺激系統(tǒng)介紹
