论文部分内容阅读
随着社会压力的不断增加,精神类疾病已经成为导致亚健康的主要因素之一,精神分裂症就是最为常见的精神类疾病,对该疾病的早期诊断也显得尤为重要。目前的诊断手段大多基于量表,医生根据量表进行主观判断,这种诊断方式存在较多主观因素,为精神分裂症的诊断带来不可预估的影响。随着复杂网络理论和脑功能成像技术的发展,基于EEG脑网络的精神分裂症疾病研究取得了一定的进展,为该疾病的病理认知和早期诊断提供了新的思路。但是,近来也有研究指出传统复杂网络分析方法存在一定的弊端。传统复杂网络研究方法包括无权网络、加权网络。无权网络涉及到阈值选择的问题,阈值T的选择从本质上是随机的。阈值的选择可能会导致网络中存在虚假或噪声连接(T的选择较小),也可能丢弃掉网络中包含重要信息的一些弱连接(T的选择较大)。边的多少进一步影响脑网络属性值的测量。而加权网络的度量同样会被噪声连接和平均功能连接强度影响,所以,无权网络和加权网络的分析方法可能会由于方法学的问题导致无法令人确信的研究结果。因此,本研究将最小生成树算法(Minimum Spanning Tree,MST)引入到复杂脑网络的研究中,期望能解决传统网络分析方法中存在的问题,在EEG脑网络分析的方法学问题上进行有价值的探索。并在精神分裂症与正常被试的EEG脑网络中对无权网络、加权网络以及最小生成树这三种研究方法进行了对比分析与探讨。本研究所用的EEG数据为来自合作单位北京回龙观医院的40例精神分裂症患者和40例正常被试,所有数据经过预处理后,通过相位滞后指数(PLI)分别构建了无权、加权以及MST脑网络,然后将不同被试组间显著差异的网络属性作为分类特征进行了分类研究,最后从理论分析、相关性分析和分类效果上证明了MST引入EEG脑网络的研究是有效可行的,是对复杂脑网络传统分析方法的有益补充。本研究主要完成的内容有以下几点:(1)选取不同阈值构建各个稀疏度下精神分裂症与正常被试的无权脑网络,计算其属性并进行了统计分析,提取有显著性差异的无权网属性。(2)计算精神分裂症与正常被试的加权脑网络属性并对其进行了统计分析,提取有显著性差异的加权网属性。(3)采用Kruskal算法构建精神分裂症与正常被试的MST。计算精神分裂症与正常被试MST网络的属性并对其进行统计分析,提取有显著性差异的MST属性。(4)从理论分析、相关性分析和分类效果上证明了MST引入EEG脑网络的研究是有效可行的,是对复杂脑网络传统分析方法的有益补充。总之,MST比传统复杂网络分析方法在EEG脑网络研究中具有更好的表现,将其作为传统复杂网络的有益补充,能为EEG脑网络的研究提供更佳的思路与方法。