本文旨在研究持續短陣快速脈沖刺激（cTBS）干預對情緒加工腦功能網絡的影響。我們采用 cTBS 技術對 10 名受試者的左前額背外側皮質（DLPFC）區域進行干預，同時記錄干預前后受試者進行情緒面孔性別識別任務時的頭皮腦電（EEG）信號，然后采用 EEG 信號相位同步值來衡量兩個腦網絡節點間的連接強度，并運用網絡效率來描述腦區的信息傳遞效率。研究結果發現，經由 cTBS 技術干預受試者腦區，再采用情緒面孔圖片刺激后，100～300 ms 時間窗內的 EEG 信號的 β 頻段的事件相關功率明顯增強；不同的情緒圖片刺激下，中性和負性情緒圖片刺激的 EEG 信號全局相位同步值比正性情緒刺激下更高；情緒加工腦網絡小世界特性增強。綜上所述，本文通過研究左側 DLPFC 活躍性改變對情緒加工腦網絡的影響，初步探索了情緒加工腦網絡機制，為以后的情緒加工腦網絡研究提供了參考。
引用本文： 李琦, 曹丹, 李穎潔, 唐鶯瑩. 持續短陣快速脈沖刺激對情緒加工腦網絡影響的研究. 生物醫學工程學雜志, 2017, 34(4): 518-528. doi: 10.7507/1001-5515.201606048 復制
引言
人類的情緒加工是一個多層次結構相互作用的腦功能網絡活動[1]，而大量研究表明背外側前額葉皮層（dorsolateral prefrontal cortex，DLPFC）在其中占據了重要地位[2-3]。例如，很多基于神經影像學的研究發現，在情緒識別任務下，DLPFC 的活動增加[4-5]；與中性和正性情緒識別任務相比，右側 DLPFC 的活動與負性情緒的識別任務相關度更高[6]；還有學者發現與正常人相比，輕度抑郁癥患者做情緒性別識別任務尤其是在負性情緒刺激下的性別識別任務時，左側 DLPFC 活躍性降低[7]。但是，這些研究還局限在特定腦區發生的特異性改變，而 DLPFC 與其他腦區的功能連接性是了解情緒加工網絡的基礎[8]，因此 DLPFC 活躍性的變化對情緒加工時的腦功能網絡會產生怎樣的影響，還需要進一步的研究。
Koelsch 等[9]采用靜息狀態的功能磁共振（func-tional magnetic resonance imaging，fMRI）數據，使用特征中心向量和功能連接分析方法揭示了在快樂的情緒面孔刺激下的腦功能網絡具有小世界特性。Zhang 等[10]采用靜息狀態的 fMRI 數據，使用圖論方法分析得出抑郁癥患者和正常人靜息狀態下的大腦網絡都具有小世界特性，但是抑郁癥患者的大腦功能網絡更傾向于隨機化。在相關研究中，除了采用 fMRI 數據構建腦功能網絡的研究，由于情緒認知過程中大腦活動的變化是毫秒級別的，使得具有高時間分辨率的 EEG 信號也成為常用的一種研究手段。Lee 等[11]采用 EEG 信號分類不同的情緒狀態的研究發現，正常受試者的前額區在負性情緒狀態下的相位同步指數低于正性情緒狀態，并且指出在不同的情緒狀態下大腦連通性會發生變化。Mar-tini 等[12]采用 EEG 信號基于 γ 頻段相位同步研究發現在不快樂情緒刺激下大腦顳區和額區的功能連接緊密。另外，本小組 Li 等[13]在前期基于情緒加工任務下 EEG 信號的研究中，采用相干的方法構建腦功能網絡，發現無論是抑郁癥患者還是正常對照組其 γ 頻段下面孔情緒加工的腦功能網絡都是規則網絡。但是，僅憑 fMRI 圖像或 EEG 信號的研究結果都無法直接證明特定的腦區在情緒加工網絡中的作用。另一方面，經顱磁刺激（transcranial mag-netic stimulation，TMS）技術通過調節大腦皮層神經元的膜電位激活大腦，可無創傷地改變大腦皮層的興奮性，具有形成“虛擬損傷”等特性[14]，是一種能有效研究特定腦區在網絡中的作用的技術，對于研究活體人腦功能的因果關系有其他技術無可替代的優勢。因而，TMS 技術結合 EEG 信號的研究方法成為腦網絡研究中的一種重要方法[15]，可以很好地用來研究特定腦區在腦功能網絡中的活動特性。
基于此，本研究通過采用相位同步法來描述高分辨率的 EEG 數據各通道之間的連通性，然后運用特定頻段建立大腦網絡模型，分析網絡的全局效率和局部效率，最終得出 TMS 干預左側 DLPFC 前后情緒加工腦網絡的差異性，從而探究左側 DLPFC 活躍程度的變化對情緒加工腦網絡的影響，進一步揭示了情緒加工腦網絡機制，為以后的情加工腦網絡研究提供了參考。
1 材料和方法
1.1 研究對象
本試驗共選取受試者 10 人，皆為上海大學學生，其中男性 7 人，女性 3 人，年齡（24.3±0.9）歲，受教育年限（17.1±0.7）年。所有受試者均右利手，視力正常或者矯正正常，無神經損傷史，無家族遺傳病史，無藥物和酒精濫用史。試驗前，所有受試者需完成焦慮自評量表（self-rating anxiety scale，SAS）、抑郁自評量表（self-rating depression scale，SDS）和漢密爾頓抑郁量表（Hamilton depression scale，HAMD），并填寫 TMS 和核磁共振（magnetic resonance imaging，MRI）檢查安全篩查問卷。經證實，所選受試者都符合試驗條件，各量表評分均在正常范圍內，SAS 標準評分為 35.75±10.5，SDS 標準分評分為 31.75±11.5，HAMD 標準分評分為 7.27±6.9。所有受試者在試驗前均自愿簽署了知情同意書，試驗結束后給予了適量的報酬。所有試驗方案通過上海精神衛生中心倫理委員會審查。
1.2 試驗方法
本試驗讓受試者進行情緒面孔的性別識別任務，整個試驗過程設計如圖 1 所示。試驗分為兩部分，每部分時間間隔一周。第一部分采集 2 min 靜息 EEG 信號后，開始情緒面孔性別識別任務；第二部分試驗開始前先測量靜息運動閾值（rest motor threshold，RMT），具體測量方法如圖 1 所示。接著再結合 MRI 導航（即借助于 MRI 成像，獲取和更新介入器械的三維方位信息，然后對 MRI 圖像和介入器械的信息進行標定后，經過圖像融合可以共同顯示在一個三維操作界面實現導航）進行持續短陣快速脈沖刺激（continuous theta-burst transcranial magnetic stimulation，cTBS）干預，然后重復第一部分的試驗內容，最后再次測量 RMT。
圖1
試驗流程圖
Figure1.
Flow chart of the experiment
試驗選取北京師范大學中國化面孔情緒圖片系統中的中國人真實面孔圖片（正性，負性和中性各 24 張，均為 12 男 12 女）作為情緒刺激材料，且均為黑白照片，大小相同，無明顯標志。試驗過程中，受試者要求做一個情緒面孔性別識別任務。試驗程序由美國 PST（Psychology software tools）公司的 E-Prime 2.0 軟件編寫。每個刺激序列包含 400～600 ms 的隨機間隔[以符號（+）顯示]、1 000 ms 的面孔圖片和 1 500 ms 的性別判定框，整個刺激序列的呈現流程如圖 2 所示。圖片隨機呈現，判定框緊隨在面孔圖片后，框中出現“男？”或“女？”，要求受試者對面孔圖片的性別做出及時地判斷，若判定框中呈現的文字與面孔圖片的性別一致，按鍵“1”；若不一致，按鍵“2”。整個試驗分為 4 組，每組包含 72 個序列，正性、中性和負性圖片各 24 張。做完一組試驗后，受試者休息 1 min，整個試驗任務大約耗時 20 min。
圖2
刺激序列示意圖
Figure2.
Schematic diagram of stimulation sequence
1.3 TMS 試驗
cTBS 是一種特殊的 TMS 技術，具有干預時間短、皮層受抑制時間長的特點[16]。本試驗采用最大輸出強度為 2.5 T 的 MedtronicMagPro X100 刺激儀（磁頭型號為 MCF-B65，丹麥）對受試者的左側 DLPFC 進行 cTBS 干預。cTBS 模式設置為每 200 ms 釋放 3 串 50 Hz 的脈沖，共刺激 40 s。運動閾值的測定刺激線圈位于左側運動皮層處（國際 10–20 系統的 FC3 附近）。記錄電極位于右手拇指展肌肌腹位置，參考電極位于拇指第二關節處，接地電極位于手背處。刺激時線圈緊貼頭皮并與頭皮相切，受試者肌肉處于放松狀態。刺激強度由 45% 遞增或遞減。在某一個刺激強度的 10 次連續刺激中，如果有 5 次引出波幅在 50 μV 以上的運動誘發電位，則認為該刺激強度是 RMT，它反映了中樞運動神經的興奮性。本試驗采用 90%RMT 的強度進行干預。試驗時借助了 MRI 的導航定位，精確地把握干預位置。
1.4 數據采集與預處理
試驗數據采集設備為 64 導高密度 EEG 信號檢測儀（BrainCap 標準型，德國），導聯方法采用國際 10–20 系統，記錄軟件采用 Brain Products 公司研發的 Vision Recorder 系統；數據預處理采用 Vision Analyzer 系統。由于采集過程中 FP1、FP2、TP9、TP10 電極阻抗過大，所以試驗數據分析中選用了 58 個電極位置，EEG 信號采樣頻率為 1 000 Hz，電極和頭皮接觸電阻小于 20 kΩ。預處理步驟包括帶通濾波（0.05～80 Hz）、鄰近導聯平均（去掉不好的導聯）、去眼電信號干擾、數據分段（刺激前 200 ms 到刺激后 1 000 ms 為一段）、基線校正（前 200 ms 數據視為基線）、偽跡校正（剔除大于 100 μV 的數據段）等，最后將數據導出作后續處理。
考慮到數據的魯棒性和合理性[17]，本文在后續處理中選取刺激后 800 ms 的 EEG 數據作為原始數據。首先進行事件相關功率譜分析，選取相應的頻段。然后為了探索 cTBS 刺激下的大腦情緒加工的時變信息，本研究將數據進行分窗處理，從刺激時刻開始每 200 ms 取一個窗，以 50 ms 為步長選取第二個窗，即 1～200 ms 為第一個窗，50～250 ms 為第二個窗，依此類推直到包含全部數據，共 13 個窗。因此，刺激后 800 ms 的數據共分成 13 個數據段。試驗獲取相應頻段的數據采用小波分解方法，將預處理后的 EEG 信號分為 δ（1～4 Hz），θ（4～8 Hz），α（8～12 Hz），β（12～30 Hz），低 γ（30～50 Hz），高 γ（50～80 Hz）6 個頻段，選取 db5 作為“母小波”，分解級數為 7。
1.5 事件相關功率譜分析
研究證實，運動、感知和認知的信息加工，會引起 EEG 信號的變化，形成事件相關去同步化（event-related desynchronization，ERD）和同步化（event-related synchronization，ERS），通過事件相關功率譜（event-related spectral perturbation，ERSP）可以衡量 ERD/ERS 的變化[18]。本文使用 db5 小波的復指數形式計算譜功率。
定義小波的復指數的解析式為：
，式中
代表窗函數。則信號
的時頻分析定義為：
 |
f 和 t 分別代表頻率和時間。
對每段 EEG 數據進行小波變換，對變換后的所有數據段進行平均后取絕對值，即定義為平均 ERSP：
 |
最后，本研究對平均 ERSP 做基線矯正，即通過逐點減去前 200 ms 的 ERSP，得到相對基線的 ERSP。
1.6 腦功能網絡分析
基于 EEG 信號研究特定頻帶內的腦網絡時，采用相位同步來量化各通道信號之間的關系比較合適[19]。腦功能分析的第一步是構建網絡，本文采用相位同步法構建基于多通道 EEG 信號的大腦網絡。它是通過希爾伯特（Hilbert）變換把窄帶的波形信號分解成幅度部分和相位部分，進而分析兩信號間的相位關系[14]。如對于 EEG 信號采集電極 A 和 B，若解析信號的相位差滿足：
 |
那么就稱兩信號相位同步（通常取 p=q=1）。信號間的相位同步水平可以用相位同步指數來刻畫，定義相位同步指數為 r，如式（4）所示。
 |
其中，M 為采樣點數。則 r 值在[0，1]之間，值為 1 表示相位完全同步；值為 0 表示相位完全不同步，代表了網絡的連接強度。最終可以得到 58×58 的矩陣。
在確定網絡連接強度之后，計算網絡成本。網絡成本（Cost）也就是網絡的密度，即網絡的連接邊數與最大可能連接邊數的比，如式（5）所示。式中，N 代表網絡中節點（EEG 通道）總數，K 代表網絡中存在的連接邊數。
 |
本研究選取網絡成本范圍為[0.02，0.5][20]，步長為 0.02，在每一個確定的網絡成本下根據公式（5）計算 K 值，由 K 值確定閾值（連接強度），對相位同步矩陣轉化為加權無向網絡，即僅當矩陣中元素大于等于閾值時保留相應的值，否則為 0。在每個網絡成本下建立加權網絡后，計算全局效率和局部效率值。另外本文在建立每個加權網絡的同時構建相應的隨機網絡和規則網絡，該隨機網絡和規則網絡具有與真實網絡相同的節點數和有效連接邊（N=58，K 是不同密度下有效連接邊數），并計算其全局效率和局部效率值。本文構建網絡借助 MATLAB 2011BCT 工具包中的功能函數對構建網絡進行分析。網絡分析流程如圖 3 所示。
圖3
基于 EEG 信號的腦功能網絡分析流程
Figure3.
Analysis process of brain function network based on EEG signals
1.7 網絡效率分析
在網絡的連通圖中，Li，j 定義為最短路徑長度即連接 i 節點和 j 節點的所有路徑中，連接邊數的最小值。兩節點之間的連接效率與最短路徑長度成反比。網絡的全局效率 Eglobal，代表了整個網絡的信息交換能力，定義為
 |
全局效率值越大，表示信息或能量等在該網絡上進行交換時所需的代價越小[19]。
局部效率近似于聚類系數，反映了對一個特定節點 i 的最鄰近間信息交換能力。定義局部效率 Elocal 為：
 |
式中，NGi 表示子網絡 Gi 中節點的個數。平均局部效率是子網絡中每個節點效率的平均值。網絡的成本效率為網絡的全局效率與網絡的成本之差。
 |
網絡的成本效率隨著網絡的改變而改變。
本文在分析單一網絡成本下的局部特征時，又將大腦劃分為左、右半球兩個腦區和左/右額區，左/右顳區，左/右頂區和左/右枕區八個腦區。每個腦區的所有電極的局部效率均值作為該區域的局部效率值。如圖 4 所示，中線左邊為左半球，從上到下，從左至右分別是左額/顳/頂/枕，中線右邊則為相應的右半球腦區。對不同情緒下的局部效率值做重復測量方差分析，其中組間因數為 cTBS（干預前/干預后）、半球（左/右）和腦區（額/顳/頂/枕）。
圖4
各個腦區選取分布圖
Figure4.
Distribution of various brain regions selected
1.8 統計分析
本試驗數據都通過 SPSS 16.0 中的一般線性模型（general linear model，GLM）完成統計分析。對各項統計檢測值使用重復測量方差分析，組內因素為情緒（正性/負性/中性）和 cTBS 干預（干預前/干預后），無組間因素。若 cTBS 與情緒之間（cTBS & 情緒）存在交互效應，則進一步進行簡單效應分析。對于統計分析結果的描述，如果檢驗 P<0.05，則認為存在主效應或交互效應。
2 結果
2.1 事件相關功率譜
如圖 5 所示，為包括 cTBS 干預前和干預后，以及正、中、負性三種情緒刺激在內的 ERSP 時頻圖。可以看出：在情緒加工過程中，頻帶在 40 Hz 以內出現活躍狀態，并且在 β 頻帶內 100～300 ms 腦內活動明顯增強；然而，cTBS 干預后抑制了大腦的活動，腦內能量明顯降低，尤其是負性情緒的變化非常明顯。因此，本研究進一步探討了 100～300 ms 內 β 頻段內的大腦網絡特性。
圖5
cTBS 干預前后三種情緒刺激下 ERSP 圖
Figure5.
ERSP before and after the cTBS intervention under three kinds of emotional stimuli
2.2 情緒加工網絡
本文采用相位同步法量化 EEG 通道間的關系，建立多網絡密度下的情緒加工腦功能網絡，進而進行復雜網絡分析。如圖 6 所示為 cTBS 干預前/后，三種情緒刺激下 β 頻帶 100～300 ms 時間窗的相位同步矩陣。其中矩陣大小 58×58，每個元素表示相位同步指數，對角線元素為 0。橫、縱坐標代表相應的導聯，從上到下，從左到右對應的是大腦從前到后的導聯分布。
圖6
β 頻段 100～300 ms 時間窗的相位同步矩陣
Figure6.
100～300 ms Phase synchronization matrix of β band
對 β 頻段在 100～300 ms 內的全局相位同步值統計分析發現，cTBS 存在主效應趨勢（F=4.529，P=0.062）以及 cTBS 與情緒之間存在著交互效應趨勢（F=3.438，P=0.059）。又通過進一步地簡單效應分析得到：① cTBS 干預前三種情緒兩兩之間的差異無統計學意義，cTBS 干預后，正性情緒與中性情緒（F=7.984，P=0.020）以及與負性情緒（F=6.222，P=0.034）之間的差異具有統計學意義，中性情緒與負性情緒之間的差異無統計學意義；② 中性情緒刺激下 cTBS 干預后相位同步值增加（F=7.918，P=0.020）；負性情緒刺激下 cTBS 干預后相位同步值具有增加的趨勢（F=3.411，P=0.098）；而正性情緒刺激下 cTBS 干預前后的全局相位同步值無明顯差異，如圖 7 所示。
圖7
cTBS 干預前后 β 頻帶 100～300 ms 時間窗內三種情緒的平均全局相位同步值 *P<0.05
Figure7.
100～300 ms Phase synchronization average value of β band under the positive，neutral or negative of emotion before and after the cTBS intervention *P<0.05
試驗中，將基于 EEG 信號構建的情緒加工網絡與相應的隨機網絡和規則網絡進行對比。結果發現：情緒加工網絡在網絡密度（0.24，0.5）內，全局效率低于隨機網絡而高于規則網絡，其局部效率則高于隨機網絡而低于規則網絡，具有小世界特性。全局效率和局部效率隨網絡密度變化的曲線如圖 8 所示，第一列為正性、中性和負性三種情緒加工網絡的全局效率曲線，第二列為對應的局部網絡曲線。我們再進行重復測量方差分析發現：局部效率在密度（0.24，0.36）下都有 cTBS 主效應或主效應趨勢，全局效率在（0.24，0.5）區間內無任何差異。另外，沒有情緒主效應或 cTBS 與情緒之間的交互效應存在。由小世界網絡特性可知，網絡密度在（0.24，0.36）內，cTBS 干預后情緒加工網絡的小世界特性增強，如表 1 所示。
圖8
隨機和規則網絡及 cTBS 干預前后的情緒加工網絡的全局和局部效率曲線圖
Figure8.
Global and local efficiency curve of random，lattice or before and after the cTBS intervention in the processing of emotion
表1
局部效率在網絡成本（0.24，0.36）方差分析表
Table1.
Analysis of variance of local efficiency in network costs (0.24， 0.36)
2.3 單一網絡密度下的網絡局部特征
網絡密度也即是網絡的成本，網絡的成本效率可以說明是全局網絡與成本的差。β 頻段 100～300 ms 時間窗內各因數下的成本-效率的關系如圖 9 所示，可以看出，成本效率在較低成本區間內逐漸增大，達到一個最大值，然后成下降趨勢，整個曲線猶如拋物線。cTBS 干預前、后，正、中、負性三種情緒加工網絡的最大成本效率對應的成本在 0.28 左右。此時，網絡具有最“經濟”的模式。
圖9
cTBS 干預前后，β 頻帶 100～300 ms 時間窗內三種情緒的成本效率曲線圖
Figure9.
Cost efficiency curve of the 100～300 ms time window of β band in three kinds of emotion before and after the cTBS intervention
針對最“經濟”模式下（網絡密度 0.28）的腦網絡，我們進一步選擇了對大腦區域的局部效率進行分析。局部效率的腦地形圖如圖 10 所示。在 100～300 ms 時間窗內，正性情緒刺激下，干預后各個腦區的局部效率值高于干預前。中性情緒刺激下，干預后左半球各個腦區的局部效率值都高于干預前，右半球腦區差異無統計學意義；而且在 cTBS 干預后，左額、左顳、左頂區的局部效率值都高于右側對應的腦區，枕區差異無統計學意義。負性情緒刺激下，同樣顯示左半球各個腦區干預后的局部效率值高于干預前，干預后左半球的局部效率值高于右半球。
圖10
cTBS 干預前后 β 頻帶 100～300 ms 時間窗內三種情緒的局部效率的腦地形圖
Figure10.
Brain topographic map of the local efficiency of the 100～300 ms time window of β band in three kinds of emotion before and after the cTBS intervention
3 討論
本研究的目的在于通過分析 cTBS 干預下 EEG 信號特性，探究左側 DLPFC 在情緒加工腦網絡的作用。結果表明，ERSP 在 cTBS 干預后 100～300 ms 與干預前相比出現增強，尤其是 β 頻帶范圍內激活明顯。干預后，正性情緒刺激下的 EEG 信號全局相位同步值和中性、負性情緒刺激的差異具有統計學意義。在一定的網絡成本范圍內，情緒加工網絡的全局效率及局部效率介于隨機網絡和規則網絡之間，具有小世界特性，而且，在網絡成本區間（0.24，0.36）內，cTBS 干預后，腦功能網絡的小世界特性增強。
很多研究都已經表明，大腦前額在情緒加工過程中占據著重要作用[2-3]。神經影像學的研究表明左側 DLPFC 涉及到負性情緒的判別[6]。如前所述，有研究者發現與正常人相比，輕度抑郁癥患者做情緒性別識別任務尤其是在負性情緒刺激下的情緒性別識別任務時，左側 DLPFC 活躍性降低[7]。本試驗通過采用 cTBS 技術抑制左側 DLPFC 的活動后，發現相比于正性和中性情緒刺激，負性情緒刺激下情緒面孔性別識別任務的 ERSP 降低更明顯。進一步證明了左側 DLPFC 在負性情緒判別中的特殊作用。
EEG 信號相位同步值分析結果顯示，cTBS 干預后與干預前相比，情緒加工腦網絡具有高的全局相位同步值。研究發現大腦信息整合和處理的潛在機制是各神經網絡的同步性震蕩引起的，部分難以治愈的神經性疾病由大腦整體和局部整合過程的不足和異常造成[21]。而 EEG 信號反映的是神經元集群突觸后電位的累積效應，其相位同步能反應大腦神經電活動的整合作用，高的相位同步可能對應著大腦大范圍的整合[22]，代表大腦具有很高的信息整合能力。另外，研究證明 DLPFC 與其他區域的緊密連接以及皮下層區域間的非直接聯系參與了情緒認知信息加工，側前額皮層（lateral prefrontal cortex，LPFC）更涉及到高階的認知處理[23]。本研究中 DLPFC 的活動受到抑制，打亂了原有的功能連接，為了完成情緒面孔性別識別任務，必須重新調動和整合各參與腦區的資源，最終導致網絡的全局相位同步值升高。
很多研究者證實了人腦網絡存在著小世界特性[20]，并指出小世界網絡具有較小的特征路徑長度和較大的聚類系數。基于解剖學的研究也發現了大腦具有短的軸突連接或者低的代謝消耗，即大腦可以選擇在某些范圍內緊密連接，達到較為高效的“經濟”模式，以降低能量消耗[24]。這意味著大腦具有更高的全局和局部效率。本研究中，使用網絡成本系列值計算全局效率和局部效率值，得到情緒加工網絡小世界特性區間為（0.24，0.5）。已有研究利用神經影像技術數據建立大腦網絡，證明功能網絡的小世界特性在中低成本區間內[25-26]。cTBS 干預左側 DLPFC，抑制了該區域大腦的活動，可能同時促進了對側區域的皮層興奮[27-28]。因此，干預后特定局域內功能網絡發生改變，使得局部范圍的連接更緊密，從而具有較高的局部效率。
當網絡的成本效率達到峰值，如圖 9 所示，即用最小的成本達到最高的效率時，此時“經濟”的小世界網絡特性體現最為明顯。本研究中，網絡成本為 0.28 時，成本效率達到峰值，表明此時的網絡最“經濟”。當網絡成本效率達到最大時，我們發現干預后的左半球局部效率有所增加，這可能與干預后引起局部范圍的連接緊密有關。
本研究揭示了 cTBS 干預后情緒加工網絡小世界特性增強，證明了當成本效率在中低范圍內，具有特異的網絡性質，證明了左側 DLPFC 活躍性改變對情緒加工腦網絡的影響。本文的試驗是對情緒加工網絡機制的初步探索，為以后的情緒腦功能網絡研究提供了參考，未來的工作應從網絡分析方法中多個角度更全面地分析情緒腦功能網絡特征，進一步研究情緒加工網絡機制。
引言
人類的情緒加工是一個多層次結構相互作用的腦功能網絡活動[1]，而大量研究表明背外側前額葉皮層（dorsolateral prefrontal cortex，DLPFC）在其中占據了重要地位[2-3]。例如，很多基于神經影像學的研究發現，在情緒識別任務下，DLPFC 的活動增加[4-5]；與中性和正性情緒識別任務相比，右側 DLPFC 的活動與負性情緒的識別任務相關度更高[6]；還有學者發現與正常人相比，輕度抑郁癥患者做情緒性別識別任務尤其是在負性情緒刺激下的性別識別任務時，左側 DLPFC 活躍性降低[7]。但是，這些研究還局限在特定腦區發生的特異性改變，而 DLPFC 與其他腦區的功能連接性是了解情緒加工網絡的基礎[8]，因此 DLPFC 活躍性的變化對情緒加工時的腦功能網絡會產生怎樣的影響，還需要進一步的研究。
Koelsch 等[9]采用靜息狀態的功能磁共振（func-tional magnetic resonance imaging，fMRI）數據，使用特征中心向量和功能連接分析方法揭示了在快樂的情緒面孔刺激下的腦功能網絡具有小世界特性。Zhang 等[10]采用靜息狀態的 fMRI 數據，使用圖論方法分析得出抑郁癥患者和正常人靜息狀態下的大腦網絡都具有小世界特性，但是抑郁癥患者的大腦功能網絡更傾向于隨機化。在相關研究中，除了采用 fMRI 數據構建腦功能網絡的研究，由于情緒認知過程中大腦活動的變化是毫秒級別的，使得具有高時間分辨率的 EEG 信號也成為常用的一種研究手段。Lee 等[11]采用 EEG 信號分類不同的情緒狀態的研究發現，正常受試者的前額區在負性情緒狀態下的相位同步指數低于正性情緒狀態，并且指出在不同的情緒狀態下大腦連通性會發生變化。Mar-tini 等[12]采用 EEG 信號基于 γ 頻段相位同步研究發現在不快樂情緒刺激下大腦顳區和額區的功能連接緊密。另外，本小組 Li 等[13]在前期基于情緒加工任務下 EEG 信號的研究中，采用相干的方法構建腦功能網絡，發現無論是抑郁癥患者還是正常對照組其 γ 頻段下面孔情緒加工的腦功能網絡都是規則網絡。但是，僅憑 fMRI 圖像或 EEG 信號的研究結果都無法直接證明特定的腦區在情緒加工網絡中的作用。另一方面，經顱磁刺激（transcranial mag-netic stimulation，TMS）技術通過調節大腦皮層神經元的膜電位激活大腦，可無創傷地改變大腦皮層的興奮性，具有形成“虛擬損傷”等特性[14]，是一種能有效研究特定腦區在網絡中的作用的技術，對于研究活體人腦功能的因果關系有其他技術無可替代的優勢。因而，TMS 技術結合 EEG 信號的研究方法成為腦網絡研究中的一種重要方法[15]，可以很好地用來研究特定腦區在腦功能網絡中的活動特性。
基于此，本研究通過采用相位同步法來描述高分辨率的 EEG 數據各通道之間的連通性，然后運用特定頻段建立大腦網絡模型，分析網絡的全局效率和局部效率，最終得出 TMS 干預左側 DLPFC 前后情緒加工腦網絡的差異性，從而探究左側 DLPFC 活躍程度的變化對情緒加工腦網絡的影響，進一步揭示了情緒加工腦網絡機制，為以后的情加工腦網絡研究提供了參考。
1 材料和方法
1.1 研究對象
本試驗共選取受試者 10 人，皆為上海大學學生，其中男性 7 人，女性 3 人，年齡（24.3±0.9）歲，受教育年限（17.1±0.7）年。所有受試者均右利手，視力正常或者矯正正常，無神經損傷史，無家族遺傳病史，無藥物和酒精濫用史。試驗前，所有受試者需完成焦慮自評量表（self-rating anxiety scale，SAS）、抑郁自評量表（self-rating depression scale，SDS）和漢密爾頓抑郁量表（Hamilton depression scale，HAMD），并填寫 TMS 和核磁共振（magnetic resonance imaging，MRI）檢查安全篩查問卷。經證實，所選受試者都符合試驗條件，各量表評分均在正常范圍內，SAS 標準評分為 35.75±10.5，SDS 標準分評分為 31.75±11.5，HAMD 標準分評分為 7.27±6.9。所有受試者在試驗前均自愿簽署了知情同意書，試驗結束后給予了適量的報酬。所有試驗方案通過上海精神衛生中心倫理委員會審查。
1.2 試驗方法
本試驗讓受試者進行情緒面孔的性別識別任務，整個試驗過程設計如圖 1 所示。試驗分為兩部分，每部分時間間隔一周。第一部分采集 2 min 靜息 EEG 信號后，開始情緒面孔性別識別任務；第二部分試驗開始前先測量靜息運動閾值（rest motor threshold，RMT），具體測量方法如圖 1 所示。接著再結合 MRI 導航（即借助于 MRI 成像，獲取和更新介入器械的三維方位信息，然后對 MRI 圖像和介入器械的信息進行標定后，經過圖像融合可以共同顯示在一個三維操作界面實現導航）進行持續短陣快速脈沖刺激（continuous theta-burst transcranial magnetic stimulation，cTBS）干預，然后重復第一部分的試驗內容，最后再次測量 RMT。
圖1
試驗流程圖
Figure1.
Flow chart of the experiment
試驗選取北京師范大學中國化面孔情緒圖片系統中的中國人真實面孔圖片（正性，負性和中性各 24 張，均為 12 男 12 女）作為情緒刺激材料，且均為黑白照片，大小相同，無明顯標志。試驗過程中，受試者要求做一個情緒面孔性別識別任務。試驗程序由美國 PST（Psychology software tools）公司的 E-Prime 2.0 軟件編寫。每個刺激序列包含 400～600 ms 的隨機間隔[以符號（+）顯示]、1 000 ms 的面孔圖片和 1 500 ms 的性別判定框，整個刺激序列的呈現流程如圖 2 所示。圖片隨機呈現，判定框緊隨在面孔圖片后，框中出現“男？”或“女？”，要求受試者對面孔圖片的性別做出及時地判斷，若判定框中呈現的文字與面孔圖片的性別一致，按鍵“1”；若不一致，按鍵“2”。整個試驗分為 4 組，每組包含 72 個序列，正性、中性和負性圖片各 24 張。做完一組試驗后，受試者休息 1 min，整個試驗任務大約耗時 20 min。
圖2
刺激序列示意圖
Figure2.
Schematic diagram of stimulation sequence
1.3 TMS 試驗
cTBS 是一種特殊的 TMS 技術，具有干預時間短、皮層受抑制時間長的特點[16]。本試驗采用最大輸出強度為 2.5 T 的 MedtronicMagPro X100 刺激儀（磁頭型號為 MCF-B65，丹麥）對受試者的左側 DLPFC 進行 cTBS 干預。cTBS 模式設置為每 200 ms 釋放 3 串 50 Hz 的脈沖，共刺激 40 s。運動閾值的測定刺激線圈位于左側運動皮層處（國際 10–20 系統的 FC3 附近）。記錄電極位于右手拇指展肌肌腹位置，參考電極位于拇指第二關節處，接地電極位于手背處。刺激時線圈緊貼頭皮并與頭皮相切，受試者肌肉處于放松狀態。刺激強度由 45% 遞增或遞減。在某一個刺激強度的 10 次連續刺激中，如果有 5 次引出波幅在 50 μV 以上的運動誘發電位，則認為該刺激強度是 RMT，它反映了中樞運動神經的興奮性。本試驗采用 90%RMT 的強度進行干預。試驗時借助了 MRI 的導航定位，精確地把握干預位置。
1.4 數據采集與預處理
試驗數據采集設備為 64 導高密度 EEG 信號檢測儀（BrainCap 標準型，德國），導聯方法采用國際 10–20 系統，記錄軟件采用 Brain Products 公司研發的 Vision Recorder 系統；數據預處理采用 Vision Analyzer 系統。由于采集過程中 FP1、FP2、TP9、TP10 電極阻抗過大，所以試驗數據分析中選用了 58 個電極位置，EEG 信號采樣頻率為 1 000 Hz，電極和頭皮接觸電阻小于 20 kΩ。預處理步驟包括帶通濾波（0.05～80 Hz）、鄰近導聯平均（去掉不好的導聯）、去眼電信號干擾、數據分段（刺激前 200 ms 到刺激后 1 000 ms 為一段）、基線校正（前 200 ms 數據視為基線）、偽跡校正（剔除大于 100 μV 的數據段）等，最后將數據導出作后續處理。
考慮到數據的魯棒性和合理性[17]，本文在后續處理中選取刺激后 800 ms 的 EEG 數據作為原始數據。首先進行事件相關功率譜分析，選取相應的頻段。然后為了探索 cTBS 刺激下的大腦情緒加工的時變信息，本研究將數據進行分窗處理，從刺激時刻開始每 200 ms 取一個窗，以 50 ms 為步長選取第二個窗，即 1～200 ms 為第一個窗，50～250 ms 為第二個窗，依此類推直到包含全部數據，共 13 個窗。因此，刺激后 800 ms 的數據共分成 13 個數據段。試驗獲取相應頻段的數據采用小波分解方法，將預處理后的 EEG 信號分為 δ（1～4 Hz），θ（4～8 Hz），α（8～12 Hz），β（12～30 Hz），低 γ（30～50 Hz），高 γ（50～80 Hz）6 個頻段，選取 db5 作為“母小波”，分解級數為 7。
1.5 事件相關功率譜分析
研究證實，運動、感知和認知的信息加工，會引起 EEG 信號的變化，形成事件相關去同步化（event-related desynchronization，ERD）和同步化（event-related synchronization，ERS），通過事件相關功率譜（event-related spectral perturbation，ERSP）可以衡量 ERD/ERS 的變化[18]。本文使用 db5 小波的復指數形式計算譜功率。
定義小波的復指數的解析式為：
，式中
代表窗函數。則信號
的時頻分析定義為：
|
f 和 t 分別代表頻率和時間。
對每段 EEG 數據進行小波變換，對變換后的所有數據段進行平均后取絕對值，即定義為平均 ERSP：
|
最后，本研究對平均 ERSP 做基線矯正，即通過逐點減去前 200 ms 的 ERSP，得到相對基線的 ERSP。
1.6 腦功能網絡分析
基于 EEG 信號研究特定頻帶內的腦網絡時，采用相位同步來量化各通道信號之間的關系比較合適[19]。腦功能分析的第一步是構建網絡，本文采用相位同步法構建基于多通道 EEG 信號的大腦網絡。它是通過希爾伯特（Hilbert）變換把窄帶的波形信號分解成幅度部分和相位部分，進而分析兩信號間的相位關系[14]。如對于 EEG 信號采集電極 A 和 B，若解析信號的相位差滿足：
|
那么就稱兩信號相位同步（通常取 p=q=1）。信號間的相位同步水平可以用相位同步指數來刻畫，定義相位同步指數為 r，如式（4）所示。
|
其中，M 為采樣點數。則 r 值在[0，1]之間，值為 1 表示相位完全同步；值為 0 表示相位完全不同步，代表了網絡的連接強度。最終可以得到 58×58 的矩陣。
在確定網絡連接強度之后，計算網絡成本。網絡成本（Cost）也就是網絡的密度，即網絡的連接邊數與最大可能連接邊數的比，如式（5）所示。式中，N 代表網絡中節點（EEG 通道）總數，K 代表網絡中存在的連接邊數。
|
本研究選取網絡成本范圍為[0.02，0.5][20]，步長為 0.02，在每一個確定的網絡成本下根據公式（5）計算 K 值，由 K 值確定閾值（連接強度），對相位同步矩陣轉化為加權無向網絡，即僅當矩陣中元素大于等于閾值時保留相應的值，否則為 0。在每個網絡成本下建立加權網絡后，計算全局效率和局部效率值。另外本文在建立每個加權網絡的同時構建相應的隨機網絡和規則網絡，該隨機網絡和規則網絡具有與真實網絡相同的節點數和有效連接邊（N=58，K 是不同密度下有效連接邊數），并計算其全局效率和局部效率值。本文構建網絡借助 MATLAB 2011BCT 工具包中的功能函數對構建網絡進行分析。網絡分析流程如圖 3 所示。
圖3
基于 EEG 信號的腦功能網絡分析流程
Figure3.
Analysis process of brain function network based on EEG signals
1.7 網絡效率分析
在網絡的連通圖中，Li，j 定義為最短路徑長度即連接 i 節點和 j 節點的所有路徑中，連接邊數的最小值。兩節點之間的連接效率與最短路徑長度成反比。網絡的全局效率 Eglobal，代表了整個網絡的信息交換能力，定義為
|
全局效率值越大，表示信息或能量等在該網絡上進行交換時所需的代價越小[19]。
局部效率近似于聚類系數，反映了對一個特定節點 i 的最鄰近間信息交換能力。定義局部效率 Elocal 為：
|
式中，NGi 表示子網絡 Gi 中節點的個數。平均局部效率是子網絡中每個節點效率的平均值。網絡的成本效率為網絡的全局效率與網絡的成本之差。
|
網絡的成本效率隨著網絡的改變而改變。
本文在分析單一網絡成本下的局部特征時，又將大腦劃分為左、右半球兩個腦區和左/右額區，左/右顳區，左/右頂區和左/右枕區八個腦區。每個腦區的所有電極的局部效率均值作為該區域的局部效率值。如圖 4 所示，中線左邊為左半球，從上到下，從左至右分別是左額/顳/頂/枕，中線右邊則為相應的右半球腦區。對不同情緒下的局部效率值做重復測量方差分析，其中組間因數為 cTBS（干預前/干預后）、半球（左/右）和腦區（額/顳/頂/枕）。
圖4
各個腦區選取分布圖
Figure4.
Distribution of various brain regions selected
1.8 統計分析
本試驗數據都通過 SPSS 16.0 中的一般線性模型（general linear model，GLM）完成統計分析。對各項統計檢測值使用重復測量方差分析，組內因素為情緒（正性/負性/中性）和 cTBS 干預（干預前/干預后），無組間因素。若 cTBS 與情緒之間（cTBS & 情緒）存在交互效應，則進一步進行簡單效應分析。對于統計分析結果的描述，如果檢驗 P<0.05，則認為存在主效應或交互效應。
2 結果
2.1 事件相關功率譜
如圖 5 所示，為包括 cTBS 干預前和干預后，以及正、中、負性三種情緒刺激在內的 ERSP 時頻圖。可以看出：在情緒加工過程中，頻帶在 40 Hz 以內出現活躍狀態，并且在 β 頻帶內 100～300 ms 腦內活動明顯增強；然而，cTBS 干預后抑制了大腦的活動，腦內能量明顯降低，尤其是負性情緒的變化非常明顯。因此，本研究進一步探討了 100～300 ms 內 β 頻段內的大腦網絡特性。
圖5
cTBS 干預前后三種情緒刺激下 ERSP 圖
Figure5.
ERSP before and after the cTBS intervention under three kinds of emotional stimuli
2.2 情緒加工網絡
本文采用相位同步法量化 EEG 通道間的關系，建立多網絡密度下的情緒加工腦功能網絡，進而進行復雜網絡分析。如圖 6 所示為 cTBS 干預前/后，三種情緒刺激下 β 頻帶 100～300 ms 時間窗的相位同步矩陣。其中矩陣大小 58×58，每個元素表示相位同步指數，對角線元素為 0。橫、縱坐標代表相應的導聯，從上到下，從左到右對應的是大腦從前到后的導聯分布。
圖6
β 頻段 100～300 ms 時間窗的相位同步矩陣
Figure6.
100～300 ms Phase synchronization matrix of β band
對 β 頻段在 100～300 ms 內的全局相位同步值統計分析發現，cTBS 存在主效應趨勢（F=4.529，P=0.062）以及 cTBS 與情緒之間存在著交互效應趨勢（F=3.438，P=0.059）。又通過進一步地簡單效應分析得到：① cTBS 干預前三種情緒兩兩之間的差異無統計學意義，cTBS 干預后，正性情緒與中性情緒（F=7.984，P=0.020）以及與負性情緒（F=6.222，P=0.034）之間的差異具有統計學意義，中性情緒與負性情緒之間的差異無統計學意義；② 中性情緒刺激下 cTBS 干預后相位同步值增加（F=7.918，P=0.020）；負性情緒刺激下 cTBS 干預后相位同步值具有增加的趨勢（F=3.411，P=0.098）；而正性情緒刺激下 cTBS 干預前后的全局相位同步值無明顯差異，如圖 7 所示。
圖7
cTBS 干預前后 β 頻帶 100～300 ms 時間窗內三種情緒的平均全局相位同步值 *P<0.05
Figure7.
100～300 ms Phase synchronization average value of β band under the positive，neutral or negative of emotion before and after the cTBS intervention *P<0.05
試驗中，將基于 EEG 信號構建的情緒加工網絡與相應的隨機網絡和規則網絡進行對比。結果發現：情緒加工網絡在網絡密度（0.24，0.5）內，全局效率低于隨機網絡而高于規則網絡，其局部效率則高于隨機網絡而低于規則網絡，具有小世界特性。全局效率和局部效率隨網絡密度變化的曲線如圖 8 所示，第一列為正性、中性和負性三種情緒加工網絡的全局效率曲線，第二列為對應的局部網絡曲線。我們再進行重復測量方差分析發現：局部效率在密度（0.24，0.36）下都有 cTBS 主效應或主效應趨勢，全局效率在（0.24，0.5）區間內無任何差異。另外，沒有情緒主效應或 cTBS 與情緒之間的交互效應存在。由小世界網絡特性可知，網絡密度在（0.24，0.36）內，cTBS 干預后情緒加工網絡的小世界特性增強，如表 1 所示。
圖8
隨機和規則網絡及 cTBS 干預前后的情緒加工網絡的全局和局部效率曲線圖
Figure8.
Global and local efficiency curve of random，lattice or before and after the cTBS intervention in the processing of emotion
表1
局部效率在網絡成本（0.24，0.36）方差分析表
Table1.
Analysis of variance of local efficiency in network costs (0.24， 0.36)
2.3 單一網絡密度下的網絡局部特征
網絡密度也即是網絡的成本，網絡的成本效率可以說明是全局網絡與成本的差。β 頻段 100～300 ms 時間窗內各因數下的成本-效率的關系如圖 9 所示，可以看出，成本效率在較低成本區間內逐漸增大，達到一個最大值，然后成下降趨勢，整個曲線猶如拋物線。cTBS 干預前、后，正、中、負性三種情緒加工網絡的最大成本效率對應的成本在 0.28 左右。此時，網絡具有最“經濟”的模式。
圖9
cTBS 干預前后，β 頻帶 100～300 ms 時間窗內三種情緒的成本效率曲線圖
Figure9.
Cost efficiency curve of the 100～300 ms time window of β band in three kinds of emotion before and after the cTBS intervention
針對最“經濟”模式下（網絡密度 0.28）的腦網絡，我們進一步選擇了對大腦區域的局部效率進行分析。局部效率的腦地形圖如圖 10 所示。在 100～300 ms 時間窗內，正性情緒刺激下，干預后各個腦區的局部效率值高于干預前。中性情緒刺激下，干預后左半球各個腦區的局部效率值都高于干預前，右半球腦區差異無統計學意義；而且在 cTBS 干預后，左額、左顳、左頂區的局部效率值都高于右側對應的腦區，枕區差異無統計學意義。負性情緒刺激下，同樣顯示左半球各個腦區干預后的局部效率值高于干預前，干預后左半球的局部效率值高于右半球。
圖10
cTBS 干預前后 β 頻帶 100～300 ms 時間窗內三種情緒的局部效率的腦地形圖
Figure10.
Brain topographic map of the local efficiency of the 100～300 ms time window of β band in three kinds of emotion before and after the cTBS intervention
3 討論
本研究的目的在于通過分析 cTBS 干預下 EEG 信號特性，探究左側 DLPFC 在情緒加工腦網絡的作用。結果表明，ERSP 在 cTBS 干預后 100～300 ms 與干預前相比出現增強，尤其是 β 頻帶范圍內激活明顯。干預后，正性情緒刺激下的 EEG 信號全局相位同步值和中性、負性情緒刺激的差異具有統計學意義。在一定的網絡成本范圍內，情緒加工網絡的全局效率及局部效率介于隨機網絡和規則網絡之間，具有小世界特性，而且，在網絡成本區間（0.24，0.36）內，cTBS 干預后，腦功能網絡的小世界特性增強。
很多研究都已經表明，大腦前額在情緒加工過程中占據著重要作用[2-3]。神經影像學的研究表明左側 DLPFC 涉及到負性情緒的判別[6]。如前所述，有研究者發現與正常人相比，輕度抑郁癥患者做情緒性別識別任務尤其是在負性情緒刺激下的情緒性別識別任務時，左側 DLPFC 活躍性降低[7]。本試驗通過采用 cTBS 技術抑制左側 DLPFC 的活動后，發現相比于正性和中性情緒刺激，負性情緒刺激下情緒面孔性別識別任務的 ERSP 降低更明顯。進一步證明了左側 DLPFC 在負性情緒判別中的特殊作用。
EEG 信號相位同步值分析結果顯示，cTBS 干預后與干預前相比，情緒加工腦網絡具有高的全局相位同步值。研究發現大腦信息整合和處理的潛在機制是各神經網絡的同步性震蕩引起的，部分難以治愈的神經性疾病由大腦整體和局部整合過程的不足和異常造成[21]。而 EEG 信號反映的是神經元集群突觸后電位的累積效應，其相位同步能反應大腦神經電活動的整合作用，高的相位同步可能對應著大腦大范圍的整合[22]，代表大腦具有很高的信息整合能力。另外，研究證明 DLPFC 與其他區域的緊密連接以及皮下層區域間的非直接聯系參與了情緒認知信息加工，側前額皮層（lateral prefrontal cortex，LPFC）更涉及到高階的認知處理[23]。本研究中 DLPFC 的活動受到抑制，打亂了原有的功能連接，為了完成情緒面孔性別識別任務，必須重新調動和整合各參與腦區的資源，最終導致網絡的全局相位同步值升高。
很多研究者證實了人腦網絡存在著小世界特性[20]，并指出小世界網絡具有較小的特征路徑長度和較大的聚類系數。基于解剖學的研究也發現了大腦具有短的軸突連接或者低的代謝消耗，即大腦可以選擇在某些范圍內緊密連接，達到較為高效的“經濟”模式，以降低能量消耗[24]。這意味著大腦具有更高的全局和局部效率。本研究中，使用網絡成本系列值計算全局效率和局部效率值，得到情緒加工網絡小世界特性區間為（0.24，0.5）。已有研究利用神經影像技術數據建立大腦網絡，證明功能網絡的小世界特性在中低成本區間內[25-26]。cTBS 干預左側 DLPFC，抑制了該區域大腦的活動，可能同時促進了對側區域的皮層興奮[27-28]。因此，干預后特定局域內功能網絡發生改變，使得局部范圍的連接更緊密，從而具有較高的局部效率。
當網絡的成本效率達到峰值，如圖 9 所示，即用最小的成本達到最高的效率時，此時“經濟”的小世界網絡特性體現最為明顯。本研究中，網絡成本為 0.28 時，成本效率達到峰值，表明此時的網絡最“經濟”。當網絡成本效率達到最大時，我們發現干預后的左半球局部效率有所增加，這可能與干預后引起局部范圍的連接緊密有關。
本研究揭示了 cTBS 干預后情緒加工網絡小世界特性增強，證明了當成本效率在中低范圍內，具有特異的網絡性質，證明了左側 DLPFC 活躍性改變對情緒加工腦網絡的影響。本文的試驗是對情緒加工網絡機制的初步探索，為以后的情緒腦功能網絡研究提供了參考，未來的工作應從網絡分析方法中多個角度更全面地分析情緒腦功能網絡特征，進一步研究情緒加工網絡機制。
