首發(fā)精神分裂癥患者腦網(wǎng)絡(luò)特征提取與分析

席鑫花 陰桂梅

摘? 要：精神分裂癥是一種慢性遷延性疾病，在我國患病率平均每年在6‰～10‰之間，即1%左右，這個(gè)數(shù)字是比較大的。為了探索精神分裂癥的病灶，基于首發(fā)精神分裂癥患者和健康被試的靜息態(tài)腦電數(shù)據(jù)提出了一種精神分裂癥分類方法。同時(shí)分析了患者在治療前后的腦區(qū)變化以及認(rèn)知功能與腦功能活動(dòng)的相關(guān)性，顯著特征與量表得分和用藥量的相關(guān)性。實(shí)驗(yàn)結(jié)果證明，β、δ和θ頻段的病灶集中在額葉和顳葉。與治療前相比，治療后患者的額葉連通性有所改善。顯著特征與panss分顯著相關(guān)，與用藥量無顯著相關(guān)性。

關(guān)鍵詞：精神分裂癥；復(fù)雜網(wǎng)絡(luò)；相位同步；特征分析

中圖分類號(hào)：TP391；R749.3 文獻(xiàn)標(biāo)識(shí)碼：A 文章編號(hào)：2096-4706（2023）04-0163-05

Feature Extraction and Analysis of Brain Network in First-Episode Schizophrenics

XI Xinhua， YIN Guimei

（College of Computer Science and Technology， Taiyuan Normal University， Jinzhong? 030619， China）

Abstract： Schizophrenia is a chronic persistent disease. The average annual prevalence rate in China is between 6‰ and 10‰， or about 1%， which is relatively large. In order to explore the focus of schizophrenia， a classification method of schizophrenia is proposed based on resting EEG data of first-episode schizophrenics and healthy subjects. At the same time， this paper analyzes the changes of brain regions， the correlation between the cognitive function and functional brain activity， and the significant characteristics and the scale score and drug dosage before and after treatment. The experimental results prove that the lesions in β， δ and θ frequency band are concentrated in frontal lobe and temporal lobe. Compared with before treatment， the frontal lobe connectivity of patients after treatment is improved. The significant characteristics are significantly correlated with panss scores， but not with drug dosage.

Keywords： schizophrenia; complex network; phase synchronization; feature analysis

0? 引? 言

精神分裂癥是一種嚴(yán)重的精神疾病，它會(huì)導(dǎo)致認(rèn)知障礙、幻覺和妄想，其特征是感覺和認(rèn)知功能的整合障礙導(dǎo)致不連貫的感知。出于這個(gè)原因，越來越多的研究者運(yùn)用神經(jīng)影像學(xué)技術(shù)來識(shí)別預(yù)測(cè)性的神經(jīng)生物學(xué)標(biāo)志物，以便對(duì)處于危險(xiǎn)中的個(gè)體進(jìn)行早期診斷[1，2]。研究方法通常是各種主要的認(rèn)知神經(jīng)科學(xué)和心理學(xué)方法，運(yùn)用磁共振成像技術(shù)（MRI）、腦電圖（EEG）、腦磁圖（MEG）等進(jìn)行研究，其中腦電圖數(shù)據(jù)采集方式簡(jiǎn)單，而且有很高的時(shí)間分辨率和較好的空間分辨率，因此EEG信號(hào)在該領(lǐng)域的應(yīng)用一直是熱點(diǎn)。

許多研究者使用復(fù)雜網(wǎng)絡(luò)對(duì)腦電信號(hào)進(jìn)行分析，圖論分析可為刻畫大腦網(wǎng)絡(luò)的拓?fù)涮匦蕴峁┮粋€(gè)強(qiáng)有力的框架，它將整個(gè)大腦視為一個(gè)相互關(guān)聯(lián)的網(wǎng)絡(luò)。孫麗婷等人使用工作記憶的EEG信號(hào)構(gòu)建腦網(wǎng)絡(luò)對(duì)精分患者和健康對(duì)照進(jìn)行分類，并分析了兩組的腦區(qū)差異，但沒有分析與精神病理學(xué)評(píng)分之間的關(guān)系[3]。李宇馳等人提出了一種情感識(shí)別系統(tǒng)，使用DEAP數(shù)據(jù)集構(gòu)建了腦功能網(wǎng)絡(luò)，對(duì)四種情感類型進(jìn)行分類，達(dá)到了良好的分類準(zhǔn)確率[4]。付榮榮等基于采集的腦電數(shù)據(jù)構(gòu)建腦網(wǎng)絡(luò)用于評(píng)價(jià)腦疲勞[5]。Yao等人使用磁共振成像技術(shù)構(gòu)建了腦網(wǎng)絡(luò)對(duì)首發(fā)精分患者、長(zhǎng)期治療的精分患者以及健康對(duì)照三組進(jìn)行分析，并測(cè)試了網(wǎng)絡(luò)指標(biāo)與精神病理學(xué)評(píng)分之間的關(guān)系，其對(duì)于特定樣本的變化提供了新見解[6]。這些文章中的方法對(duì)于原始腦電信號(hào)采用常規(guī)的預(yù)處理方法并且沒有對(duì)精分患者治療前后的腦區(qū)變化進(jìn)行研究，因此本文將軌跡簡(jiǎn)化算法—Douglas Peucker應(yīng)用于原始腦電信號(hào)進(jìn)行抽稀以便獲得更純凈的數(shù)據(jù)，使用復(fù)雜網(wǎng)絡(luò)方法對(duì)靜息態(tài)的首發(fā)精神分裂癥患者與正常人的腦電信號(hào)進(jìn)行分析，從而探索兩組之間的顯著性差異，并研究精分患者在治療前后腦區(qū)所發(fā)生的變化并將顯著特征與panss分和用藥量進(jìn)行相關(guān)性分析，旨在為精神分裂癥的診斷提供科學(xué)的依據(jù)。

1? Douglas Peucker算法

Douglas Peucker是將曲線近似表示為一系列點(diǎn)，并減少點(diǎn)數(shù)量的一種算法。其原理是通過檢測(cè)和保留直線的最重要點(diǎn)而忽略不太重要的點(diǎn)來縮短直線，廣泛應(yīng)用于制圖和計(jì)算機(jī)圖形學(xué)應(yīng)用，也可應(yīng)用于生物醫(yī)學(xué)中腦電信號(hào)的壓縮[7]。針對(duì)腦電信號(hào)相關(guān)度高、信息量大等特點(diǎn)，采用DP算法來提取最具代表性的樣本。

對(duì)于原始腦電信號(hào)采用DP算法分兩步進(jìn)行，第一步是數(shù)據(jù)分割，第二步是每個(gè)數(shù)據(jù)序列使用Douglas Peucker算法。數(shù)據(jù)分割是將腦電信號(hào)根據(jù)特定時(shí)間段劃分為不重疊的數(shù)據(jù)序列。對(duì)每個(gè)數(shù)據(jù)序列使用Douglas Peucker算法來確定簡(jiǎn)化序列。DP算法如式（1）：

（1）

在式（1）中，N表示數(shù)據(jù)序列的點(diǎn)數(shù)。D（Pi+1， Pi）表示點(diǎn)Pi+1和點(diǎn)Pi之間的歐氏距離。 表示數(shù)據(jù)序列的總體距離。T是一個(gè)由經(jīng)驗(yàn)決定的實(shí)數(shù)。根據(jù)經(jīng)驗(yàn)，T從0.01以步長(zhǎng)為0.01變?yōu)?.1。使用算法首先將每條曲線的首末點(diǎn)相連，求除首末點(diǎn)以外的中間所有點(diǎn)到直線的距離，找出最大距離值dmax，與ε相比。若dmax＜ε，則曲線上的中間點(diǎn)全部舍去，該直線段作為曲線的近似；若dmax＞ε，則保留最大距離值所對(duì)應(yīng)的坐標(biāo)點(diǎn)，并以該點(diǎn)為界，把曲線分為兩部分，對(duì)這兩部分遞歸使用該算法。

2? 基于PLV的EEG腦功能網(wǎng)絡(luò)特征分析

2.1? 概述

首先對(duì)原始腦電信號(hào)以8秒為時(shí)間間隔進(jìn)行分段[8]，對(duì)每段均使用Douglas Peucker算法提取代表性采樣點(diǎn)。最后將各段的代表性采樣點(diǎn)進(jìn)行拼接作為最終的腦電信號(hào)。然后選擇頭皮電極通道作為節(jié)點(diǎn)，PLV相位同步性作為連接指標(biāo)[9]，構(gòu)建鄰接矩陣，即腦功能網(wǎng)絡(luò)[10-12]。其次對(duì)腦網(wǎng)絡(luò)選擇合理稀疏度范圍為0.2～0.4，步長(zhǎng)為0.02進(jìn)行二值化，得到每個(gè)頻段每個(gè)網(wǎng)絡(luò)密度下對(duì)應(yīng)的二值網(wǎng)絡(luò)。接下來將二值矩陣導(dǎo)入Brain Connectivity Toolbox中計(jì)算網(wǎng)絡(luò)全局屬性和局部屬性以及對(duì)應(yīng)的AUC值。然后選擇K-S檢驗(yàn)挑選存在全局和局部差異顯著的特征（p＜0.05），使用選出來的顯著特征去訓(xùn)練隨機(jī)森林（RF）、決策樹（DT）、支持向量機(jī)（SVM）以及自適應(yīng)提升（AdaBoost）分類器[13]，采用八折交叉驗(yàn)證分類，選取十次的平均值作為最終的分類結(jié)果，根據(jù)分類結(jié)果探索精分疾病組與健康對(duì)照組之間的腦區(qū)差異，并分析患者治療前后的腦區(qū)變化及顯著特征與panss分和用藥量之間的相關(guān)性。

2.2? 邊的測(cè)量——PLV

采用相位鎖值度量腦電信號(hào)之間的相位同步性。由于被試在采集腦電信號(hào)過程中會(huì)受到外界的干擾，而且自身的因素也會(huì)對(duì)信號(hào)產(chǎn)生影響，導(dǎo)致信號(hào)瞬時(shí)變化并且信噪比低。因?yàn)镻LV是量化平均相位差的，能夠單獨(dú)分析相位成分，因此使用PLV作為連接指標(biāo)。PLV如式（2）所示：

（2）

在式（2）中，t表示時(shí)間點(diǎn)，Δt表示采樣周期，N表示每個(gè)信號(hào)的采樣點(diǎn)數(shù)，φx（t），φy（t）為信號(hào)的相位值。

2.3? 網(wǎng)絡(luò)屬性

使用BCT（Brain Connectivity Toolbox）求取網(wǎng)絡(luò)的六種全局屬性：同配系數(shù)、模塊化指數(shù)、平均局部效率、特征路徑長(zhǎng)度、平均聚類系數(shù)和全局效率[14，15]；以及四種局部屬性：節(jié)點(diǎn)度、節(jié)點(diǎn)介數(shù)、聚類系數(shù)和局部效率來分析首發(fā)精分疾病組和健康控制組、首發(fā)精分疾病組和入院治療八周的精分患者的腦網(wǎng)絡(luò)全局和局部屬性差異[16]。

2.3.1? 平均聚類系數(shù)

節(jié)點(diǎn)的聚類系數(shù)表示該節(jié)點(diǎn)的鄰居間互為鄰居的概率。度量相鄰兩節(jié)點(diǎn)之間鄰居的重合度。平均聚類系數(shù)如式（3）所示：

（3）

在式（3）中，E表示節(jié)點(diǎn)i的鄰接節(jié)點(diǎn)的連邊數(shù)，節(jié)點(diǎn)i的度為ki。

2.3.2? 特征路徑長(zhǎng)度

特征路徑長(zhǎng)度指網(wǎng)絡(luò)中所有節(jié)點(diǎn)對(duì)之間所有最短路徑長(zhǎng)度的平均值。特征路徑長(zhǎng)度如式（4）所示：

（4）

在式（4）中，N表示節(jié)點(diǎn)總數(shù)，dij表示節(jié)點(diǎn)i和節(jié)點(diǎn)j之間的距離。

2.3.3? 節(jié)點(diǎn)度

節(jié)點(diǎn)度指連接到該節(jié)點(diǎn)的邊的總和。節(jié)點(diǎn)i的度Ki如式（5）所示：

（5）

在式（5）中，aij表示節(jié)點(diǎn)i和節(jié)點(diǎn)j之間存在連接。

3? 實(shí)驗(yàn)與討論

3.1? 實(shí)驗(yàn)數(shù)據(jù)

103名首發(fā)精神分裂癥患者均來自合作的北京回龍觀醫(yī)院精神病學(xué)研究中心，符合美國精神障礙診斷和統(tǒng)計(jì)手冊(cè)（DSM-IV）精神分裂癥研究診斷標(biāo)準(zhǔn)，患者在過去的6個(gè)月均無藥物濫用或其他神經(jīng)精神病學(xué)診斷的歷史。92名健康對(duì)照均從社區(qū)中招募，納入標(biāo)準(zhǔn)為根據(jù)90項(xiàng)癥狀自評(píng)量表（SCL-90R）無神經(jīng)或精神疾病史，且目前無精神共病?；颊呓M年齡范圍為20～50歲，平均年齡為30.553歲，健康組年齡范圍為20～48歲，平均年齡為30.554歲。其中，對(duì)23名首發(fā)精神分裂癥患者進(jìn)行收院治療，在治療八周時(shí)間后，對(duì)他們又進(jìn)行了一次采集腦電，針對(duì)這23名精分患者在入院治療八周后的腦電信號(hào)也進(jìn)行了分析。

3.2? 數(shù)據(jù)采集與預(yù)處理

數(shù)據(jù)采集由合作的北京回龍觀醫(yī)院精神病學(xué)研究中心完成，實(shí)驗(yàn)中采用NeuroScan公司的64導(dǎo)電極帽，采樣頻率為1 000 Hz，阻抗保持在低于5 kΩ，接地電極為AFz，參考電極物理連接在左、右側(cè)乳突，垂直眼電記錄將電極放置在左眼的上、下方，水平眼電記錄將電極放置在右眼眼眶邊緣。

預(yù)處理先將原始采集到的腦電信號(hào)導(dǎo)入eeglab，定位電極使用默認(rèn)的BESA電極模板；刪除記錄水平眼電和垂直眼電的電極數(shù)據(jù)；重參考選用平均電極；選擇1 Hz的高通濾波以及50 Hz的低通濾波，為了消除工頻干擾，使用50 Hz的凹陷濾波；因?yàn)槟X電采集設(shè)備使用的采樣率是1 000 Hz，重采樣到500 Hz；用ICA獨(dú)立成分分析去除眼動(dòng)和肌電干擾；對(duì)壞導(dǎo)進(jìn)行插值，剔除壞段；最后保存預(yù)處理后的59導(dǎo)腦電數(shù)據(jù)。為了討論不同頻段的差異，將腦電信號(hào)分為五個(gè)頻段，分別為δ（1 Hz～3 Hz）、θ（4 Hz～7 Hz）、α（8 Hz～12 Hz）、β（13 Hz～30 Hz）、γ（31 Hz～49 Hz）[17]。在59通道的腦電信號(hào)中以8秒為時(shí)間間隔進(jìn)行分段，對(duì)每段均使用Douglas Peucker算法提取代表性采樣點(diǎn)。然后將各段代表性采樣點(diǎn)進(jìn)行拼接作為最終的腦電信號(hào)。

3.3? 評(píng)價(jià)指標(biāo)

實(shí)驗(yàn)采用準(zhǔn)確率來評(píng)價(jià)分類效果。準(zhǔn)確率如式（6）所示：

（6）

在式（6）中，TP表示真正類，TN表示真負(fù)類，F(xiàn)P表示假正類，F(xiàn)N表示假負(fù)類。Acc表示準(zhǔn)確率。

3.4? 實(shí)驗(yàn)結(jié)果分析

3.4.1? 首發(fā)精分疾病組與健康控制組全局屬性分析

針對(duì)不同網(wǎng)絡(luò)密度下的二值網(wǎng)絡(luò)提取網(wǎng)絡(luò)的全局屬性和局部屬性值進(jìn)行分析。對(duì)兩組在各個(gè)頻段各個(gè)網(wǎng)絡(luò)密度下求取的六種全局屬性做K-S檢驗(yàn)，使用挑選出來的顯著網(wǎng)絡(luò)密度范圍內(nèi)的全局屬性作為特征進(jìn)行分類。

兩組一共有195個(gè)被試，對(duì)不同頻段下單個(gè)差異顯著的全局特征使用八折交叉驗(yàn)證，訓(xùn)練集和測(cè)試集的比例是7：3，則訓(xùn)練集有136個(gè)被試，測(cè)試集有59個(gè)被試。θ頻段下各個(gè)差異顯著的全局特征的分類準(zhǔn)確率如圖1所示。

由圖1可知，θ頻段下構(gòu)建的腦網(wǎng)絡(luò)的全局屬性的分類準(zhǔn)確率在70%～80%，幾乎所有全局屬性的分類效果都基本相同。

3.4.2? 首發(fā)精分疾病組與健康控制組局部屬性分析

腦網(wǎng)絡(luò)的每種局部屬性對(duì)應(yīng)有59個(gè)值，融合11個(gè)網(wǎng)絡(luò)密度計(jì)算曲線下面積AUC來表征局部屬性的整體特性。將兩組對(duì)應(yīng)的每種局部屬性在網(wǎng)絡(luò)密度范圍內(nèi)的AUC值進(jìn)行K-S檢驗(yàn)，選出每種局部屬性的顯著節(jié)點(diǎn)，將節(jié)點(diǎn)相應(yīng)局部屬性AUC值進(jìn)行拼接得到特征輸入到分類器中去分類。θ、β、δ頻段四個(gè)局部屬性的分類結(jié)果分別如圖2、圖3、圖4所示。

由圖2可知，根據(jù)較高的分類準(zhǔn)確率，得出θ頻段的局部屬性分析重點(diǎn)是聚類系數(shù)和局部效率。由圖3可知，得出β頻段的局部屬性分析重點(diǎn)是節(jié)點(diǎn)度、節(jié)點(diǎn)介數(shù)和局部效率。由圖4可知，得出δ頻段的局部屬性分析重點(diǎn)是節(jié)點(diǎn)度和聚類系數(shù)。

3.4.3? 局部屬性的重點(diǎn)節(jié)點(diǎn)在59通道電極圖中的位置

首發(fā)精分疾病組與健康對(duì)照組在β、θ和δ頻段的局部屬性分析重點(diǎn)節(jié)點(diǎn)如表1所示。

由表1可知，上述局部屬性分析的重點(diǎn)節(jié)點(diǎn)在β頻段的節(jié)點(diǎn)度、節(jié)點(diǎn)介數(shù)和局部效率均差異的節(jié)點(diǎn)為FP1、AF7。δ頻段節(jié)點(diǎn)度和聚類系數(shù)均差異的節(jié)點(diǎn)為T7、AF7。θ頻段聚類系數(shù)和局部效率均差異的節(jié)點(diǎn)為F7、Fz、F8、FC6、C4、T8、CP2、CP6、P8、AF7、AF8、FT7、FT8、C6、CP4。然后在電極圖中找到各個(gè)頻段差異顯著的節(jié)點(diǎn)所在的腦區(qū)，電極圖如圖5所示。

由圖5可知，在59通道電極圖中找到上述各個(gè)頻段重點(diǎn)節(jié)點(diǎn)的分布位置可知，β、δ頻段差異顯著的電極分布在左側(cè)額葉區(qū)，而θ頻段差異顯著的電極集中在右側(cè)顳葉區(qū)和額葉區(qū)。眾所周知，額葉區(qū)與人的精神、情緒和思維有關(guān)，而顳葉主要負(fù)責(zé)語言的理解，同時(shí)還與記憶和情感有關(guān)，這和精神分裂癥患者存在信息處理、記憶認(rèn)知等障礙的結(jié)論是一致的。

3.4.4? 首發(fā)精分疾病組與其治療八周后局部屬性分析

對(duì)首發(fā)精分疾病組與其治療八周后的腦電數(shù)據(jù)進(jìn)行分析，得到α頻段、γ頻段和θ頻段的局部屬性分析的重點(diǎn)節(jié)點(diǎn)如表2所示。

在59導(dǎo)電極圖中找到上述表中患者治療前后的顯著節(jié)點(diǎn)所在的腦區(qū)。根據(jù)圖5可以得知，患者治療前后在α頻段差異顯著的電極基本在全腦皮層都有分布。θ頻段基本沒有差異顯著的電極。而γ頻段差異顯著的電極主要集中在左側(cè)額葉區(qū)和枕葉區(qū)。這表明靜息態(tài)腦電高頻段的腦網(wǎng)絡(luò)拓?fù)渑c精神分裂癥的相關(guān)性較高。進(jìn)一步說明額葉區(qū)、枕葉區(qū)和顳葉區(qū)是精神分裂癥的主要發(fā)病腦區(qū)。

3.4.5? 顯著特征與量表得分和用藥量的相關(guān)性分析

利用皮爾遜相關(guān)性分析計(jì)算了患者組的聚類系數(shù)與量表得分（PANSS）和用藥量之間的相關(guān)性。如圖6所示，精神分裂癥患者的用藥量與量表得分組合而成的散點(diǎn)分別由藍(lán)色和紅色小點(diǎn)表示，而紅色直線和藍(lán)色直線是對(duì)應(yīng)顏色的散點(diǎn)的擬合。r代表相關(guān)性，p代表顯著性。

由圖6可知，聚類系數(shù)與量表得分存在顯著（p=0.038 1）的正相關(guān)關(guān)系（r=0.539 11）。與用藥量沒有顯著性相關(guān)關(guān)系（p＞0.05）。

4? 結(jié)? 論

現(xiàn)代社會(huì)存在著很多心理疾病，例如精神分裂癥、抑郁癥、輕度認(rèn)知障礙以及阿爾茨海默病等，這些疾病都嚴(yán)重影響了人們的身體健康和生活水平，而且傳統(tǒng)的專家診斷的效率又很低，因此能夠盡早地發(fā)現(xiàn)病灶并且迅速地診斷疾病是非常重要的。本文使用復(fù)雜網(wǎng)絡(luò)方法分析了首發(fā)精分疾病組與健康對(duì)照組的全局和局部網(wǎng)絡(luò)屬性，并根據(jù)顯著特征進(jìn)行分類。探索了兩組的差異腦區(qū)從而發(fā)現(xiàn)精神分裂癥的病灶。為臨床專家提供有效幫助。同時(shí)研究了患者用藥治療前后的腦區(qū)變化，并將顯著特征與量表得分和用藥量做了相關(guān)性分析。實(shí)驗(yàn)結(jié)果表明，首發(fā)精分患者的額葉和顳葉受到損傷，不同于健康對(duì)照，經(jīng)過用藥八周治療后額葉有所改善，顳葉和額葉無太大改善。同時(shí)患者的顯著特征與量表得分具有顯著相關(guān)性，而與用藥量無顯著相關(guān)性。

參考文獻(xiàn)：

[1] TRAJKOVIC J，GREGORIO F D，F(xiàn)ERRI F，et al. Publisher Correction：Resting State Alpha Oscillatory Activity is a Valid and Reliable Marker of Schizotypy [J].Scientific Reports，2021，11（1）：13487.

[2] 梁佳琳，謝燁，庫逸軒.精神分裂癥的腦網(wǎng)絡(luò)特征與癥狀的聯(lián)系 [J].生理學(xué)報(bào)，2021，73（3）：446-458.

[3] 孫麗婷，陰桂梅，譚淑平，等.精神分裂癥患者工作記憶EEG功能網(wǎng)絡(luò)屬性分析 [J].計(jì)算機(jī)工程與應(yīng)用，2017，53（12）：25-30.

[4] 李宇馳，李海芳，介丹，等.基于復(fù)雜網(wǎng)絡(luò)的情感腦電相位同步性分析 [J].計(jì)算機(jī)工程與應(yīng)用，2017，53（18）：230-235.

[5] 付榮榮，米瑞甫，王涵，等.基于腦功能網(wǎng)絡(luò)的腦疲勞狀態(tài)檢測(cè)研究 [J].計(jì)量學(xué)報(bào)，2021，42（11）：1528-1533.

[6] YAO L，LI F，LIU J K，et al. Correction：Functional Brain Networks in Never-Treated and Treated Long-Term ILL Schizophrenia Patients [J].Neuropsychopharmacology，2020，45（8）：1406.

[7] ZAREI R，HE J，SIULY S，et al. Exploring Douglas-Peucker Algorithm in the Detection of Epileptic Seizure from Multicategory EEG Signals [J].BioMed Research International，2019，2019：1-19.

[8] FRASCHINI M，DEMURU M，CROBE A，et al. The Effect of Epoch Length on Estimated EEG Functional Connectivity and Brain Network Organisation [J].Journal of Neural Engineering，2016，13（3）：1-10.

[9] 姚蓉，楊雄，楊鵬飛，等.精分EEG腦網(wǎng)絡(luò)同步穩(wěn)定性研究 [J].計(jì)算機(jī)工程與應(yīng)用，2019，55（5）：60-64.

[10] 黃嘉爽，接標(biāo)，丁衛(wèi)平，等.腦網(wǎng)絡(luò)分析方法及其應(yīng)用 [J].數(shù)據(jù)采集與處理，2021，36（4）：648-663.

[11] 張冰濤，周文穎，李延林，等.基于腦功能網(wǎng)絡(luò)的抑郁癥識(shí)別研究 [J].生物醫(yī)學(xué)工程學(xué)雜志，2022，39（1）：47-55.

[12] 朱巖，李斌，楊越琪，等.復(fù)雜網(wǎng)絡(luò)在精神分裂癥患者腦功能分析中的應(yīng)用綜述 [J].現(xiàn)代儀器與醫(yī)療，2021，27（3）：89-92.

[13] 羅渠，馮靜雯，賴虹宇，等.精神分裂癥和抑郁癥患者靜息態(tài)腦電分類 [J].計(jì)算機(jī)工程與應(yīng)用，2021，57（13）：138-146.

[14] 許學(xué)添，萬曉輝，陳丹.一種基于復(fù)雜網(wǎng)絡(luò)特征指標(biāo)的腦電圖信號(hào)分析方法：202010093996.0 [P].2020-06-05.

[15] 季淑梅，步鑫鑫，荀興苗，等.高特質(zhì)焦慮個(gè)體執(zhí)行控制功能及其腦網(wǎng)絡(luò)研究 [J].中國生物醫(yī)學(xué)工程學(xué)報(bào)，2021，40（3）：272-279.

[16] 張振興，吳亞東，廖競(jìng)，等.探索功能性腦網(wǎng)絡(luò)差異的可視分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn) [J].計(jì)算機(jī)測(cè)量與控制，2021，29（1）：220-226.

[17] 王中陽，信俊昌，汪新蕾，等.多頻段腦功能網(wǎng)絡(luò)融合的阿爾茨海默病分類 [J].小型微型計(jì)算機(jī)系統(tǒng)，2021，42（1）：208-212.

作者簡(jiǎn)介：席鑫花（1997—），女，漢族，山西文水人，碩士研究生在讀，研究方向：智能數(shù)據(jù)分析與應(yīng)用；通訊作者：陰桂梅（1975—），女，漢族，山西太原人，副教授，博士，研究方向：智能數(shù)據(jù)分析與應(yīng)用。

收稿日期：2022-11-04