5D Library › 指—脑皮层放大、远端微针传入与卒中后认知网络重建的计算神经学 · English
第五章 建议的分析:微状态、相位滞后指数与传递熵
注
本章的性质。 卢顺康论文的脑电部分只做了功率谱分析,没有做微状态、相位连接或信息流分析。作者框架提出用这些方法描述「认知网络重建」。本章因此写成一份建议的分析方案:说明每种方法测量什么、在头皮脑电中有哪些已知的陷阱,并用合成数据演示这些陷阱。书中所有连接数值都来自程序生成的信号,不来自任何患者。
容积传导与参考电极
头皮上的每一个电极记录的,都是许多皮层源在颅骨与头皮中经体积导体传播后叠加的电位。这种传播几乎是瞬时的:同一个源会以零时滞同时出现在相邻的多个电极上 (Nunez and Srinivasan 2006)。两个相邻电极即使没有任何独立的神经源之间的相互作用,它们的信号也会高度相关。参考电极的选择进一步改变这种相关:平均参考把所有电极的共同成分减掉,链接乳突参考把乳突附近的活动加进每一个电极。Bastos 与 Schoffelen 2016 年的综述把这些问题称为功能连接分析中的「解释陷阱」,并建议优先使用对零时滞混合不敏感的指标、在源空间而非电极空间分析,并用合适的替代数据检验 (Bastos and Schoffelen 2016)。
相位一致性与相位滞后指数
最常用的相位连接指标是相干与锁相值(PLV),它们衡量两个信号的相位差是否稳定。问题在于,零时滞的混合本身就会产生稳定的相位差(零),所以容积传导会使相干与 PLV 升高。Nolte 等人 2004 年提出只用互谱的虚部,因为纯粹的零时滞混合不产生虚部 (Nolte et al. 2004);Stam、Nolte 与 Daffertshofer 2007 年提出相位滞后指数(PLI):相位差落在零的一侧还是另一侧,取其符号的平均的绝对值,零时滞或 180° 时滞的贡献都是零 (Stam et al. 2007);Vinck 等人 2011 年的加权 PLI(wPLI)用虚部的大小加权,减少了噪声与小样本带来的偏差 (Vinck et al. 2011)。
下面的程序生成两个 10 赫兹的源,分四种情形:两源独立、不混合;两源独立、以 0.6 的比例零时滞混合;源 2 受源 1 驱动、时滞 12 毫秒、不混合;同样的驱动加上混合。
推导
# Chapter 5. Volume conduction and phase connectivity on synthetic data. Two 10-Hz
# AR(2) sources (fs 250 Hz); sensors x1 = s1 + m s2 + noise, x2 = m s1 + s2 + noise
# (m = zero-lag mixing). Phases by complex demodulation (100-ms moving average).
# Coherence, PLV, imaginary coherence, PLI (Stam et al. 2007), wPLI (Vinck et al. 2011).
# Cases: A independent, m = 0; B independent, m = 0.6; C s2 driven by s1 with a 12-ms
# lag, m = 0; D the same drive, m = 0.6.
import math, random, cmath
FS, F0, N, L = 250.0, 10.0, 30000, 25
def ar2(rng, n, drive=None, lag=3, k=0.5):
a1, a2 = 2 * 0.97 * math.cos(2 * math.pi * F0 / FS), -0.97 ** 2
x = [0.0, 0.0]
for t in range(2, n + 2):
v = a1 * x[-1] + a2 * x[-2] + rng.gauss(0, 1)
if drive is not None and t - 2 - lag >= 0:
v += k * drive[t - 2 - lag]
x.append(v)
return x[2:]
def demod(x):
z = [x[t] * cmath.exp(-2j * math.pi * F0 * t / FS) for t in range(len(x))]
c, out = [0j], []
for v in z:
c.append(c[-1] + v)
return [(c[t + L] - c[t]) / L for t in range(len(z) - L)]
def measures(x1, x2):
z1, z2 = demod(x1), demod(x2)
cr = [a * b.conjugate() for a, b in zip(z1, z2)]
n = len(cr)
p1 = math.fsum(abs(a) ** 2 for a in z1) / n
p2 = math.fsum(abs(b) ** 2 for b in z2) / n
mre = math.fsum(c.real for c in cr) / n; mim = math.fsum(c.imag for c in cr) / n
coh = abs(complex(mre, mim)) / math.sqrt(p1 * p2)
icoh = abs(mim) / math.sqrt(p1 * p2)
u = [c / abs(c) for c in cr if abs(c) > 0]
plv = abs(complex(math.fsum(c.real for c in u),
math.fsum(c.imag for c in u))) / len(u)
pli = abs(math.fsum(math.copysign(1.0, c.imag) for c in cr if c.imag != 0)) / n
wpli = abs(mim) / (math.fsum(abs(c.imag) for c in cr) / n)
return coh, plv, icoh, pli, wpli
if __name__ == "__main__":
rng = random.Random(2007)
print("case coherence PLV imag.coh PLI wPLI")
for lab, coupled, m in (("A independent, m = 0", False, 0.0),
("B independent, m = 0.6", False, 0.6),
("C 12-ms lagged drive, m = 0", True, 0.0),
("D 12-ms lagged drive, m = 0.6", True, 0.6)):
s1 = ar2(rng, N)
s2 = ar2(rng, N, drive=s1 if coupled else None)
sd = math.sqrt(math.fsum(v * v for v in s1) / N)
x1 = [a + m * b + rng.gauss(0, 0.3 * sd) for a, b in zip(s1, s2)]
x2 = [m * a + b + rng.gauss(0, 0.3 * sd) for a, b in zip(s1, s2)]
r = measures(x1, x2)
print(f"{lab:30s}" + "".join(f"{v:9.3f}" for v in r))
print(f"12 ms at 10 Hz is a phase lag of {360 * F0 * 0.012:.0f} degrees")
# case coherence PLV imag.coh PLI wPLI
# A independent, m = 0 0.035 0.014 0.034 0.019 0.069
# B independent, m = 0.6 0.868 0.788 0.019 0.031 0.077
# C 12-ms lagged drive, m = 0 0.746 0.644 0.718 0.730 0.949
# D 12-ms lagged drive, m = 0.6 1.000 0.998 0.029 0.713 0.947
# 12 ms at 10 Hz is a phase lag of 43 degrees情形 B 是关键:两个源完全独立,只因为零时滞混合,相干就达到 0.868,PLV 达到 0.788;而虚部相干(0.019)、PLI(0.031)与 wPLI(0.077)都和独立、不混合的情形 A 相当。情形 C 中真实存在 12 毫秒(约 43°)的耦合时滞(经 AR(2) 共振后,两电极间实测相位差更大),所有指标都升高,wPLI 达到 0.949。情形 D 说明另一面:混合会把虚部相干压低到 0.029,因为混合大大增加了实部与总功率,而 PLI 与 wPLI 仍然保持在 0.71 与 0.95。所以,在头皮脑电中,「相干升高」不能读作「网络连接增强」;PLI 与 wPLI 对零时滞混合稳健,但它们也会漏掉真正零时滞的相互作用。
传递熵
传递熵衡量的是:在已经知道 自己过去的条件下, 的过去还能为预测 的下一个值增加多少信息 (Schreiber 2000)。它是模型无关的,因而被用作「有效连接」的指标 (Vicente et al. 2011)。它的陷阱同样来自观测:未观测到的共同驱动、零时滞混合,以及对过去的描述(嵌入)过于粗糙。
推导
# Chapter 5. Transfer entropy (Schreiber 2000) on synthetic series coded into 3 equal
# bins, one step of history; 30 surrogates shift X circularly. Cases (N = 15,000):
# 1 X drives Y with a one-step delay; 2 independent; 3 a hidden Z drives X after 1 step
# and Y after 2 (no X-Y link); 4 independent X, Y seen through zero-lag mixing.
import math, random
N, NSUR = 15000, 30
def code(v):
s = sorted(v); a, b = s[len(v) // 3], s[2 * len(v) // 3]
return [0 if u < a else (1 if u < b else 2) for u in v]
def te(x, y):
c3, c2a, c2b, c1 = {}, {}, {}, {}
for t in range(len(y) - 1):
k3 = (y[t + 1], y[t], x[t]); c3[k3] = c3.get(k3, 0) + 1
ka = (y[t], x[t]); c2a[ka] = c2a.get(ka, 0) + 1
kb = (y[t + 1], y[t]); c2b[kb] = c2b.get(kb, 0) + 1
c1[y[t]] = c1.get(y[t], 0) + 1
n = len(y) - 1
return math.fsum(
c / n * math.log2(c * c1[k[1]] / (c2a[(k[1], k[2])] * c2b[(k[0], k[1])]))
for k, c in c3.items())
def series(rng, case):
x, y, z = [0.0], [0.0], [0.0, 0.0]
for t in range(1, N + 50):
z.append(0.5 * z[-1] + rng.gauss(0, 1))
if case == 1:
x.append(0.6 * x[-1] + rng.gauss(0, 1))
y.append(0.5 * y[-1] + 0.4 * x[-2] + rng.gauss(0, 1))
elif case == 3:
x.append(0.5 * x[-1] + 0.8 * z[-2] + rng.gauss(0, 1))
y.append(0.5 * y[-1] + 0.8 * z[-3] + rng.gauss(0, 1))
else:
x.append(0.6 * x[-1] + rng.gauss(0, 1))
y.append(0.6 * y[-1] + rng.gauss(0, 1))
x, y = x[50:], y[50:]
if case == 4:
x, y = [a + 0.5 * b for a, b in zip(x, y)], [b + 0.5 * a for a, b in zip(x, y)]
return code(x), code(y)
def test(rng, x, y):
obs = te(x, y); sur = []
for _ in range(NSUR):
k = rng.randrange(200, len(x) - 200)
sur.append(te(x[k:] + x[:k], y))
return obs, max(sur)
if __name__ == "__main__":
rng = random.Random(2000)
print("case (bits) TE X->Y (max surr.) TE Y->X (max surr.)")
for case, lab in ((1, "1 X drives Y"), (2, "2 independent"),
(3, "3 hidden common driver"), (4, "4 zero-lag mixing")):
x, y = series(rng, case)
a, sa = test(rng, x, y); b, sb = test(rng, y, x)
fa = "*" if a > sa else " "; fb = "*" if b > sb else " "
print(f"{lab:32s} {a:.4f}{fa} ({sa:.4f}) {b:.4f}{fb} ({sb:.4f})")
print("* = above every surrogate (p < 1/31)")
# case (bits) TE X->Y (max surr.) TE Y->X (max surr.)
# 1 X drives Y 0.0933* (0.0013) 0.0022* (0.0016)
# 2 independent 0.0003 (0.0013) 0.0004 (0.0010)
# 3 hidden common driver 0.0886* (0.0013) 0.0031* (0.0009)
# 4 zero-lag mixing 0.0064* (0.0011) 0.0068* (0.0012)
# * = above every surrogate (p < 1/31)情形 1 中 驱动 ,传递熵 0.0933 比特,远高于替代数据的最大值;但反方向 也有 0.0022 比特,略高于替代数据(0.0016)。这是嵌入过于粗糙的结果:每个序列只用三档、只看一步过去, 自己的过去没有被完全刻画,于是 中携带的 的旧信息被误读为「反向信息流」。情形 3 中 与 之间没有任何联系,只是一个未被观测的 先驱动 、后驱动 ,传递熵 却达到 0.0886 比特,与真实驱动几乎一样大。情形 4 中两个独立序列只经过零时滞混合,两个方向的传递熵都「显著」。
这三点对卒中脑电都有直接意义。丘脑与脑干的弥散性调节系统是典型的共同驱动;头皮电极之间的混合不可避免;而 5 分钟的静息记录要估计高维的条件分布,嵌入维数与分档方式的选择会改变结论。传递熵只适合在源空间、经过替代数据检验、并把嵌入参数事先写定的前提下作为探索性分析。
微状态
脑电微状态分析把多导脑电的头皮电位分布看作一系列短暂稳定的「地形图」,每个持续几十到一百多毫秒,通常在全局场功率的峰值处取样,用改进的 k 均值聚类归为 4 到 7 类(常称 A–D 类),再计算每类的平均持续时间、出现频率、覆盖率与类间转移概率 (Michel and Koenig 2018)。它的优点是利用了全部电极的空间信息、不依赖参考电极的选择(地形图的形状与参考无关);它的局限包括:类别数需要人为选择;聚类通常忽略地形图的极性;不同研究的类别标签未必对应同样的神经源;闭眼与睁眼、困倦程度都会显著改变微状态参数。论文引用过一项比较不同认知障碍患者静息微状态的研究(论文参考文献 57),但没有在自己的数据上做这项分析。
建议的分析方案
如果第八章的试验采集脑电,以下方案应在登记方案时一并公开,并由不知道分组的分析人员执行:
| 项目 | 规定 |
|---|---|
| 记录时间 | 基线与第 4 周,各在当天固定时段;不在刺激当下或刺激后几分钟内记录,以免把即时唤醒变化当作治疗效应 |
| 状态 | 闭眼与睁眼各 5 分钟,顺序固定;二者分开分析,不作跨状态比较 |
| 预处理 | 事先写定的滤波、坏导插值、独立成分分析剔除标准与平均参考;处理脚本与版本号公开 |
| 主要脑电指标 | 闭眼前额区(事先指定电极)8–13 赫兹相对功率与个体 α 峰频率,作为第八章的预先指定中介变量 |
| 连接指标 | α 频段 wPLI,限于事先指定的几对脑区,在源空间计算;报告相干时同时报告虚部相干 |
| 探索性分析 | 微状态(类别数固定为 4)与传递熵(源空间、替代数据检验);结果明确标为探索性 |
| 不做的事 | 不从 64 个电极、多个频段、多种指标中挑选「显著」的结果;不把单个受试者的频谱当作组结果 |
本章小结
论文没有做连接分析,本章因此只给出建议的方案。合成数据显示,零时滞混合本身就能把两个独立源的相干推到 0.87,而 PLI 与 wPLI 不受影响;真实的 12 毫秒时滞驱动则使 wPLI 达到 0.95。传递熵会被未观测的共同驱动、零时滞混合与过于粗糙的嵌入误导:一个隐藏的驱动源产生的「信息流」与真实驱动几乎一样大。微状态利用全部电极的空间信息,但类别数与状态(睁眼/闭眼、困倦)都会改变结论。任何连接指标都应事先写定,在源空间计算,并配合替代数据检验;它们不能单独证明「认知网络重建」。
参考文献
Fan, Y. (2026). Finger–Brain Cortical Magnification, Distal Microneedle Afference and Computational Neurology of Post-Stroke Cognitive Network Reconstruction: From Complex-Network Pinning Control and Thalamocortical 10 Hz Alpha Restoration to Drift-Diffusion Models, Read Beside the Twelve Jing-Well Points of the Lingshu [指—脑皮层放大、远端微针传入与卒中后认知网络重建的计算神经学] (Version 1.0.0). 5D Library. https://doi.org/10.5281/zenodo.23839915 · Licensed under Creative Commons Attribution-NonCommercial-NoDerivatives 4.0 International (CC BY-NC-ND 4.0).