基于置换传输熵的精神分裂症网络信息交互研究
精神分裂症脑磁图基于置换传输熵的网络信息交互研究
学术背景介绍
精神分裂症（Schizophrenia, SCZ）是一种精神疾病，特点是持久的妄想和幻觉、混乱的思维和不一致的行为，常常导致对现实的感知显著障碍。随着现代神经成像技术的快速发展，大量的数据集支持了神经和精神疾病的研究。磁脑电图（Magnetoencephalography, MEG）作为一种神经成像技术，因其高空间和时间分辨率，能够捕捉到大脑电磁信号的非线性特征，因而被应用于探索精神分裂症（SCZ）的信息交互。
文章来源
这篇论文题为《Networked information interactions in schizophrenia magnetoencephalograms based on permutation transfer entropy》，作者为Qiong Wang, Xinran Yang, Wei Yan, Jiafeng Yu, 以及Jun Wang，分别来自南京邮电大学、南京脑科医院以及德州大学的不同研究机构。该文章已被《Biomedical Signal Processing and Control》期刊接受，预计于2024年2月3日发表。
研究目标与意义
该研究通过使用基于置换传输熵的方法构建精神分裂症（SCZ）患者与健康对照组（HCs）的静息状态脑网络，旨在探讨精神分裂症患者的磁脑电图（MEG）数据中的信息交互。论文特别考虑了置换和概率分布过程中相等值的影响，并量化了网络特征，如权重、复杂度与非平衡度，以表征精神分裂症磁脑电图网络，从而扩展精神分裂症病理与生理机制的探索。
研究流程
研究对象与数据采集
实验数据来自南京医科大学附属脑科医院的31名被试者，包括17名精神分裂症患者和14名健康对照组成员。所有被试者均为右利手，且排除了其他精神障碍、严重脑外伤等影响因素。使用CTF MEG系统进行MEG记录，采样频率为1200 Hz，记录持续2分钟。
数据处理与预处理
为了保证数据的准确性，实验过程中同时监控受试者的心电图（ECG）和眼电图（EOG）信号。数据处理使用FieldTrip工具箱进行滤波与处理，并根据MEG分区模板和脑区生理意义将275个通道分为14个区域。
置换传输熵计算
采用包含相等值置换的传输熵方法来量化脑区之间的信息交互。对于每个MEG数据集，将脑区定义为网络节点，通过对每个脑区内所有通道的MEG时间序列进行平均得到代表性的时间序列。设置嵌入维度m和延迟时间𝜏，构建不同组合情况下的MEG网络，并使用假设检验法评估网络连接的显著性。
网络信息流分析
计算各脑区的内向、外向和总信息流，并使用独立样本t检验检测组间差异。发现精神分裂症患者的脑区信息交互水平整体较低，且主要差异集中在前额叶和顶叶区域，这与许多前人的研究结论一致。
复杂度和非平衡分析
使用香农熵（Shannon entropy）计算脑区内信息流的复杂度。结果显示，SCZ组的信息流复杂度显著高于HCs组。然而，非平衡分析结果表明，精神分裂症组的脑网络非平衡度较低，这体现了大脑复杂系统的非线性特征。
研究结果
信息交互特征
精神分裂症患者的脑区之间信息交互水平整体较低，特别是在内向、外向和总信息流方面均表现出显著下降。这种结果可以解释为精神分裂症患者脑网络中的电流传输和跨区域信息传递减少。
复杂度特征
复杂度分析显示，SCZ组全脑的信息流香农熵显著高于HCs组，表明精神分裂症患者的脑网络信息交互复杂度更高。这可能是由于精神分裂症导致的脑网络功能紊乱所致。
非平衡特征
SCZ组大多数脑区和全脑的非平衡度低于HCs组，这意味着精神分裂症患者的脑网络在信息流动方面表现出更大的随机性和不确定性。这与大脑强非线性特征一致，从神经元动作电位生成机制到心理测验功能的非线性均有所体现。
结论与价值
基于置换传输熵的磁脑电图网络分析有效地提取出精神分裂症患者的特征，并且通过复杂度与非平衡的比较分析，增强了对精神分裂症病理和生理机制的理解。这项研究不仅为精神分裂症的研究提供了新的思路，还为其临床诊断与预测提供了潜在的辅助工具，具有重要的科学和应用价值。
研究亮点
- 研究方法新颖：采用包含相等值的置换传输熵方法，解决了以往忽略或随机扰动解决相等值问题的局限。
- 发现信息重要：揭示了精神分裂症患者脑区间信息交互水平下降，且特征复杂性增加，非平衡度降低。
- 临床应用潜力：研究所提取的脑网络特征参数有望应用于机器学习，探索精神分裂症的预测与分类，为临床诊断提供支持。
未来研究展望
研究需要在更大且更具代表性的样本中验证，特别是进一步评估基于置换传输熵的方法在MEG导向交互网络表征中的性能。此外，将脑网络参数应用于机器学习，探索其在精神分裂症预测与分类中的潜力，进而为精神分裂症的研究与临床诊断提供更好的决策支持工具。