語(yǔ)言處理是人類認(rèn)知的重要功能，涉及到多個(gè)復(fù)雜的腦區(qū)協(xié)同工作。近年來(lái)的研究表明，顳葉、額葉和頂葉等皮質(zhì)區(qū)域在語(yǔ)言處理中的作用不可忽視。然而，語(yǔ)言網(wǎng)絡(luò)中這些區(qū)域之間的協(xié)同模式以及如何參與到語(yǔ)言功能尚不明確。功能性磁共振成像（fMRI）常被用來(lái)研究這些區(qū)域，但由于其時(shí)空分辨率的局限，無(wú)法準(zhǔn)確捕捉快速變化的神經(jīng)活動(dòng)。相比之下，腦電皮層圖（ECoG）技術(shù)因其高時(shí)空分辨率，能夠更精確地記錄大腦活動(dòng)，尤其是在探究皮質(zhì)節(jié)點(diǎn)在語(yǔ)言功能中的作用時(shí)表現(xiàn)優(yōu)越。

本文的目標(biāo)是確定大腦中哪些皮質(zhì)節(jié)點(diǎn)對(duì)語(yǔ)言功能至關(guān)重要，并揭示這些節(jié)點(diǎn)在語(yǔ)言子網(wǎng)絡(luò)之間的橋梁作用。研究團(tuán)隊(duì)通過(guò)ECoG技術(shù)記錄患者在執(zhí)行語(yǔ)言任務(wù)時(shí)的腦電活動(dòng)，重點(diǎn)分析高伽馬頻段（70-150Hz）的神經(jīng)活動(dòng)，并結(jié)合機(jī)器學(xué)習(xí)技術(shù)預(yù)測(cè)語(yǔ)言功能中的關(guān)鍵節(jié)點(diǎn)。研究發(fā)現(xiàn)，語(yǔ)言功能中的重要節(jié)點(diǎn)不僅在其所在的子網(wǎng)絡(luò)中起到核心作用，同時(shí)也通過(guò)連接其他子網(wǎng)絡(luò)，參與更廣泛的信息整合。

研究方法

1. 參與者

本研究涉及16名癲癇和腦腫瘤患者，所有患者均需要進(jìn)行開顱手術(shù)，并在手術(shù)前后接受ECoG記錄。癲癇患者由于癲癇發(fā)作難以控制，需要進(jìn)行大腦監(jiān)測(cè)以確定癲癇灶的位置；而腦腫瘤患者則需要在手術(shù)過(guò)程中對(duì)語(yǔ)言功能區(qū)進(jìn)行精確定位，以防止手術(shù)損傷關(guān)鍵的語(yǔ)言區(qū)域。這兩類患者在進(jìn)行手術(shù)時(shí)，醫(yī)生可以利用ECoG設(shè)備通過(guò)電極直接記錄大腦表面不同區(qū)域的神經(jīng)活動(dòng)，為研究提供高時(shí)空分辨率的數(shù)據(jù)。每名患者在手術(shù)過(guò)程中均接受直接電刺激（DES），通過(guò)刺激不同的皮質(zhì)區(qū)域來(lái)誘發(fā)語(yǔ)言錯(cuò)誤或語(yǔ)言停滯，以此確定語(yǔ)言功能的關(guān)鍵區(qū)域。

患者的腦電記錄區(qū)域覆蓋了語(yǔ)言處理相關(guān)的多個(gè)腦區(qū)，主要集中在左半球的顳葉、額葉和頂葉。特別是左側(cè)額下回、顳上回等區(qū)域被認(rèn)為在語(yǔ)言產(chǎn)生和理解中起到了核心作用，因此這些區(qū)域成為研究的重點(diǎn)記錄對(duì)象。通過(guò)對(duì)不同腦區(qū)進(jìn)行電刺激，研究者可以確定哪些區(qū)域在語(yǔ)言處理過(guò)程中至關(guān)重要。

圖1 | 實(shí)驗(yàn)概覽。

2. 實(shí)驗(yàn)任務(wù)設(shè)計(jì)

為了激活參與者的語(yǔ)言網(wǎng)絡(luò)，研究者設(shè)計(jì)了一系列語(yǔ)言任務(wù)，最主要的是單詞閱讀任務(wù)。參與者在屏幕上看到一個(gè)單詞，并被要求在不同的條件下大聲朗讀出來(lái)。每個(gè)單詞的呈現(xiàn)時(shí)間為約2秒，部分參與者在單詞出現(xiàn)后立即朗讀，而另外一部分參與者需要在延遲之后等待提示才進(jìn)行朗讀。通過(guò)這種設(shè)計(jì)，研究者能夠捕捉到參與者在準(zhǔn)備語(yǔ)言輸出和實(shí)際發(fā)聲時(shí)的大腦活動(dòng)差異。任務(wù)期間，ECoG系統(tǒng)記錄了大腦不同區(qū)域的高伽馬頻段活動(dòng)（70-150Hz）。伽馬波頻段在認(rèn)知功能中扮演著重要角色，特別是高伽馬頻段被認(rèn)為與神經(jīng)元局部活動(dòng)密切相關(guān)。通過(guò)記錄高伽馬頻段的波動(dòng)，研究者能夠?qū)崟r(shí)監(jiān)控大腦在語(yǔ)言任務(wù)執(zhí)行中的動(dòng)態(tài)變化。

3. 數(shù)據(jù)預(yù)處理與功能連接分析

為了確保數(shù)據(jù)的準(zhǔn)確性，研究者在數(shù)據(jù)處理過(guò)程中進(jìn)行了多次濾波和噪聲去除。首先，ECoG數(shù)據(jù)經(jīng)過(guò)帶通濾波，濾除了60Hz的電源噪音以及其他高頻和低頻干擾。然后，研究者對(duì)數(shù)據(jù)進(jìn)行Hilbert變換，提取信號(hào)的瞬時(shí)振幅，并通過(guò)平方處理獲得高伽馬頻段的功率譜密度。這個(gè)步驟確保了數(shù)據(jù)能夠反映出大腦皮層的局部神經(jīng)元活動(dòng)。

在數(shù)據(jù)清理階段，研究者通過(guò)人工和自動(dòng)化相結(jié)合的方式，去除了含有過(guò)多偽影或信號(hào)噪聲的電極。特別是在存在癲癇放電的情況下，這些電極的信號(hào)會(huì)干擾正常的腦電活動(dòng)，因此需要從數(shù)據(jù)集中剔除。最終，每個(gè)參與者的數(shù)據(jù)經(jīng)過(guò)去噪、平滑和標(biāo)準(zhǔn)化處理，以確保后續(xù)分析的準(zhǔn)確性。

接下來(lái)，研究者計(jì)算了每對(duì)電極之間的Pearson相關(guān)系數(shù)，這些相關(guān)性反映了不同腦區(qū)在任務(wù)期間的功能連接強(qiáng)度。通過(guò)計(jì)算高伽馬頻段功率的相關(guān)性，研究者生成了每個(gè)參與者的功能連接矩陣，這些矩陣反映了語(yǔ)言任務(wù)期間大腦皮質(zhì)不同區(qū)域之間的連接模式。

圖2 | 網(wǎng)絡(luò)圖。PC參與系數(shù)，S強(qiáng)度，CC聚類系數(shù)，LEff局部效率，EC特征向量中心性。A 說(shuō)明共分配的圖表。兩個(gè)用黃色輪廓線標(biāo)記的共分配節(jié)點(diǎn)位于同一社區(qū)（深藍(lán)色填充）內(nèi)；兩個(gè)用藍(lán)色輪廓線標(biāo)記的節(jié)點(diǎn)位于兩個(gè)不同的社區(qū)（品紅色和橙色填充）內(nèi)——即，不是共分配的。

4. 網(wǎng)絡(luò)生成與社區(qū)結(jié)構(gòu)檢測(cè)

為了更好地理解大腦語(yǔ)言網(wǎng)絡(luò)的結(jié)構(gòu)，研究者使用了模塊化最大化方法（Louvain算法）來(lái)檢測(cè)大腦中的社區(qū)結(jié)構(gòu)。社區(qū)結(jié)構(gòu)指的是大腦網(wǎng)絡(luò)中內(nèi)部連接緊密而與外部連接較少的節(jié)點(diǎn)群體。在語(yǔ)言網(wǎng)絡(luò)中，社區(qū)結(jié)構(gòu)可能對(duì)應(yīng)于處理不同語(yǔ)言任務(wù)（如語(yǔ)義處理、語(yǔ)法解析或語(yǔ)音輸出）的功能子網(wǎng)絡(luò)。

通過(guò)對(duì)每個(gè)參與者的數(shù)據(jù)進(jìn)行多次重復(fù)分析，研究者確保了社區(qū)檢測(cè)結(jié)果的穩(wěn)定性。研究發(fā)現(xiàn)，語(yǔ)言網(wǎng)絡(luò)通常可以劃分為4到6個(gè)不同的子社區(qū)，每個(gè)子社區(qū)中的節(jié)點(diǎn)之間連接較為緊密，而不同子社區(qū)之間的連接相對(duì)較少。

在社區(qū)結(jié)構(gòu)檢測(cè)的基礎(chǔ)上，研究者進(jìn)一步計(jì)算了每個(gè)節(jié)點(diǎn)的參與系數(shù)、局部效率、聚類系數(shù)和特征向量中心性等網(wǎng)絡(luò)指標(biāo)。參與系數(shù)（PC）用來(lái)衡量一個(gè)節(jié)點(diǎn)與不同社區(qū)的連接強(qiáng)度，較高的PC值意味著該節(jié)點(diǎn)是一個(gè)“連接器”，在不同社區(qū)之間傳遞信息。局部效率和聚類系數(shù)則反映了節(jié)點(diǎn)在其局部網(wǎng)絡(luò)中的連通性，較低的值意味著該節(jié)點(diǎn)的連接主要集中在跨社區(qū)之間，而非局部社區(qū)內(nèi)部。

5. 機(jī)器學(xué)習(xí)分類模型

為了驗(yàn)證這些網(wǎng)絡(luò)特征能否預(yù)測(cè)出語(yǔ)言功能的關(guān)鍵節(jié)點(diǎn)，研究者使用支持向量機(jī)（SVM）和K最近鄰（KNN）算法進(jìn)行機(jī)器學(xué)習(xí)分類。通過(guò)10折交叉驗(yàn)證，研究者訓(xùn)練了分類器，以預(yù)測(cè)哪些節(jié)點(diǎn)是語(yǔ)言錯(cuò)誤節(jié)點(diǎn)（LE）或語(yǔ)言停滯節(jié)點(diǎn)（SA）。每個(gè)節(jié)點(diǎn)的參與系數(shù)、局部效率、聚類系數(shù)和特征向量中心性等網(wǎng)絡(luò)特征被用作分類器的輸入特征。

除了對(duì)單個(gè)患者進(jìn)行分類，研究者還測(cè)試了模型在不同患者間的泛化能力。通過(guò)留一法交叉驗(yàn)證，研究者訓(xùn)練模型預(yù)測(cè)一個(gè)新患者的關(guān)鍵語(yǔ)言節(jié)點(diǎn)。該方法模擬了臨床應(yīng)用中，利用其他患者的數(shù)據(jù)來(lái)預(yù)測(cè)新患者腦電數(shù)據(jù)中的關(guān)鍵語(yǔ)言節(jié)點(diǎn)。

研究結(jié)果分析

1. 語(yǔ)言功能關(guān)鍵節(jié)點(diǎn)的網(wǎng)絡(luò)特征

研究表明，在語(yǔ)言網(wǎng)絡(luò)中，關(guān)鍵節(jié)點(diǎn)與其他節(jié)點(diǎn)相比表現(xiàn)出獨(dú)特的網(wǎng)絡(luò)特征，尤其是導(dǎo)致語(yǔ)言錯(cuò)誤的節(jié)點(diǎn)（LE節(jié)點(diǎn)）。LE節(jié)點(diǎn)的參與系數(shù)顯著高于其他節(jié)點(diǎn)，表明它們不僅在所在的子網(wǎng)絡(luò)中起到核心作用，還通過(guò)跨社區(qū)連接其他子網(wǎng)絡(luò)，起到了橋梁作用。高參與系數(shù)的節(jié)點(diǎn)通常被認(rèn)為是信息整合的關(guān)鍵節(jié)點(diǎn)，它們?cè)诓煌Z(yǔ)言處理模塊之間傳遞信息，如在語(yǔ)義處理、句法解析和語(yǔ)言輸出之間的切換。

此外，研究發(fā)現(xiàn)LE節(jié)點(diǎn)的局部效率和聚類系數(shù)顯著低于其他節(jié)點(diǎn)。這表明這些節(jié)點(diǎn)在其所在的社區(qū)內(nèi)部連接較少，而是更多地與其他社區(qū)的節(jié)點(diǎn)連接。特征向量中心性也顯示出這些節(jié)點(diǎn)在整個(gè)語(yǔ)言網(wǎng)絡(luò)中的全局影響力有限，但它們?cè)诰植孔泳W(wǎng)絡(luò)中的作用至關(guān)重要。

相比之下，語(yǔ)言停滯節(jié)點(diǎn)（SA節(jié)點(diǎn)）的網(wǎng)絡(luò)特征則與LE節(jié)點(diǎn)有所不同。SA節(jié)點(diǎn)的參與系數(shù)較低，表明它們主要集中在一個(gè)單一的子網(wǎng)絡(luò)中，并不廣泛連接其他子網(wǎng)絡(luò)。研究者推測(cè)，SA節(jié)點(diǎn)更多地參與語(yǔ)言的運(yùn)動(dòng)控制部分，如發(fā)聲的準(zhǔn)備和執(zhí)行，而非復(fù)雜的語(yǔ)義或句法處理。

圖3 | 樣本參與者大腦、電極位置、網(wǎng)絡(luò)和指標(biāo)。PC參與系數(shù)，S強(qiáng)度，CC聚類系數(shù)，LEff局部效率，EC特征向量中心性。A 所有參與者的電極共同定位在單個(gè)模板大腦上的合成圖。言語(yǔ)停止節(jié)點(diǎn)（黃色填充）主要位于腹側(cè)前運(yùn)動(dòng)區(qū)域，但也在腹側(cè)外側(cè)前額葉和腹側(cè)顳葉區(qū)域。語(yǔ)言錯(cuò)誤節(jié)點(diǎn)（藍(lán)色填充）廣泛分布于周圍西爾維安區(qū)域。

2. 社區(qū)結(jié)構(gòu)的分布特征

通過(guò)對(duì)功能連接網(wǎng)絡(luò)的分析，研究者發(fā)現(xiàn)語(yǔ)言網(wǎng)絡(luò)中的關(guān)鍵節(jié)點(diǎn)往往集中在子網(wǎng)絡(luò)的邊緣位置，尤其是那些負(fù)責(zé)跨社區(qū)連接的節(jié)點(diǎn)。這些節(jié)點(diǎn)不僅在其所在社區(qū)中起到重要作用，還通過(guò)連接其他社區(qū)參與更復(fù)雜的語(yǔ)言處理任務(wù)。社區(qū)結(jié)構(gòu)的分布特征揭示了語(yǔ)言網(wǎng)絡(luò)的層次化組織，即某些節(jié)點(diǎn)負(fù)責(zé)局部處理任務(wù)，而另一些節(jié)點(diǎn)則通過(guò)跨社區(qū)連接整合信息。

研究還發(fā)現(xiàn)，導(dǎo)致語(yǔ)言錯(cuò)誤的節(jié)點(diǎn)與導(dǎo)致語(yǔ)言停滯的節(jié)點(diǎn)在網(wǎng)絡(luò)中的分布存在顯著差異。LE節(jié)點(diǎn)更多分布在負(fù)責(zé)語(yǔ)義和句法處理的社區(qū)中，而SA節(jié)點(diǎn)則集中在與發(fā)聲控制相關(guān)的運(yùn)動(dòng)皮層。這一發(fā)現(xiàn)表明，不同類型的語(yǔ)言功能損傷可能對(duì)應(yīng)于不同的網(wǎng)絡(luò)子模塊。

圖4 | 社區(qū)和網(wǎng)絡(luò)指標(biāo)。

3. 機(jī)器學(xué)習(xí)模型的性能

通過(guò)支持向量機(jī)（SVM）和K最近鄰（KNN）分類器，研究者成功地預(yù)測(cè)了哪些節(jié)點(diǎn)是語(yǔ)言功能的關(guān)鍵節(jié)點(diǎn)。在單個(gè)患者內(nèi)的預(yù)測(cè)中，SVM模型的準(zhǔn)確率高達(dá)72.8%，KNN模型的準(zhǔn)確率為70.4%，遠(yuǎn)高于隨機(jī)猜測(cè)的水平（50-60%）。這些結(jié)果表明，網(wǎng)絡(luò)特征可以有效地識(shí)別語(yǔ)言網(wǎng)絡(luò)中的關(guān)鍵節(jié)點(diǎn)。

在跨患者的預(yù)測(cè)中，SVM和KNN模型的性能也表現(xiàn)出較好的泛化能力。即使在不同患者的大腦覆蓋范圍、疾病狀態(tài)和電極布局差異較大的情況下，模型仍能夠以超過(guò)65%的準(zhǔn)確率預(yù)測(cè)新患者的關(guān)鍵節(jié)點(diǎn)。這一結(jié)果展示了網(wǎng)絡(luò)特征的穩(wěn)健性，表明這些特征在不同個(gè)體之間具有一定的通用性。

此外，研究還發(fā)現(xiàn)，假陽(yáng)性節(jié)點(diǎn)（即被誤判為關(guān)鍵節(jié)點(diǎn)的節(jié)點(diǎn)）往往與真實(shí)的關(guān)鍵節(jié)點(diǎn)鄰近。這一現(xiàn)象暗示，鄰近的節(jié)點(diǎn)可能共享相似的網(wǎng)絡(luò)特征和拓?fù)浣Y(jié)構(gòu)，雖然它們?cè)谡Z(yǔ)言任務(wù)中并非直接參與核心功能，但其連接模式與關(guān)鍵節(jié)點(diǎn)有一定的相似性。

圖5 | 參與者內(nèi)（頂行）和參與者間（底行）分類的平衡準(zhǔn)確性、敏感性和ROC曲線。對(duì)于參與者內(nèi)分類，包括至少有一個(gè)相關(guān)類別節(jié)點(diǎn)的參與者；對(duì)于關(guān)鍵節(jié)點(diǎn)、LE節(jié)點(diǎn)和SA節(jié)點(diǎn)，n分別為16、13和13。A-D 每個(gè)點(diǎn)代表單個(gè)參與者的平均分類平衡準(zhǔn)確性或敏感性。箱形圖顯示了參與者之間的中位數(shù)和四分位數(shù)范圍，并且每個(gè)參與者只提供一個(gè)值。須線表示非異常值的最大范圍。真實(shí)的平衡準(zhǔn)確性和敏感性與通過(guò)標(biāo)簽洗牌計(jì)算的經(jīng)驗(yàn)偶然機(jī)會(huì)進(jìn)行了比較。SVN和KNN的經(jīng)驗(yàn)偶然分類準(zhǔn)確性平均值由每個(gè)參與者的機(jī)會(huì)箱形圖表示（每個(gè)參與者一個(gè)值）。SVM、KNN以及SVM和KNN的機(jī)會(huì)數(shù)據(jù)以圖例指示的不同顏色呈現(xiàn)。E, F ROC曲線分別呈現(xiàn)了SVM（實(shí)線）和KNN（虛線）分類器在分別分類SA（橙色）、LE（品紅色）和關(guān)鍵（深藍(lán)色）節(jié)點(diǎn)時(shí)的情況，由圖例指示。

4. 結(jié)果的臨床意義

研究的最終結(jié)果為語(yǔ)言功能定位提供了新的工具。傳統(tǒng)上，腦外科醫(yī)生依賴直接電刺激（DES）來(lái)定位大腦中的語(yǔ)言功能區(qū)，但這一方法具有一定的局限性，如需要在術(shù)中實(shí)時(shí)進(jìn)行刺激和監(jiān)測(cè)，且可能對(duì)患者造成不適。本文的研究結(jié)果表明，通過(guò)分析ECoG數(shù)據(jù)中的網(wǎng)絡(luò)特征，醫(yī)生可以在術(shù)前更加精準(zhǔn)地預(yù)測(cè)出哪些腦區(qū)對(duì)語(yǔ)言功能至關(guān)重要，從而制定更為精準(zhǔn)的手術(shù)計(jì)劃，減少術(shù)后語(yǔ)言功能障礙的風(fēng)險(xiǎn)。

結(jié)論展望

通過(guò)對(duì)大腦語(yǔ)言網(wǎng)絡(luò)的詳細(xì)分析，本研究揭示了語(yǔ)言功能中的關(guān)鍵節(jié)點(diǎn)及其在跨社區(qū)信息整合中的橋梁作用。研究表明，語(yǔ)言錯(cuò)誤節(jié)點(diǎn)作為連接器節(jié)點(diǎn)，在語(yǔ)言網(wǎng)絡(luò)的不同子模塊之間傳遞信息，而語(yǔ)言停滯節(jié)點(diǎn)則更多參與語(yǔ)言的運(yùn)動(dòng)控制部分。通過(guò)使用ECoG數(shù)據(jù)和網(wǎng)絡(luò)分析方法，研究者成功預(yù)測(cè)了語(yǔ)言功能中的關(guān)鍵節(jié)點(diǎn)，并展示了這些網(wǎng)絡(luò)特征在不同個(gè)體間的通用性。

雖然研究結(jié)果具有重要的臨床意義，但也存在一定的局限性。由于ECoG覆蓋范圍有限，研究者無(wú)法全面采集大腦所有語(yǔ)言相關(guān)區(qū)域的活動(dòng)數(shù)據(jù)。未來(lái)的研究可以結(jié)合功能性磁共振成像（fMRI）和動(dòng)態(tài)網(wǎng)絡(luò)分析，進(jìn)一步探討語(yǔ)言網(wǎng)絡(luò)的全局組織和時(shí)空動(dòng)態(tài)變化。此外，隨著更先進(jìn)的機(jī)器學(xué)習(xí)算法和大數(shù)據(jù)分析方法的發(fā)展，未來(lái)的研究可以在更大規(guī)模的患者群體中驗(yàn)證這些結(jié)果，以進(jìn)一步提高模型的預(yù)測(cè)準(zhǔn)確性和臨床應(yīng)用價(jià)值。

僅用于學(xué)術(shù)分享，若侵權(quán)請(qǐng)留言，即時(shí)刪侵！

歡迎加入腦機(jī)接口社區(qū)交流群，

探討腦機(jī)接口領(lǐng)域話題，實(shí)時(shí)跟蹤腦機(jī)接口前沿。

加微信群：

添加微信:RoseBCI【備注：姓名+行業(yè)/專業(yè)】。

歡迎來(lái)稿

1.歡迎來(lái)稿。投稿咨詢，請(qǐng)聯(lián)系微信：RoseBCI

點(diǎn)擊投稿：

2.加入社區(qū)成為兼職創(chuàng)作者，請(qǐng)聯(lián)系微信：RoseBCI

一鍵三連「分享」、「點(diǎn)贊」和「在看」

不錯(cuò)過(guò)每一條腦機(jī)前沿進(jìn)展