圖論分析是一種數學方法，已被應用于大腦連接研究，以探索網絡模式的組織。圖論度量的計算使腦電圖(EEG)信號的平穩行為的表征成為可能，這是不能用簡單的線性方法解釋的。本文的主要目的是系統地回顧圖論在神經工效學中腦電圖數據功能連通性映射中的應用。此外，本文還提出了一種利用源水平和傳感器水平兩種方法從腦電圖數據構建無加權功能腦網絡的途徑。在57篇文章中，我們的研究結果表明，自2006年以來，用于表征EEG數據的圖論指標受到了越來越多的關注，2018年發表頻率最高。大多數研究都集中在認知任務和運動任務的比較上。基于“鎖相值”的平均相位相干法是在回顧的研究中最常用的功能估計技術。此外，非加權腦功能網絡在文獻中比加權腦功能網絡得到了更多的關注。全局聚類系數和特征路徑長度是區分全局整合和局部分離的最普遍的度量，小世界屬性成為描述信息處理的一個令人信服的度量。本文提供了對在神經工效學研究背景下使用圖論指標來建模腦功能連通性的理解。本文發表在IEEE Access雜志。(可添加微信號siyingyxf或18983979082獲取原文，另思影提供免費文獻下載服務，如需要也可添加此微信號入群，原文也會在群里發布)。
溫故而知新，建議結合以下腦電功能連接及圖論腦網絡相關解讀閱讀（直接點擊，即可瀏覽，加微信號siyingyxf或18983979082獲取原文及補充材料）：
腦電功能連接：
促進早期的父母-嬰兒情感聯系可以改善早產兒的皮質網絡
腦電功能連接分析方法
EEG源連通性：旨在實現大腦網絡在時間和空間上的高分辨率
電生理功能連接：方法與實現
SLEEP：睡眠周期和年齡中的EEG連通性
Science子刊：母親的身體氣味增強了嬰兒和成人的腦-腦同步
早期遭受逆境的兒童的生長遲緩與大腦功能連接和認知結果的改變有關
神經元振蕩中相位幅值耦合的量化
快速眼動睡眠期行為障礙患者的運動皮層網絡異常
ANESTHESIOLOGY腦電研究 :全麻手術患者的大腦動態連接
Anesthesiology腦電研究：健康被試全麻的動態皮層連通性
利用腦電連通性特征和卷積神經網絡的情緒分類
大規模電生理網絡動力學
EEG振蕩：從相關到因果
慢性抽動障礙和Tourette綜合征的腦電功能連接
低頻腦電連通性的改變可作為輕度認知障礙臨床進展的指標
圖論腦網絡：
腦網絡組織的多尺度建模
現代物理評論：大腦網絡中的動力學控制
重放，默認模式網絡和記憶的級聯系統控制網絡和hubs
Nature Neuroscience：網絡神經科學
PNAS：節食可調節年輕人腦網絡的穩定性
網絡閾值和加權對結構腦網絡的影響
復雜大腦網絡的結構和功能
人腦的連接性中心節點促進了人腦網絡的模塊化
大腦狀態的重構與認知行為之間的映射
大腦是一種什么樣的網絡?
大尺度功能腦組織結構：6個主要原則
腦網絡的小世界屬性
圖論方法在大腦網絡中的應用
大腦網絡結構、功能和控制的物理學
腦網絡研究中的圖論指標詳解
從宏觀尺度腦網絡的角度看結構--功能關系
圖論在靜息態和動態腦連接評估中的應用：構建腦網絡的方法
腦網絡組織的經濟性
兒童神經認知網絡的動態功能連接
動態功能連接：前景、問題和解釋
Nature reviews Neuroscience：認知加工相關的默認網絡
自閉癥研究中的默認網絡
默認網絡：最新的解剖、生理研究及其研究發展過程中的新觀點
DMN:大腦的默認網絡
腦網絡核心節點的發育
抑郁癥，神經影像學和連接組學
重度抑郁癥多成像中心的泛化腦網絡標志物
Biological Psychiatry：精分患者大腦的組織體積變化與腦網絡
Neuron：從簡單映射到多維網絡
腦網絡視角下的精神分裂癥
基于人腦連接組學將疾病癥狀映射于腦網絡
大腦連接障礙中跨腦疾病的連接圖論在識別人腦網絡連通性模式中的應用
網絡神經科學中模型的性質和使用
關鍵詞：Brain connectivity, cognitivefunctions, clustering coefficient, EEG, functional connectivity, graph theory,motor processing, neuroergonomics
1 引言
在過去的幾十年里，人類大腦連通性的繪制在神經科學和認知神經科學領域獲得了相當大的關注�，F代網絡科學是動態系統論、圖論和統計學的混合，被應用于研究不同狀態和條件下的功能和結構大腦連接網絡。神經紊亂網絡，腦疾病和功能障礙網絡，衰老的大腦拓撲特性，靜息狀態網絡，以及高腦功能網絡，如感知、解決問題、記憶和注意力的研究已經取得了一定的進程。
圖論方法是一種強大的數學工具，它圖形化地說明了一個基于現代網絡理論的復雜網絡結構。1736年，物理學家萊昂納德·歐拉(Leonard Euler)解決了穿越普雷格爾河(PregelRiver)的問題，該問題被稱為“Königsberg的七橋”問題。在現代術語中，歐拉用抽象的點(即“頂點”或“節點”)代替每一塊陸地，用抽象的連接(即“邊”或“線”)代替每一座橋，形成了一種被稱為“圖”或“網絡”的數學結構。對這個問題的思考奠定了“圖論”的基礎——這是網絡理論中的第一個真正的證明。1741年，歐拉發表了他的論文《求解幾何問題》(solve tio problematis ad geometriam situs pertinentis)，描述了哥尼斯堡橋問題的一個假設解。
圖論從此成為電路和化學結構領域的重要方法。隨著小世界和無標度網絡模型的發現，圖論的現代時代開始于20世紀90年代末，使大腦連接模式的量化成為可能。圖論指標被用來研究大腦網絡的拓撲組織，并表征有意義的功能分離和整合。
本文的重點是了解目前關于圖論分析在神經工效學背景下的應用的知識狀態。神經工效學，研究大腦和工作中的行為，應用神經科學的方法和工具來闡明人類行為的神經特征。
大腦擁有五種不同類型的電波，在文獻中有各種各樣的大腦信號分類。最廣泛使用的分類是基于以Hz測量的五種腦電波頻率：delta(0.5 - 4hz)，theta (4 - 8hz)，alpha (8 - 13hz)，beta (13 - 30hz)和gamma (30 - 150hz)。表1根據頻率范圍總結了不同類型大腦信號的信息，并描述了心理和行為狀況。
表1描述、心理和行為狀況以及大腦中的位置對大腦信號頻率進行分類
人類的大腦由四個主要部分組成：大腦、小腦、腦干和間腦，它們共同控制著身體的所有功能。大腦擁有最多的神經元，有四個主要的葉：額葉、顳葉、頂葉和枕葉，每個葉都有特定的功能。額葉與推理、運動、計劃、情感和解決問題有關。相反，頂葉與運動、識別和對刺激的感知有關。顳葉與記憶、語言和聽覺刺激的識別有關，而枕葉與視覺反應有關。不同腦區之間的信息傳遞反映了局部分離和功能整合過程的結合。
“連接組”指的是大腦不同區域之間的連通性以及這些區域之間信息傳遞的方式。三種不同類型的連接密切相關：結構連接、功能連接和有效連接。結構連接包括神經元之間的物理連接，稱為“神經解剖學”連接，它指的是大腦中的白質連接。功能連接是“不同大腦區域記錄的生理時間序列之間的統計相互依賴性”。有效連通性是指一個神經元對另一個神經元的因果效應和有向影響。功能和有效的連接是通過在多個時間點上采樣記錄的信號來確定的，這提供了對大腦功能更好的理解。
神經工效學領域一直致力于研究工作和日常環境中的大腦信號。神經工效學研究中使用的有用分析方法的數量正在迅速增加；然而，神經工效學背景下的腦功能連通性和網絡拓撲結構在很大程度上是未知的。大腦網絡通常由不同的神經成像技術收集的數據建�！，F代腦電圖(EEG)系統具有無創、便攜、無線和易于使用的特點，對神經工效學研究非常有吸引力。由于功能磁共振成像(fMRI)具有良好的空間分辨率，功能連接研究的大量工作主要集中在血氧水平上。然而，這種技術的時間分辨率低，只能間接測量大腦活動。為了研究與大腦活動有關的動態認知過程和信息流的定向，一種高時間分辨率技術，如腦電圖，能夠捕捉亞秒級時間尺度的大腦活動的時間動態，并反映神經元狀態的快速變化。此外，腦電圖能夠捕捉豐富的時間信息，幫助識別信息在不同大腦區域之間的流動方向。
在過去的二十年中，腦電圖連通性在臨床研究中獲得了相當大的興趣。Stam等人首次將圖論應用于腦電圖數據，他們比較了對照組個體和阿爾茨海默病患者的腦功能網絡。然而，對于日�；顒又械慕】祬⑴c者，我們知之甚少。自神經工效學出現以來，試圖表征腦電圖數據的研究一直局限于利用單個電極對腦電圖信號進行傳統分析，對不同電極之間的相互依賴性研究較少。
以前的研究已經成功地量化了人類在各種各樣的認知和生理任務下的狀態；然而，還需要進一步的研究來了解在日常任務中大腦區域之間的動態時間相互作用。因此，本文試圖通過計算任務誘發腦電圖數據中的圖論度量來回顧大腦連通性的模式。
與之前的綜述相比，本文僅限于利用神經工效學領域相關健康參與者的功能性腦連接數據的腦電圖研究。此外，我們總結了腦電圖數據功能網絡構建的途徑。目前系統綜述的主要重點是提供一個框架，以促進功能腦網絡分析在不久的將來在神經工效學領域的應用。
2.方法
研究問題：
RQ1:隨著圖論的出現，有哪些應用被用于模擬人類認知和運動處理?
RQ2:如何用計算方法來描述認知功能和運動加工的潛在神經機制?
RQ3:腦電圖對連接體有什么影響?
RQ4:如何使用腦電圖數據建立無向、無加權的腦功能網絡模型?
RQ5:與傳統方法相比，圖論方法在描述由腦電圖測量的人類認知和運動的潛在神經機制方面是否有用?
RQ6:如何在神經工效學中實現大腦連接模式的建模計算方法?
搜索策略：
在Google Scholar,Science Direct, IEEE Xplore, SpringerLink, Ergonomics Abstracts, andProQuest 中搜索electroencephalography，OR EEG，AND graph theory ORfunctional connectivity OR brain network。詳細的流程見圖1。
圖1 本文使用的方法和選擇過程流程圖
理論背景
A.功能連接
功能連通性衡量的是大腦不同區域記錄的生理時間序列的統計依賴性。由于功能連接是分析功能神經成像數據和開發計算機模擬模型的最佳選擇，它已被許多研究采用。由于功能連通性的計算高度依賴于腦活動在時間序列上的變化，腦電圖(< 1 ms)等高時間分辨率技術是反映神經動態和快速反應的最佳選擇。此外，腦電圖是一種非常有前途的連通性分析和因果推理方法(RQ3)。區域對之間的統計依賴性使用不同的方法進行測量，分為線性、非線性和基于信息的技術。它們對兩個時間序列之間的線性和非線性統計相關性都很敏感，可以用來評估因果關系。
表2概述了最常用的功能連通性評估方法。
表2 功能連通性度量清單，說明:(1)是單變量還是多變量連通性度量;(2)是有向連接方法還是無向連接方法;
(3)是時域分析、頻域分析，還是跨頻率耦合;
(4)是線性、非線性還是基于信息的技術;
(5)對容積傳導的敏感性
當分析來自特定神經生理學技術的單個信號的特征時，應該使用單變量分析，而當結合不同的神經生理學技術時，通常使用多變量分析。大量證據依賴于線性方法；然而，也有一些研究者使用非線性分析方法來檢測大腦的非線性現象。另一些作者反對使用非線性方法，因為它們非常容易受到噪聲的影響。
B. 圖論分析的理論方面
在過去的二十年中，應用圖論對神經生理數據進行量化，在診斷諸如癲癇、精神分裂癥、阿爾茨海默病、中風后康復等腦疾病方面，得到了生物學和神經科學的廣泛關注。隨后的幾項工作旨在研究大腦對任務調制的響應的拓撲結構。本文介紹的大多數研究主要集中在認知神經科學；因此，當前綜述的目的之一是闡明大腦在工作和日常任務中的功能連通性。
C.圖論方法
一般的圖方法如圖2所示來表征。
圖2 包含八個節點和十個邊的網絡的一個小型表示
（1）基于腦電圖數據構建腦功能網絡的流程步驟
下面的11個步驟展示了使用腦電傳感器方法或空間源方法(解決RQ4)的腦電數據圖論構建功能性腦網絡的完整流程。在當前的研究中，我們簡要描述了這兩種方法所需要的步驟，主要集中在非加權網絡上。我們總結了所有步驟，從腦電圖大腦信號的獲取開始，到大腦網絡的統計描述結束(圖3)。
圖3 利用圖論構建基于腦電圖數據的腦功能網絡的流程示意圖。綠線定義了第一種方法，稱為“傳感器信號”或“單個通道”方法，而紅線定義了第二種方法，稱為“腦電圖源連接”。(a)將裝有電極的帽子放在頭皮上。
(b)記錄腦電時間序列。
(c)對數據進行預處理，包括清洗、濾波、去除偽影和分段。
(d)通過首先估計或成像頭部模型(方法2)來解決逆問題。
(e)源重建(方法2)。
(f)將重建的時間源分割到ROI(方法2)。
(g)定義ROI。
(h)為選定的ROI構造連接矩陣。
(i)為所選EEG通道建立連通性矩陣(方法1)。
(j)應用閾值(s)對連通性矩陣進行二值化(方法1和方法2)。
(k)構建EEG電極之間的頭皮功能腦網絡。
(l)構建ROI內皮層功能腦網絡。
(m)利用網絡拓撲性質計算圖論測度。
(n)應用統計分析方法。
(o)必要時對不同的狀態進行分類。
a 定義腦網絡的節點
大腦網絡的節點代表大腦區域。定義網絡節點是一個具有挑戰性的步驟，并顯著影響大腦網絡分析的結果[83]。在腦電圖研究中，節點的定義有兩種方法。第一種方法被稱為“傳感器信號”或“單個通道”，依賴于腦電圖電極的預定義標準放置(圖3a)。
雖然這種方法很簡單，但容積傳導是降低空間分辨率的主要原因，可能會影響功能連通性估計的準確性。因此，第二種基于腦電圖源空間連通性的方法被提出，它可以通過將大腦細分為不同的區域，并根選擇感興趣的區域，從大腦地圖集中單獨分離出感興趣的解剖區域(ROIs)來實現。在記錄EEG信號(圖3b)、預處理和分段(圖3c)后計算源空間。反演問題可以采用真實頭模(圖3d)來重建源水平時間序列(圖3e)，并根據模板分割為不同ROIs的時間序列(圖3f)，從而獲得某個腦區的時間序列(圖3g)。
b EEG數據預處理
要進行濾波，分段，去噪，去偽跡來獲得干凈數據。
c 定義邊
邊代表不同神經元或大腦區域之間的連接。功能連接可能提高了節點之間關系的更多信息。
d 計算連接矩陣
連接矩陣稱為鄰接矩陣，包含有關連接模式之間關聯的信息。連通性用一個N × N對稱矩陣來描述，其中行(i)和列(j)表示節點，矩陣項(aij)表示邊。有兩種類型的指標：一種是基于通道(圖3i)，另一種是基于大腦區域(每個大腦區域對的電流密度)(圖3h)。
e 將連通性矩陣轉換為二值化矩陣
進行矩陣二值化，將相鄰矩陣轉換為無加權矩陣(圖3j)。對于矩陣二值化，為每個元素計算一個閾值。如果每個對的相關性度量超過閾值，則在節點對之間添加邊(否則不存在邊)。
f 選擇一個閾值
最優閾值在文獻中是一個懸而未決的問題。閾值化通過消除網絡中的弱、噪聲和不重要的邊，幫助簡化大腦網絡計算的復雜性。此外，閾值劃分有助于定義零模型進行統計比較。閾值的選擇顯著影響網絡拓撲屬性和檢測群體、年齡和性別差異的能力。選擇不適當的閾值方法會造成不穩定性并增加偏差；因此，仔細的選擇是至關重要的。一個關鍵因素是選擇一種能夠控制和最小化第一類錯誤(即假陽性)發生的方法。
有文獻報道了一些適當閾值選擇的標準。閾值劃分方法多種多樣，包括固定閾值、固定平均度、固定邊密度。然而，沒有一種方法是沒有偏差的。
g 功能連接估計
表2總結了功能連接估計方法之間的比較。遺憾的是，目前還沒有一種能對功能連通性進行普遍評估的最佳方法。
h 構建網絡
數學上，網絡是一個矩陣，將二值化的矩陣轉換為稀疏連通圖，表示為頭皮網絡(圖3k)或皮層網絡(圖3l)。
i 使用圖論分析數據
通過分析網絡的拓撲特性，使用不同的圖論度量來量化網絡結構(圖3m)。圖論用于從功能連接網絡中提取特征。
j 統計分析
采用統計方法比較圖論度量和拓撲網絡屬性，并評估其統計顯著性(圖3n)。這一步通常是通過比較兩種不同的狀態(警覺vs.嗜睡)、條件(運動vs.休息)、人群(健康vs.患病)或性別(男性vs.女性)來完成的，或者通過將結果與理論參考網絡進行比較。
k 分類條件狀態
有幾種方法被用來對不同的大腦狀態進行分類(圖3O)。功能連通性評估被用于對疲勞和非疲勞狀態進行分類，而手部運動則基于網絡節點強度進行分類。其他分類算法，如人工神經網絡和支持向量機，已被用于對具有連通性特征的心理工作量和精神疲勞進行分類。
D.圖論度量網絡拓撲性質
為了定量研究網絡性質，計算了網絡測度。表3給出了通常被分類為全局(圖)和局部(節點)度量的常用網絡度量的簡短非數學描述。
表3 經典的網絡測量指標
（1）網絡類型
網絡有四種類型：正則的、有序的或格子狀的網絡；隨機網絡；小世界網絡；和無標度網絡(圖4)。根據局部分離的數量(通過CC表示)和節點之間的全局整合(通過PL表示)來區分這些不同的網絡。正則網絡具有較高的CC（聚類系數）和較長的PL（路徑長度），這表明該網絡具有較強的魯棒性，但在信息傳輸方面效率較低。相比之下，隨機網絡具有較小的CC和較短的PL，這表明該網絡在傳遞信息方面是有效的，但不那么魯棒性。
4 四種類型的網絡(在無標度網絡中，白色和條紋節點表示網絡hubs)
小世界網絡介于正則網絡和隨機網絡之間，具有類似于隨機網絡的短PL（路徑長度），比正則網絡更高的CC（聚類系數）。就分離、整合、成本和性能而言，小世界網絡被認為是接近最優的網絡。無標度網絡由于其極短的路徑長度而具有獨特性，并以冪律度分布在全局通信和局部通信之間實現了平衡。
如果您對腦電等數據分析感興趣，可瀏覽思影科技課程及服務，感謝轉發支持（可添加微信號siyingyxf或18983979082咨詢，另思影提供免費文獻下載服務，如需要也可添加此微信號入群）:
上海：
第三十六屆腦電數據處理中級班（上海，11.13-18）
第二十八屆腦電數據處理入門班（上海，11.20-25）
第二十五屆近紅外腦功能數據處理班（上海，12.7-12）
南京：
第五屆腦電機器學習數據處理班（Matlab版本，南京，11.3-8）
北京：
第五屆R語言統計班（北京，11.16-20）
第三十九屆腦電數據處理中級班（北京，12.13-18）
數據處理業務介紹：
思影科技EEG/ERP數據處理業務
思影科技近紅外腦功能數據處理服務
思影科技腦電機器學習數據處理業務
思影數據處理服務六：腦磁圖（MEG）數據處理
思影科技眼動數據處理服務
招聘及產品：
思影科技招聘數據處理工程師 （上海，北京，南京，重慶）
BIOSEMI腦電系統介紹
目鏡式功能磁共振刺激系統介紹
3 結果
本文展示了使用大腦連接技術和圖論度量的大腦功能研究的增長趨勢(圖5)。我們預計未來的研究數量將在未來幾年大幅增加。 
圖5. 基于腦電圖數據的神經工效學相關圖論研究每年發表的散點圖。
質量評估
為了評估這些研究中證據的強度，我們應用了醫療保健研究和質量機構的標準。高質量的研究被認為有較低的偏倚風險；中等質量的研究有兩個不明確的標準；低質量的研究被認為有很高的偏倚風險。如果低風險區域的數量分別≥4個、= 3個或≤2個，則研究的總體質量分為良好、一般或較低。
在納入本系統綜述的57項研究中，n=18被歸為高質量，n=7被歸為中等質量，n=32被歸為低質量(圖6)。 
圖6 使用Cochrane協作工具評估偏倚風險。
本文對不同領域的表現進行了分析，發現目前的研究主要集中在疲勞方面，其次是工作負荷評估。
總體而言，證據表明認知功能(80%)比運動加工(20%)更常被提及。評估功能連通性的技術，包括PLV、PDC和PLI，顯示出最大的潛在影響(40%)(圖7)。許多研究(n=9)采用了PLV技術，因為它克服了使用傳統相干方法的局限性，計算了EEG信號之間的線性相關性。在使用頻率上，PLV技術之后是PDC，因為該技術允許評估腦電圖信號在頻域的統計依賴性。此外，Stam等人建議將PLI用于非平穩腦電圖數據。PLI對容積傳導的敏感度低于其他連通性測量。加權網絡的使用導致豐富的拓撲大腦組織；然而，許多選定的研究使用了非加權網絡，稱為“二值化網絡”，而只有少數使用了加權網絡。CC（聚類系數）和PL（路徑長度）是最常使用的圖論指標(分別為n =33和26)(圖8)。我們進一步發現，大約79%的研究分析了無向網絡，而21%評估了有向網絡。CC和PL都有助于小世界組織的評價。CC用于量化大腦的功能分離，而PL用于量化網絡整合。此外，全局和局部的計算都依賴于這兩個度量。
圖7 估計功能連通性方法的帕累托圖(PLV，PDC，PLI，DTF，MI，MCC，MSC)。
圖8 圖論度量的頻率。
圖9 研究的人口分布包括健康的男性和女性參與者
任何腦電圖功能連接網絡的一個關鍵方面是節點數的選擇，節點數由記錄電極通道數表示。在文獻中發現了這一選擇的兩個建議。一個更密集的電極分布導致高聚類系數，可能覆蓋更多的領域，以供未來的研究。
此外，大量電極增加了源估計和信號預處理的準確性。相比之下，García-Prieto等、Li等和Wang等建議電極少于32個，表明少量電極足以覆蓋ROI并獲得可靠的信息。Luck還建議使用少量的電極，這表明使用16-32個活性電極可以更好地監測大腦活動。在以前的出版物中使用的電極編號總結在表4中。根據我們的分析，有20項研究遵循了第一個推薦條件：電極>=64，31個研究電極數<=32，剩余的研究（n=6）在32-64之間。
表4 不同電極數量的研究
研究的人口分布包括健康的男性和女性參與者(圖9)。其中21項研究僅使用男性，而沒有一項研究僅使用女性。大多數研究中男性的數量高于女性(n=16)。其余的研究(n=9)沒有精確地描述參與者的性別數量，如綠條所示(圖9)。
4 討論
本節描述了研究的主要發現。在不同的認知和生理狀態下，腦功能網絡結構發生了相當大的變化。
圖論在功能腦網絡分析中的應用：本小節分為六個主要領域：疲勞、工作負荷、工作記憶、努力、感知和運動處理。在認知過程中有一定程度的重疊。例如，認知工作負荷直接關系到工作記憶的資源分配及其與注意力過程的關聯，而注意力過程會受到精神疲勞的嚴重影響。
疲勞的連通性研究
精神疲勞是一種復雜的心理生物學狀態，在長時間的任務中需要高水平的認知和運動活動。一般來說，疲勞會減慢反應時間，增加錯誤率，增加睡意，并導致肌肉骨骼疾病，從而降低人的表現。之前的研究已經在現實應用中解決了心理疲勞的潛在神經機制。特別是在神經工效學文獻中，精神疲勞對車輛駕駛的影響備受關注。alpha和theta波段的功率已被證明是與疲勞有關的神經變化的可靠指標。兩個頻段的功率顯著增加主要與額葉皮層、內側前額葉皮層、額中央、枕葉和頂葉大腦區域的精神疲勞有關。近年來認知神經科學的研究探討了疲勞任務完成后大腦各區域之間的相互作用。額葉、中央和頂葉的功能連通性與精神疲勞密切相關。在完成需要持續注意力的任務時，額中回和幾個運動區域是相互聯系的。在疲勞狀態下，感覺運動區域的左右半球之間的連接模式也有所不同，這與Liu等人在不同大腦區域的發現相似。
此外，有研究發現，疲勞后任務比疲勞前任務的功能連通性更緊密，這表明人類大腦在疲勞時表現出更強的耦合，以維持信息傳遞，直到所需的任務完成。與清醒狀態相比，在困倦狀態下，alpha和theta波段有更高的相位相干性，delta波段有更高的PLI，表明相位一致性較高。
然而，文獻中也存在矛盾；例如，據報道，隨著精神疲勞的增加，頂葉到額葉區alpha帶的功能連通性以及額葉到頂葉區alpha帶和beta帶的功能連通性變弱。此外，已有研究表明，在從清醒到睡意的轉變過程中，額枕alpha相干值下降。上述研究的結果支持皮質-皮質功能耦合的概念——主要在大腦皮層的額葉、中央葉和頂葉——可以在短時間內表征大腦在精神疲勞時的特征。
大腦網絡拓撲特性的變化反映了人類的精神狀態。例如，alpha波段最大特征值的增加反映了表現的下降。在做腦力工作時，注意力不集中的特征是delta和theta波段的PL（路徑長度）降低，而CC（聚類系數）增加。結果表明，疲勞可能導致局部效率增加，而全局效率減少，提示大腦資源可能被重組，區域間的相互作用可能受到抑制。這一趨勢反映了人類大腦在疲勞時整合信息的能力下降，導致了一個小世界的配置。由精神疲勞引起的意識缺失已被證實為36-44 Hz的CC和全局效率的增加。
在delta節律和所有頻帶中，右頂葉區域的度中心性程度增加，表明節點之間連接良好，警覺性降低。然而，相反的結果也被證明了，例如未連接節點的百分比增加，這表明在從清醒到睡意的轉變過程中連接出現了故障。此外，一些研究報告顯示，疲勞任務后，大腦的CC、平均度和網絡密度會降低，而PL會增加。
疲勞時也觀察到額葉皮層的介數中心性增加。任務中間休息(休息)是提高大腦網絡效率的有效方法，從而減輕疲勞的發生，在兩個任務之間休息后，CC和PL都略有增加。由于人類的表現會隨著時間的推移而下降，因此在任務上花費的時間與網絡指標(主要是節點度、CC和PL)之間存在正相關關系。然而，一些研究的結果與這些發現相悖，在任務上花費的時間增加會導致網絡拓撲的線性減少。隨著花在任務上的時間的增加，PL的增加和小世界的減少會導致不太理想的大腦網絡。此外，任務時間的延長降低了中央區和左側額葉區域的網絡介數，而增加了右頂葉區域的介數。
心理負荷的連接研究
心理負荷是人類工程學領域中最廣泛使用的概念之一，作為一個多維結構，可以根據滿足任務需求的可用資源來定義�；谏窠洈祿男睦碡摵稍u估在神經工效學研究中一直很有興趣。認知負荷的神經指標，包括基于腦電圖的負荷，已經在人機交互和虛擬駕駛環境的背景下進行了討論。
額、枕theta和頂葉alpha波的PSDs已被證明是一種鑒別精神負荷狀態的強大評估工具。隨著任務難度的增加，頂葉alpha降低，額葉theta增加，然而，其他研究的結果并不一致。
不同難度水平的區別體現在大腦網絡的功能連接上，主要在前額葉和頂枕區。此外，功能連通性的下降已被證明表明，在完成困難任務時，人類準確性的下降。與難度較低的任務相比，在難度較高的任務中，頂枕區域的PLV較低。在高認知負荷下，所有大腦區域的alpha波段的加權PLI值均顯示下降，而在身體任務中，theta波耦合明顯增加。Dimitrakopoulos等人根據功能連通性分析得到的特征發現，與認知任務難度相關的大多數變化發生在額葉theta和beta活動中。
認知困難水平和認知障礙檢測之間的區分可以通過分析圖論測量來實現。在高和低的認知或體力工作負荷之間，模式有所不同。此外，左半球與右半球的結果可能不同。這些分類的重要性可以幫助描述工作場所的危險情況。
Eglobal和Elocal值對工作負荷水平有重大影響，其中alpha和beta 的Elocal活動的增加與工作負荷水平的升高有關。Eglobal beta模式顯示了一個獨特的趨勢。Huang等人觀察到，在玩耍過程中，theta的Elocal降低，beta的Elocal升高。此外，與靜息態下的網絡組織相比，beta Eglobal較低，theta Eglobal較高。在數學處理任務從數感到檢索的過渡過程中，觀察到delta、theta和alpha的 Elocal和Eglobal增加，主要在額頂區。特別是，努力程度的增加會導致Eglobal的增加，從而產生更整合的網絡和更高的并行信息傳輸速率。分離過程的減少反映在CC（聚類系數）和模塊化的減少上。Zhang等人報告稱，在困難任務中，beta和低gamma的模塊性更少，聚類更少，Eglobal較高，Elocal較低，物理同步距離更大。此外，在高工作負荷下，alpha和beta CC的減少，而中央和頂葉大腦的alpha強度顯著增加。這些結果都說明在高工作負荷下，人類的腦網絡存在小世界屬性（較少的聚類和更廣泛的效率）。有趣的是，Klados等人觀察到，最佳的小世界組織在數學任務和休息時都很明顯。Vijayalakshmi等人證明了不同電極之間的高度相互作用和beta的大腦功能分離的增加。
在認知加工過程中，局部屬性似乎比全局屬性更關鍵。例如，在目標識別任務中，局部CC要比全局CC大得多。此外，節點強度在額葉和左半球表現出比全局活動更高的值。此外，在手指運動任務時，在運動執行區的Enodal增加。
C、工作記憶的連接研究
認知腦功能可以通過工作記憶訓練得到改善，這體現在拓撲網絡的改變上，主要是在beta。Taya等人證明，訓練過程中高頻頻段的全局網絡特征增加，而局部特征和小世界減小。有趣的是，介數在額葉和顳葉區域表現出變化。然而，Langer等人發現，在訓練誘導的工作記憶中，theta CC（聚類系數）增加和 PL（路徑長度）減少。因此，訓練提高了局部網絡的連通性和傳輸信息的全局效率。
當將訓練有素的記憶序列實驗與新任務進行比較時，額葉和后頂葉theta的相位相干性更強。在工作記憶任務中，受過良好教育的參與者的大腦組織不如受教育程度較低的參與者有組織。此外，在訓練后的theta相干中發現了大尺度的網絡重構。盡管連接組方法在認知訓練下的腦組織研究中應用有限，但該方法在認知功能的表征方面很有前途。
工作記憶的研究主要集中在頂葉、額葉和頂葉-枕葉腦區alpha和theta之間的功能相互作用。Klimesch報告說，長期記憶導致alpha的不同步，而短期記憶導致theta的同步。在不同的負荷記憶水平下，發現額葉和頂枕區theta和alpha的相位同步性發生變化。
在編碼、存儲和檢索過程中，在所有頻帶中觀察到不同的拓撲性質。工作記憶任務需要高度的認知努力，導致較低的聚類和模塊化配置，但alpha、beta和gamma的Eglobal值較高。在比較工作記憶任務與休息任務時，我們觀察到theta的功能整合程度較高，alpha的功能分離程度較低。因此，在所有頻帶內記憶的存儲和檢索方面，小世界拓撲結構是明顯的。
D、運動的連接研究
大腦的對側軀體感覺區、同側軀體感覺區和運動區與運動加工功能密切相關。在運動發生前，大腦的對側半球會有信息轉移到同側半球，而在運動發生后，則會發生相反的模式。在運動準備過程中網絡連邊的增加表明，為了執行運動相關的任務，需要更高程度的信息交換。此外，在準備和執行手指移動任務時，觀察到可達性（accessibility）降低和中心性增加。
不同的干預策略可以觀察到不同的耦合模式。特別是，在騎行任務中，不同的強度水平會在前額葉運動區和中央區域的alpha和beta帶產生不同的大腦連接模式。此外，在完成身體和視覺疲勞任務后，還觀察到頂葉和枕葉的同步性增加。在手指敲擊任務中觀察到beta波段的互信息值增加，反映了信息流的增加。最后，在從靜息狀態到手部運動的過渡期間，感覺運動區和前額葉區之間有很強的相互作用。
在左向和右向移動任務中考慮了局部網絡屬性，以便對不同的移動進行分類。Ghosh等人表明，節點強度可以應用于手部動作的分類，而不需要分類器。左側感覺皮層和雙側初級運動皮層的Enodal值在運動相關任務中增加，但在后頂葉區減少。此外，研究人員觀察到，在手臂運動過程中，運動區域的功能連通性增加，節點可達性降低，節點中心性增加。兩年后，同一個研究小組發現，手臂的運動顯著降低了網絡連通性，主要是在alpha和beta波段，只在左臂運動時降低了加權PL。然而，CC和小世界都沒有表現出任何顯著的變化。Jin等人在手指運動和休息任務期間觀察了alpha和beta波段網絡中的小世界屬性。內側運動前皮層和雙側前額葉皮層的gamma和beta帶似乎有更大的連通性和更高的CC，但在運動任務中較短的PL。研究表明，上頂葉體感覺皮層的低頻beta和gamma的hubs的顯著變化可表征視覺運動關聯。通過比較運動任務中譜相干與虛部相干的節點度，發現譜相干網絡在對側運動皮層的表現優于虛部相干網絡。
E、身體鍛煉的連接研究
身體鍛煉與工作負荷直接相關，反映了受試者在體育鍛煉中可能面臨的疲勞、緊張、努力強度和不適感。在與體力消耗有關的工作記憶任務中，在額葉區域觀察到部分theta相干性的增加。在CC中最初觀察到一個有趣的u型模式，theta的CC在體力消耗任務和腦力任務中都增加，當任務變得更加困難時顯著下降。這項研究將調查范圍限定在額區;然而，未來的研究應該調查整個大腦的拓撲特性。Comani等人觀察到在不同負荷水平下信息流的雙邊連接模式。最近的一項研究探討了在騎行任務中大腦的功能模式和網絡拓撲。針對六種不同的困難，在EEG源水平計算了三種圖論測度。在alpha和beta波段，局部效率保持不變，表明疲勞并沒有改變大腦網絡的分離。由于對警覺性的要求很高，任務前后的全局效率變化明顯。然而，在高耐力階段，網絡密度在beta波段下降，說明了決策過程的影響。
F、知覺的連通性研究
感知的研究需要比較幾種認知功能(如注意力、意識和記憶)和任務的持續時間。一項研究報告了在目標識別任務中，額頂區theta相位同步耦合的顯著變化。此外，在對目標的認知加工過程中，還表現出低模塊化、高聚類、節點hubs間強交互等特征。花在一項任務上的時間直接影響參與者的情緒、覺醒狀態和認知負荷。Ghaderi等人研究了在時間感知任務中大腦的非線性差異。兩組參與者——高估時間和低估時間的參與者——在beta CC上表現出了顯著的差異。此外，更高的任務努力知覺顯示了前額葉-運動區強烈的beta相干耦合。高估組的全局效率、傳遞性和度均低于低估組。
5 局限和未來方向
目前的研究結果表明，人們對研究與執行特定任務有關的大腦連通性越來越感興趣。本文還論證了在腦電數據中使用圖論度量可獲得可靠和可行的結果；然而，要取得進一步進展，還必須克服許多挑戰。圖論指標在神經工效學中的應用將幫助科學家研究日�；顒又械倪B接模式，并可能提供更豐富的關于大腦活動的信息。因此，未來的工作應該專注于在不同的實際應用中使用圖分析測量。目前綜述中討論的研究缺乏具有生態有效性的設計。關于疲勞和工作負荷任務的研究是在控制良好的模擬環境中進行的(即駕駛和領航)。運動任務僅限于手指動作，如敲擊。對知覺的研究一直局限于經典的oddball實驗。日常設置中經常執行的任務，如處理、舉、抓、抓、拉、推、組裝、分類、手動檢查和下肢運動，都沒有使用圖論指標很好地量化。因此，需要新的探索性研究來解決現實世界的應用。
腦電圖優越的時間分辨率有助于捕捉大腦活動的快速動態變化。很少有研究考慮神經信息的流向。這些研究使用格蘭杰因果關系、DTF、PDC和廣義PDC來量化兩個信號之間的相互作用和因果關系的強度。這些方法從信號Y的過去預測信號X的未來，反之亦然。頻域方法因其能夠提取不同頻段的神經變化而更常被推薦用于腦電圖。
已有一些研究對腦電圖數據的靜態功能連通性進行了研究。人類的大腦是一個復雜的系統，隨著時間的推移有著動態的行為。一種被稱為動態腦網絡的擴展方法被用于追蹤功能腦網絡的時空動態。它基于腦電圖源連通性與滑動窗口方法的結合。在基于任務的研究中，甚至在靜息狀態研究中，都觀察到連接模式的重構隨時間的變化。
6 結論
本文系統綜述了利用任務誘發腦電圖數據研究腦功能連接網絡的趨勢�；谛畔⑻幚淼娜终虾途植糠蛛x，圖論度量已成為描述功能交互的有價值和可靠的指標�；�57篇文章的分析，我們展示了認知和運動功能的不同領域。我們還提供了關于所選應用的分布、功能連接的估計技術、圖論度量、參與者數量和使用的電極數量的信息。此外，我們提出了腦功能連通性的概述和圖論的理論方面。這些結果為構建腦電功能網絡提供了一個有用的框架，以避免最常見的陷阱。
更多的綜述研究關注認知功能而不是運動處理任務；然而，證明大腦網絡分析在現實任務中的應用的研究是有限的，缺乏具有生態有效性的設計。實驗結果的異質性可歸因于多種因素，導致不同研究的結果不一致。在實踐中，圖論度量——主要是CC和PL——是最常用的度量，因為它們反映了大腦網絡的功能和全局整合。大多數關于疲勞相關任務的研究都證實了人腦整合信息的能力下降。較高的任務難度導致較少的分離過程和更多的整合網絡，主要是在低頻波段。在手指運動、記憶的存儲和檢索、高工作負荷，在任務上花費的時間增加和涉及精神疲勞的任務中，都證明了小世界網絡的存在。經審查的文章的偏倚評估顯示偏倚風險很高。解決選擇性數據報告等問題應能在未來的出版物中減少這種偏倚的風險�？傊�，使用圖論度量的連接組分析可能為神經工效學領域的新思想鋪平道路，并最終導致更安全的工作設計。我們的系統綜述的發現應該有助于理解可以應用于腦電圖數據分析的計算方法，主要是使用圖論。
如需原文及補充材料請添加思影科技微信：siyingyxf或18983979082獲取,如對思影課程及服務感興趣也可加此微信號咨詢。另思影提供免費文獻下載服務，如需要也可添加此微信號入群，原文也會在群里發布，如果我們的解讀對您的研究有幫助，請給個轉發支持以及右下角點擊一下在看，是對思影科技的支持，感謝！
微信掃碼或者長按選擇識別關注思影
非常感謝轉發支持與推薦
歡迎瀏覽思影的數據處理業務及課程介紹。（請直接點擊下文文字即可瀏覽思影科技所有的課程，歡迎添加微信號siyingyxf或18983979082進行咨詢，所有課程均開放報名，報名后我們會第一時間聯系，并保留已報名學員名額）：腦電及紅外、眼動：南京：
第五屆腦電機器學習數據處理班（Matlab版本，南京，11.3-8）
上海：
第三十六屆腦電數據處理中級班（上海，11.13-18）
第二十八屆腦電數據處理入門班（上海，11.20-25）
第二十五屆近紅外腦功能數據處理班（上海，12.7-12）
北京：
第五屆R語言統計班（北京，11.16-20）
第三十九屆腦電數據處理中級班（北京，12.13-18）
核磁：重慶：
第二十八屆彌散成像數據處理班（重慶，11.5-10）
第六屆彌散磁共振成像提高班（重慶，11.17-22）
第二十三屆磁共振腦影像結構班（重慶，11.27-12.2）
第二十五屆腦影像機器學習班（重慶，12.5-10）
南京：
第七十一屆磁共振腦影像基礎班（南京，11.12-17）
第二十九屆彌散成像數據處理班（南京，11.19-24）
第二十六屆腦影像機器學習班（南京，12.9-14）
上海：
第三十一屆磁共振腦網絡數據處理班（上海，10.28-11.2）
第六十九屆磁共振腦影像基礎班（上海，11.4-9）
第十四屆任務態功能磁共振數據處理班（上海，11.30-12.5）
第十一屆腦網絡數據處理提高班（上海，12.15-20）
北京：
第十一屆磁共振ASL（動脈自旋標記）數據處理班（北京，11.3-6）
第七十二屆磁共振腦影像基礎班（北京，11.9-14）
第六屆影像組學班（北京，11.25-30）
第三十四屆磁共振腦網絡數據處理班（北京，12.3-8）
數據處理業務介紹：
思影科技功能磁共振(fMRI)數據處理業務
思影科技彌散加權成像（DWI/dMRI）數據處理
思影科技腦結構磁共振成像數據處理業務（T1)
思影科技定量磁敏感（QSM)數據處理業務
思影科技嚙齒類動物（大小鼠）神經影像數據處理業務
思影科技靈長類動物fMRI分析業務
思影數據處理業務三：ASL數據處理
思影科技腦影像機器學習數據處理業務介紹
思影科技微生物菌群分析業務
思影科技EEG/ERP數據處理業務
思影科技近紅外腦功能數據處理服務
思影科技腦電機器學習數據處理業務
思影數據處理服務六：腦磁圖（MEG）數據處理
思影科技眼動數據處理服務
招聘及產品：
思影科技招聘數據處理工程師 （上海，北京，南京，重慶）
BIOSEMI腦電系統介紹
目鏡式功能磁共振刺激系統介紹
