基于改进K-阶传播数的工作记忆EEG研究.pdf

摘要

工作记忆是大脑在执行复杂认知任务过程中用于信息暂时存储和加工的系统，其容量和

精度与人的智力水平高度相关，也是阿尔茨海默病等神经性疾病首先受损的功能，是认知活

动的关键环节。由于大脑总是多个功能区域共同协作构成网络来完成认知活动，因此本文从

脑网络的视角对工作记忆EEG数据进行分析以探索工作记忆的内在机理。

由于传统算法存在一定的不足，本文在加权K-阶传播数算法的基础上提出了一种新的适

用于有向网络的节点重要性评估算法，即交叉K-阶传播数算法，引入重要性调节因子λ融合

节点发送信息和接收信息两个角度评估网络节点重要性，引入传播时长K因子实现了从局部

到全局综合利用网络拓扑结构信息，提升了网络中桥节点的地位。利用多种算法探索ARPA

网络，相较于对比算法，交叉K-阶传播数算法评估的节点重要性更为合理；利用加权SIR模

型与重要节点蓄意攻击策略对Residencehall和Celegansneural网络进行分析，交叉K-阶传播

数算法得到的节点重要性序列与加权SIR评价的节点感染能力最为契合并且仅用最少的攻击

次数便能使网络全局效率下降90%左右，证明了算法的优越性。

将改进K-阶传播数算法——加权K-阶传播数和交叉K-阶传播数应用到工作记忆研究当

中。本文设计了基于英文字母序列的n-back实验范式来获取工作记忆EEG数据，对采集的

EEG原始数据进行预处理操作，然后基于相位锁定值（PhaseLockingValue,PLV）构建了无

向脑网络，并分析网络的拓扑属性，结果表明工作记忆读取状态脑网络具有更高的全局效率

和局部效率。同时，利用加权K-阶传播数算法评估PLV脑网络的重要节点，结果表明工作记

忆更新与读取状态重要脑区主要分布在额叶和顶枕区，且随着任务难度的增加，脑网络重要

节点更多分布在额叶右侧和顶枕区，意味着大脑为更好地读取记忆目标倾向于利用右半脑的

功能。本文还利用相位转移熵（PhaseTransferEntropy,PTE）指标构建了有向脑网络，应用交

叉K-阶传播数算法评估其节点重要性，从有向的角度得到工作记忆更新与读取状态脑网络重

要节点主要分布在额叶和顶枕区，重要节点间的信息流向表明工作记忆更新中存在大脑额叶

对顶枕区的控制关系。

为探究良好的分类特征提升工作记忆状态分类准确率，考虑到网络支配熵属性对网络结

构的细微变化较为敏感，因此本文在基于加权K-阶传播数算法提取PLV重要节点网络的基

础上构建了支配熵分类特征，送入支持向量机中分类工作记忆更新与读取状态，跨被试分类

准确率为78.73%且分类时间成本最低，证明支配熵是一种有效且优质的分类特征。

关键词:工作记忆，EEG，K-阶传播数，节点重要性，脑网络

Abstract

Workingmemory(WM)isasysteminthebrainfortemporarystorageandprocessingof

informationduringtheexecutionofcomplexcognitivetasks.Itscapacityandaccuracyarehighly

correlatedwiththelevelofhumanintelligence,anditisalsothefirstfunctiontobeimpairedby

neurologicaldiseasessuchasAlzheimersdisease,andakeylinkincognitiveactivities.Sincethe

brainalwayshasmultiplefunctionalregionsworkingtogethertoformanetworktoaccomplish

cognitiveactivities,thisthesisanalyzesWMEEGdatafromtheperspectiveofbrainnetworksto

exploretheintrinsicmechanismofWM.

Sincethetraditionalal