EEG 有效连接分析(基于 MVGC 与图论)-平芜编程栈

摘要
1. 引言
2. 第一步：数据清洗
- 结果展示：去伪迹前后对比
3. 第二步：构建大脑信息流热力图
- 结果展示：Alpha 波段有向连接矩阵
4. 第三步：解码网络拓扑与图论指标
- 3.1 网络拓扑结构
- 3.2 关键节点
5. 具体解析
- 1. 右额叶 (F4) 的“指挥官”角色
- 2. Alpha 抑制与枕叶 (Oz)
- 3. 左侧运动区 (C3) 的准备
6. 总结

摘要

如何从看似杂乱无章的脑电（EEG）信号中，解码出大脑各区域是如何“交谈”的？本文基于 2023 年 Chiarion 等人的综述论文框架，利用MATLAB (EEGLAB + MVGC + BCT)工具箱，对一组斯特恩伯格工作记忆任务 (Sternberg Working Memory Task)数据进行了完整的分析。复现了从预处理去伪迹、格兰杰因果计算到图论网络拓扑分析的全流程，并揭示了右额叶在认知控制中的核心地位。

1. 引言

大脑不是一堆孤立的岛屿，而是一个高度互联的复杂网络。在 EEG 分析中，我们需要从结构连接走向功能连接，最终到达有效连接——即确定“谁驱动了谁”。

本文使用的数据集syn02-s253-clean.set来源于一项经典的视觉工作记忆任务。将通过探索大脑在记忆保持阶段（Alpha 波段）的动态网络结构。

2. 第一步：数据清洗

在计算复杂的数学模型之前，我们必须确保数据的纯净。

结果展示：去伪迹前后对比

图解分析：

上图（原始数据）：我们可以清晰地看到在 0.4s, 1.1s, 3.2s 等时刻出现了巨大的尖峰，幅度高达 150 µV。这是典型的眨眼伪迹。如果不去除，这些强信号会瞬间传导至全脑电极（容积传导），导致算法误判为“全脑强连接”。
下图（预处理后）：经过ICA和ICLabel自动剔除眼电成分后，大幅度的尖峰消失了。剩余的信号幅度在 +/- 25 µV 之间，呈现出密集的神经震荡特征。

关键点：只有经过这样彻底的清洗，后续的格兰杰因果分析才具有生理学意义。

3. 第二步：构建大脑信息流热力图

在确保数据干净后，使用MVGC 工具箱计算了频域格兰杰因果 (Spectral Granger Causality)。我们聚焦于Alpha 波段 (8-13 Hz)，因为该频段被认为与大脑的抑制控制和信息门控密切相关。

结果展示：Alpha 波段有向连接矩阵

图解分析：
这张热力图展示了大脑区域两两之间的因果强度（红色代表强连接，蓝色代表弱连接）。

非对称性：注意矩阵不是对称的。例如，F4 -> C3是红色的（强驱动），但C3 -> F4颜色较浅。这证明了捕捉到了有向的信息流，而非简单的同步。
关键连接：可以观察到右侧额叶 (F4) 和左侧中央区 (C3) 作为源发出了大量强连接；而枕叶 (Oz) 作为目标接收了大量输入（注意 Oz 所在行的深色区域较少，说明它很少驱动别人，但所在列颜色较深，说明它在被驱动）。

4. 第三步：解码网络拓扑与图论指标

为了量化上述观察，我们将连接矩阵转化为有向加权网络，并使用Brain Connectivity Toolbox (BCT)计算图论指标。我们保留了前 30% 最强的连接来构建拓扑图。

3.1 网络拓扑结构

图解分析：
这是一个非常直观的圆环图。

信息流向：请注意箭头的方向。明显的趋势是从上方（额叶 Fz, F4, F3）指向下方（枕叶 Oz, Pz）。
结构化特征：这是一个典型的自上而下的控制网络，而非随机网络。

3.2 关键节点

图解分析：
柱状图量化了每个脑区的角色：

Out-Degree (驱动力)：C3 (左运动区)最高，F4 (右额叶)紧随其后。脑网络并非单一中心，而是多核心驱动。
In-Degree (接收力)：Oz (枕叶)达到了惊人的高值。它是网络的信息汇 (Sink)。
Betweenness (枢纽性)：F4最高，说明它是连接不同脑模块的“桥梁”。

5. 具体解析

结合工作记忆任务的背景，我们可以尝试对上述结果给出解释：

1. 右额叶 (F4) 的“指挥官”角色

结果显示F4是网络的绝对核心。在认知神经科学中，右侧前额叶皮层是中央执行系统的关键部分。

解释：在记忆保持阶段，被试需要集中注意力维持脑中的信息。F4 通过发出强烈的控制信号，维持任务目标并监控冲突。

2. Alpha 抑制与枕叶 (Oz)

比较引人注目的发现是Oz (视觉皮层)是最大的接收者（被全脑驱动）。

解释：当我们试图在脑海中“记住”东西时，我们需要切断外界的视觉干扰。大脑通过自上而下的控制信号（从 F4 等区域下行到 Oz），在视觉皮层产生 Alpha 振荡，以此抑制视觉信息的输入。Oz 的高入度反映了它正在被“命令”保持沉默，以保护工作记忆。

3. 左侧运动区 (C3) 的准备

C3（对应左侧运动皮层，控制右手）表现出的高活跃度。

解释：这可能反映了运动准备。在 Sternberg 任务中，被试通常需要用右手按键反应。即使在记忆阶段，运动皮层也可能处于预激活状态，准备随时执行指令。

6. 总结

通过这套基于 MATLAB 的 EEG 分析流程，我们处理了高噪声的脑电数据，更重要的是，我们提取出一种大脑网络模式：

在工作记忆任务中，大脑形成了一个以右额叶为核心的、自上而下的控制网络，该网络主动抑制视觉皮层的活动以屏蔽干扰。

这一结果证明了MVGC (有效连接)结合图论分析是揭示大脑动态机制的强大工具。

参考文献与工具：

Dataset:Sternberg Working Memory Task (EEGLAB Tutorial Data).
Paper:Chiarion et al., “Connectivity Analysis in EEG Data: A Tutorial Review of the State of the Art and Emerging Trends”,Bioengineering2023.
Toolboxes:EEGLAB (Preprocessing), MVGC (Granger Causality), Brain Connectivity Toolbox (Graph Theory).