图论分析是一种数学方法，已被应用于大脑连接研究，以探索网络模式的组织。图论度量的计算使脑电图(EEG)信号的平稳行为的表征成为可能，这是不能用简单的线性方法解释的。本文的主要目的是系统地回顾图论在神经工效学中脑电图数据功能连通性映射中的应用。此外，本文还提出了一种利用源水平和传感器水平两种方法从脑电图数据构建无加权功能脑网络的途径。在57篇文章中，我们的研究结果表明，自2006年以来，用于表征EEG数据的图论指标受到了越来越多的关注，2018年发表频率最高。大多数研究都集中在认知任务和运动任务的比较上。基于“锁相值”的平均相位相干法是在回顾的研究中最常用的功能估计技术。此外，非加权脑功能网络在文献中比加权脑功能网络得到了更多的关注。全局聚类系数和特征路径长度是区分全局整合和局部分离的最普遍的度量，小世界属性成为描述信息处理的一个令人信服的度量。本文提供了对在神经工效学研究背景下使用图论指标来建模脑功能连通性的理解。本文发表在IEEE Access杂志。(可添加微信号siyingyxf或18983979082获取原文，另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布)。
温故而知新，建议结合以下脑电功能连接及图论脑网络相关解读阅读（直接点击，即可浏览，加微信号siyingyxf或18983979082获取原文及补充材料）：
脑电功能连接：
Science子刊：母亲的身体气味增强了婴儿和成人的脑-脑同步
早期遭受逆境的儿童的生长迟缓与大脑功能连接和认知结果的改变有关
ANESTHESIOLOGY脑电研究 :全麻手术患者的大脑动态连接
Anesthesiology脑电研究：健康被试全麻的动态皮层连通性
图论脑网络：
复杂大脑网络的结构和功能
人脑的连接性中心节点促进了人脑网络的模块化
大脑状态的重构与认知行为之间的映射
大脑是一种什么样的网络?
大尺度功能脑组织结构：6个主要原则
儿童神经认知网络的动态功能连接
动态功能连接：前景、问题和解释
Nature reviews Neuroscience：认知加工相关的默认网络
自闭症研究中的默认网络
默认网络：最新的解剖、生理研究及其研究发展过程中的新观点
Biological Psychiatry：精分患者大脑的组织体积变化与脑网络
大脑连接障碍中跨脑疾病的连接图论在识别人脑网络连通性模式中的应用
关键词：Brain connectivity, cognitive
functions, clustering coefficient, EEG, functional connectivity, graph theory,
motor processing, neuroergonomics
1 引言
在过去的几十年里，人类大脑连通性的绘制在神经科学和认知神经科学领域获得了相当大的关注。现代网络科学是动态系统论、图论和统计学的混合，被应用于研究不同状态和条件下的功能和结构大脑连接网络。神经紊乱网络，脑疾病和功能障碍网络，衰老的大脑拓扑特性，静息状态网络，以及高脑功能网络，如感知、解决问题、记忆和注意力的研究已经取得了一定的进程。
图论方法是一种强大的数学工具，它图形化地说明了一个基于现代网络理论的复杂网络结构。1736年，物理学家莱昂纳德·欧拉(Leonard Euler)解决了穿越普雷格尔河(Pregel River)的问题，该问题被称为“Königsberg的七桥”问题。在现代术语中，欧拉用抽象的点(即“顶点”或“节点”)代替每一块陆地，用抽象的连接(即“边”或“线”)代替每一座桥，形成了一种被称为“图”或“网络”的数学结构。对这个问题的思考奠定了“图论”的基础——这是网络理论中的第一个真正的证明。1741年，欧拉发表了他的论文《求解几何问题》(solve tio problematis ad geometriam situs pertinentis)，描述了哥尼斯堡桥问题的一个假设解。
图论从此成为电路和化学结构领域的重要方法。随着小世界和无标度网络模型的发现，图论的现代时代开始于20世纪90年代末，使大脑连接模式的量化成为可能。图论指标被用来研究大脑网络的拓扑组织，并表征有意义的功能分离和整合。
本文的重点是了解目前关于图论分析在神经工效学背景下的应用的知识状态。神经工效学，研究大脑和工作中的行为，应用神经科学的方法和工具来阐明人类行为的神经特征。
大脑拥有五种不同类型的电波，在文献中有各种各样的大脑信号分类。最广泛使用的分类是基于以Hz测量的五种脑电波频率：delta (0.5 - 4hz)，theta (4 - 8hz)，alpha (8 - 13hz)，beta (13 - 30hz)和gamma (30 - 150hz)。表1根据频率范围总结了不同类型大脑信号的信息，并描述了心理和行为状况。
表1描述、心理和行为状况以及大脑中的位置对大脑信号频率进行分类
人类的大脑由四个主要部分组成：大脑、小脑、脑干和间脑，它们共同控制着身体的所有功能。大脑拥有最多的神经元，有四个主要的叶：额叶、颞叶、顶叶和枕叶，每个叶都有特定的功能。额叶与推理、运动、计划、情感和解决问题有关。相反，顶叶与运动、识别和对刺激的感知有关。颞叶与记忆、语言和听觉刺激的识别有关，而枕叶与视觉反应有关。不同脑区之间的信息传递反映了局部分离和功能整合过程的结合。
“连接组”指的是大脑不同区域之间的连通性以及这些区域之间信息传递的方式。三种不同类型的连接密切相关：结构连接、功能连接和有效连接。结构连接包括神经元之间的物理连接，称为“神经解剖学”连接，它指的是大脑中的白质连接。功能连接是“不同大脑区域记录的生理时间序列之间的统计相互依赖性”。有效连通性是指一个神经元对另一个神经元的因果效应和有向影响。功能和有效的连接是通过在多个时间点上采样记录的信号来确定的，这提供了对大脑功能更好的理解。
神经工效学领域一直致力于研究工作和日常环境中的大脑信号。神经工效学研究中使用的有用分析方法的数量正在迅速增加；然而，神经工效学背景下的脑功能连通性和网络拓扑结构在很大程度上是未知的。大脑网络通常由不同的神经成像技术收集的数据建模。现代脑电图(EEG)系统具有无创、便携、无线和易于使用的特点，对神经工效学研究非常有吸引力。由于功能磁共振成像(fMRI)具有良好的空间分辨率，功能连接研究的大量工作主要集中在血氧水平上。然而，这种技术的时间分辨率低，只能间接测量大脑活动。为了研究与大脑活动有关的动态认知过程和信息流的定向，一种高时间分辨率技术，如脑电图，能够捕捉亚秒级时间尺度的大脑活动的时间动态，并反映神经元状态的快速变化。此外，脑电图能够捕捉丰富的时间信息，帮助识别信息在不同大脑区域之间的流动方向。
在过去的二十年中，脑电图连通性在临床研究中获得了相当大的兴趣。Stam等人首次将图论应用于脑电图数据，他们比较了对照组个体和阿尔茨海默病患者的脑功能网络。然而，对于日常活动中的健康参与者，我们知之甚少。自神经工效学出现以来，试图表征脑电图数据的研究一直局限于利用单个电极对脑电图信号进行传统分析，对不同电极之间的相互依赖性研究较少。
以前的研究已经成功地量化了人类在各种各样的认知和生理任务下的状态；然而，还需要进一步的研究来了解在日常任务中大脑区域之间的动态时间相互作用。因此，本文试图通过计算任务诱发脑电图数据中的图论度量来回顾大脑连通性的模式。
与之前的综述相比，本文仅限于利用神经工效学领域相关健康参与者的功能性脑连接数据的脑电图研究。此外，我们总结了脑电图数据功能网络构建的途径。目前系统综述的主要重点是提供一个框架，以促进功能脑网络分析在不久的将来在神经工效学领域的应用。
2.方法
研究问题：
RQ1:随着图论的出现，有哪些应用被用于模拟人类认知和运动处理?
RQ2:如何用计算方法来描述认知功能和运动加工的潜在神经机制?
RQ3:脑电图对连接体有什么影响?
RQ4:如何使用脑电图数据建立无向、无加权的脑功能网络模型?
RQ5:与传统方法相比，图论方法在描述由脑电图测量的人类认知和运动的潜在神经机制方面是否有用?
RQ6:如何在神经工效学中实现大脑连接模式的建模计算方法?
搜索策略：
在Google Scholar, Science Direct, IEEE Xplore, SpringerLink, Ergonomics Abstracts, and ProQuest 中搜索electroencephalography，OR EEG，AND graph theory OR functional connectivity OR brain network。详细的流程见图1。
图1 本文使用的方法和选择过程流程图
理论背景
A.功能连接
功能连通性衡量的是大脑不同区域记录的生理时间序列的统计依赖性。由于功能连接是分析功能神经成像数据和开发计算机模拟模型的最佳选择，它已被许多研究采用。由于功能连通性的计算高度依赖于脑活动在时间序列上的变化，脑电图(< 1 ms)等高时间分辨率技术是反映神经动态和快速反应的最佳选择。此外，脑电图是一种非常有前途的连通性分析和因果推理方法(RQ3)。区域对之间的统计依赖性使用不同的方法进行测量，分为线性、非线性和基于信息的技术。它们对两个时间序列之间的线性和非线性统计相关性都很敏感，可以用来评估因果关系。
表2概述了最常用的功能连通性评估方法。
(3)是时域分析、频域分析，还是跨频率耦合;
(4)是线性、非线性还是基于信息的技术;
(5)对容积传导的敏感性
当分析来自特定神经生理学技术的单个信号的特征时，应该使用单变量分析，而当结合不同的神经生理学技术时，通常使用多变量分析。大量证据依赖于线性方法；然而，也有一些研究者使用非线性分析方法来检测大脑的非线性现象。另一些作者反对使用非线性方法，因为它们非常容易受到噪声的影响。
B. 图论分析的理论方面
在过去的二十年中，应用图论对神经生理数据进行量化，在诊断诸如癫痫、精神分裂症、阿尔茨海默病、中风后康复等脑疾病方面，得到了生物学和神经科学的广泛关注。随后的几项工作旨在研究大脑对任务调制的响应的拓扑结构。本文介绍的大多数研究主要集中在认知神经科学；因此，当前综述的目的之一是阐明大脑在工作和日常任务中的功能连通性。
C.图论方法
一般的图方法如图2所示来表征。
图2 包含八个节点和十个边的网络的一个小型表示
（1）基于脑电图数据构建脑功能网络的流程步骤
下面的11个步骤展示了使用脑电传感器方法或空间源方法(解决RQ4)的脑电数据图论构建功能性脑网络的完整流程。在当前的研究中，我们简要描述了这两种方法所需要的步骤，主要集中在非加权网络上。我们总结了所有步骤，从脑电图大脑信号的获取开始，到大脑网络的统计描述结束(图3)。
图3 利用图论构建基于脑电图数据的脑功能网络的流程示意图。绿线定义了第一种方法，称为“传感器信号”或“单个通道”方法，而红线定义了第二种方法，称为“脑电图源连接”。(a)将装有电极的帽子放在头皮上。
(b)记录脑电时间序列。
(c)对数据进行预处理，包括清洗、滤波、去除伪影和分段。
(d)通过首先估计或成像头部模型(方法2)来解决逆问题。
(e)源重建(方法2)。
(f)将重建的时间源分割到ROI(方法2)。
(g)定义ROI。
(h)为选定的ROI构造连接矩阵。
(i)为所选EEG通道建立连通性矩阵(方法1)。
(j)应用阈值(s)对连通性矩阵进行二值化(方法1和方法2)。
(k)构建EEG电极之间的头皮功能脑网络。
(l)构建ROI内皮层功能脑网络。
(m)利用网络拓扑性质计算图论测度。
(n)应用统计分析方法。
(o)必要时对不同的状态进行分类。
a 定义脑网络的节点
大脑网络的节点代表大脑区域。定义网络节点是一个具有挑战性的步骤，并显著影响大脑网络分析的结果[83]。在脑电图研究中，节点的定义有两种方法。第一种方法被称为“传感器信号”或“单个通道”，依赖于脑电图电极的预定义标准放置(图3a)。
虽然这种方法很简单，但容积传导是降低空间分辨率的主要原因，可能会影响功能连通性估计的准确性。因此，第二种基于脑电图源空间连通性的方法被提出，它可以通过将大脑细分为不同的区域，并根选择感兴趣的区域，从大脑地图集中单独分离出感兴趣的解剖区域(ROIs)来实现。在记录EEG信号(图3b)、预处理和分段(图3c)后计算源空间。反演问题可以采用真实头模(图3d)来重建源水平时间序列(图3e)，并根据模板分割为不同ROIs的时间序列(图3f)，从而获得某个脑区的时间序列(图3g)。
b EEG数据预处理
要进行滤波，分段，去噪，去伪迹来获得干净数据。
c 定义边
边代表不同神经元或大脑区域之间的连接。功能连接可能提高了节点之间关系的更多信息。
d 计算连接矩阵
连接矩阵称为邻接矩阵，包含有关连接模式之间关联的信息。连通性用一个N × N对称矩阵来描述，其中行(i)和列(j)表示节点，矩阵项(aij)表示边。有两种类型的指标：一种是基于通道(图3i)，另一种是基于大脑区域(每个大脑区域对的电流密度)(图3h)。
e 将连通性矩阵转换为二值化矩阵
进行矩阵二值化，将相邻矩阵转换为无加权矩阵(图3j)。对于矩阵二值化，为每个元素计算一个阈值。如果每个对的相关性度量超过阈值，则在节点对之间添加边(否则不存在边)。
f 选择一个阈值
最优阈值在文献中是一个悬而未决的问题。阈值化通过消除网络中的弱、噪声和不重要的边，帮助简化大脑网络计算的复杂性。此外，阈值划分有助于定义零模型进行统计比较。阈值的选择显著影响网络拓扑属性和检测群体、年龄和性别差异的能力。选择不适当的阈值方法会造成不稳定性并增加偏差；因此，仔细的选择是至关重要的。一个关键因素是选择一种能够控制和最小化第一类错误(即假阳性)发生的方法。
有文献报道了一些适当阈值选择的标准。阈值划分方法多种多样，包括固定阈值、固定平均度、固定边密度。然而，没有一种方法是没有偏差的。
g 功能连接估计
表2总结了功能连接估计方法之间的比较。遗憾的是，目前还没有一种能对功能连通性进行普遍评估的最佳方法。
h 构建网络
数学上，网络是一个矩阵，将二值化的矩阵转换为稀疏连通图，表示为头皮网络(图3k)或皮层网络(图3l)。
i 使用图论分析数据
通过分析网络的拓扑特性，使用不同的图论度量来量化网络结构(图3m)。图论用于从功能连接网络中提取特征。
j 统计分析
采用统计方法比较图论度量和拓扑网络属性，并评估其统计显著性(图3n)。这一步通常是通过比较两种不同的状态(警觉vs.嗜睡)、条件(运动vs.休息)、人群(健康vs.患病)或性别(男性vs.女性)来完成的，或者通过将结果与理论参考网络进行比较。
k 分类条件状态
有几种方法被用来对不同的大脑状态进行分类(图3O)。功能连通性评估被用于对疲劳和非疲劳状态进行分类，而手部运动则基于网络节点强度进行分类。其他分类算法，如人工神经网络和支持向量机，已被用于对具有连通性特征的心理工作量和精神疲劳进行分类。
D.图论度量网络拓扑性质
为了定量研究网络性质，计算了网络测度。表3给出了通常被分类为全局(图)和局部(节点)度量的常用网络度量的简短非数学描述。
表3 经典的网络测量指标
（1）网络类型
网络有四种类型：正则的、有序的或格子状的网络；随机网络；小世界网络；和无标度网络(图4)。根据局部分离的数量(通过CC表示)和节点之间的全局整合(通过PL表示)来区分这些不同的网络。正则网络具有较高的CC（聚类系数）和较长的PL（路径长度），这表明该网络具有较强的鲁棒性，但在信息传输方面效率较低。相比之下，随机网络具有较小的CC和较短的PL，这表明该网络在传递信息方面是有效的，但不那么鲁棒性。
小世界网络介于正则网络和随机网络之间，具有类似于随机网络的短PL（路径长度），比正则网络更高的CC（聚类系数）。就分离、整合、成本和性能而言，小世界网络被认为是接近最优的网络。无标度网络由于其极短的路径长度而具有独特性，并以幂律度分布在全局通信和局部通信之间实现了平衡。
如果您对脑电等数据分析感兴趣，可浏览思影科技课程及服务，感谢转发支持（可添加微信号siyingyxf或18983979082咨询，另思影提供免费文献下载服务，如需要也可添加此微信号入群）:
上海：
第三十六届脑电数据处理中级班（上海，11.13-18）
第二十八届脑电数据处理入门班（上海，11.20-25）
南京：
第五届脑电机器学习数据处理班（Matlab版本，南京，11.3-8）
北京：
第五届R语言统计班（北京，11.16-20）
数据处理业务介绍：
招聘及产品：
思影科技招聘数据处理工程师 （上海，北京，南京，重庆）
3 结果
本文展示了使用大脑连接技术和图论度量的大脑功能研究的增长趋势(图5)。我们预计未来的研究数量将在未来几年大幅增加。
图5. 基于脑电图数据的神经工效学相关图论研究每年发表的散点图。
质量评估
为了评估这些研究中证据的强度，我们应用了医疗保健研究和质量机构的标准。高质量的研究被认为有较低的偏倚风险；中等质量的研究有两个不明确的标准；低质量的研究被认为有很高的偏倚风险。如果低风险区域的数量分别≥4个、= 3个或≤2个，则研究的总体质量分为良好、一般或较低。
在纳入本系统综述的57项研究中，n=18被归为高质量，n=7被归为中等质量，n=32被归为低质量(图6)。
图6 使用Cochrane协作工具评估偏倚风险。
本文对不同领域的表现进行了分析，发现目前的研究主要集中在疲劳方面，其次是工作负荷评估。
总体而言，证据表明认知功能(80%)比运动加工(20%)更常被提及。评估功能连通性的技术，包括PLV、PDC和PLI，显示出最大的潜在影响(40%)(图7)。许多研究(n=9)采用了PLV技术，因为它克服了使用传统相干方法的局限性，计算了EEG信号之间的线性相关性。在使用频率上，PLV技术之后是PDC，因为该技术允许评估脑电图信号在频域的统计依赖性。此外，Stam等人建议将PLI用于非平稳脑电图数据。PLI对容积传导的敏感度低于其他连通性测量。加权网络的使用导致丰富的拓扑大脑组织；然而，许多选定的研究使用了非加权网络，称为“二值化网络”，而只有少数使用了加权网络。CC（聚类系数）和PL（路径长度）是最常使用的图论指标(分别为n =33和26)(图8)。我们进一步发现，大约79%的研究分析了无向网络，而21%评估了有向网络。CC和PL都有助于小世界组织的评价。CC用于量化大脑的功能分离，而PL用于量化网络整合。此外，全局和局部的计算都依赖于这两个度量。
图8 图论度量的频率。
图9 研究的人口分布包括健康的男性和女性参与者
任何脑电图功能连接网络的一个关键方面是节点数的选择，节点数由记录电极通道数表示。在文献中发现了这一选择的两个建议。一个更密集的电极分布导致高聚类系数，可能覆盖更多的领域，以供未来的研究。
此外，大量电极增加了源估计和信号预处理的准确性。相比之下，García-Prieto等、Li等和Wang等建议电极少于32个，表明少量电极足以覆盖ROI并获得可靠的信息。Luck还建议使用少量的电极，这表明使用16-32个活性电极可以更好地监测大脑活动。在以前的出版物中使用的电极编号总结在表4中。根据我们的分析，有20项研究遵循了第一个推荐条件：电极>=64，31个研究电极数<=32，剩余的研究（n=6）在32-64之间。
表4 不同电极数量的研究
研究的人口分布包括健康的男性和女性参与者(图9)。其中21项研究仅使用男性，而没有一项研究仅使用女性。大多数研究中男性的数量高于女性(n=16)。其余的研究(n=9)没有精确地描述参与者的性别数量，如绿条所示(图9)。
4 讨论
本节描述了研究的主要发现。在不同的认知和生理状态下，脑功能网络结构发生了相当大的变化。
图论在功能脑网络分析中的应用：本小节分为六个主要领域：疲劳、工作负荷、工作记忆、努力、感知和运动处理。在认知过程中有一定程度的重叠。例如，认知工作负荷直接关系到工作记忆的资源分配及其与注意力过程的关联，而注意力过程会受到精神疲劳的严重影响。
疲劳的连通性研究
精神疲劳是一种复杂的心理生物学状态，在长时间的任务中需要高水平的认知和运动活动。一般来说，疲劳会减慢反应时间，增加错误率，增加睡意，并导致肌肉骨骼疾病，从而降低人的表现。之前的研究已经在现实应用中解决了心理疲劳的潜在神经机制。特别是在神经工效学文献中，精神疲劳对车辆驾驶的影响备受关注。alpha和theta波段的功率已被证明是与疲劳有关的神经变化的可靠指标。两个频段的功率显著增加主要与额叶皮层、内侧前额叶皮层、额中央、枕叶和顶叶大脑区域的精神疲劳有关。近年来认知神经科学的研究探讨了疲劳任务完成后大脑各区域之间的相互作用。额叶、中央和顶叶的功能连通性与精神疲劳密切相关。在完成需要持续注意力的任务时，额中回和几个运动区域是相互联系的。在疲劳状态下，感觉运动区域的左右半球之间的连接模式也有所不同，这与Liu等人在不同大脑区域的发现相似。
此外，有研究发现，疲劳后任务比疲劳前任务的功能连通性更紧密，这表明人类大脑在疲劳时表现出更强的耦合，以维持信息传递，直到所需的任务完成。与清醒状态相比，在困倦状态下，alpha和theta波段有更高的相位相干性，delta波段有更高的PLI，表明相位一致性较高。
然而，文献中也存在矛盾；例如，据报道，随着精神疲劳的增加，顶叶到额叶区alpha带的功能连通性以及额叶到顶叶区alpha带和beta带的功能连通性变弱。此外，已有研究表明，在从清醒到睡意的转变过程中，额枕alpha相干值下降。上述研究的结果支持皮质-皮质功能耦合的概念——主要在大脑皮层的额叶、中央叶和顶叶——可以在短时间内表征大脑在精神疲劳时的特征。
大脑网络拓扑特性的变化反映了人类的精神状态。例如，alpha波段最大特征值的增加反映了表现的下降。在做脑力工作时，注意力不集中的特征是delta和theta波段的PL（路径长度）降低，而CC（聚类系数）增加。结果表明，疲劳可能导致局部效率增加，而全局效率减少，提示大脑资源可能被重组，区域间的相互作用可能受到抑制。这一趋势反映了人类大脑在疲劳时整合信息的能力下降，导致了一个小世界的配置。由精神疲劳引起的意识缺失已被证实为36-44 Hz的CC和全局效率的增加。
在delta节律和所有频带中，右顶叶区域的度中心性程度增加，表明节点之间连接良好，警觉性降低。然而，相反的结果也被证明了，例如未连接节点的百分比增加，这表明在从清醒到睡意的转变过程中连接出现了故障。此外，一些研究报告显示，疲劳任务后，大脑的CC、平均度和网络密度会降低，而PL会增加。
疲劳时也观察到额叶皮层的介数中心性增加。任务中间休息(休息)是提高大脑网络效率的有效方法，从而减轻疲劳的发生，在两个任务之间休息后，CC和PL都略有增加。由于人类的表现会随着时间的推移而下降，因此在任务上花费的时间与网络指标(主要是节点度、CC和PL)之间存在正相关关系。然而，一些研究的结果与这些发现相悖，在任务上花费的时间增加会导致网络拓扑的线性减少。随着花在任务上的时间的增加，PL的增加和小世界的减少会导致不太理想的大脑网络。此外，任务时间的延长降低了中央区和左侧额叶区域的网络介数，而增加了右顶叶区域的介数。
心理负荷的连接研究
心理负荷是人类工程学领域中最广泛使用的概念之一，作为一个多维结构，可以根据满足任务需求的可用资源来定义。基于神经数据的心理负荷评估在神经工效学研究中一直很有兴趣。认知负荷的神经指标，包括基于脑电图的负荷，已经在人机交互和虚拟驾驶环境的背景下进行了讨论。
额、枕theta和顶叶alpha波的PSDs已被证明是一种鉴别精神负荷状态的强大评估工具。随着任务难度的增加，顶叶alpha降低，额叶theta增加，然而，其他研究的结果并不一致。
不同难度水平的区别体现在大脑网络的功能连接上，主要在前额叶和顶枕区。此外，功能连通性的下降已被证明表明，在完成困难任务时，人类准确性的下降。与难度较低的任务相比，在难度较高的任务中，顶枕区域的PLV较低。在高认知负荷下，所有大脑区域的alpha波段的加权PLI值均显示下降，而在身体任务中，theta波耦合明显增加。Dimitrakopoulos等人根据功能连通性分析得到的特征发现，与认知任务难度相关的大多数变化发生在额叶theta和beta活动中。
认知困难水平和认知障碍检测之间的区分可以通过分析图论测量来实现。在高和低的认知或体力工作负荷之间，模式有所不同。此外，左半球与右半球的结果可能不同。这些分类的重要性可以帮助描述工作场所的危险情况。
Eglobal和Elocal值对工作负荷水平有重大影响，其中alpha和beta 的Elocal活动的增加与工作负荷水平的升高有关。Eglobal beta模式显示了一个独特的趋势。Huang等人观察到，在玩耍过程中，theta的Elocal降低，beta的Elocal升高。此外，与静息态下的网络组织相比，beta Eglobal较低，theta Eglobal较高。在数学处理任务从数感到检索的过渡过程中，观察到delta、theta和alpha的 Elocal和Eglobal增加，主要在额顶区。特别是，努力程度的增加会导致Eglobal的增加，从而产生更整合的网络和更高的并行信息传输速率。分离过程的减少反映在CC（聚类系数）和模块化的减少上。Zhang等人报告称，在困难任务中，beta和低gamma的模块性更少，聚类更少，Eglobal较高，Elocal较低，物理同步距离更大。此外，在高工作负荷下，alpha和beta CC的减少，而中央和顶叶大脑的alpha强度显著增加。这些结果都说明在高工作负荷下，人类的脑网络存在小世界属性（较少的聚类和更广泛的效率）。有趣的是，Klados等人观察到，最佳的小世界组织在数学任务和休息时都很明显。Vijayalakshmi等人证明了不同电极之间的高度相互作用和beta的大脑功能分离的增加。
在认知加工过程中，局部属性似乎比全局属性更关键。例如，在目标识别任务中，局部CC要比全局CC大得多。此外，节点强度在额叶和左半球表现出比全局活动更高的值。此外，在手指运动任务时，在运动执行区的Enodal增加。
C、工作记忆的连接研究
认知脑功能可以通过工作记忆训练得到改善，这体现在拓扑网络的改变上，主要是在beta。Taya等人证明，训练过程中高频频段的全局网络特征增加，而局部特征和小世界减小。有趣的是，介数在额叶和颞叶区域表现出变化。然而，Langer等人发现，在训练诱导的工作记忆中，theta CC（聚类系数）增加和 PL（路径长度）减少。因此，训练提高了局部网络的连通性和传输信息的全局效率。
当将训练有素的记忆序列实验与新任务进行比较时，额叶和后顶叶theta的相位相干性更强。在工作记忆任务中，受过良好教育的参与者的大脑组织不如受教育程度较低的参与者有组织。此外，在训练后的theta相干中发现了大尺度的网络重构。尽管连接组方法在认知训练下的脑组织研究中应用有限，但该方法在认知功能的表征方面很有前途。
工作记忆的研究主要集中在顶叶、额叶和顶叶-枕叶脑区alpha和theta之间的功能相互作用。Klimesch报告说，长期记忆导致alpha的不同步，而短期记忆导致theta的同步。在不同的负荷记忆水平下，发现额叶和顶枕区theta和alpha的相位同步性发生变化。
在编码、存储和检索过程中，在所有频带中观察到不同的拓扑性质。工作记忆任务需要高度的认知努力，导致较低的聚类和模块化配置，但alpha、beta和gamma的Eglobal值较高。在比较工作记忆任务与休息任务时，我们观察到theta的功能整合程度较高，alpha的功能分离程度较低。因此，在所有频带内记忆的存储和检索方面，小世界拓扑结构是明显的。
D、运动的连接研究
大脑的对侧躯体感觉区、同侧躯体感觉区和运动区与运动加工功能密切相关。在运动发生前，大脑的对侧半球会有信息转移到同侧半球，而在运动发生后，则会发生相反的模式。在运动准备过程中网络连边的增加表明，为了执行运动相关的任务，需要更高程度的信息交换。此外，在准备和执行手指移动任务时，观察到可达性（accessibility）降低和中心性增加。
不同的干预策略可以观察到不同的耦合模式。特别是，在骑行任务中，不同的强度水平会在前额叶运动区和中央区域的alpha和beta带产生不同的大脑连接模式。此外，在完成身体和视觉疲劳任务后，还观察到顶叶和枕叶的同步性增加。在手指敲击任务中观察到beta波段的互信息值增加，反映了信息流的增加。最后，在从静息状态到手部运动的过渡期间，感觉运动区和前额叶区之间有很强的相互作用。
在左向和右向移动任务中考虑了局部网络属性，以便对不同的移动进行分类。Ghosh等人表明，节点强度可以应用于手部动作的分类，而不需要分类器。左侧感觉皮层和双侧初级运动皮层的Enodal值在运动相关任务中增加，但在后顶叶区减少。此外，研究人员观察到，在手臂运动过程中，运动区域的功能连通性增加，节点可达性降低，节点中心性增加。两年后，同一个研究小组发现，手臂的运动显著降低了网络连通性，主要是在alpha和beta波段，只在左臂运动时降低了加权PL。然而，CC和小世界都没有表现出任何显著的变化。Jin等人在手指运动和休息任务期间观察了alpha和beta波段网络中的小世界属性。内侧运动前皮层和双侧前额叶皮层的gamma和beta带似乎有更大的连通性和更高的CC，但在运动任务中较短的PL。研究表明，上顶叶体感觉皮层的低频beta和gamma的hubs的显著变化可表征视觉运动关联。通过比较运动任务中谱相干与虚部相干的节点度，发现谱相干网络在对侧运动皮层的表现优于虚部相干网络。
E、身体锻炼的连接研究
身体锻炼与工作负荷直接相关，反映了受试者在体育锻炼中可能面临的疲劳、紧张、努力强度和不适感。在与体力消耗有关的工作记忆任务中，在额叶区域观察到部分theta相干性的增加。在CC中最初观察到一个有趣的u型模式，theta的CC在体力消耗任务和脑力任务中都增加，当任务变得更加困难时显著下降。这项研究将调查范围限定在额区;然而，未来的研究应该调查整个大脑的拓扑特性。Comani等人观察到在不同负荷水平下信息流的双边连接模式。最近的一项研究探讨了在骑行任务中大脑的功能模式和网络拓扑。针对六种不同的困难，在EEG源水平计算了三种图论测度。在alpha和beta波段，局部效率保持不变，表明疲劳并没有改变大脑网络的分离。由于对警觉性的要求很高，任务前后的全局效率变化明显。然而，在高耐力阶段，网络密度在beta波段下降，说明了决策过程的影响。
F、知觉的连通性研究
感知的研究需要比较几种认知功能(如注意力、意识和记忆)和任务的持续时间。一项研究报告了在目标识别任务中，额顶区theta相位同步耦合的显著变化。此外，在对目标的认知加工过程中，还表现出低模块化、高聚类、节点hubs间强交互等特征。花在一项任务上的时间直接影响参与者的情绪、觉醒状态和认知负荷。Ghaderi等人研究了在时间感知任务中大脑的非线性差异。两组参与者——高估时间和低估时间的参与者——在beta CC上表现出了显著的差异。此外，更高的任务努力知觉显示了前额叶-运动区强烈的beta相干耦合。高估组的全局效率、传递性和度均低于低估组。
5 局限和未来方向
目前的研究结果表明，人们对研究与执行特定任务有关的大脑连通性越来越感兴趣。本文还论证了在脑电数据中使用图论度量可获得可靠和可行的结果；然而，要取得进一步进展，还必须克服许多挑战。图论指标在神经工效学中的应用将帮助科学家研究日常活动中的连接模式，并可能提供更丰富的关于大脑活动的信息。因此，未来的工作应该专注于在不同的实际应用中使用图分析测量。目前综述中讨论的研究缺乏具有生态有效性的设计。关于疲劳和工作负荷任务的研究是在控制良好的模拟环境中进行的(即驾驶和领航)。运动任务仅限于手指动作，如敲击。对知觉的研究一直局限于经典的oddball实验。日常设置中经常执行的任务，如处理、举、抓、抓、拉、推、组装、分类、手动检查和下肢运动，都没有使用图论指标很好地量化。因此，需要新的探索性研究来解决现实世界的应用。
脑电图优越的时间分辨率有助于捕捉大脑活动的快速动态变化。很少有研究考虑神经信息的流向。这些研究使用格兰杰因果关系、DTF、PDC和广义PDC来量化两个信号之间的相互作用和因果关系的强度。这些方法从信号Y的过去预测信号X的未来，反之亦然。频域方法因其能够提取不同频段的神经变化而更常被推荐用于脑电图。
已有一些研究对脑电图数据的静态功能连通性进行了研究。人类的大脑是一个复杂的系统，随着时间的推移有着动态的行为。一种被称为动态脑网络的扩展方法被用于追踪功能脑网络的时空动态。它基于脑电图源连通性与滑动窗口方法的结合。在基于任务的研究中，甚至在静息状态研究中，都观察到连接模式的重构随时间的变化。
6 结论
本文系统综述了利用任务诱发脑电图数据研究脑功能连接网络的趋势。基于信息处理的全局整合和局部分离，图论度量已成为描述功能交互的有价值和可靠的指标。基于57篇文章的分析，我们展示了认知和运动功能的不同领域。我们还提供了关于所选应用的分布、功能连接的估计技术、图论度量、参与者数量和使用的电极数量的信息。此外，我们提出了脑功能连通性的概述和图论的理论方面。这些结果为构建脑电功能网络提供了一个有用的框架，以避免最常见的陷阱。
更多的综述研究关注认知功能而不是运动处理任务；然而，证明大脑网络分析在现实任务中的应用的研究是有限的，缺乏具有生态有效性的设计。实验结果的异质性可归因于多种因素，导致不同研究的结果不一致。在实践中，图论度量——主要是CC和PL——是最常用的度量，因为它们反映了大脑网络的功能和全局整合。大多数关于疲劳相关任务的研究都证实了人脑整合信息的能力下降。较高的任务难度导致较少的分离过程和更多的整合网络，主要是在低频波段。在手指运动、记忆的存储和检索、高工作负荷，在任务上花费的时间增加和涉及精神疲劳的任务中，都证明了小世界网络的存在。经审查的文章的偏倚评估显示偏倚风险很高。解决选择性数据报告等问题应能在未来的出版物中减少这种偏倚的风险。总之，使用图论度量的连接组分析可能为神经工效学领域的新思想铺平道路，并最终导致更安全的工作设计。我们的系统综述的发现应该有助于理解可以应用于脑电图数据分析的计算方法，主要是使用图论。
如需原文及补充材料请添加思影科技微信：siyingyxf或18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。另思影提供免费文献下载服务，如需要也可添加此微信号入群，原文也会在群里发布，如果我们的解读对您的研究有帮助，请给个转发支持以及右下角点击一下在看，是对思影科技的支持，感谢！
微信扫码或者长按选择识别关注思影
非常感谢转发支持与推荐
欢迎浏览思影的数据处理业务及课程介绍。（请直接点击下文文字即可浏览思影科技所有的课程，欢迎添加微信号siyingyxf或18983979082进行咨询，所有课程均开放报名，报名后我们会第一时间联系，并保留已报名学员名额）：脑电及红外、眼动：南京：
第五届脑电机器学习数据处理班（Matlab版本，南京，11.3-8）
上海：
第三十六届脑电数据处理中级班（上海，11.13-18）
第二十八届脑电数据处理入门班（上海，11.20-25）
核磁：重庆：
第二十八届弥散成像数据处理班（重庆，11.5-10）
第六届弥散磁共振成像提高班（重庆，11.17-22）
第二十三届磁共振脑影像结构班（重庆，11.27-12.2）
第二十五届脑影像机器学习班（重庆，12.5-10）
南京：
第七十一届磁共振脑影像基础班（南京，11.12-17）
第二十九届弥散成像数据处理班（南京，11.19-24）
第二十六届脑影像机器学习班（南京，12.9-14）
上海：
第三十一届磁共振脑网络数据处理班（上海，10.28-11.2）
第六十九届磁共振脑影像基础班（上海，11.4-9）
第十四届任务态功能磁共振数据处理班（上海，11.30-12.5）
北京：
第十一届磁共振ASL（动脉自旋标记）数据处理班（北京，11.3-6）
第七十二届磁共振脑影像基础班（北京，11.9-14）
第六届影像组学班（北京，11.25-30）
第三十四届磁共振脑网络数据处理班（北京，12.3-8）
数据处理业务介绍：
思影科技功能磁共振(fMRI)数据处理业务
思影科技弥散加权成像（DWI/dMRI）数据处理
思影科技脑结构磁共振成像数据处理业务（T1)
思影科技定量磁敏感（QSM)数据处理业务
思影科技啮齿类动物（大小鼠）神经影像数据处理业务
思影科技灵长类动物fMRI分析业务
思影数据处理业务三：ASL数据处理
思影科技脑影像机器学习数据处理业务介绍
思影科技微生物菌群分析业务
思影科技EEG/ERP数据处理业务
思影科技近红外脑功能数据处理服务
思影科技脑电机器学习数据处理业务
思影数据处理服务六：脑磁图（MEG）数据处理
思影科技眼动数据处理服务
招聘及产品：
思影科技招聘数据处理工程师 （上海，北京，南京，重庆）
BIOSEMI脑电系统介绍
目镜式功能磁共振刺激系统介绍
