语言处理是人类认知的重要功能，涉及到多个复杂的脑区协同工作。近年来的研究表明，颞叶、额叶和顶叶等皮质区域在语言处理中的作用不可忽视。然而，语言网络中这些区域之间的协同模式以及如何参与到语言功能尚不明确。功能性磁共振成像（fMRI）常被用来研究这些区域，但由于其时空分辨率的局限，无法准确捕捉快速变化的神经活动。相比之下，脑电皮层图（ECoG）技术因其高时空分辨率，能够更精确地记录大脑活动，尤其是在探究皮质节点在语言功能中的作用时表现优越。

本文的目标是确定大脑中哪些皮质节点对语言功能至关重要，并揭示这些节点在语言子网络之间的桥梁作用。研究团队通过ECoG技术记录患者在执行语言任务时的脑电活动，重点分析高伽马频段（70-150Hz）的神经活动，并结合机器学习技术预测语言功能中的关键节点。研究发现，语言功能中的重要节点不仅在其所在的子网络中起到核心作用，同时也通过连接其他子网络，参与更广泛的信息整合。

研究方法

1. 参与者

本研究涉及16名癫痫和脑肿瘤患者，所有患者均需要进行开颅手术，并在手术前后接受ECoG记录。癫痫患者由于癫痫发作难以控制，需要进行大脑监测以确定癫痫灶的位置；而脑肿瘤患者则需要在手术过程中对语言功能区进行精确定位，以防止手术损伤关键的语言区域。这两类患者在进行手术时，医生可以利用ECoG设备通过电极直接记录大脑表面不同区域的神经活动，为研究提供高时空分辨率的数据。每名患者在手术过程中均接受直接电刺激（DES），通过刺激不同的皮质区域来诱发语言错误或语言停滞，以此确定语言功能的关键区域。

患者的脑电记录区域覆盖了语言处理相关的多个脑区，主要集中在左半球的颞叶、额叶和顶叶。特别是左侧额下回、颞上回等区域被认为在语言产生和理解中起到了核心作用，因此这些区域成为研究的重点记录对象。通过对不同脑区进行电刺激，研究者可以确定哪些区域在语言处理过程中至关重要。

2. 实验任务设计

为了激活参与者的语言网络，研究者设计了一系列语言任务，最主要的是单词阅读任务。参与者在屏幕上看到一个单词，并被要求在不同的条件下大声朗读出来。每个单词的呈现时间为约2秒，部分参与者在单词出现后立即朗读，而另外一部分参与者需要在延迟之后等待提示才进行朗读。通过这种设计，研究者能够捕捉到参与者在准备语言输出和实际发声时的大脑活动差异。任务期间，ECoG系统记录了大脑不同区域的高伽马频段活动（70-150Hz）。伽马波频段在认知功能中扮演着重要角色，特别是高伽马频段被认为与神经元局部活动密切相关。通过记录高伽马频段的波动，研究者能够实时监控大脑在语言任务执行中的动态变化。

3. 数据预处理与功能连接分析

为了确保数据的准确性，研究者在数据处理过程中进行了多次滤波和噪声去除。首先，ECoG数据经过带通滤波，滤除了60Hz的电源噪音以及其他高频和低频干扰。然后，研究者对数据进行Hilbert变换，提取信号的瞬时振幅，并通过平方处理获得高伽马频段的功率谱密度。这个步骤确保了数据能够反映出大脑皮层的局部神经元活动。

在数据清理阶段，研究者通过人工和自动化相结合的方式，去除了含有过多伪影或信号噪声的电极。特别是在存在癫痫放电的情况下，这些电极的信号会干扰正常的脑电活动，因此需要从数据集中剔除。最终，每个参与者的数据经过去噪、平滑和标准化处理，以确保后续分析的准确性。

接下来，研究者计算了每对电极之间的Pearson相关系数，这些相关性反映了不同脑区在任务期间的功能连接强度。通过计算高伽马频段功率的相关性，研究者生成了每个参与者的功能连接矩阵，这些矩阵反映了语言任务期间大脑皮质不同区域之间的连接模式。

图2 | 网络图。PC参与系数，S强度，CC聚类系数，LEff局部效率，EC特征向量中心性。A 说明共分配的图表。两个用黄色轮廓线标记的共分配节点位于同一社区（深蓝色填充）内；两个用蓝色轮廓线标记的节点位于两个不同的社区（品红色和橙色填充）内——即，不是共分配的。

4. 网络生成与社区结构检测

为了更好地理解大脑语言网络的结构，研究者使用了模块化最大化方法（Louvain算法）来检测大脑中的社区结构。社区结构指的是大脑网络中内部连接紧密而与外部连接较少的节点群体。在语言网络中，社区结构可能对应于处理不同语言任务（如语义处理、语法解析或语音输出）的功能子网络。

通过对每个参与者的数据进行多次重复分析，研究者确保了社区检测结果的稳定性。研究发现，语言网络通常可以划分为4到6个不同的子社区，每个子社区中的节点之间连接较为紧密，而不同子社区之间的连接相对较少。

在社区结构检测的基础上，研究者进一步计算了每个节点的参与系数、局部效率、聚类系数和特征向量中心性等网络指标。参与系数（PC）用来衡量一个节点与不同社区的连接强度，较高的PC值意味着该节点是一个“连接器”，在不同社区之间传递信息。局部效率和聚类系数则反映了节点在其局部网络中的连通性，较低的值意味着该节点的连接主要集中在跨社区之间，而非局部社区内部。

5. 机器学习分类模型

为了验证这些网络特征能否预测出语言功能的关键节点，研究者使用支持向量机（SVM）和K最近邻（KNN）算法进行机器学习分类。通过10折交叉验证，研究者训练了分类器，以预测哪些节点是语言错误节点（LE）或语言停滞节点（SA）。每个节点的参与系数、局部效率、聚类系数和特征向量中心性等网络特征被用作分类器的输入特征。

除了对单个患者进行分类，研究者还测试了模型在不同患者间的泛化能力。通过留一法交叉验证，研究者训练模型预测一个新患者的关键语言节点。该方法模拟了临床应用中，利用其他患者的数据来预测新患者脑电数据中的关键语言节点。

研究结果分析

1. 语言功能关键节点的网络特征

研究表明，在语言网络中，关键节点与其他节点相比表现出独特的网络特征，尤其是导致语言错误的节点（LE节点）。LE节点的参与系数显著高于其他节点，表明它们不仅在所在的子网络中起到核心作用，还通过跨社区连接其他子网络，起到了桥梁作用。高参与系数的节点通常被认为是信息整合的关键节点，它们在不同语言处理模块之间传递信息，如在语义处理、句法解析和语言输出之间的切换。

此外，研究发现LE节点的局部效率和聚类系数显著低于其他节点。这表明这些节点在其所在的社区内部连接较少，而是更多地与其他社区的节点连接。特征向量中心性也显示出这些节点在整个语言网络中的全局影响力有限，但它们在局部子网络中的作用至关重要。

相比之下，语言停滞节点（SA节点）的网络特征则与LE节点有所不同。SA节点的参与系数较低，表明它们主要集中在一个单一的子网络中，并不广泛连接其他子网络。研究者推测，SA节点更多地参与语言的运动控制部分，如发声的准备和执行，而非复杂的语义或句法处理。

图3 | 样本参与者大脑、电极位置、网络和指标。PC参与系数，S强度，CC聚类系数，LEff局部效率，EC特征向量中心性。A 所有参与者的电极共同定位在单个模板大脑上的合成图。言语停止节点（黄色填充）主要位于腹侧前运动区域，但也在腹侧外侧前额叶和腹侧颞叶区域。语言错误节点（蓝色填充）广泛分布于周围西尔维安区域。

2. 社区结构的分布特征

通过对功能连接网络的分析，研究者发现语言网络中的关键节点往往集中在子网络的边缘位置，尤其是那些负责跨社区连接的节点。这些节点不仅在其所在社区中起到重要作用，还通过连接其他社区参与更复杂的语言处理任务。社区结构的分布特征揭示了语言网络的层次化组织，即某些节点负责局部处理任务，而另一些节点则通过跨社区连接整合信息。

研究还发现，导致语言错误的节点与导致语言停滞的节点在网络中的分布存在显著差异。LE节点更多分布在负责语义和句法处理的社区中，而SA节点则集中在与发声控制相关的运动皮层。这一发现表明，不同类型的语言功能损伤可能对应于不同的网络子模块。

图4 | 社区和网络指标。

3. 机器学习模型的性能

通过支持向量机（SVM）和K最近邻（KNN）分类器，研究者成功地预测了哪些节点是语言功能的关键节点。在单个患者内的预测中，SVM模型的准确率高达72.8%，KNN模型的准确率为70.4%，远高于随机猜测的水平（50-60%）。这些结果表明，网络特征可以有效地识别语言网络中的关键节点。

在跨患者的预测中，SVM和KNN模型的性能也表现出较好的泛化能力。即使在不同患者的大脑覆盖范围、疾病状态和电极布局差异较大的情况下，模型仍能够以超过65%的准确率预测新患者的关键节点。这一结果展示了网络特征的稳健性，表明这些特征在不同个体之间具有一定的通用性。

此外，研究还发现，假阳性节点（即被误判为关键节点的节点）往往与真实的关键节点邻近。这一现象暗示，邻近的节点可能共享相似的网络特征和拓扑结构，虽然它们在语言任务中并非直接参与核心功能，但其连接模式与关键节点有一定的相似性。

图5 | 参与者内（顶行）和参与者间（底行）分类的平衡准确性、敏感性和ROC曲线。对于参与者内分类，包括至少有一个相关类别节点的参与者；对于关键节点、LE节点和SA节点，n分别为16、13和13。A-D 每个点代表单个参与者的平均分类平衡准确性或敏感性。箱形图显示了参与者之间的中位数和四分位数范围，并且每个参与者只提供一个值。须线表示非异常值的最大范围。真实的平衡准确性和敏感性与通过标签洗牌计算的经验偶然机会进行了比较。SVN和KNN的经验偶然分类准确性平均值由每个参与者的机会箱形图表示（每个参与者一个值）。SVM、KNN以及SVM和KNN的机会数据以图例指示的不同颜色呈现。E, F ROC曲线分别呈现了SVM（实线）和KNN（虚线）分类器在分别分类SA（橙色）、LE（品红色）和关键（深蓝色）节点时的情况，由图例指示。

4. 结果的临床意义

研究的最终结果为语言功能定位提供了新的工具。传统上，脑外科医生依赖直接电刺激（DES）来定位大脑中的语言功能区，但这一方法具有一定的局限性，如需要在术中实时进行刺激和监测，且可能对患者造成不适。本文的研究结果表明，通过分析ECoG数据中的网络特征，医生可以在术前更加精准地预测出哪些脑区对语言功能至关重要，从而制定更为精准的手术计划，减少术后语言功能障碍的风险。

结论展望

通过对大脑语言网络的详细分析，本研究揭示了语言功能中的关键节点及其在跨社区信息整合中的桥梁作用。研究表明，语言错误节点作为连接器节点，在语言网络的不同子模块之间传递信息，而语言停滞节点则更多参与语言的运动控制部分。通过使用ECoG数据和网络分析方法，研究者成功预测了语言功能中的关键节点，并展示了这些网络特征在不同个体间的通用性。

虽然研究结果具有重要的临床意义，但也存在一定的局限性。由于ECoG覆盖范围有限，研究者无法全面采集大脑所有语言相关区域的活动数据。未来的研究可以结合功能性磁共振成像（fMRI）和动态网络分析，进一步探讨语言网络的全局组织和时空动态变化。此外，随着更先进的机器学习算法和大数据分析方法的发展，未来的研究可以在更大规模的患者群体中验证这些结果，以进一步提高模型的预测准确性和临床应用价值。

本文来自新知号自媒体，不代表商业新知观点和立场。
若有侵权嫌疑，请联系商业新知平台管理员。
联系方式：system@shangyexinzhi.com