文献导读：不同疾病在临床症状上的相同表现往往会引起研究者对其成因的探究，因为相似的临床表现可能是由于类似的神经基础导致的，而不同病理成因又会对这种相似的神经机制产生特异性的影响，明确不同疾病在相似临床特征表现背后的神经机制的相似性和特异性可能能够为临床治疗提供更加针对性的建议。
本文的作者关注到面孔情绪识别障碍（FER）与异常的运动加工是精神分裂症患者（SZ）和自闭症患者（ASD）的关键特征，已有研究发现这些缺陷与视觉皮层的异常活动有关，但少有研究将这两种不同的疾病放在一起来研究视觉皮层功能异常对FER和运动知觉障碍的影响（研究背景分析）。
因此，作者假设SZ和ASD患者会在FER和运动处理方面有一致性的缺陷，这将与他们在社会认知障碍方面表现出的趋同性一致（这两种疾病能够被共同研究的更多证据）。同时，作者还假设这两种被试会在与行为表现相关的ERP（电生理）和fMRI(功能磁共振)的测量中表现出一定程度的交互影响（研究假设提出）。在假设基础上，作者提出了明确的研究目的：评估这两种疾病在FER与异常的运动加工方面的神经机制在多大程度上是趋于一致的或互有差异的？
为了回答上述问题，作者采用了电生理技术结合脑成像技术的研究手段，分别设计了基于ERP方法的能够诱发稳态视觉诱发电位（ssVER）的ERP实验和基于fMRI方法的视觉运动敏感从而稳定引起运动皮质及视觉区域反应激活的fMRI实验。同时结合被试在行为测试中的表现，探究了SZ、ASD患者和健康对照组在视觉运动变化过程中其神经表征的相似性和差异性。
复杂的实验设计和多种实验手段的使用，需要作者能够清晰的理清三组被试在行为表现、神经电生理表征以及脑区激活反应之间的关系，除了不同研究手段的结果之间的相关性分析外，作者使用机器学习的方法（随机森林法）来对电生理指标和脑成像指标对疾病分类的预测能力进行了进一步分析（说到机器学习，就不得不提今年10月开课的第七届脑影像机器学习班（直接点击）或者11月开课的第八届脑影像机器学习班（还是直接点击）），作者通过单独使用EEG指标、fMRI指标和rsFRMI指标以及综合使用这些指标对SZ、ASD和健康对照组进行分类和预测的分析方法可能有效的表明电生理指标和脑成像指标在分类和预测疾病中可能表现出更强的互补能力。
最后，作者的研究结果表明，SZ和ASD疾病与引起社会功能受损的感觉功能有关，但两者可能源于不同的生理机制。综合使用电生理指标及脑成像指标可以使得对SZ与ASD患者的分类准确性达到97%。除了重申视感觉缺陷对SZ和ASD患者高级认知的重要性外，这一研究结果还强调结合EEG和fMRI指标来区分两种疾病。
摘要：
研究背景：面孔情绪识别（FER）障碍和异常的运动加工是SZ和ASD患者的关键特征，这些缺陷与视觉皮层的非典型性活动有关，但很少有研究直接探讨ASD和SZ视觉加工神经机制的相似和差异性。Martínez, A.和Javitt, D. C.等人采用多种方法（电生理手段结合脑成像手段）评估视觉皮层功能与FER、运动知觉的关系，并发表在Biological Psychiatry杂志。
研究方法：实验招募56名被试（20名高功能ASD患者，19名SZ患者，17名健康被试），并获得了连贯运动灵敏度和FER的行为指标，以及视觉模式和运动加工的EEG和fMRI指标。并使用rsfMRI（即静息态功能磁共振）评估皮质和丘脑皮质连接与非典型视觉加工的关系。
研究结果： ASD和SZ患者的FER和运动敏感性有相似的损伤。两组患者的运动敏感性降低与枕颞皮质的fMRI活动减少、以及delta频带的EEG能量降低有关。ASD患者的FER损伤与背侧通路脑区的过度激活、以及theta能量增加有关。ASD（alpha欠调节）和SZ（alpha过调节）患者的丘脑后结节激活与异常alpha频带调节有关，并且可预测临床症状的加重。
因此，SZ和ASD患者在FER和运动敏感性方面有相似的缺陷，但在生理功能障碍方面差异显著。每组的特异性缺陷模式可能有助于指导下调（针对SZ型病人）和提高（针对ASD病人）视觉加工的治疗方法发展。
研究设计：
被试：20名高功能ASD患者，19名SZ患者，17名健康被试(CNs)，table S1为被试信息表。
Table S1: 被试基本信息、EEG和fMRI测量期间，注视点监测任务（fixation monitoring task）的表现。
行为测试：连贯运动监测采用随机点运动图（random-dot kinematograms）。面部情绪识别采用Penn情绪识别任务（Penn emotionrecognition task，该任务是一个测量情绪面孔识别能力的标准实验）。
连贯运动觉察任务：
使用QUEST（快速估计）程序确定连贯运动阈限。刺激是随机点运动图，出现在一个圆孔内（直径10.3°），由120个移动点组成（每个直径为0.19°）。在每个试次中，与该试次运动连贯的部分点向目标方向（左/右）移动0.032°，时间为1000 ms。其余的点以相同的概率随机地向左或向右移动。移动到圆孔外的点被包含在另一边。随后，点消失，两个箭头指向左右，提示被试指出连贯运动的方向。
EEG实验设计：
刺激为高亮度对比度（75%）低空间分辨率（0.8 cpd）、低亮度对比度（8%）低空间分辨率以及高亮度对比度高空间分辨率（5 cpd）的灰度正弦光栅（即栅栏式的矩形条状图，具体见EEG程序图）。采用presentation刺激软件呈现。每个试次中，刺激呈现—右偏移—10Hz逆向旋转—产生ssVER（稳态视觉诱发电位）。被试在注视点变暗时，通过按键进行反应（EEG程序图）。
EEG程序图：每个试次4900ms，注视点呈现500ms，随机呈现三种光栅中的一种（静止400ms），光栅以14°/s的速度向右移动200 ms。在800ms延迟之后（光栅静态），光栅以10Hz的速率反转3000ms，从而产生ssVEP。在整个试次中，被试注视“ ”，当它稍微变暗时（每3-12s），按键反应。
记录和数据分析：
采用ANT系统64导电极帽采集EEG数据，在线采样为512Hz。采用全脑信号平均作为离线参考，采用ICA方法去除眼电伪迹。删除波幅超过±100微幅的试次。最终，7.2% (健康对照组CNs), 12.8% (SZ), 9.1% (ASD)的试次被删除。采用MATLAB、EEGLAB、ERPLAB工具包进行数据处理。说到EEG/ERP分析就不得不提第四届脑电数据处理入门班（直接点击）和第十六届脑电数据处理班（依然直接点击）。
诱发能量分析：
对ERP信号（锁时信号：刺激前1s至刺激后2s）进行诱发能量测量，使用3-cycle Morlet小波。频率范围为0.48-27.6Hz，每个时间点包括74个频率点（以对数形式增长）。分析以刺激为零点的theta频带（4-7Hz），和以运动为零点的delta频带（1-4Hz）。基于被试总平均数据，theta频带的时间窗为刺激后150-250ms，delta频带为运动后50-250ms。
ssVEP分析：
采用快速傅里叶变换分析10Hz频率的ssVEP数据，并且检验逆向刺激出现后的500-3000ms时间段。
单试次能量分析：
采用3-cycle Morlet小波，对单试次EEG数据进行分析，由于相对于刺激前（-150-0ms），刺激后的alpha能量减弱，因此，作者测量刺激后250-400ms的alpha ERD（7-14Hz）。
fMRI实验设计：
使用低对比度（12%）并延伸到直径为15°的同心圆环定义运动敏感的皮质脑区。被试在注视点变暗时，通过按键进行反应（详见fMRI程序图）。
fMRI程序图：刺激在20个试次间传递（运动[扩大或收缩]/静止），屏幕中心连续出现“十”，每4~10s亮度略有下降。要求被试通过按键判断亮度是否变化。
数据获取和分析：
采用西门子3T设备进行扫描（扫描参数无特殊设置）。预处理包括：尖峰平滑（spike）、时间矫正、头动校正。采用FreeSurfer对图像进行分割，说到freesurfer就不得不提（直接点击）第七届磁共振脑影像结构班，AFNI和SUMA对灰质进行进一步处理和统计。
移动刺激和平稳刺激的对比分析采用AFNI生成的一般线性模型。使用HCP-MMP 1.0皮层分割提取左右半球V1，早期视觉、背侧、腹侧以及中颞复合区（MTC）的beta参数，作者还基于freesurfer分割的结果提取了丘脑后结节的beta值。后续对这6个脑区平均beta值进行组别分析，alpha设置为0.01（使用AFNI中alphasim矫正，p值设定为0.01）。
静息态功能连接：
对6min的静息态数据进行如上预处理。对头表数据去除生理和24个头动噪音。从每个皮层/皮层下区域提取平均信号时间序列，并对其进行相关分析。
随机森林：
使用随机森林机器学习方法测量EEG和fMRI数据对ASD和SZ患者、以及健康对照组这3组被试的分类准确性。在两种分析中，随机树为5000，每个随机树节点有3个变量。使用R工具包进行分析，基于out-of-bag样本的分类准确性评估泛化误差（可以理解为其他机器学习算法中设置预测组的方法，在随机森林方法中不一样的地方在于out-of-bag中的样本是未被抽样而留下的样本，这部分样本未进入过bagging过程中，而进入bagging过程的样本可能会被多次抽样，因此使用out-of-bag中的样本可以评价分类模型的泛化能力）。
统计方法：
组间比较采用单因素或重复测量方差分析（具体使用何种方法视统计假设所定）。EEG分析因素包括刺激类型（低对比低空间频率、高对比低空间频率、高对比高空间频率）和半球（左、右）因素。采用Tukey方法进行事后比较。
采用协方差分析评估当组别作为分类预测器时，生理（EEG/fMRI，协变量）和行为测量（FER/运动敏感性）之间的内部相关。组别×协变量的交互作用来评估斜率的同质性，之后，进行组内pearson相关或stepwise回归（逐步回归），并对相关分析进行Bonferroni矫正。
结果：
行为指标：运动和面部情绪加工
在控制了年龄和智商因素后，甚至在排除运动敏感性小于4的被试（n = 10）后，三组的FER（Penn情绪识别任务分数）和运动敏感性差异显著。与CNs组相比较，SZ和ASD患者的FER与运动敏感性都显著降低（图 S2A）。而且运动敏感性可预测各组的FER分数（组别×运动敏感性），FER分数与CNs、ASD患者的运动敏感性相关。SZ患者的这种相关不显著（见图 S2B）。
图 S2: A. 运动敏感性和FER的行为结果。
B. FER和运动敏感性之间的相关分析。
EEG结果：各组间的行为击中和虚报率差异均不显著（table S1）。
ERP刺激响应（theta）：
各组间的刺激诱发theta能量差异显著（table1）。与CNs相比，SZ患者的theta能量减少，ASD患者的theta能量增高（figure1B）。另外，Theta能量显著预测FER（组别×theta交互作用显著），ASD患者theta活动的增加与FER的降低有关（figure1C），SZ患者和CNs组的这种相关不显著。Theta能量不是运动敏感性的显著预测因子。
运动响应（delta）：
各组间的运动诱发delta能量差异显著。与CNs相比较，SZ和ASD患者的delta能量显著降低（figure1D）。另外，Delta能量不能预测FER分数，但可以预测运动敏感性（组别×delta）。SZ和ASD患者delta能量的降低与运动灵敏性的降低有关（figure1E）。
Table1：EEG测量
Figure 1. 刺激诱发theta和运动诱发delta能量结果。
A. 刺激和运动诱发能量的时频和头皮分布图。
B. theta诱发能量以及组别差异。
C. Penn情绪识别任务分数与theta诱发能量的相关分析。
D. delta诱发能量以及组别差异。
E. 运动敏感性和delta诱发能量之间的相关。
EEG结果综合说明：
EEG测量包括刺激诱发的theta能量、运动诱发的delta能量和alpha ERD/ssVEP，结果显示SZ患者的所有测量指标都显著减少。ASD患者的delta能量减少，并且与运动敏感性损伤有关，同时其theta和alpha响应增加。尤其是alpha ERD的增高和延长可能是ASD患者难以脱离视觉刺激的临床观察的生理基础。最后，SZ患者alpha波幅的降低和ASD患者alpha波幅的增加与症状的严重程度相关。这一结果表明无论是过低-还是过高参与，alpha波段的异常都可能损害FER，进而损害社会功能。
Figure 2. alpha ERD和ssVEP结果。
A. alpha ERD活动的单试次时频图和头皮分布图。
B. alpha ERD的时间进程和波幅。
C. 10Hz和反向反转（ssVEP）。
fMRI：各组间的击中和虚报率差异不显著。
脑区激活分析：
在MTC(中颞复合区)脑区，相比于CNs，SZ和ASD患者的激活减弱（figure3B）。然而，相比于CNs和SZ患者，ASD患者在早期视觉和背侧脑区有更大的激活。相比于CNs和ASD患者，SZ患者在V1脑区的激活减弱。在腹侧脑区，组别间差异不显著。相比于CNs和ASD患者，SZ患者的丘脑后结节激活水平减弱（figure3C, D）。
与EEG的相关：
在三组被试中，delta活动与MTC激活有关。对ASD患者，theta能量的增加与背侧脑区激活水平增加有关。SZ患者的Alpha ERD减少以及ASD患者的Alpha ERD增加与丘脑枕的激活有关（figure 3E, F）。
与EEG类似，fMRI各组间均观察到不同类型的功能障碍。具体而言，两组患者均表现为MTC激活缺陷，与诱发delta能量损伤相关。相反，两组患者在其他视觉脑区观察到不同的模式，SZ患者V1的激活降低，而ASD患者则显示出早期视觉和背侧脑区的激活增加，这与EEG观察到的theta活动增加有关。
Figure 3. fMRI结果。
A. 组平均fMRI激活，用于运动刺激与静息态刺激的对比。
B. 每个脑区内的平均β对比参数估计。
C. 丘脑髓核内的平均激活。
D. fMRI脑区β参数与EEG指标的相关。
E. 丘脑枕激活与alpha ERD的相关。
静息态功能连接分析结果：
所有脑区的rsFC在各组间差异显著（figure 4A）。与CNs相比，对于SZ患者，V1、早期视觉、背侧、腹侧和MTC脑区的rsFC（与任何其他脑区的连接）减少，但两组被试丘脑枕（即丘脑后结节）到皮层的连接相似；而对于ASD患者，皮层间的rsFC与CNs相似，丘脑枕和所有皮层间的相关增强。
在配对比较中，SZ患者腹侧和MTC脑区的rsFC减弱（figure4B）。相反，ASD患者丘脑枕和背侧脑区的rsFC增加。相对于CNs和SZ患者，ASD患者的EEG alpha ERD波幅与丘脑枕-皮层rsFC显著相关（figure 4C）。
rsfMRI分析（说到rsfMRI，就不得不提（依然直接点击）第二十届功能磁共振数据处理基础班）也观察到不同的模式（从EEG到fMRI激活再到静息态功能连接，SZ、ASD及健康对照组都表现出不同的模式差异，一方面表明这三组被试在神经基础差异上表现出的一致性，另一方面也侧面表明这三种手段间表现出了对生理基础反应的一致性），SZ患者显示视觉脑区之间的连接减少；ASD患者显示正常的皮质连接，但丘脑枕和视皮层之间的连接显著增强，这反过来又显著预测增强的alpha ERD。ASD患者的丘脑枕-视皮层连接增加。
Figure 4. rsFC结果。A. rsFC结果。B. 配对rsFC的组别差异。
机器学习分类分析：
使用随机森林方法评估生理指标（4 EEG, 6 fMRI, 2 rsFC）对ASD和SZ患者的进行分类的准确性。对两组人分析时，Out-bag分类准确性为97.4%。四个指标（theta, ssVEP, ERD, 平均皮层rsFC）对分类尤为重要（table S3）。当对3组人进行分类分析时，分类准确性为82.1%，并且，SZ和ASD患者的分类准确率分别为100%和94.12%。为了比较多模态和单模态数据的分类效能，作者分别使用EEG或fMRI数据进行分类。结果显示，仅使用EEG数据，SZ和ASD的分类准确性为74.4%；仅使用fMRI数据的分类准确性为69.2%（这一结果强调了综合使用电生理指标和脑成像指标进行疾病分类研究的重要性）。
Table S3.在区分SZ和ASD患者的随机森林分析中使用的EEG、fMRI和rsFC指标。
行为与症状的相关分析：
使用stepwise回归方法，评估所有视觉加工测量与FER(面孔情绪识别障碍)的关系。各组的变量都能够显著预测FER得分。鉴于观测到的关键生理测量与FER之间斜率的异质性，以FER为协变量，进行了群组内分析。
- 对于CNs来说，以运动灵敏性和平均皮层rsFC作为重要的独立预测因子，感觉加工指标与FER相关。
- 对于ASD患者，综合测量结果可以解释FER约64%的变异，theta活动和运动灵敏性是FER损伤的显著预测因子。
- 对于SZ患者，综合测量解释FER约45%的变异，alpha活动、V1激活、丘脑枕rsFC是重要的独立预测因子。
生理指标和临床症状之间关系的探索性相关分析结果显示，SZ和ASD患者异常alpha ERD与更严重的临床表征有关。在SZ患者中，alpha ERD与阳性与阴性症状量表（Positive and Negative Syndrome Scale）分数呈负相关；在ASD患者中，ERD波幅与孤独症诊断观察表第二版（Autism Diagnostic Observation Schedule, SecondEdition）社会互动评分直接相关（figure S3）。相似地，孤独症诊断观察表第二版评分与ssVEP能量相关。SZ患者的用药剂量（氯丙嗪当量）和任何行为/生理测量之前无显著相关关系。
Figure S3. Alpha ERD和临床症状之间的相关。
一句话总结：
SZ和ASD疾病与引起社会功能受损的感觉功能缺陷有关，但两者可能源于不同的生理机制，通过EEG和fMRI手段测量其生理特征从而得到的指标可以对SZ和ASD疾病进行分类，其分类准确性可达到97%。
本研究除了重申视感觉缺陷对SZ和ASD患者高级认知的重要性外，这些发现还强调结合EEG和fMRI指标来区分两种疾病。使用多模态成像方法，该研究证明了SZ（精神分裂症）患者主要为欠激活状态和ASD（自闭症）患者的过度激活和欠激活状态的混合模式。这些发现强调了生理指标在指导神经精神病的病因学研究和干预研究方面的重要性。
原文：
Differential patterns of visual sensory alteration underlying face emotion recognition impairment and motion perception deficits in schizophrenia and autism spectrum …
A Martínez, R Tobe, EC Dias, BA Ardekani… - Biological …, 2019
