|
人类行为包括许多方面，这些方面因其动态性质而突出。为了量化其神经基础，功能磁共振成像（fMRI）方法在过去十年里蓬勃发展。在本文中，作者从概念上组织了一系列动态分析流程，并总结了将其应用于行为和大脑疾病研究中而得到的被普遍观察到的结果。文章目的是提供一个广泛的概述，而不是只检验特定的方法或特定的行为领域。（因此，本文是一个快速了解fMRI动力学方法和人类行为及疾病相关研究的有效途径，但是无法提供许多方法的细节，如果想要对fMRI中动态方法有良好的掌握，请浏览思影科技的脑网络课程及服务： 第三十一届磁共振脑影像基础班（重庆，9.14-19） 第三十二届磁共振脑影像基础班（南京，9.21-26） 第十七届磁共振脑网络数据处理班（重庆，10.20-25） 第十八届磁共振脑网络数据处理班（南京，11.6-11） 思影科技功能磁共振(fMRI)数据处理业务 作者认为人类行为具有明显的长期稳定的性质（如生理状态与人格），可以辅助遗传学和症状学来解决某些脑部疾病。本文揭示了以往文献中动态研究的局限性，以及多种方法的不均衡应用。这些方法由于其技术特性，有可能揭示了动态的不同方面。作者提出，在未来可以对这些不同方法进行更深入的比较和整合，以更加全面的介绍人脑动力学。本文发表在Trends in Neurosciences杂志（添加微信号siyingyxf或18983979082获取原文） 也许人类最显著的特征是不同个体之间的行为差异性，这种差异涉及到与物质和社会环境相互作用的所有因素。这种多样性是人格、生理和才智变化的基础。这些变化不仅受生物上的影响（如药物影响、基因组成），而且还受经验（如社会学习、创伤）的影响。可以说，大脑是人类已知的最复杂的系统，因此了解该器官对于解释行为至关重要。对静息态下大脑的研究表明，尽管环境对大脑有影响，但大脑的内在运作主要受到环境的调节而非控制。这种调节是大脑和环境之间由知觉和行动介导的递归过程。显然，这个过程是高度动态的。 神经科学，尤其是神经影像学研究，旨在将行为的变异与大脑的变化联系起来。功能磁共振成像（fMRI）自上世纪90年代初被发现以来，已成为实现这一目标最有效的方法之一。功能磁共振成像是一种探测全脑活动的非侵入性工具，能够研究复杂的过程，这些过程涉及不同时间、不同脑区的功能整合和分离。在任务或其他形式的刺激过程中对脑信号的研究一直是解码大脑中特定过程表示的有效方法。然而，有关静息状态大脑的内在组织的研究同样有价值，并且已被证明可以预测行为和精神病理学。 最初的分析方法与采集技术的发展同步发展的，从脑区激活到网络连接，直到最近依赖于静息态测量来了解大脑功能。但是，静息态测量无法捕获大脑和行为固有的动态特性，因此其解释价值可能有限，忽略了许多重要的信息。与所有行为都是动态现象的假设相一致，以时间分辨的方式研究fMRI信号的定制分析方法变得越来越重要（见方法总结部分）。此外，这些方法已应用于认知和精神疾病的研究。 与以往的文献相比，这篇综述对动态分析处理流程及其在一系列行为和障碍中的应用提供了更全面的概述。作者总结了功能性大脑动力学衍生出的主要测量特征，以及一系列动态方法学的概念，这对新接触或已经熟悉这些方法的研究人员都将非常有用。然后，作者总结了以往研究中在健康和干扰行为中使用动态方法的情况，并阐明使用动态方法得到的研究结果是否具有共性。尽管作者从行为的不同方面入手，讨论了不同方法的概念，但是由于篇幅限制，作者所列举的研究范围仍不够详尽。在基于动态fMRI的分析中，表征行为的神经基础仍然是一个悬而未决的问题（因为BOLD信号中会混杂许多如头动、呼吸、心跳等非神经的信号）。连接的变异性和连接的状态是衡量大脑功能动态性的两个主要指标鉴于方法的简单性，基于滑动窗口的研究框架是追踪大脑活动动态性最广泛使用的工具。图1中对该方法进行了说明。简而言之，在整个采集过程中，在30-60s的连续时间窗内评估脑区活动时间序列之间的统计依赖性（如最常用的相关），称为功能连接（functional connectivity，FC）。脑区时间序列通常是通过对所选脑区内体素水平的功能信号进行平均，或通过利用独立成分分析（independent component analysis，ICA）得到相应的空间成分。基于滑动窗口的分析的结果是一组时间序列，表示了整个大脑跨脑区交互作用的时间变化。经常使用的动态功能连接（dynamic functional connectivity，dFC）术语最初是指这种类型的时间序列相关信息。后来它成为一个概括性术语，包括后来发展起来的其他方法。在脑/行为分析中两种最广泛使用的动态度量是从dFC时间序列中构建的。在个体连接水平上，可以量化时间序列的标准偏差（或其他可变性度量标准），这种方法考察连接模式的可变性（connection-wise variability，CV）；在全脑水平上，利用被试间级联的时间序列的聚类结果进行连接状态（connectivity states，CS）的识别。假定得出的CS在时间上是互斥的，则CS（连接状态 ）的出现时间和转移速率是时间动力学的特征；相反，如果CS是共同表达的，则构建元状态（CS的加权组合）可以在更高的层次上研究大脑活动的流动性和动态性。与FC矩阵不同，来自给定时间窗口的dFC测量值也可以看作是一个整体大脑图（graph），其中节点是脑区，边是FC估计值。动态图论分析（graph analysis，GA）通过跟踪反映信息流或社区组织的全局属性来执行。
图1：基于标准滑动窗口的动态功能连接度量。 （A）每个脑区的活动都随着时间的推移而变化，如功能数据矩阵的每一行所示。为了推断给定时间点一对脑区（或像素）之间的统计依赖性，在子时间窗口中提取活动样本的子集。 （B）计算在这些窗口之间的功能连接（FC），得出所选脑区之间（即对于给定的大脑连接）动态FC（dFC）时间序列的一种估计。通过迭代地移动窗口来构建完整的时间序列。如果计算了时间序列的标准偏差，则最终dFC随时间变化的程度为CV（连接模式的可变性）。 （C）如果dFC数据是跨被试级联的，则可以将它们分解为反映短暂的全脑FC状态的组合（称为连接状态（CS））。当CS在时间上互斥时，将出现和转移概率作为信息量度。当它们在时间上共同表达时，状态表达式的线性组合被视为元状态分析中的信息实体。 图2按照主要概念特征对dFC方法进行了分类。首先，不同的方法研究原始功能数据中的不同特征。例如，某些方法可以表征各个脑区的时间活动，而其他方法（包括CV（连接模式的可变性）或CS（连接状态）的计算）则可以探究不同脑区之间变化的同步性。 其次，每种方法都以特定的时间分辨率探究时间波动：对于CV来说是介于中间的，因为无法知道FC变化是在一帧到下一帧之间发生还是以较慢的速度发生。相反，CS的提取与更快的时间分辨率有关：如果使用1 TR的步长，则由于全脑FC的突然波动，可以捕获到更快的变化。第三，空间分辨率也因方法而异。对于CS和CV，取决于如何建立脑区的时间序列（比如采用脑分区图谱的空间分辨率就在脑区水平上，而采用体素水平的话，则分辨率得到极大提升，但同时也失去了很多信息，如邻近体素的高相关性可能代表了功能一致性）。例如，原始的基于ICA的方法代表了网络级别的解决方案。 最后，每种方法以不同的复杂度传递动态信息：对于CV，每个跨脑区的相互作用仅由一个数字编码，而对于CS，则有K个不同的值（每个状态有一个），随后如前文所述，通过专门的重组过程生成信息度量。
图2:动态功能磁共振成像分析工具概念上的分类。一些动态分析方法直接从功能数据矩阵中提取脑区活动特征（左上），而其他方法则描述跨脑区关系（左下）。这可能是在单个动态功能连接（dFC）时间序列级别（左中）或在全脑范围（左下方）。现有方法沿此层次结构从上至下列出（左侧第一个黄色框）。虚线箭头表示标准偏差的量化，实线箭头表示图度量的计算（在本篇综述中，作者主要考虑脑区灵活性），而带有嵌入式矩形的箭头表示必须汇总各个被试的数据才能收集动态估计。对于多层图分析，附加的边被添加到图表示中，如虚线所示。每种方法都可以根据必须预先应用于数据的操作进一步分类，操作时的空间分辨率（体素或脑区），获得动态度量的时间分辨率（范围从不太精确到最精确）及其复杂性。与大多数方法相比，建模方法（右上角的粉红色框）可以对当前的动力学系统进行数学描述，并通过这种方法潜在地解决因果系统的特性。 缩写：BOLD，血氧水平依赖；QPP，准周期模式；Spat. res.，空间分辨率；Temp. res.，时间分辨率 尽管在大脑的动态研究中对CV和CS的研究最为典型，但它们涵盖了可以探索的有限概念空间。因此，在过去的几年中研究者引入了替代方法：例如，在脑区（而不是跨脑区）水平上进行血氧水平依赖（BOLD）信号变异性的计算，并且使用滑动窗口框架跟踪被试之间的（跨）脑区同步。值得注意的是，使用这些方法，对于给定的连接，每对被试可获得一个估计。 一些方法通过在框架级别上进行操作来专门增强时间分辨率：在主导特征向量动力学分析（leading eigenvector dynamics analysis，LEiDA）中，通过Hilbert变换可获得有关脑区活动阶段的逐帧信息。在每个时间点提取了主要的跨脑区相位差之后，聚类派生的状态提供了关于功能性大脑动力学的不同视角。在另一种方法中，使用innovation-driven coactivation patterns（iCAP）方法可以通过对显示最大的全脑信号变化的反卷积功能磁共振图像进行聚类获得全脑在时间和空间上表现出一致性的不同网络成分。最后，共激活模式（coactivation pattern，CAP）分析也产生了全脑活动模式，但是重点是通过仅保留超过活动阈值的时间点来关注与感兴趣的种子脑区的相互作用。一些方法不是将时间样本视为单独的实体，而是联合探究空间和时间：在多层GA（动态图论分析）中，各个基于滑动窗口的图在时间上是相互关联的，可以得到跨脑区和跨时间的边。在框架级别，还可以提取活动的周期性时空模式（准周期性模式）。 时间建模方法也被引入用来进行规则性的框架分析。例如，自回归模型已应用于脑区空间分辨率：虽然只有R2系数嵌入了关于大脑活动的时间变化的信息，但估计值与基于状态的方法表现出一样的稳定性。隐马尔可夫模型（Hidden Markov models，HMMs）也被应用于提取激活模式的参数化的均值和协方差。 以dFC为重点的分析方法有可能应用于探究行为的各个方面。作者在表1中总结了对dFC研究的不同方法。表1:为研究人类行为而进行的dFC研究（与文中报告的顺序相同）
执行功能是信息处理的核心，因此，使用动态方法和静态方法（如使用自回归模型所示）有助于理解大脑中执行功能的基本过程。总体而言，执行功能主要与dFC的增加有关。在一项研究中，背侧注意力网络内以及默认网络（DMN），小脑和腹侧注意力网络之间平均dFC随时间的变化与流体智力呈正相关。此外，DMN中的CV也与执行功能呈正相关。同样，通过对国际象棋专家与初学者之间的元状态比较表明，国际象棋专家的大脑通常有更多的元状态，并且在它们之间表现出更多的转移。反过来，多层GA和动态GA都表明执行功能可以由节点灵活性预测，节点灵活性描述了不同网络配置之间节点的转移。相比之下，全脑CV（连接模式的可变性）分析中，视觉、运动和执行控制网络在静息状态下更稳定的连接加强了持续注意。此外，有证据表明情绪状态与认知控制之间存在相互作用：以楔前叶为种子点，被试在观看悲伤电影片段后，出现一种认知控制努力特有的与执行控制网络相关的CAP（共激活模式）。 最近的研究还证明了dFC和个性之间的联系。在一项基于状态的分析中，DMN、突显、执行和背侧注意网络，在总体正相关网络状态下，停留时间较长的被试的经验开放性更强，这可能是因为这些交互作用将支持增强的想象力和创造力。在重度抑郁障碍（MDD）患者中，感觉相关网络的网络内和网络间连接强的连接状态的时间特征与外向性呈正相关，与神经质性呈负相关；这两种人格因素都与MDD有关，可能是健康对照缺乏这些关联的原因。另一份研究前岛叶亚区和大脑其他部分之间相互作用的工作发现，被试同情心水平的不同会导致大脑占据的CS（连接状态）不同。重要的是，要捕捉个性的某些方面，动态测量可能不会带来额外的好处。 影响行为的一个更可变的因素是心理状态，这也被描述为关于dFC的变化。例如，对被试数小时纵向静息态fMRI的测量数据进行多层GA（图论分析）显示，主观的惊喜和积极影响等级的提高分别与运动网络中较低和较高的节点灵活性有关。当考虑多个被试时，自然语音刺激中的价值和唤起度可以预测被试间语言和情绪回路的相位同步。此外，经历心理社会压力后的情绪反应与两个不相关的CS相关联：一个积极和一个消极的情绪状态，包括腹内侧前额叶皮质、杏仁核、前岛叶和前扣带皮层。最后，一个包括默认网络的楔前叶共激活以及前扣带回皮质和岛叶的反相关，类似于突显网络的一部分，与被试观看完中性电影片段相比，在被试观看情感类电影片段后出现率更高。 正念特质（Trait mindfulness，正念特质反映了个体在不同情况和时间的正念总体水平上的差异。）最近出现了许多使用动态方法的研究。较高正念特质的青年人相较于低正念特质的个体，会更频繁地向全脑连接状态转移，这表现出积极和消极网络之间的强烈反相关，以及网络内部大量的正相关。这项研究的作者认为，这可能是一种与当下状态调整相关的能量消耗更高的状态。同时，在另一个关注儿童和青少年的默认网络、感觉和中央执行网络之间动态交互的分析中，发现更多具有正念特质的孩子在CS上表现出更频繁的转移，并且在表现出DMN和中央执行网络正相关的状态中花费的时间所占的比例更低，时间更短。 除了描述具有dFC特征的心理因素外，有关生理状态影响的证据也在不断积累。两篇有关意识水平和神经相关性关系的综述指出，dFC的降低与意识水平的降低有关。对睡眠期间脑区dFC时程变化的研究表明，在更深的睡眠阶段，CV总体上更强，而不同大脑网络之间的平均dFC值随时间降低。因此，可变性随着意识的分散而增加。此外，一项使用HMM（隐马尔可夫模型）的研究，在脑区图谱的空间分辨率上对入睡过程中的19种全脑状态及其转换进行了描述，从而扩展了对睡眠阶段的传统理解。另一份使用基于状态的分析的报告显示，当被试睡眠不足时，CS的表达会朝着丘脑皮质连接降低的方向变化。他们还观察到当被试处于睡眠不足状态时，大脑皮质网络之间的连接会增强。 物质的消耗也可以调节大脑的功能，因为它改变了生理状态。当前的研究表明，5-羟色胺再摄取抑制剂（5-羟色胺再摄取抑制剂指的是SSRIs类，是目前比较常用的一类抗抑郁药，如西酞普兰）的效果可以通过计算内侧前额叶皮质和其他DMN位置之间的CV来评估：西酞普兰显著降低了两个位于DMN后部簇的dFC的可变性，这可能是因为自发的思维游走减少了。同样，在慢性吸烟者中，戒烟与较少的状态转换相关，静息态分析的补充结果显示岛叶分区和三个分布式网络（默认网络、执行网络和突显网络）之间的连接发生了变化。最后，使用LEiDA显示，西洛赛宾（一种血清素类迷幻药）被证明能特别抑制与额顶叶网络重叠的状态。孤独症谱系障碍、精神分裂症和MDD的脑网络动力学研究 精神病和神经发育障碍会在许多方面显着改变行为，这反映在dFC的变化中。有关功能磁共振成像预测疾病的综述讨论了动态技术的使用，发现包括动态测量的模型通常优于依赖静态测量的模型。这里选择了三种疾病来举例说明使用dFC方法表征个体行为变异的临床潜力：自闭症谱系障碍（ASD）、精神分裂症和MDD（见表2）（之所以选择这三种疾病，是因为当前研究中，这三种疾病是使用动态研究方法最多并且具有典型疾病代表性的）。表2: dFC研究旨在研究表现出行为障碍的大脑疾病（与文中报道的顺序相同）
ASD是一种经过深入研究的神经发育性疾病，该疾病与社交互动，沟通障碍和重复行为方面的障碍相关。最近的综述已经涉及到使用动态分析来理解神经发育障碍的好处，并且也强调了作为一种理解自闭症的神经基础的方法，对dFC的破坏进行深入研究的必要性。基于状态的方法和基于CV（连接模式的可变性）的方法的证据都指向ASD中的超连接和高变异性模式。也有报道表明，默认网络和突显网络的dFC发生了改变。此外，在平均年龄16岁的ASD被试中观察到包括丘脑-感觉连接在内的的CS（连接状态）的不同表达。 精神分裂症是一种以思维、语言、知觉、自我意识和现实意识严重中断为特征的精神疾病，一直是神经影像学研究的重要对象。与健康对照组相比，不论基因型和治疗方式，精神分裂症患者的左楔前叶（任务积极网络和任务消极网络的枢纽）的CV更高，而在另一项研究中，精神分裂症患者在躯体运动和视觉网络水平上的脑区变异系数增加，而在DMN和额顶叶网络中脑区变异系数降低。在CS水平上，一些研究发现精神分裂症被试与对照组相比，普遍表现出较弱的网络内连接，有时也会减少网络间的dFC。这种模式与认知功能下降相一致。与这些发现一致，在全脑网络解析时的HMM（隐马尔可夫模型）形式化结果表明，精神分裂症的积极症状与所有网络低活动状态下的部分占用率之间存在关联，最显著的是在DMN和执行网络中。通过更细致评估幻听的功能相关性，发现精神分裂症患者的CV在左听觉感知和言语产生的脑区之间减少。当关注幻觉的严重程度时，一个动态的GA显示精神分裂症患者枕叶外侧皮质的节点灵活性受到干扰且与症状严重程度有关。 dFC还揭示了被认为有患精神分裂症风险的被试的功能特异性。使用动态条件相关（滑动窗口分析的一个框架替代方案）的一项研究表明，健康的被试经历类似精神病的经历后，更多的时间处于一种状态，这种状态的特征是DMN内的低连通性和视觉区域内的高度连通性。此外，对首发精神病患者的准周期模式进行测量，发现额顶网络的连通性较低。同样，对前脑岛作为种子点进行的CAP（共激活模式）分析表明，与健康对照组相比，精神病高危人群的CAP类似于DMN的表达延长，并且CAP转换降低。此外，通过组信息引导ICA（即group-ica）提取CS，健康对照组、精神病临床高风险被试和早期精神分裂症患者显示出共享一个主导状态，但在非主导状态下有所不同；值得注意的是，临床高危被试表现出与健康和早期精神分裂症患者中间阶段相一致的连接模式的改变。在另一项研究中，对22q11缺失综合征（一种高风险精神分裂症）患者进行的iCAP分析表明，持续时间较长和iCAP耦合与积极精神病症状以及焦虑的严重程度相关，从而证实了dFC降低与精神分裂症之间的关系。 最后，MDD是最普遍的精神疾病之一，对个人和社会造成了巨大损失。总的来说，MDD患者呈现出低连接模式；具体而言，两个基于状态的分析显示，患者在听觉、体觉和视觉网络方面具有较强的网络内和网络间连接，连接状态的停留时间较短。这得到了另一个以DMN、突显网络和执行网络为中心的基于状态的分析的支持：MDD患者在稀疏连接状态下的持续时间更长。在同一研究中，前DMN和右中央执行网络之间的CV降低。同样，一项使用多层GA（图论分析）的研究显示，MDD患者前扣带回皮质的节点灵活性受损。相反，在第一次发作的MDD患者中发现外侧基底杏仁核和辅助运动区之间的CV有增加的趋势。最后，从MDD中恢复的患者表现出与LEiDA（主导特征向量动力学分析）一样的网络异常，这些异常特别包括持续时间较短和与包括DMN、额顶叶和突显网络在内的状态相关的变化。 作者研究了大量在时间层面捕捉功能磁共振成像数据的动态特征、研究行为的不同方面以及揭示一组特定的精神和发育障碍方面的作用。动态分析方法已经被证明比静态方法更具优势，特别是对于行为方面。此外，作者还展示了这些方法在进一步加深人们对这些疾病的理解方面是非常有用的。 这篇综述中的第一个观察结果是用相关动力学方法来探测大脑功能的重要性。将功能磁共振成像测量与结构或分子数据联系起来的建模框架使研究者们更接近于对大脑动力学的因果理解。如果目标是最终对行为采取干预，而不仅仅是研究它，那么一个可以被参数编辑的模型是必不可少的工具。 从这篇综述中得出的第二个观察结果是，尽管在同一行为方面或障碍的发现在某种程度上不同于其他方面，但研究和涉及的领域之间仍然存在相当大的差异，而且它们的dFC特性很少有重叠。许多因素可以解释这种差异：首先，研究通常是利用具有不同人口特征的小规模被试群体，但是dFC指标尤其容易受到测量噪声或抽样变异等因素的影响。数据预处理选择或分析设置（例如，考虑的CS数量），采集参数（例如，决定分析的最佳时间分辨率的重复时间）也常常因情况而异。其中一些因素还与分析中非神经信号的贡献量有关。此外，准确地研究行为的个体方面本身就是一项艰巨的任务，因为几个因素会相互作用（例如，生理状态可能会影响执行功能）。 有几种方法可以解决这些问题：一种是利用大规模、公开的数据集来解决清晰的研究问题。另一个选择是将dFC计算分散到各个物理位置，以促进跨机构分析。此外，对于现有的方法及其可能的注意事项，仍然至关重要：例如，如果空间动力学存在于时间动态之上，基于固定图谱的分析方法将不再适用。 最后一个观察结果是，所探索的行为方面的广度与实践中应用的有限数量的动态方法形成对比。在迄今为止的大多数研究中，CV或CS是计算出来的（尽管它们依赖于同一个滑动窗口框架，但由于概念上的特殊性，有许多备选方案有可能揭示互补的动态信息（例如，采用框架式调查的快节奏波动，或者更局部的微妙的空间聚类方法）。实际上，现有动态方法的范围远远超出了此处讨论的范围。由于仅从与动力学相关的几种方法学角度来考虑行为，因此研究者们对其他某些方面的理解可能会有所偏差。 作为一种解决方案，作者认为，针对特定的分析方法，我们需要实现更具可比性的dFC分析工具，并且应该进一步推向更大的规模，并尝试更彻底地利用数学化的方法来描述不同动态方法之间的关系。这对于推进动态分析方法的广泛使用是至关重要的。如需原文及补充材料请加思影科技微信：siyingyxf 或者18983979082获取,如对思影课程及服务感兴趣也可加此微信号咨询。觉得对您的研究有帮助，请给个转发，以及右下角点击一下在看，是对思影科技莫大的支持。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）： 第十七届磁共振脑网络数据处理班（重庆，10.20-25） 第三十一届磁共振脑影像基础班（重庆，9.14-19） 第十四届DTI数据处理班（重庆，11.19-24）
第十届磁共振脑影像结构班（重庆，11.2-7） 第三十三届磁共振脑影像基础班（重庆，10.11-16） 第十二届脑影像机器学习班（重庆，11.11-16） 第十八届磁共振脑网络数据处理班（南京，11.6-11） 第十三届DTI数据处理班（南京，9.15-20） 第三十二届磁共振脑影像基础班（南京，9.21-26） 第六届任务态fMRI专题班（南京，10.16-21） 第二届DWI提高班（南京，10.24-29）
第七届磁共振ASL数据处理班（南京，10.12-15） 第三十四届磁共振脑影像基础班（南京，10.30-11.4） 第七届小动物脑影像数据处理班（南京，12.20-25） 第十三届脑影像机器学习班（南京，12.13-18） 第九届脑电数据处理入门班（重庆，9.22-27） 第二十三届脑电数据处理中级班（重庆，12.16-21） 第二十二届脑电数据处理中级班（南京，11.12-17） 第十届脑电数据处理入门班（南京，12.1-6） 第八届眼动数据处理班（重庆，10.26-30） 第十届近红外脑功能数据处理班(重庆，12.23-28） 第九届近红外脑功能数据处理班（上海，11.24-29） 此处点击在看，让更多朋友关注思影
|
