【原】追踪静息态下的全脑动态连接

      自发波动是我们在人脑无特定任务下观察到的神经信号，其发生的时间尺度从毫秒到数十分钟不等。然而，基于静息态功能磁共振成像对大脑内在组织的研究在很大程度上没有考虑到时间变异性的存在和潜力。目前大多数检验功能连接(FC)的方法默认地假设这个连接性在整个扫描过程中是恒定不变的。在本文中，作者们描述了一种基于空间独立成分分析、滑动时间窗连接性和对加窗连接性矩阵进行K均值聚类来评估全脑FC动态的方法。该方法应用于一个大样本(n = 405)的早期成人的静息态数据。对FC的时间变异性进行了分析，分析结果特别强调了外侧顶叶和扣带回皮层区域之间的灵活连接（即时间上的的状态改变），并反对将这些区域视为静态上独立的和反相关的部分。此外，聚类分析揭示了一些意料之外的FC状态，这些状态在一定程度上严重偏离了静态的连接性模式，并挑战了目前对大规模网络间交互的描述。不同FC状态出现的时间趋势支持了有关其功能作用和与警觉性/唤醒关系的理论。总之，本文的研究结果表面，对FC时变方面的研究可以揭示不同神经系统之间功能协调的灵活性，对这些动态的进一步研究可能会增进我们对行为转换和适应过程的理解。本文发表在Cerebral Cortex杂志，是动态FNC研究的早期研究之一，值得借鉴。

引言

     使用功能性磁共振成像 (fMRI) 时间序列评估功能连接性(FC)的研究（特别是使用静息态数据）揭示了关于大脑宏观尺度时空组织的大量知识。基于由结构连接性介导的内在低频振荡，连接性分析已将重点从仅仅定位激活和失活转移到研究共激活模式，即大尺度网络的识别。许多内在连接网络(ICN) 现在已得到广泛认可，特别是默认网络、腹侧和背侧注意网络和突显网络，它们之间的关系在基础和临床认知神经科学中得到了深入研究。最近的工作表明可以将这些大型网络更精细和精确地分割成许多较小的组成部分，并且还表明这些网络不是只在无任务静息状态下出现，而是同样参与到任务执行中。这种子结构揭示了不同系统的模块化组织，有着各自的通信“枢纽（hubs）”。这种对大脑功能方面的截然不同的看法反过来可能有助于提高对神经精神疾病的诊断相关性，特别是在激活差异很小的情况下。

      尽管取得了这些进展，但我们认为 FC 的评估在很大程度上受到其隐含假设的限制，即假设在整个扫描期间内FC具有空间和时间稳定性。虽然这个假设很方便，因为它可以防止全脑连接分析变得更加复杂，但不幸的是，它也代表了严重的过度简化。长期以来，在单细胞、局部场和表面脑电图(EEG) 的电生理记录中，大脑活动和连接的自发/内在波动性一直受到重视。这些波动已被用于高时间分辨率的研究中，允许对认知过程的动态性和适应性进行探索，并且也越来越多用于基于任务的fMRI 研究分析中。

       在静息状态下，大脑内在活动的动态性可能更加突出，因为在此期间心理活动不受限制。众所周知，个体在静息状态期间自由地进行多种类型的心理活动，并且占主导地位的心理活动（例如，想象或内部语言）会影响整个大脑的 FC 和模块化组织。认知负荷中相对微妙的调节，例如，通过指导参与者闭眼、睁眼或注视，会改变整个皮层下核团、感觉运动皮层和默认网络区域的自发活动和FC 模式的内容。更直接的调节内在活动的尝试，例如要求个体记住他们一天中发生的事件或默默地回忆歌词，也会导致全脑FC 的显著变化，这些差异足够大和鲁棒，可以用来对认知状态进行高度准确的分类。最后，对静息态FC 动力学的深入研究明确地证明了连接强度和方向性（即正或负）随时间变化的性质，有迹象表明，捕捉这种变异性可能会对神经精神疾病中发现的FC 差异产生新的理解，例如阿尔茨海默氏痴呆症、自闭症和精神分裂症。

      考虑到 FC 波动性的有力证据，那么我们应该如何最好地研究大型群体中的自发变化？与任务设计或有节奏的实验操作的调查相比，在静息态期间经历的各种心理状态以及它们之间的转换并不能先验地指定。必须直接从数据中学习稳定的连接模式和变化点，并且关于此过程的研究模型才刚开始发展起来。

       在本文中描述了一种简单的基于已有技术的数据驱动方法来评估FC的动力学特征，涉及空间独立成分分析 (ICA)、滑动时间窗口相关性和k均值聚类。组水平ICA用于将多个受试的静息态数据分解为功能同质的区域，无需借助基于图谱划分的ROI（感兴趣区域）就能进行全脑分析，这种ROI可能会合并功能异质的区域或无法捕捉到个体间的空间变异性。时变FC使用一系列滑动窗口对各成分的时间序列的相关性进行计算。然后，我们评估生成的FC 时间序列的可变性程度，以识别具有特别多变（或灵活）连接的大脑区域。最后，我们使用k 均值聚类来识别在时间上和跨个体间重复出现的 FC 模式。我们将这些团块（cluster）描述为“FC状态“，在概念上类似于脑电图微状态，在这种状态中，脑活动的拓扑结构在短时间内保持准稳定态（quasi-stable）。本研究中观察到的 FC 状态是高度可重复的，并且在一定程度上与内在连接模式存在很大差异，挑战了当前对大规模网络之间交互的描述。此外，特定 FC 状态的出现的时变性激发了关于其功能作用和与唤醒的关系的理论。从本文的结果可以看出，对 FC 时变方面的研究可以揭示不同神经系统之间功能协调中被低估的灵活性，而对这些波动性的进一步研究和利用可能会提高我们对认知和行为动力学的理解。

材料和方法

数据获取和预处理

        这项工作中使用的数据包括来自 405 名健康参与者（平均年龄：21.0 岁，范围：12-35 岁，200名女性）的静息态扫描数据，在同一台扫描仪上收集，并与在 Mind Research Network 的 34 项研究、18位主要研究人员的数据合并。取得了所有受试者的知情同意，并且在分组分析之前对数据进行了匿名化处理。当前数据集为Allen 等人使用的 603 个受试的一个子集，只是采取了更严格的纳入标准以限制头动（排除了最大位移>1.5 mm 的受试者数据）和较差的空间标准化（排除了与 EPI 模板的空间相关性 <0.93 的受试者数据）的影响，以及提高了样本同质性（排除35 岁以上的受试者）。

        在具有 12 通道射频线圈的3-T Siemens Trio 扫描仪上进行成像。T2加权功能像使用TE = 29 ms，TR = 2 s，翻转角 = 75°，层厚 = 3.5 mm，层间隙= 1.05 mm，视野 = 240 mm，矩阵尺寸= 64 × 64，体素尺寸= 3.75 mm × 3.75 mm ×4.55 mm获得。静息态扫描至少持续5 分钟4秒（共152帧）；任何额外的帧都被丢弃以匹配参与者间的数据量。受试者被要求在扫描过程中睁开眼睛，并注视中心凹出现的十字架。

       使用基于 SPM 5的自动化流程对功能图像进行预处理。预处理包括去除前 4 帧以避免 T1 稳定效应、使用INRIalign 重新对齐、使用中间层作为参考帧的时间层校正、空间标准化到MNI空间、重建为 3 mm ×3 mm × 3 mm 体素，并使用高斯核(FWHM = 5 mm) 进行平滑处理。体素时间序列进行 Z值化以标准化跨空间的方差，从而最大限度地减少后续基于方差的研究中的可能偏差。请注意，方差标准化可能并非对所有研究都是最佳的选择，因为它删除了可能与受试者之间差异相关的幅度信息；然而，我们这里的重点是时间动态性而不是幅度，因此方差标准化是首选。

组水平ICA和后处理

       使用组水平的空间 ICA 将数据分解为功能网络；如图1A所示)。使用相对较高的模型阶数（成分数量，C = 100）来实现与已知解剖和功能分割相对应的精细皮质和皮质下成分的“功能分割”。通过主成分分析 (PCA) 减少各个受试的数据，使用标准化分解保留120 个主成分，并使用期望最大化 (EM，expectation–maximization)算法将组数据减少至C = 100 PCs，以避免过高的内存要求。 Infomax ICA 算法在Icasso中重复了10 次，并将集合空间图 (SM，spatial maps ) 作为团块（cluster）成分。每个受试的 SMs ( S i ) 和时间序列(TCs, R i ) 是使用基于 PCA 压缩和投影的 GICA1反向重建方法估计的，这相当于在个体水平进行PC空间的基于最小二乘的双重（时间空间）回归。将 C 1 = 50 个成分的子集定义为 ICNs，而不是生理、运动相关或成像伪影(ART)的成分。成分的评估基于以下标准：ICN应在灰质中表现出峰值激活，与已知的血管、心室、运动和易感伪影的空间重叠少，并且应具有以低频波动为主的TCs（时间序列）。

图1 分析步骤示意图.

      使用组水平ICA将M = 405 名受试者的静息态数据分解  C = 100 个成分，C 1 = 50 个被定义为内在连接网络 (ICN)。 GICA1 反向重建用于估计每个受试者的TCs ( R i ) 和 SMs ( S i )。( B )成分之间的静态FC (左, ∑ i ) 被定义为R i的方差。动态 FC（右，∑ i L1 ( w )）被定义为来自R i的每个窗的一系列正则化协方差矩阵。

       对各成分的TCs （时间序列）进行了额外的后处理以去除剩余的噪声源。这些包括去除与扫描仪漂移、头动和其他非特异性峰值和噪声伪影相关的低频趋势。后处理包括： 1) 去线性、二次和三次趋势，2)对6 个头动参数及其时间导数的多元回归，3)去除检测到的异常值，以及 4)  0.15 Hz 高频截止的低通滤波。这里使用的异常值去除方法类似于( Power et al. 2012 ) 提出的“scrubbing”方法，但我们没有从数据中删除受影响的时间点（这会影响随后的滑动窗口方法），而是使用三阶样条插值法，通过拟合TCs 的有效数据部分进行估计并替换了异常值。根据中值绝对偏差检测异常值，如在3DDESPIKE（afni的despike工具）中进行的那样。提高了成分 TCs 的时间导数的均方根，在 Power 等人中称为“DVARS”；从 FC 估计值中消除了预期的运动相关偏差。作为后处理的最后一步，我们对每个 TCs 的方差进行了标准化，因此协方差矩阵（如下）对应于相关性矩阵。在探索性工作中，我们重复了对经过最少后处理（仅去趋势和低通滤波）的成分TCs 的所有分析，并在 FC 时间变异性（图 4 ）和连接状态（图 5 ）方面发现了几乎相同的结果，表明这里应用的有点激进的后处理并没有从根本上改变动态结构。

图4 评估FC变异性。

（ A ）ICNs之间的低频（<0.025 Hz）FC振幅平均值。幅度更大表示更多变的FC。 

( B ) 用于识别每个成分的不稳定区域(ZOI，zone of instability) 分数的置换划分过程（参见材料和方法部分）。

（ C ） ICNs的表面渲染图，ZOI分数>0.5。

图5 聚类方法

( A ) 和k=7的聚类结果( B ) 。每个团块（状态 1-7）用其质心（左）、通过Louvain 算法获得的用于的模块划分（右上）和以时间为函数的发生次数（右下）进行总结。 出现的总数和百分比列在每个质心上方，模块的数量 ( n ) 和模块化指数 ( Q * ) 在旁边。 在可能的情况下，模块颜色（蓝色、红色、绿色和黄色）在不同状态下匹配，以使相似的分区具有相同的颜色。 由于模块化分区在每次运行中略有不同，因此在 100 次置换重采样中重复了Louvain 算法，并且模块化分配的一致性通过颜色不透明度来反应（完全不透明= 在所有重采样中分配到相同的模块上；完全透明 = 在每一次重采样时分配给不同的模块）。 beta 值表示发生次数趋势（蓝色）的最佳线性拟合（红色）斜率（以每分钟百分比为单位）。 浅灰色线显示 100 次置换重采样的发生次数曲线。

计算FC和时间变异性

      对于每个受试者 i = 1 …M ，使用 TC 矩阵R i 进行稳定FC计算，形成 C ×C大小的协方差矩阵∑ i （图 1 B ，左）。动态FC 是用滑动窗口方法进行计算的，从Ri的窗口片段计算∑i ( w ), w = 1 ... W协方差矩阵（图1 B ，右）。我们使用了一个锥形窗口（参见图 1 B ，右），它是通过将一个矩形（宽度 = 22，TRs = 44 s）与一个高斯（σ= 3 TRs）卷积创建的，并以 1 TR 的步长滑动，得到 W = 126 个窗。因为相对较短的时间段可能没有足够的信息来表征完整的协方差矩阵，我们从正则化精确矩阵（翻转协方差矩阵，∑ i - 1 ( w )）估计完整的协方差矩阵。根据Friedman等人的图论 LASSO 方法，我们对精确矩阵的L1 常数进行了惩罚以促进稀疏性。通过在交叉验证框架中评估未见数据（来自同一受试的窗协方差矩阵）的对数似然比，为每个受试分别优化正则化参数lambda (λ)。最后对每个窗的最终动态 FC 进行计算，通过∑i L1 ( w ) 串联形成一个 C × C ×W 大小的数组，表示成分之间的协方差（相关性）随时间的变化。在进一步分析之前，静态FC和动态FC 估计值都经过Fisher 变换以稳定方差。

      一些 ICNs 之间的FC 值显示出比其他 ICN 更大的时间变异性（参见图 3 和图4 A）。我们使用一种简单的算法将 ICNs 分成具有更多可变 FC的组（分区1，P1），称为“不稳定区域”（ZOI，zone of instability）；以及更少可变FC的组（P2）。该算法进行了 3 个步骤：1）以相等的概率将ICNs 随机分配给P 1 或 P 2；

         2）在重复迭代中，每个成分的分组用最大化分离指数（Separation Index，SI）的方式进行变更。

其中a_u,v是u , v = 1, ... C 1的成分之间的 FC 振荡的平均低频 (<0.025 Hz) 振幅；σ2 是a_u,v的标准差，u，v∈P2；h1 , h2 是每个相应分组中的成分数目；当每个成分的分组有任何变化会导致SI降低时，就达到了步骤3）的终止条件。为了获得一个包含数据可变性且独立于初始条件的稳健分区解决方案，我们在b = 1000 个数据的置换重采样上重复了该算法，也就是说， M个受试者被进行有放回抽样，并且a_u,v被重新计算为在那个子样本上的平均值。每个 ICN 的 ZOI （“不稳定区域”）分数（参见图4 B ）定义为被分配至P1的重复次数所占的百分比。

图3  第124(A)，267(B)和360(C)个受试的FC动力学示意图

(A1-C1)每个受试的 FC，在所有窗口上的平均值。

(A2-C2) 选定 ICNs 对之间的连接性的FC 时间序列。在对应于窗口中心的时间点绘制相关系数。顶部显示选定窗口的∑i^L1(w)。突出显示的连接是 PreCG-丘脑（浅蓝色）、L MOG-R PoCG （红色）、L IPL-MOG（橙色）、ACC-R IPL（深蓝色）和MiFG + SFG-L AG（绿色）。突出显示的窗是聚类分析中所用的子样本的示例（参见图5A ）。 

(A3–C3) 是(A2–C2)中时间序列的 FC 频谱图。 (A1-C1)中标记 FC 元素位置的彩色箭头对应于(A2-C2) 和 (A3-C3) 中的彩色线。

聚类分析

        为了评估重复出现的 FC 模式的频率和结构，我们将k 均值聚类算法应用于加窗的协方差矩阵。我们使用了 L1 距离函数（曼哈顿距离），以前的研究表明L1-常数可能是比 L2（欧几里德）距离更有效的相似性度量。在聚类分析中仅使用C1=50个ICNs之间的协方差，产生了(50× (50 −1))/2 = 1225 个特征。在聚类之前，沿时间维度对每个受试的数组∑i^L1进行二次抽样，既可以减少窗之间的冗余（选择的 1 TR 时间步长会在 FC 时间序列中引起高度自相关），也可以降低计算需求量。与EEG 微状态分析类似，根据FC 方差中具有局部最大值的窗口选择受试者样本，导致每个受试者有 7.5 ± 1.5（平均值± SD）个窗（范围：4-12），共3026 个实例。

       将聚类算法应用于所有受试样本的集合，并重复 500 次以尽可能避免陷入局部最小值，并随机化初始的质心位置。然后使用得到的质心（聚类中位数）来进行所有数据的聚类（405 个受试者× 126 个窗口 = 51 030 个实例）。为了确保样本选择不会对聚类分组结果造成影响，我们使用另一种方法进行了重复分析：1）我们首先在受试水平应用聚类并将受试的质心传递到组水平，2）我们从每个受试中随机选择 6 个窗口。两种方法产生的团块几乎与使用局部最大值处的窗口观察到的团块相同。同样，我们使用不同的距离函数（相关性、欧几里德和余弦距离，除了L1-常数之外）重复进行聚类，也发现了极其相似的结果。对于组水平聚类（以及受试水平的聚类），聚类数 ( k ）是使用团块有效性指数（cluster validity index）的肘部标准（elbow criterion）确定的，计算为团块内距离与团块间距离之间的比率，尽管使用分层聚类或显式变化k证明了一致的结果。

      聚类出的团块的可重复性是通过在自置换采样和不重复的受试者分半样本上的重复来建立的。我们通过对替代数据进行k均值聚类来验证团块不是由于受试者或时间之间的非特异性差异造成的。替代数据是通过傅立叶域中的相位随机化创建的。为了创建替代数据集 1 (SR1)，对每个受试的数组∑i^L1进行了傅里叶变换，并将相同的随机相位序列添加到所有 FC 相位谱中，保持所有窗口的协方差结构。对于 SR2，应用了相同的过程，但在每个 FC 相位谱中添加了不同的随机相位序列，从而扰乱了协方差结构。 SR1 和 SR2 中FC 时间序列的均值、方差和时间自相关与原始数据相同。如补充材料图 S6 C所示，在 SR1 中发现了团块，但在SR2 中没有发现团块，这表明导致聚类的是特定 ICNs 之间重复出现的FC，而不是FC 均值或受试者间方差的差异。

      作为聚类方法的验证，我们使用 SimTB 框架( http://milab./software/simtb/) 在动态神经连接模型下模拟 fMRI 时间序列，然后应用 k 均值聚类以与真实数据相同的方式从窗口协方差矩阵估计FC 状态。如补充图 S7所示，聚类结果提供了对离散神经状态和状态之间转换的出色估计，表明源自真实数据的聚类忠实地反映了动态连接的结构和时间特性。

结果

      图 2 A 显示了使用组水平ICA 识别出的 ICNs。根据其解剖学和假定的功能特性，ICNs 被分为皮质下 (SC)、听觉 (AUD)、躯体运动 (SM)、视觉 (VIS)、认知控制 (CC)（粗略地指计划、调控和调整个人的行为）、默认网络（DM）和小脑（CB）成分。 ICN 的手动排列非常类似于实证方法提供的各种排序，包括谱聚类和基于BCT的优化算法。每个 ICN 的详细图像展示在补充图S2 中，峰值激活的坐标列在补充表 S1 中。 ICN 类似于之前在高阶模型ICA 分解中观察到的那些，并且覆盖了大部分皮质下和皮质的灰质。图2B 显示 ICNs 之间的FC，在整个扫描长度上计算并在受试者间进行平均。 FC 的模式与先前的文献一致，显示了感觉系统和默认网络区域内的模块化组织，以及这些域之间的反相关性。我们注意到，基于平均连接性，语言区域（L MTF + IFG 和右侧小脑）被包含在默认网络内（最近的研究发现，默认网络和语言加工脑区关系密切，需要更深入的研究），可能是因为将大部分时间花在自我叙述和内心言语上。

图2 ICN SMs (空间图)( A ) 和它们之间的静态FC ( B )

ICNs根据其解剖学和功能特性进行分组和排列。在每个组中，( A ) 中成分的颜色对应于( B )中横轴显示的彩色标志。对所有受试者的 FC 进行平均，并进行逆Fisher变换( r = tanh( z )) 以进行展示，便于与以前的研究进行比较。 

（B）中的 ICNs 标签表示具有双侧激活峰值振幅的大脑区域，除非指定为左 (L) 或右 (R)。对每个成分的详细信息请参阅补充图 S2 和表 S1 。

STG，颞上回； PreCG，中央前回；PoCG，中央后回； SMA，辅助运动区； ParaCL，中央旁小叶；SPL，上顶叶； MTG，颞中回； FFG，梭状回；MOG，枕中回； SOG，枕上回； IPL，顶下小叶；ITG，下颞叶； MCC，中扣带回； pInsula，后岛；MiFG，额中回； IFG，额下回； aInsula，前岛叶；PHG，海马旁回； PCC，后扣带皮层； AG，角回；ACC，前扣带皮层； SFG，额上回； CB，小脑。

      滑动窗口分析的结果如图 3 A - C 所示，它显示了3 个代表性受试者的 FC 动态。从 FC 时间序列（图3 A2-C2）和相应的视频（补充视频1-3 ）可以看出，一些 ICN 之间的 FC 是高度非平稳的，在某些情况下，在 5 分钟内表现出强正相关和强负相关。时间序列的傅立叶分析（图 3 A3-C3）显示低频 FC 振荡在 0.005 和 0.015 Hz 之间达到峰值，对应于大约 100 秒的周期。我们注意到ICNs成分之间的 FC 振荡明显大于 ART 成分之间的振荡（参见补充图 S3 A ，曲线下的谱区域：t (404) = 39.4， P ≈ 0），并且也趋于向较低频率加权（参见补充图S3 B ，光谱质心：t（404）= -27.7，P≈0 ）。这些区别表明，ICNs 之间的动态与连接性的变化有关，而不是与非特异性生理变化（例如，心脏或呼吸变化）或受试者头动有关，后者预计会类似地影响所有成分。

       关于ICNs，我们观察到某些成分之间的FC 变异性比其他成分更大。例如，对于图 3 ，DM(默认网络)成分48 和 75 之间的FC（绿线）在整个扫描过程中相对稳定，而 CC 成分 76 和VIS 成分 80（橙线）之间的FC 波动较大。比较所有 ICN 对之间的低频 FC 振荡的幅度（图4 A ）表明了一个有趣的模式：一组不同的 ICNs，它们之间的 FC 比其他成分的可变 FC 更多。与其他区域相比，以枕上皮层为中心的 ICN 在默认网络区域中表现出更多可变的 FC，并且这两个域都显示出与下顶叶皮层成分的可变连接。我们对数据的重采样样本使用迭代分区算法，以区分显示彼此之间更多可变连接的成分集（图4 B ，详见材料和方法部分）。正如我们对振荡幅度的初步研究所预期的那样（如图4 A ），背侧注意区域、默认网络区域和上枕网络始终分配给具有更多可变连接性的分区（图4 C ）。我们将这组区域称为包含一个 ZOI，可能反映了一个能够灵活行为和异质性功能的大规模网络。

连接状态

       如图 3 A2-C2 和补充视频1-3所示，单个 FC 时间序列的变异性极大可能不是随机的。波动会产生高度结构化的FC 模式，这些模式会在数十秒内出现和分解。为了探索某些连接模式可能是准稳定的可能性，即它们随着时间的推移重复出现并存在于许多受试者中，我们将k 均值聚类应用于窗口 FC 矩阵（参见材料和方法部分）。图 5 显示了 k = 7 的聚类结果。每个矩阵代表一个聚类的质心，并假定反映了数据中稳定存在的连接状态。我们注意到，这些团块在受试者的置换重采样和分半分析中可重复（参见补充图 S5 A ），在很大的k中被分解（参见补充图 S4 ），并且当使用在均值、方差和时间自相关方面与真实数据匹配的零模型中找不到这样的聚类（补充图S6 A ）。

       FC状态按出现的顺序排列（参见补充图 S4 ）。状态 1 占所有窗口的30% 以上，类似于静态FC（与图 2相比），并且根据我们对高阶和层次聚类的观察，状态1表示大量难以被分类的额外状态的平均值。状态 2-7 中的 FC 模式观察到出现频率较低（介于7% 和 15% 之间），但表示的连接性与平均值有很大差异。就 ICN 之间的连接性和网络模块化（即ICNs 划分的子组）之间的连接性的大小和符号而言，差异是显而易见的。模块化分区（图5）使用Louvain算法得出，根据Rubinov和Sporns（2011）建议的最佳模块化进行定义，并在 Brain Connectivity Toolbox 中实现，该过程在未阈值化的 FC 矩阵上进行。

      我们描述了 FC 状态之间不同的3 个显著特征，尽管也存在许多其他区别。首先，通过 DM(默认网络) 区域之间的连接性来区分状态。在状态 2 和 7 中，存在一个大型 DM 模块（蓝色），包括专注于双侧海马、楔前叶、后扣带皮层 (PCC)、前扣带皮层、角回、外侧颞叶皮层和下额叶皮层的 ICN。相比之下，状态 5 和状态 6 显示出后部 DM 节点（楔前叶和 PCC）与前部和侧部顶叶区域之间存在功能分离。覆盖后内侧皮层的 ICN 与一些VIS 和 CC 成分同步，并与其他DM 区域表现出较弱的异同步性，导致模块隶属关系不同。各状态也通过 DM 成分和整个大脑其他区域之间的FC 来区分。在大多数状态中，SM 成分与 DM 系统呈负相关，与感觉区域呈正相关，通常形成一个大的感觉运动模块（红色）。然而，在状态 6 和状态 7 中，一些 SM ICN 与 DM 成分表现出“正”相关（与视觉、听觉和皮层下区域呈负相关），导致部分ICN将这些运动成分包含在 DM 模块中。类似地，请注意，几个通常与DM 系统反相关或不相关的额叶 CC 成分（例如，状态 2、6、5 和7）在状态 4 中表现出不同的行为，并在 DM 区域显示正 FC（并且在DM 区域显示与感觉运动区的负 FC）。DM 模块扩展为包括更多数量的额叶区域，这些区域在其他状态下形成它们自己的模块（例如，状态1 和 5 中的黄色；状态2 和 6 中的绿色）。第三个区别特征是皮层和皮层下成分之间的 FC，这在很大程度上与状态 3 相关。除了状态3，丘脑和小脑部分始终显示出与专注于感觉运动系统的皮层成分同步激活。与之形成鲜明对比的是，状态3 显示皮层下区域（双侧丘脑、基底神经节和小脑）和感觉运动皮层之间的强烈不同步激活。这种分离伴随着DM (默认网络)区域之间连接性的显著降低，使得经典的DM 模块不再存在。FC 和模块的这些巨大差异表明，状态 3 代表了一种与其他团块中所代表的认知状态截然不同的认知状态，我们将在下面的分析和讨论部分中进一步探讨这个主题。

状态转换

      除了描述区分 FC 状态的连接性差异之外，我们还可以研究它们的发生次数（图5 ，右下图）以及它们之间的转换频率。图 6 A 显示了3 个示例受试的状态分配作为时间的函数。正如我们从非常缓慢的连接动态中所期望的那样（图 3 ），FC 倾向于长期分配给单个状态，尽管在状态之间转换时通常会看到较短的周期（例如，对于受试267，FC被短暂地分配给状态 5，因为它从状态1转换至状态6）。在动态 FC 模拟的迭代中可以看到类似的行为（参见补充图 S7 ），错误分类最有可能发生在过渡期。我们可以通过将FC 视为马尔可夫链 (MC，Markov chain) 来描述转换行为，这是一个在离散数量的状态之间经历转换的系统。在图6B 中，我们展示了该系统的平均转换矩阵 (TM，transition matrix)，它表示从一种状态变为另一种状态的概率。沿对角线的白色方块表示保持相同状态的可能性非常高。对于非对角元素，状态1列中较热的颜色表示从其他状态进入状态 1 的概率较高，状态 3 行中较冷的颜色表示退出状态3 的概率较低。因为平均 TM 是规则的（所有转移概率都>0），我们也可以逼近平稳概率向量（π ) 作为 TM的主要特征向量。向量π展示在图 6 C中，表示在特定状态下找到MC 的平衡概率，即系统在长期中的预期行为；注意，这与图5中展示的出现次数或比例不同。状态 3 的平稳概率超过 0.4，远大于其他状态的概率（大约 0.05 -0.15），这意味着从长远来看，系统最有可能出现在状态 3。这些结果与状态分配的时间趋势展示在图5中。随着时间的推移，聚集到状态3 的窗口数量稳步增加（增加 3 倍），分配给状态 2 和7 的窗口频率相应减少。基于转换动态，我们假设状态 3 代表一种困倦或浅睡眠状态，随着时间的推移，受试者更有可能进入这种状态。支持这一假设的证据是，状态 3 的丘脑皮质失连接和 DM 连接减弱与受试者从清醒到睡眠时发生的 FC 变化一致。

图6 FC状态之间的转换。

(A）图3中所示的3 个示例受试的状态向量。分配的状态绘制在对应于滑动窗口中心的时间点。

（B）状态转移矩阵（TM），对所有受试者进行平均。沿对角线的高值表示处于某个状态的概率很高。请注意，转换概率是在对数尺度上进行颜色映射的。

(C)稳定概率向量（π，TM 的主特征向量）显示了稳态，或“长期”行为。误差线表示从平均TM（重采样对象）的 1000 个置换重采样获得的非参数 95% 置信区间。

讨论

      本研究使用 ICA、滑动窗口和聚类分析探索了FC的动态模式。增加了关于静息态期间连接动力学和内在驱动状态，本文对大样本( n = 405) 中的连接性动态的分析提供了第一个对FC 变异性的局部差异和离散 FC 状态区分的全脑分析。接下来作者将依次讨论这些结果及其含义。

不稳定区域

      本文使用分区算法来识别一组具有更多可变连接的ICNs，它们被定义为 ZOI。这种方法区分了具有复杂模式的枕叶皮层、与背侧注意系统相关的外侧顶叶皮层，以及默认网络的外侧和内侧部分。可以发现，ZOI区域是全脑联系最紧密的地区，并且一些区域一直作为结构和功能中心或高网络中心性的区域出现，各自表明异质的和整合的功能。与之前的研究有所不同，ZOI 的特征可以将这些相同区域划分为2 个或 3 个具有不同的功能和潜在的竞争角色的不同系统。虽然ZOI 成分肯定参与具有不同主要角色的系统，但本文的分析强调，它们之间的关系是灵活的（比其他区域之间更是如此），具有出现和消散的功能连接，该研究结果反对将这些脑区具有固定分离的标签方案。此外，本文的结果可能会激发针对静息状态和任务数据集的一种“FC可变性映射”的分析。与其关注显示出相对恒定的连接性模式的区域（隐含于传统的静态连接性分析），识别那些FC 变化明显更大的区域可能会有很大的好处，这表明在多个大规模系统中的分类资格和在自调整过程中的作用。

连接状态

      本文使用 k 均值聚类来识别重复出现的短期连接模式，将其描述为FC 状态。 FC 状态可以通过神经元连接的大规模模型很好地预测，该模型考虑了给定结构产生的功能。如 Deco 等人（2011年）所述，在他们最近对连接性模型和动力学的综述中，“在较长时间窗口上的测量捕捉到了解剖连接性，反映了文献中描述的RSN……较短的时间窗口强调了与 RSN 模式的微小偏离，其中不同节点在短时间内形成新的功能网络，然后返回RSN模式。…解剖学提供的确定性结构允许某些功能网络及时重复，但在任何给定点，精确配置取决于正在探索的动态模式的一部分……”。与这些模型非常一致，我们确定了在某些情况下与长期表征的FC 显著不同的稳定“离开”。特别针对DM（默认网络） 连接性，如图5所示的FC状态挑战了单一且稳定的默认网络的概念。相反，该网络的组成部分及其与非默认网络区域（例如运动和前运动皮层）的协变随时间而变化。特别值得注意的是，楔前叶 ICN 仅在某些状态（1、2 和 7）表现出与DM 模块的关联，这反映并可能解决关于将楔前叶纳入默认网络的讨论。此外，传统的“核心”DM 区域，如后扣带回和外侧顶叶皮层可能暂时无法表现出同步活动，如状态3。这些发现以及之前的动力学研究强调了连接性和功能网络的特征在很大程度上受到连接性测量的时间尺度的影响。随着研究越来越多地探索行为和连接模式之间的关系，评估 FC（和 FC 变化）的相关时间尺度将变得更加重要。

      虽然本研究是第一个从静息状态成像数据中表征离散 FC 状态的研究，但观察到的状态与之前的发现很好地相关。在研究猕猴和人类的连接动力学时，Hutchison 等人（2012）描述了在这两个物种中发现的“超同步（hypersynchronization）”时期，在此期间，动眼和运动网络显示出极高的网络内连接性，即所有节点之间存在强正相关。超同步时期持续了数十秒，并在整个扫描过程中再次出现，这与本研究描述的FC 状态类似。具体来说，状态 2 和状态 6 代表动眼/背侧注意区域之间同步激活的时期，而状态 4 表示整个运动系统具有高度相关性的时间窗。尽管Hutchison等人（2012）没有对此进行研究，但我们的结果预测：运动或动眼神经节点之间的超同步时期将伴随默认网络区域的同步和系统之间的强反相关关系，突出了全脑连接性研究的好处。

       如结果部分所述，基于发生的时间特性和全脑 FC，本文假设状态 3 表示与困倦/轻度睡眠相关的连接性。因为静息状态扫描不受限制，并且受试者可以以他们选择的任何方式自由地“走神”，所以代表特定认知状态的FC 模式不太可能在受试者之间遵循类似的时间线。相比之下，我们估计受试者之间的唯一共同特征是嗜睡或睡眠的可能性增加。有趣的是，状态3 表现出预期的嗜睡时间分布，即，随着扫描的进行变得越来越频繁（如图5所示）。来自 MC 分析的相应结果表明，从长远来看，受试者最有可能处于这种状态（图 6）。随着时间的增加，状态 3 的 FC 模式与从清醒休息到睡眠的FC变化是一致的。进入睡眠状态的标志是丘脑皮质连接性降低、皮层下连接增强和默认网络连接的崩溃，所有这些都在状态 3 中发现与该理论一致，随着时间的推移，FC状态的发生率下降幅度最大的是那些具有广泛的默认网络连接和具有DM和CC成分之间拮抗性的状态（状态2 和状态 7）。虽然状态3 的假设表示应该用EEG-fMRI 记录进行测试，但我们认为，它在当前数据集中的识别说明了动态估计/聚类分析方法的鲁棒性，并支持仅从成像数据中获取自发的状态转换信息。

      最后，有趣的是考虑 FC 状态和EEG 微状态之间的关系，这两者都被认为反映了支持不同认知过程的大规模神经结构之间的协调。尽管微状态仅持续数百毫秒，但它们的动力学表现出跨越长达数十秒的时间跨度组织（无标度）。因此，FC 状态和 EEG 微状态可能捕获非常相似的生理现象，尽管它们分别是通过非常不同的空间和时间过滤器获得的。事实上，最近的几项研究已经对 EEG-fMRI 静息状态数据集进行了基于微状态的融合研究，结果表明微状态与有限数量的基于fMR 的 ICNs 之间存在一些对应关系。新出现的研究侧重于这种连接性的时变方面，发现大规模ICNs 也与遥远区域之间α和β神经振荡的共变振幅波动有关。 EEG 和 MEG 固有的更高时间分辨率使这些方法更适合于动力学研究，但是fMRI可以提供的明确的源定位和对深部皮层和皮层下核团的全面覆盖，所以我们提倡在FC 和连接性变化的研究中使用这两种技术进行互补。我们相信，若进一步研究基于fMRI 的不同FC 状态和各种电生理学特征（包括微状态和带限能量波动）之间的一致性和特异性，将有望阐明与自发认知和行为转变相关的时空动态。

总结

       本研究描述了基于ICA、滑动时间窗FC和对加窗连接性矩阵进行K均值聚类来评估全脑FC动态的方法，在一个大样本(n = 405)的早期成人的静息态数据库中进行了研究。对FC变异性的分析结果强调了外侧顶叶和扣带回皮层区域之间的灵活连接性；聚类分析结果揭示了一些意料之外的严重偏离静态的FC状态，挑战了目前对大规模网络间交互模式的描述；且不同FC状态出现的时间趋势支持了有关其功能作用和与警觉性/唤醒关系的理论。另外，本文对其在实验设计和方法学上的局限性进行了详尽的讨论，为想要进行动态研究的学者提供了参考。总之，对FC时变方面的研究可以揭示不同神经系统之间功能协调的灵活性，对这些动态的进一步研究可能会增进对行为转换和调节过程的理解。