bold信号（PNAS：功率谱显示白质中明显的BOLD静息态时间过程）

本文目录

• PNAS：功率谱显示白质中明显的BOLD静息态时间过程
• 能够将人类大脑中浮现的画面重现出来，是什么技术原理
• 大脑无意识状态下的fMRI脑网络动态特性
• 脑电数据的功能连通性分析
• 额叶-小脑连接介导认知加工速度

PNAS：功率谱显示白质中明显的BOLD静息态时间过程

准确描述血氧水平依赖(BOLD)信号变化的时间过程对功能性MRI数据的分析和解释至关重要。虽然多项研究表明白质(WM)在任务诱发下表现出明显的BOLD反应，但尚未对WM自发信号波动的时间过程进行全面的研究。我们测量了WM内一组区域的功率谱，这组区域的的静息态时间序列是独立成分分析显示为同步活动。根据它们的功率谱，在每个成分中，体素明显地分为两类:一组显示出一个单独的峰，而另一组在更高的频率上有一个额外的峰。它们的分组具有位置特异性，其分布反映了独特的神经血管和解剖结构。重要的是，两类体素在功能整合中的参与存在差异，这体现在两类体素在区域间连接数量上的差异。综上所述，这些发现表明， WM信号在本质上是异质性的，并依赖于局部的结构-血管-功能关联 。

1. 简介

功能磁共振成像(fMRI)已经成为通过检测大脑中血氧水平依赖(BOLD)信号的变化来绘制神经活动的领先技术。数学分析已经发展起来，以识别激活区域，当刺激响应时，BOLD信号显著高于基线，并通过检测在无任务、静止状态下分离的灰质(GM)区域的同步BOLD信号，来识别功能回路。 白质(WM)占脑容量的一半以上，并显示出与GM相类似的氧摄取模式 ，但在任务或静息状态功能磁共振成像研究中，其参与很少报道。 在实践中，WM中的平均BOLD波动通常被回归为一个讨厌的协变量 。近年来，越来越多的文献认识到，WM中的BOLD信号的变化可能反映神经活动，并通过适当的方法，与外界刺激相关的BOLD改变可以用常规fMRI可靠地检测出来。然而，与GM相比，检测WM激活的灵敏度往往要低得多，这可能是由于对纳入回归模型进行检测的反应的时间过程做出了错误的假设。根据我们最近的研究， 参与外部刺激处理的WM束可能表现出不同于GM的不同时间进程，其幅度减小，峰值延迟，反映了GM和WM血流动力学条件的定量差异 。这些发现强调了描述BOLD信号的时间剖面的重要性，这样可以更好地理解WM中的神经血管耦合，并将其适当地纳入分析中。

迄今为止，对WM BOLD反应特征的研究主要集中在任务诱发的BOLD信号上，在该信号中，每个时间过程的开始锁定于已知的事件(或刺激)。然后，测量的统计意义，例如，反应的幅度和达到峰值的时间，可以根据trials,run,sessi***和受试者之间的平均和比较来严格评估。

然而，由于缺乏影响内在BOLD信号的参考事件，因此很难量化或比较个体或区域之间的时间过程。现有文献通常报告基于区域间相关性的数据，这些数据在扫描或受试者中可重现，但在这些数据中，时间进程本身的特征被忽略了。 信号的频谱分析 是识别感兴趣的特征的一种补充方法，随着时间的推移，BOLD效应看起来是随机的和很小的，可能反映了成分频率的独特模式。事实上，功率谱分析经常被用来表征GM的自发活动，发现不同皮层区域、不同认知状态或不同频段的BOLD变化存在显著差异。虽然这些分析可以提供可靠的信号统计描述，但这些分析仅限于通用模型，关于WM中静息状态时间过程的信息仍然缺乏。我们最近的研究表明， 与GM相比，WM信号具有相当的频率范围，其功率作为频率的函数也表现出类似的模式 ，因此功率谱可以为了解WM信号波动的本质提供更多的信息。

在这里，我们报告了我们对一组区域的WM时间过程的功率谱的详细分析，这些区域是从驱动的不同功能活动派生的数据中确定的。我们观察到，虽然每个区域都表现出类似的BOLD波动模式，但更深入的分析表明， 每个区域内的体素很容易根据其不同的功率谱聚为两组:一组有单峰谱(SP体素)，另一组有双峰谱(DP体素)，这种谱形状在GM体素中很少观察到 。然后，我们通过功率谱中第二峰与同一位置的血流动力学和解剖特征之间的关系，探讨其可能的起源。 我们观察到DP体素在其血流动力学响应函数(hrf)中比SP体素表现出更明显的初始下降，这表明更高频率峰值的存在反映了局部的血流动力学条件 。

基于弥散成像数据，我们观察到DP体素中的交叉纤维明显多于SP体素，这为不同的模式提供了解剖学基础 。接下来，我们比较了从整个区域的时间过程的相关性计算出来的区域间功能连接，仅SP部分和DP部分，并观察到 DP子区域产生了最多的区域间连接 ，说明SP体素和DP体素在静息态功能网络中有不同程度的作用。这些发现共同表明，在静息状态下， WM BOLD信号可能有不同的时间进程 ，反映了不同体素群体中解剖、神经血管和功能耦合的潜在变化。

2. 结果

2.1 独立成分的空间分布及其特征功率谱

基于199名受试者的图像，采用组独立分量分析(group independentcomponent ****ysis, ICA)方法将WM分解为80个独立分量(ICs)。 每个IC代表一组体素，随着时间的推移，这些体素表现出类似的BOLD信号模式 。通过 傅里叶变换计算每个IC体素内信号的功率谱频率分布 。

图1显示了选择的WM IC和他们的功率谱。对于每个面板，第一个图(图1,I)显示了蒙特利尔神经学研究所(MNI)空间中三个正交平面的IC(所有80个IC的空间分布可以在SI附录中找到，图S1)。每个面板中的第二个图(图1，图II)显示了组成IC的体素的功率谱，其中每条线代表了每个体素平均超过199名受试者的平均功率谱。基于观察到的频率上的功率模式，这些线使用k-means算法聚为两组;SP体素在0.015Hz左右出现单峰，而DP体素在0.065 Hz左右出现额外的峰值，如图3所示(图1、图III)。横轴切片IC内部SP和DP体素的空间分布如图4(图1、图IV)所示，颜色不同。     

图1 所选WM ic的空间分布及其功率谱模式。对于每个面板，I是WM IC在三个正交平面上的可视化，II是IC内体素的功率谱。每条线代表同一体素下199名受试者的平均功率谱。(III)两组体素(SP体素和DP体素)在IC内表现出不同的功率谱模式。(IV)SP体素和DP体素在不同颜色下的空间分布。

我们观察到80个WM IC中有80个存在DP体素(详见SI附录，图S2)。为了评估DP体素对WM是否独特，我们对GM应用了相同的工作流，但在80个GM IC中没有观察到明显的DP模式(参见SI附录，图中的细节)。S3和S4)。为了检验这项工作的可重复性，分类在两个休息的sessi***上被复制，从相同的199名受试者在不同的日子获得。如SI Appendix, Fig. S5所示，在WM ICs中测试SP和DP体素的空间分布非常一致。SI附录，图S6显示了SP和DP分布的全局地图，对80个ICs的每一类结合体素重建，并根据测试和重测结果之间的Dice系数评估其重现性。SP体素的Dice系数为0.95,DP体素的Dice系数为0.78。

2.2 WM IC中HRFs函数与功率谱的关系

使用静息状态血流动力学响应函数(RS-HRF)工具箱(详见材料和方法)分别对每个IC中的SP和DP体素进行HRF估计。对于SI附录中的每个面板，图S7，左图是IC中SP和DP体素的分布，中图是不同颜色的SP和DP体素的HRF，每条线代表在同一体素下199名受试者的平均HRF。我们观察到与80个ICs中的80个SP体素相比， DP体素呈现出更明显的初始下降，其幅度明显更低 。为了进一步证实这种差异不是偶然观察到的，我们将每一个IC(在受试者水平上)随机分成两组，观察到hrf在两组随机组之间完全重叠，如图各面板右图所示。

初始下降的幅度，特别是在DP体素中，似乎随位置而变化 。例如，如图S7所示，IC 16的倾角比IC 45的要低得多。同样地，功率谱在IC上显示可变的第二峰，如图2B所示。检查DP的HRFs和功率谱之间的关系,我们将HRFs初始下降幅值和在80 ICs之间的变化的四个测量进行相关,包括第一和第二峰值的大小,以及他们的比率,和频率与第二高峰。我们观察到hrf初始倾角的大小显著相关，如图2C-F所示，四种测量值的相关性最高，在功率谱中，倾角的大小和两个峰的比值之间的相关性最高，如图2C所示。这种关系也分别对男性和女性进行了评估。如SI附录图S8所示，两性数据的谱与hrf的关系一致。同时，与男性相比，女性的hrf的初始下降幅度更低，而谱的第二峰的幅度更高。此外，与男性相比，女性在受试者中显示出与第二个峰值相关的频率分布更为集中。

图2 在80wm ic中，DP体素的hrf和功率谱之间的关系

2.3 DP体素中WM波域与功率谱模式的关系

通过首先比较DP体素的空间分布和从相同199名受试者的弥散数据计算出的纤维复杂性度量，我们检验了DP体素的解剖结构和不同功率谱之间的关系(详细信息请参见材料和方法)。如SI附录图S9所示，这两幅图高度一致，在冠状辐射、丘脑后辐射和矢状层有重叠区域，其中连合束和主纵向束，如下纵向束、额枕下束，额枕骨束也穿过。

为了进一步量化这种关系，我们在199名受试者中比较了每个IC中SP和DP区域的纤维复杂性。我们观察到，如图3所示，80个ICs中有64个(80%)显示出明显更高的复杂度， 表明功率谱中的第二个峰对应的体素具有更多的交叉纤维 。这种比较也分别对男性和女性进行了评估。如图SI Appendix, Fig. S10所示，两个性别组的数据在SP和DP区域的纤维复杂性上显示出一致的差异。

图3 80 WM IC中SP区和DP区光纤复杂度的比较。在80个ic中，DP区有64个ic的纤维复杂度明显高于SP区。黑色三角形表示不显著差异或更高的复杂性在SP区域。每个框绘制数据的中间值(中线)、第一个四分位数(下边界)和第三个四分位数(上边界)。红色和蓝色的散点表示离群点。

2.4 基于整个IC、SP体素和DP体素的功能相关性

在静止状态下，来自WM区域的BOLD信号显示出与其他白**域和GM区域的相关性，其方式类似于用于推断皮层体积之间功能连接的相关性。因此，我们构建了静息状态矩阵，显示了每个成分的每对80个IC之间的相关性，以及分别仅SP和DP部分。图4 A C显示了基于DP的矩阵具有最高的连通性。为了量化差异，我们比较了199名受试者的连接数，即当对矩阵应用不同的阈值时，二值化矩阵的和。

从图4D中可以看出，在我们选择的所有阈值中，基于DP区域的矩阵比使用SP或整个IC的矩阵显示出更多的连接数。

图4 比较(A)整个ic区域，(B) ICs的SP部分和(C) ICs的DP部分重构的FC矩阵。(D)当对199个受试者的FC矩阵应用不同的阈值时的连接数。实线和阴影区域表示相关CI(95%)的数据平均值。

3. 讨论

我们测量了在功能相干区域的静息态BOLD信号的功率谱，并详细检查了低频波段内的信号功率。我们识别出两类体素，即SP体素和DP体素，它们表现出不同的谱分布。 SP体素与GM类似，呈现单峰谱，而DP体素在更高的频率上呈现额外的峰值 。 SP和DP体素聚集在某些位置，也观察到明显的hrf。DP体素的初始下降幅度明显低于SP体素，且初始下降幅度在IC之间存在差异，且与两个峰值功率比的幅度显著相关 。此外， SP和DP体素的分布与IC内部WM的详细结构相对应，SP和DP体素的纤维复杂性存在显著差异 。此外，使用IC的不同成分进行的IC间相关性评估表明，与整个IC或SP部分相比， 来自DP体素的信号在IC内的时间过程与更多其他IC同步，这表明它们在大脑连接中的不同参与 。

总之，我们对分布在WM上的80个IC的静息状态时间过程的功率谱进行了表征。根据它们的功率谱模式，在每个IC中可以明显地区分出两类体素。这些体素是特定位置的，它们在每个IC中的分布与潜在的解剖结构有关。此外，从静息状态的相关性判断，他们对大脑中明显的功能性连接的参与程度也有所不同。总之，这些发现增加了对静息状态下WM BOLD变化的现有理解，并为WM从根本上独特的结构-血管-功能关联提供了见解。

能够将人类大脑中浮现的画面重现出来，是什么技术原理

‍‍

其实关于braindecoding的研究已经有不少（科学家就是在“偷偷摸摸”做大家看不到的事情），这些研究主要用machinelearning的方法，开创性的研究在2001年由Haxby和同事完成,他们利用fMRI结合machinelearning的算法，实现了预测被试在MRIscanner中看到的是人脸还是房子，还是猫，还是鞋子...2005年的时候Kamitani和Tong,利用fMRI解码出了被试看到的grating的方向，作为machinelearning的方法，首先他们需要trainingdata，这里的trainingdata是观看7200s的电影片段相对应的位于后侧和腹侧枕颞视觉皮层的BOLD信号，BOLD信号记录下的是观看电影时视觉皮层特定区域的整体活动，这样是不能用来建立fMRI活动和视觉图像的对应关系的，所以他们用了某种叫做nonlinearspatiotemporalmotion-energyfilter的过滤器来提取图像的特征(这里叫filters，但是我感觉应该是特征的意思),比如位置，方向，空间，时间频率啊这些，然后再把这些特征与BOLD信号（也就是图2A中的Hemodynamicresp***e）结合起来，每一个特征对应一种特定的BOLD曲线（运用了L1-regularizedlinearregression的方法），把这些曲线合在一起就是预测的BOLD信号。这里是用trainingdata得到的模型，然后他们又把这些模型用到540s电影(新的电影片段)的testdata上面，拿预测的BOLD信号与实际的BOLD信号作比较从而判断模型的准确性（通过计算两者的相关性）。

为了显示自己模型的优越性，作者拿了另外两个模型作比较，最后当然如我们所料，作者的模型“完胜”。如果大家觉得这样的黑科技出来，以后人类就没有隐私了，因为我心里想什么就会被知道了（心理学的学生窃喜终于可以回答“你知道我心里在想什么吗，”这个高深莫测的问题了）那就实在高估现在的技术水平了。首先MRI那么昂贵笨重的机器在那里，直接就限制了这项技术的商业化运用；其次整个编码解码过程都需要被试的高度配合（告诉大家一个诀窍，如果那天你被人强制读脑的话，你只要摇晃一下脑袋，数据就不能用了。不过，做实验的时候千万不要动！！要听主试的话！！），这也是为什么文中只用了三个被试，解码的算法还需要很大的改进，因为不是直接解码，不过不管怎么说，这篇文章的想法真的很独特，虽然说这种想法本身就会导致重构图像的不精确，不过技术进步那么快，相信未来的发展会更加超出我们的想象的。

大脑无意识状态下的fMRI脑网络动态特性

动态核心假说认为意识与瞬时同步的大脑区域同时整合和分化的集合相关。 我们使用动态脑网络来表示依赖时间的功能交互，并通过最大的多层模块的大小和灵活性来评估动态核心的完整性 。首先， 我们使用一个新开发的用于异构时间网络模块检测的基准来约束参数选择 。接下来，我们将 多层模块化最大化算法应用于从深度睡眠和异丙酚**下获得的功能磁共振成像(fMRI)数据计算的动态脑网络 。我们发现 无意识重新配置了网络的灵活性，并减少了最大的时空模块的大小，这与动态核心一致 。我们的结果 首次表征了fMRI测量的无意识状态下模块化脑网络动态，为人类意识的动态核心假说提供了支持 。

1.简述

就像许多其他生物功能，如消化或呼吸， 意识最好被理解为一个随时间演化的过程。 参与这一过程的大脑区域并不是静态的，而是随着意识的内容一起波动，从而形成了一个依赖于时间的短暂神经互动网络。我们将模块化检测的形式应用于功能磁共振成像(fMRI)多层时间网络，目的是揭示这个过程的某些关键属性(如分化和整合)是如何在从清醒状态过渡到意识减弱状态的过程中发生变化的，比如 深度睡眠和异丙酚** 。我们发现， 在两种情况下，最大的时空模块都被破坏了，这表明大规模的信息整合存在**。

也许评估动态核心假说最直接的方法也是迄今为止探索最少的方法。 复杂网络理论提供了一个框架，可以直接评估在不同意识状态下获得的神经成像数据中存在的整合和分离。大脑状态序列可以表示为一个多层网络，每一层编码给定时间段内大脑各区域间的瞬时功能交互作用，动态核心可以表示为该网络中演化的一个时变模块 。近年来，模块化最大化算法被应用于多层网络，揭示了全脑动态网络的快速和瞬态结构。这些动态对认知表现和神经精神障碍等因素是敏感的。然而，尽管有了这些进展，意识和多层大脑网络的模块化结构之间的关系仍有待研究。

为了阐明这一关系，我们利用功能性磁共振成像(fMRI)记录构建了多层连接网络，这些记录来自于人类非快速眼动(NREM)睡眠的不同阶段，以及在异丙酚(一种全麻，增加了抑制性神经传递)的作用下。我们的主要目的是使用多层Louvain算法获得这些网络的时变模块结构，该方法包含几个与时间层之间的连通性强度有关的自由参数，以及被检测模块的特征尺寸. 以前使用该算法的报告要么采用了参数值的特别选择，要么执行了参数空间的详尽探索。我们引入了一个新的基准来检测具有无标度和模块大小分布的时变网络中的模块，从而避免了这些次最优解，该基准改编自为静态网络开发的基准。采用该方法进行参数选择后， 采用多层Louvain算法得到fMRI功能连接网络的时变模块结构 。我们的分析集中于随时间的模块动态相关的两个参数：最大的多层模块大小(LMM)(我们用动态核心及其集成水平来识别)和限制在这个模块的灵活性(我们解释为动态核心分化的程度)。图2为Lancichinetti及其同事引入的基准构建的网络的图形表示。

图1 动态核心假设的示意图

图2 根据Lancichinetti和同事介绍的基准构建的网络的图表示。

2.结果

2.1  时间依赖的基准以及参数选择

      基于引入相等的连续时间层之间的加权连接（图1b），我们研究了多层Louvain算法的表现。我们也考虑了不同层（γ）之间的相等的分辨率参数。因此，模块检测算法仅取决于这两个参数。

      我们应用我们的基准来确定最优的参数值。为此，我们引入了γ和ω值的网格，对于每一对值，我们测量了与ground-truth模块的近似推理和使用多层Louvain算法检测的那些之间的Rand指数，并对超过500个独立实现的结果进行平均。将标准Louvain算法应用于每个时间点，然后选择与启发式期望重叠最大的分区，得到用于确定多层Louvain算法性能的近似推理ground truth。我们注意到，这种近似推理对于合并-拆分动力学是必需的，在这种情况下，根据重新布线规则计算模块分裂时间并不简单。同样值得注意的是，这只能用于具有关于时序模块中节点分配的先验信息的网络，例如在合并-分割和增长-收缩动力学中。

      对两个基准，从这个过程得到的最优参数是γ=0.55，ω=1.（图3b中值被黑色盒子指出）。

      最后，虽然合并-分裂和生长-收缩动力学保留了网络中总连接的数量，但度分布在时间演化过程中会发生变化。为了量化这种可能性，我们测量了α(t)，即幂律度分布的时间依赖指数，然后计算了两种动力学的时间标准差。我们观察到α(t)在收缩动力学中发生变化，而在分裂动力学中保持稳定。

图3 基于分裂和合并两个动态过程构建的时变异构网络基准。

2.2  动态脑连接网络的模块结构

      我们利用从基准推导出的最优参数，将多层Louvain算法应用于从fMRI数据获得的动态功能连接网络。首先，我们调查了健康受试者在清醒和清醒-睡眠周期，包括增加深度和意识内容逐渐失去的四个阶段(分别为N1、N2和N3)。

图4显示了单个受试者在清醒和N3(分别是第一行和第二行)期间检测到的样本时间模块，以及每个条件下最大的多层模块(LMM)。右边的面板表示模块之间的转换点，用于计算每个节点的灵活性(F)。然后，我们比较了处于清醒状态和每个睡眠阶段之间最大多层模块内节点的灵活性(图5)。图5的结果显示， 大多数节点在睡眠期间灵活性降低，睡眠期间灵活性降低的区域与感觉知觉有关，也包括作为感觉信息向皮层传播的中间阶段的皮层下区域，比如丘脑。特别是，在N1睡眠期间，灵活性的下降主要是在丘脑和前扣带节点，与观察到的丘脑在早期睡眠中失活并与感觉皮质断开的结果一致 。相反，在睡眠期间，灵活性只在与高级认知功能相关的额叶区域增加，在N3睡眠期间增幅最大。我们还对清醒状态与异丙酚镇静和**进行了相同的分析和统计比较，没有发现显著的结果。

       最后，我们比较了清醒与睡眠、异丙酚诱导的镇静(S)和意识丧失(LOC)中属于最大多层模块的区域概率。只有清醒、N3和LOC之间的统计比较才产生显著结果。图6(a)显示了这些变化的比较。虽然N3睡眠期间的变化更为广泛和显著，但LOC也与感觉运动区域的减少和额叶区域的增加有关。在图6(b)中，LOC相对于N3属于最大多层模块的概率变化的散点图显示，尽管LOC具有显著性的区域较少，但变化的模式与N3睡眠期间测量的变化模式相似。N3和LOC用相对于清醒的最大多层模块度的更小尺寸来表征，如图6(c)所示。

图4从单个受试者在清醒(第一排)和N3睡眠(第二排)，使用多层Louvain检测算法计算得到的时间模块

图5 在最大的多层模块中，觉醒和睡眠(N1、N2和N3睡眠)之间的节点灵活性比较。

3.讨论

  人类的大脑天生是动态的，在空间和时间上不断呈现无标度波动。 过去的几年里，一些研究已经证明了对大脑活动采用动态方法的有用性，揭示了生理和病理大脑状态的大规模大脑动态，揭示了引起人类认知和行为的分布式区域网络之间的协调，以及多模态大脑活动，解剖学，和遗传学之间的关系。整体意识状态，如睡眠、全身**和意识障碍也从这个角度进行了探索，导致了与无意识相关的大脑状态的减少和更稳定的剧目的普遍观察。

这些结果依赖于新方法的发展，这些新方法能够从由数十万体素组成的数据集中提取暂时复发的大脑活动模式。 fMRI数据的动态分析的核心是需要数据驱动的脑状态循环及其相互转移概率的识别。 这可以通过不同的方法来实现，例如通过对BOLD信号进行阈值化得到的数据的点处理表示，或应用基于隐马尔可夫链的更复杂的方法。揭示全脑功能磁共振活动动态的第一个和最常用的方法包括采用多层网络表示，其中每一层对应一个不同的时间窗，层内连接表明BOLD信号相关(即功能连接)。通过引入层间连通性，模块化优化算法可以应用于数据驱动的时间模块发现表示，即分别呈现高组内和低组间功能连通性的解剖区域的非重叠组。

  时间网络中的模块检测仍然是绘制全脑活动动态演化图最常用的方法之一，但存在需要调整自由参数的缺点。 我们的贡献从上述两个角度推进了我们对全脑动力学的理解。首先，我们开发了一个系统框架来评估模块化优化算法的性能，通过构建一个具有异构和现实节点分布的动态基准，允许合理选择模型参数。接下来，我们从这些参数开始，以表明睡眠逐步稳定节点分配到感觉和关联皮层区域的最大多层模块，而仅在额叶区域观察到相反的行为。深度睡眠和异丙酚**降低了枕叶、颞叶和顶叶大脑大部分区域属于最大多层模组的区域概率，这些变化与两种无意识状态相关，表明意识丧失有重叠机制。

      最大的多层模块的大小代表了一种新的度量，可以同时在空间和时间域量化集成。由于模块是从网络的多层表示中计算出来的，所以这个度量与任何给定时间点的最大模块不同。最大的模块可以在某一特定时间收缩到几个节点或区域，但在随后的时间内增长，以涵盖大部分大脑;换句话说，将考虑模块随时间变化的特性。这与Edelman和Tononi对动态核心的定义是一致的，动态核心对应于同一个时间过程，在不同的时间涉及到不同的解剖区域，但随着时间的推移保持了其同一性。因此，由于静态或碎片化的动态核心，意识可能会消失(见图1)。深度睡眠和全身**时最大的多层模块的尺寸减小似乎支持第二种可能性;此外，深度睡眠和**期间属于最大模块的可能性的变化之间的区域相关性表明，这一指标可以捕捉两种情况下意识衰退的特征。

  在灵活性方面，即模块分配之间的切换率，我们发现在睡眠期间，分区中的大多数区域降低了最大多层模块与其余模块之间的切换率，并且这种降低与深度睡眠阶段的巩固相平行。 根据动态核心假说的解释，这支持功能分化减弱与睡眠中意识丧失相关。相反，在清醒时，最大的多层模块采用多种配置，在不同的时间招募各种功能系统，支持持续的自觉意识流。我们注意到异丙酚诱导的无意识和清醒状态下的灵活性没有显著差异。我们认为这可能是由至少两个独立因素造成的。首先，异丙酚数据集的样本量相对较小，这可能导致统计能力不足，无法揭示这些变化。第二，**的效果可能是剂量依赖的，因此有必要对功能磁共振成像与异丙酚剂量的变化进行更详细的探索。

      虽然这是第一个应用多层网络方法来理解无意识期间功能磁共振数据的时间动态的研究，但在此之前，有一个类似的方法用于测量患有意识障碍的患者的脑电图数据与我们的结果一致的是，这项研究表明，在相对较慢的频段(主要是阿尔法频段，它与静息态fMRI信号存在广泛的相关性)，灵活性降低，而在较长的时间尺度上，行为则相反。我们的工作可能代表了在睡眠中使用功能磁共振成像测量的血流动力学活动的发现，在睡眠中，某些网络保持高水平的网络灵活性，在觉醒时恢复到清醒状态(与脑损伤患者可能不会自发恢复到清醒状态相反)清醒)。

      为了减少与探索性分析相关的偏差，未来使用多层网络模块化来描述时域功能磁共振成像动力学的研究应该基于一个适当的基准参数选择。在网络科学的许多应用中，使用行为已知的模型网络是一种广泛采用的实践;理想情况下，这个模型应该尽可能多地代表经验网络的特征我们的方法开发通过引入具有异构连接的临时模块网络的基准来填补这一空白，从而产生真实的节点和模块大小分布。这个基准测试还可以在比较不同的模块性检测方法，以及以已知的模块结构作为空模型构建合成数据集方面找到未来的应用。

总之， 我们首次研究了无意识状态下模块化的脑网络动力学，发现了深度睡眠和全身**期间最大的多层模块重构的收敛证据 。我们根据动态核心理论解释了这些变化，得出结论:无意识导致了它的分裂，尽管保持了稳定。未来的研究应采用不同的方法同时评估全脑动力学，以了解动态核心是否在功能磁共振成像无法达到的范围内波动，以及这些波动是否在行为和认知水平上表现出来。

脑电数据的功能连通性分析

老话常谈，还是一样的话，没错，还是不想写的（就是这样的）。只写最简单的部分。如果有不对的地方，请指正。
为了能够厘清思路，本文将从以下几个方面进行：
什么是功能连通性？
功能连通性的适用场合
功能连通性的计算指标

功能连通性简而言之就是用来衡量脑区之间（对于没有溯源过的EEG数据来说此处应指的是通道或头皮位置）相互关系的概念。 这个词在fMRI的研究中经常可以看到，其实际上指的就是不同脑区之间BOLD信号的皮尔逊相关。对于脑电来说就是通道/脑区之间的关系。需要注意的是这里说的是在功能层面上的连接而非结构上的连接（例如，DTI）。
对于脑电数据来说因为容积传导等原因会导致最终在头皮上采集到的信号并非完全是其某通道下方垂直脑区发出的。所以，对没有进行过溯源的脑电数据来说，在进行连通性分析是都不能使用通道所在头皮下方的脑区来指代其位置，这是不准确、不科学的说法。
功能连通性也称之为功能连接或者是功能网络，它们实际上大同小异，下面的描述都将基于脑电数据展开。

如果只是单纯地计算每个脑区的激活情况其实质上关注的只是单独的脑区。但是现在越来越多的研究表明，大脑是一个有机整体。人脑在进行信息加工时并不是仅仅几个脑区单独活动，而是若干个脑区之间会存在联系。这也是许多研究者关注功能连接的一个原因。

功能连通性可以运用在fMRI、静息态fMRI、 静息态EEG和ERP中。对于研究者来说，只要想考察两个脑区之间的关系就可以考虑使用这种方法。

脑电数据的功能连通性的计算指标有好几种，它们可以进一步分为有向连接和无向连接。无向的就是A对B 和 B对A 的联系是一样的，本质上就是相关。有向的就是A对B和B对A的联系是不一样的。

下面就是简单理解一下上面的这些概念
相干coherence：可以当成是三维层面上的相关来理解。它所描述的是固定频率点时，两个电极（或者是脑区）之间的线性的相关关系；

相位同步：描述的是两个相位之间同步性，即两个相位之间存在固定的相位差（谁领先谁一步，或者谁延迟一步）。这里又可以分为3个指标。PLV相位锁值、PIL相位延迟指数、wPIL加权相位延迟指数。这三个指标都是通过希尔伯特变化首先求出其瞬时相位，然后再计算相位差。只是这三个指标是从不同的层面描述相位差的特征。
PLV：求得是相位差的密集程度，取值范围是。如果存在固定的相位差，即完全相位同步为1；反之为0，即没有规律，相位差不固定，完全没有同步。
PIL：描述的是相位差的正负。取值范围同样是。如果相位差全部为正或者为负，则取1。一半为正，一半为负，则取0。
wPLV：描述的是在PIL的基础上，加上相位差的绝对值。是有权重的。

格兰杰因果：是建立在GLM基础上的，衡量两个脑区/通道有向关系的方法。因为并不知道两者的关系的方向（即，谁是因谁是果），所以既要做X对Y，也要做Y对X。

信息论：是一种从接受来推断来源的方法。主要有两个具体的指标，互信息和转移熵。
互信息：是一种无向的关系，简单来说就是两者之间所包含的共同的信息/元素；
转移熵：是一种有向的信息，

广义同步：是一种复杂的非线性方法。可以整整意义上衡量好几个信号之间的相关性，这种相关性也是非线性的。

额叶-小脑连接介导认知加工速度

《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》

加工速度是理解认知的重要概念。本研究旨在控制任务特异性，以了解认知加工速度背后的神经机制。对40名被试执行两种方式(听觉和视觉)和两种水平的任务规则(相容和不相容)的注意任务。block设计的功能磁共振成像在任务过程中捕捉到了BOLD信号。参考公开的用于处理速度的任务激活图，定义了13个感兴趣区域。认知速度是从任务反应时间得出的，这产生了六组连接性测量。混合效应LASSO回归显示，有六条重要路径提示了小脑-额叶网络预测认知速度。其中，3例为长程(2例额叶-小脑，1例小脑-额叶)，3例短程(额叶-额叶、小脑-小脑和小脑-丘脑)。长距离的连接可能与认知控制有关，而短距离的连接可能与基于规则的刺激-反应过程有关。揭示的神经网络表明，按照任务规则执行操作，自动性与自上而下努力控制注意力相互作用，解释了认知速度。

1 简述

本研究旨在通过使用一系列简单的视觉和听觉通道的刺激-反应(S-R)映射任务来解决可能的任务相关偏差。这个多任务设计目的是解决上面提到的特定于形态和功能偏向的。箭头任务最初是一种视觉S-R兼容性任务，为了更好地控制所需的感觉运动处理时间，回答涉及到关于所看到或听到的内容的简单反应，箭头任务后来被改编成视觉和听觉形式(图1)。为了减少任务转换效应和交叉试验的不确定性，我们采用了分组设计，而不是与事件相关的设计。此外，我们的目标是解决以前的研究中的方****，这些研究利用皮尔逊的相关性和心理生理学相互作用(PPI)来建立基于连接性的模型来预测加工速度。在这项研究中，我们建立了六个连通性指标，包括四个基于多变量的指数，用于进行模型比较。通过将控制任务的反应时与控制感觉运动成分的实验任务的反应时进行回归，构造了一个认知速度变量。功能关联性模型的建立基于混合效应套索回归。据我们所知，本文在该领域首次采用跨通道多任务设计，并比较了6种方法对区域间交互作用辅助处理速度的建模结果。

2 方法

2.1 被试

从当地社区招募了40名年龄在18-28岁的健康年轻人参与研究。他们都有高中或以上学历。最终样本包括35名参与者(21.5±2.1岁，14名女性)，其中5名参与者被排除在分析之外。

2.2 处理速度任务

箭头任务被用来测量加工速度。它包括一个双选择S-R映射任务，具有相容(COM)、不相容(INC)和简单RT控制条件(NEU)(图1)。在COM中，参与者在出现向上箭头时按下“向上”按钮，在出现向下箭头时按下“向下”按钮(图1)。在INC中，参与者按下“向上”键表示向下箭头，按“向下”键表示向上箭头。实验涉及参与者在观看一条没有箭头的垂直线时按下任何按钮。因为在这些条件下出现的刺激是视觉图像，所以它们被称为COMVIS、INC-VIS和NEU-VIS。相同条件的听觉版本是COM-AUD、INC-AUD和NEU-AUD，向上箭头、向下箭头和垂直线分别被高音、低音和中音代替。

图1.描述与两种模式(视觉和听觉)交叉的三种条件(兼容、不兼容和控制)下的适应箭头任务的示意图。

2.3 行为数据分析

RTS小于100ms的试验被排除在分析之外。通过拟合正确试验的RTS计算平均RTS。准确率(ACC)定义为准确试验数除以接受试验数。RT和ACC数据符合线性混合模型，受试者被建模为随机效应。该模型安装了“lme4”R包。对所有显著效应进行事后配对比较，并用“emmeans ” R包中的图基检验进行校正。

2.4 加工速度和认知速度的定义

传统上，PS被测量为刺激开始时间和行为反应之间的持续时间。然而，感觉和运动时间应该被计算在内，以满足更高的认知需求。认知速度(CS)的定义是从Arrow任务测量的RT中回归出相应知觉通道的简单RT。将四个实验条件(相容/不相容×音频/音频)的RTS和每个对照条件(音频/音频)的RTS拟合到线性混合模型中：
其中y是任务RT的向量，X是两个控制条件的RT的矩阵，Z是四个实验条件的RT的矩阵，从模型中提取ε作为校正的RT(即，CSS)。以前的研究采用了类似的程序从纸笔测试和计算机化任务中提取PS。上面的公式产生了两个速度指数，其中值越高反映速度越快。用“retime”R软件包拟合前高斯模型，用“lme4”R软件包拟合模型。

2.5 MRI扫描参数及数据预处理

MRI图像由GESigna HDxt 3T扫描仪和一个8通道相控阵磁头线圈采集。采集高分辨率解剖图像和两次功能性图像。

时域分析是使用FSL/FEAT完成的。为了减少扫描仪的不稳定性和移位，去掉了最初的5个时间点，并在每次扫描中应用了1/90 Hz的高通滤波器。通过将每个体积与中间体积对齐来减少头部运动伪影。空间噪声通过施加5 mm的半高宽高斯来降低。通过目视检查对通过旋律获得的独立分量去除人工成分。BOLD信号被拟合了伽马卷积任务模型和干扰回归变量，包括头部运动和时间导数。获得了两个任务到基线的对比。

使用先进标准化工具版本2.2.0和MNI模板进行空间标准化。每个受试者的平均功能和结构图像的场不均匀性用N4BiasField校正来校正。由FEAT预测的所有参数估计(COPE)的对比度被归一化到MNI模板，结合AntyTransforms的刚性变换和微分同胚变换来提取感兴趣区域(ROI)的激活。

2.6 定义感兴趣的区域

本研究中提交分析的ROI基于三个PS任务生成的激活图，并从Neurovault检索。这些PS任务是数字-符号、字母比较和模式比较。每项任务的详细执行过程可以在Razlighti等人的工作中找到。简而言之，数字-符号任务涉及将数字与符号配对，字母和模式比较任务涉及分别匹配两个字符串或数字。参与者通过按下响应板上指定的按钮来回应。

图2.感兴趣区域和时间序列数据提取示意图

将激活图重采样到2 mm各向同性体素，计算体素方向的最小Z。每幅图被分成左右半球和小脑，以确保ROI掩码的解剖同源性。然后使用分水岭方法将地图解析成较小的区域。初始Z阈值和合并阈值分别设置为10和13，丢弃和合并阈值设置为100。这使得小于100体素的簇可以与相邻簇合并或移除。为了减轻由不一致和扩展的ROI大小引入的不均匀性，通过使用内部脚本将Z阈值从11增加到18，步长为0.05，将簇缩小到大约150个体素(Arslan等人，2018年)。簇形成过程如图2A所示，提取的ROI如图2B所示。

2.7 激活和连接预测值

对激活和连通性预测因子、6组区域间连通性度量和区域激活进行了估计。激活预测因子是从第一级对比的参数估计中提取的。广义心理生理相互作用(GPPI)用原始时间序列估计，其余测量用加窗时间序列计算。皮尔逊相关性用“BASE”R包估计；部分和半部分相关性用“ppcor”R包估计。对于有向路径预测器，包括GPPI、半偏相关、一阶和二阶多元向量自回归(VAR(1)和VAR(2))，在求解nROIs感兴趣区的方程后，得到了n×n矩阵，其维数为n2。表示自环的系数被排除在分析之外，留下n2−n路径系数。对于无向路径预测器，下三角形是n×n矩阵上三角形的镜像，仅保留上三角形，留下n×(n−1)/2路径系数。

2.8 特定于任务的加窗时间序列的提取

任务特定窗口时间序列的提取对于基于相关性和基于向量自回归的连通性估计都需要任务特定窗口时间序列。通过平均掩模内所有体素的信号来提取每个ROI掩模内的BOLD信号(图2B)。将任务块的初始Boxcar函数与血流动力学响应函数进行卷积，然后将卷积级数转换为具有Boxcar函数的方波。时间序列与每个单独任务的方波相乘，得到加窗的时间序列。这些窗口被连接起来以形成最终的特定于任务的时间序列(图2C)。

2.9 用广义心理生理相互作用建模的连通性

GPPI分析适用于使用线性模型估计上下文功能连通性。

2.10 基于向量自回归的连通性建模

对于n ROI网络，对p-阶向量自回归模型VAR§进行建模：
其中，内生变量xi(t)是区域i的时间序列；xi(t)的截距ci是区域j对区域i的影响，具有k 个时间点的滞后；εi(t)是区域i处的剩余时间序列。因此，一阶向量自回归模型VAR(1)建模如下：
二阶模型VAR(2)建模如下：
每个LAG包含一个n×n矩阵。对于VAR(2)，只保留含有aij2的基质。VAR路径系数用“VARS”R程序包估计，其实现是从Afni程序包的“1dGC”改编而来的。用KPSS和ADF对70个(35名参与者×2次会议)时间序列的平稳性用“tSeries”R包进行确认，并用Akaike标准(AIC)估计滞后程度，140个模型的最大滞后为5。结果表明，VAR(1)和VAR(2)都是向量自回归的合理阶数(表S1)。滞后顺序与fMRI采集的TR相对应。因此，VAR(1)表示滞后2s，VAR(2)表示滞后4s。

2.11 用于变量选择的线性混合型lasso

我们通过预测六组连通性度量中的速度指数PS和CS建立了12个模型：Pearson相关、偏相关、半偏相关、PPI、VAR(1)和VAR(2)。首先，对于每个连通性矩阵，在模型测试中包括通过p≤0.05单样本t检验的连通性路径。表示为p的模型的预测器的数量分别小于或等于非定向和定向连通性测量的78个和156个(根据路径≤0.050的统计显著性，13个ROI的成对组合)。显著的速度-连通性相关性被定义为所有受试者在同一路径上表现出一致的正连通性(图3C)。其次，用“glmmLasso”R包进行变量选择，采用线性混合模型套索回归进行变量选择。

图3 模型预测

2.12 预测模型和模型比较

在目前的研究中，六套激活和连接性预测指标被用来预测两个速度指数中的每一个。对12个模型进行了估计，并用方差分析(ANOVA)检验得到的AIC与相应的零模型进行了性能比较。用“MuMIn”R软件包中的边际R平方值估计混合效应模型的拟合优度。边际R平方仅表示由固定因子解释的方差。

3 结果

3.1 反应时间和准确度

条件对平均反应时的影响显著，F(2170)=353p《0.001，而通道效应F(2170)=2.4p=0.117及其交互作用F(2170)=1.4p=0.241不显著(表1)。条件后分析显示，NEU组RT明显短于COM组，t(170)=6.5p《0.001，INC组，t(170)=19.0，p《0.001；COM组RT明显短于INC组，t(170)=25.6p《0.001。在正确率方面，条件效应F(2,170)=24.7，p》0.001，而情态效应F(1,170)=1.1，p=2.8及其交互作用F(2,170)=0.3，p=0.730不显著。条件后分析显示，NEU的准确率显著高于COM，t(170)=6.1p《0.001，INC，t(170)=6.0p《0.001，而COM和INC的准确率差异不显著，t(170)=0.055，p=0.998。

3.2 感兴趣区

选择了13个感兴趣区(图2B，表2)，包括额叶(双侧额叶内侧皮质、双侧额叶视野和双侧额下交界处)、顶叶(双侧顶内沟)、皮质下(双侧丘脑)和小脑(双侧小叶6和小脑蚓部6)。体素的数量从148到155个不等。

3.3 模型比较

表3列出了套索为每组连通性预测器选择的最佳模型的精度度量。方差分析(ANOVA)检验的AIC表明，所有模型均显著优于相应的零模型。用VAR(1)建立的模型对PS(AIC=368.0，R2=0.212)和CS(AIC=365.1，R2=0.374)的AIC最低。由于不同因变量的AIC不能直接比较，所以我们不能用它来比较PS和CS的最佳模型。边际R2值表明，CSVAR(1)模型的解释方差最大。

3.4 选择的模型：用一阶向量自回归预测认知速度

所选模型用一阶向量自回归模型预测区际交互作用：X2(21)=73.2p《0.001，R2=0.374。最终的模型包括21个预测因子，其中6个是显著的(表4和图3)。预测较快CS的路径是较高负RMFC→LIPS(Cohen的 ƒ2=0.232，平均连通性=−0.049，β=-0.301，95%CI：，P=0.036)。在6条区域间联系通路中，3条来自额区，3条来自小脑。

图4.使用VAR(1)预测值的CS最佳模型的连接性预测值。图中仅绘制了重要连接。

4 讨论

本研究通过两组速度指数和六组连通性指数对认知加工速度进行预测，以评估与PS相关的区域间交互作用。结果表明，一阶向量自回归模型VAR(1)优于Pearson模型、偏半偏相关模型、心理生理交互作用模型和二阶VAR模型。最有意义的发现是，在涉及额叶、顶叶和皮层下区域的预定义任务-积极网络中，发现一个主要的小脑-额叶网络与认知加工速度有关。该神经网络由6条与速度相关的有效路径组成。其中LIFJRCH6、RMFC→、→MCV6和LCH6→LFEF是额叶和小脑之间的3个远程功能连接。还有三个短程连接，其中两个涉及小脑(即MCV_6RCH_6和LCH_6→→LTHAL)，一个涉及皮质(即RMFC→唇部)。值得注意的是，对速度的更强预测来自额叶，而不是小脑起源的连接性。LIFJ与RCH6的正连接性较高，RMFC与MCV6的负连接性较低，RMFC与唇部的负连接性较高，导致速度较快。相比之下，LCH6与LTHAL和LFEF的负连接性较高，MCV6与RCH6的正连接性较低，从而导致较快的速度。结果提示，CS可能涉及额叶驱动(RMFC和LFEF)和小脑驱动(LCH_6和RCH_6)支持的费力加工和自动信息加工之间的相互作用。

5 结论

这项研究的结果表明，在一组预定义的区域内，促进和抑制过程受到小脑-额叶网络的辅助，影响了认知加工速度。有效连通性分析表明，RMFC和LCH6是通过任务集维持调节信息加工的核心底物，LIFJ、LIPS和RCH6参与刺激-反应信息加工过程。关于小脑区之间在认知加工速度中的拮抗和激动性作用的新发现还需要进一步的研究。