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 深度睡眠和异丙酚麻醉 。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缺陷。
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 [图1(b)]。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[图1(b)]. 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[见图3(b)]。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[见图3(d)]。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麻醉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、全身麻醉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。深度睡眠和异丙酚麻醉降低了枕叶、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)。深度睡眠和全身麻醉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，深度睡眠和麻醉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，麻醉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麻醉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。
与fMRI相比，因fNIRS对研究神经反馈（NFB）具有一些优点，使得该技术成为研究者感兴趣的对象。使用fNIRS研究NFB的先决条件是能测量到感兴趣的大脑区域信号。本研究关注的是辅助运动区（SMA）。共招募16名健康老年人被试完成分离的连续波（CW）fNIRS和fMRI检测。任务包括手部运动执行和运动想象（MI）以及想象全身运动。个人的解剖数据用来（i）为fMRI分析定位感兴趣的区域，（ii）从fNIRS通道对应的皮层区域提取fMRI BOLD响应，（iii）选择fNIRS通道。分析了氧和血红蛋白（Δ[HbO]）和脱氧血红蛋白浓度变化（Δ[HbR]）。结果发现了不同MI任务间微小的变化，表明对于全身MI运动和手部MI运动Δ[HbR]更为特别。基于个人解剖结构的fNIRS通道选择并没有改善结果。总之，该研究表明，就空间特异性和任务敏感性而言，使用CW-fNIRS能可靠地测量SMA激活。
引言
fNIRS近几十年来获得了相当大的普及。之所以如此受欢迎，很大程度上是因为与大脑体内成像的黄金标准——fMRI相比，fNIRS的限制和安全问题较少。fNIRS设备从可移动到便携，甚至是无线的，在参与者行为和实验类型设置方面具有更大的灵活性。
与fMRI相似，fNIRS捕捉血流动力学变化。这是通过在头部表面放置光源和探测器组成的光极来实现的。近红外光传输到光源和探测器之间的组织中，血红蛋白吸收可以量化为氧和和脱氧血红蛋白浓度的变化。与fMRI不同，fNIRS没有环境限制和禁忌症，成本较低，已被证明可以耐受运动，并且具有更高的时间分辨率。
fNIRS的一个重要限制是近红外光的适度深度穿透。因此，fNIRS不能捕获皮层下激活，并且仅限于浅表皮层大脑区域。另一个限制是光极放置和数据处理工作流必须应对解剖信息的缺乏。如果目标是从特定感兴趣区域（RIO）收集数据，由于缺乏解剖信息，则可用光极的正确放置非常重要且最相关。已有软件被开发出来解决这个问题（例如，fOLD和Atlas Viewer)，方法是使用取自标准大脑的解剖信息指导光极放置。虽然这种方法无疑是非常有用的，但后续分析的通道选择可能受益于对个体解剖信息的考虑。最后，第三个限制是fNIRS信噪比相对较低，主要是由于系统噪声的污染（即非神经元诱发和非诱发生理过程）。最近，通过提供必要的基于硬件的解决方案来处理生理噪声，满足了基于统计程序的噪声衰减需求。
尽管存在这些挑战，但由于fNIRS可以很容易地重复应用，因此是用于脑机接口(BCIs)、神经反馈研究和应用研究的优秀技术。在运动相关的神经康复训练中，个体通过接收基于任务相关的大脑激活的反馈来学习自我调节运动区域。这可能有助于启动补偿和恢复所需的皮质重组。在大多数运动神经反馈和运动BCI应用中，大脑激活是通过要求用户想象运动来产生的。对运动感觉的心理模拟被称为动觉运动想象（MI）。FNIRS MI神经反馈在支持中风患者的运动恢复方面取得了令人鼓舞的应用结果。fNIRS MI神经反馈的一个相对较新的、未开发的领域是缓解帕金森病（PD）患者的运动症状。在两项fMR1研究中，患者在接受来自辅助运动区(SMA)的神经反馈的同时，在少数几个疗程中想象全身运动。除了受PD影响的皮层下脑区外，在这些个体中SMA是已知的高度不活跃区域。为了产生皮质基底神经节回路的持久改变并推动症状改善，一种系统的SMA上调训练已经被提出。为了给未来的fNIRS SMA上调神经反馈训练方案铺平道路，我们在此研究了fNIRS是否能可靠地捕获运动执行和运动想象诱导的SMA激活。
许多研究已经同时和连续使用fNIRS与fMRI设备探索了运动执行（ME）诱导的初级运动区（M1）激活。我们知道只有一项研究探索了从SMA和前运动皮层捕获MI诱导大脑活动的fNIRS敏感性。作者使用基于激光的时间分辨fNIRS(TR-fNIRS)，而不是更常见的基于二极管的连续波fNIRS(CW-fNIRS)技术，认为TR-fNIRS可能提供更好的深度灵敏度。一个主要发现是TR-fNIRS在SMA中检测到与Ml相关的大脑活动。CW-fNIRS是否同样适用尚未显示。本研究旨在通过考虑使用CW-FNIRS测量SMA活动的空间特异性和任务敏感性特性来填补这一空白。本研究的第二个目的是提供有关用于CW-fNIRS神经反馈的信号选择信息，即Δ[HbO]或Δ[HbR]。大多数以前的fNIRS神经反馈研究都使用运动区域的Δ[HbO]信号，因为与Δ[HbR]信号相比，Δ[HbO]振幅更大。当与fMRI相比，对于Δ[HbO]或Δ[HbR]是否提供更好的空间特异性和任务敏感性尚未有一致的意见。最后，本研究的第三个目的是评估是否需要个体的解剖图像来改善fNIRS的通道选择，从而改善未来fNIRS神经反馈的应用。
在本研究中，(f)MRI和fNIRS数据是使用连续设备收集的。主要感兴趣的区域是SMA，对其进行了ME和MI数据分析。包括双边M1的目的是为了验证整个程序。M1分析仅限于ME数据。对于ME和M1，预计分析将确认ME导致CW-fNIRS通道的激活与M1fMRI的激活在空间上对应。其中，M1由个体解剖图像确定，并且M1的fNIRS信号遵循与M1 fMRI信号(空间特异性)相似的时间过程。预计fNIRS和fMRI具有可比的任务相关调制，特别是激活的侧向化，即在对侧M1中具有更强的激活（任务敏感性)。对于SMA，如fMRI所证实，预测ME和Ml会激活SMA，并且激活在空间上明显对应fNIRS的通道。预计SMA fNIRS数据的时间过程与SMA fMRI时间过程（空间特异性）相匹配。此外，预计fMRI SMA与任务相关的激活差异在fNIRS SMA数据中也很明显，特别是预期ME的激活比的MI任务更强（任务敏感性）。为了解决神经反馈信号的选择，对Δ[HbO]和Δ[HbR]都考虑了空间特异性和任务敏感性。关于个体解剖图像对fNIRS分析的价值，分析进行了两次，一次使用完整的fNIRS通道集，一次使用基于个体解剖结构选择的通道。
结果
空间特异性 被试间 ： 地形图相似性 。 图1说明了所有任务和数据类型（fMRI PEAK、fMRI CHANLOCS、fNIRSΔ[HbO]和fNIRSΔ[HbR]）的平均beta地形图。关于ME数据（参见图1A），对于ME LEFT和MERIGHT，在fMRI PEAK和fMRI CHANLOCS数据中可以看到清晰的M1侧向化具有可比的空间模式。对于fNIRSΔ[HbO]和fNIRSΔ[HbR]数据类型对于fNIRSΔ[HbR]数据类型的ME LEFT，这种偏侧化以乎减少了。然而，fNIRSΔ[HbO]和fNIRSΔ[HbR]数据的空间模式非常相似，对于MI任务（图1B）fMRICHANLOCS数据类型和fNIRS数据类型的空间模式似乎彼此之间不太具有可比性，然而，fNIRSΔ[HbO]和fNIRSΔ[HbR]数据显示出相似的空间模式，MI WHOLE BODY任务似乎是ROI SMA中最具空间特异性的。
在fMRI CHANLOCS、fNIRSΔ[HbO]和fNIRSΔ[HbR]数据类型的平均β图之间进行Spearman相关性分析，以测试地形图的相似性。对于ME LEFT和MERIGHT，所有相关性都是显著的（p<0.05；图1A），除了fMRICHANLOCS和任务ME RIGHT fNIRSΔ[HbR]之间的比较。对于MI任务，情况有点复杂。对于MI RIGHT，所有对的相关性均显著（所有p<0.05；图1B）。对于MELEFT和ME WHOLE BODY而言，只有fNIRSΔ[HbO]和fNIRSΔ[HbR]之间的比较是显著的（p<0.01）。总的来说，这些结果表明ME任务的fNIRS数据类型具有高度的空间特异性。在MI任务中，fNIRS数据类型的空间特异性有所降低。
图1 被试间：不同数据类型之间的地形图相似性
被试内：时间序列相关性。被试内的空间特异性分析侧重于ROI内的时间序列相关性。对于每个ROI，fMRI PEAK数据类型和所有其他数据类型的个体总平均时间序列数据分别进行Spearman相关分析。如图2所示，fMRICHANLOCS和fNIRSΔ[HbO]的平均Fisher’sz变换Spearman相关系数通常为正，fNIRSΔ[HbR]为负。
单样本t检验的结果表明，对于所有数据类型，M1 ROI中ME任务的fMRIPEAK数据类型都有很强的相关性（p<0.01，| d |≥ 0.95 )。此外，所有的分析都显示，在执行手的对侧半球，这种相关性更强。标记的fNIRS数据的模式和统计结果几乎相同。（图2A、B、D、E和表1）。
表1 被试内：时间序列相关性（ME任务与M1ROI）
对于ROI SMA（参见图2C，F），模式不太均匀。对于两项ME任务，t检验对所有数据类型都同样具有高度显著性（p<0.05，| d |≥0.96；表2）。对于MI任务，所有t检验对fMRICHANLOCS具有高度显著性（p<0.001， | d |>1.19；表2）。对于fNIRSΔ[HbR]所有MI任务（p<0.01，| d |≥ 1.01）和fNIRSΔ[HbO]MILEFT和MI RIGHT任务（p<0.05，|d|≥ 0.64）与0显著不同。
图2 被试内：时间序列相关性。
表2 被试内：时间序列相关性（所有任务与SMA ROI）
总之，这些结果证实了fNIRS时间序列数据的预测任务相关的空间特异性，最明显的是ME任务。对于MI任务空间特异性在MI LEFT的Δ[HbO]中和MI WHOLE BODY的fNIRSΔ[HbR]中表现最强。
通道标签。对于ROI、任务和数据类型的绝大多数组合，LABELED fNIRS数据类型的统计值和影响大小减小。唯一例外的是在ROI M1 LEFT 中ME RIGHT和的组合以及在ROI SMA 中ME LEFT and和 Δ[HbO] LABELED的组合。
任务敏感性 。 被试间：任务相关激活模式。对于ROI M1，对于所有数据类型都可以看到两个任务的清晰偏侧化（图3A）。关于ROI SMA（图3B），与MI任务相比，除了fNIRSΔ[HbO]外的所有数据类型在ME任务重显示出更强的激活。激活的增量在ME和MI任务的数据类型间有所不同。
图3 被试间：任务相关激活模式B (A) 在M1 ROI中的ME 任务， (B) 在ROI SMA中的所有任务。
对于M1ROI，在所有数据类型中都发现了任务和半球之间的高度显著交互（p<0.001）。对于所有数据类型事后多重比较两种ME任务在ROI M1 RIGHT的激活都非常显著（p<0.001，表3）。对于ROI，M1 LEFT结果表明所有数据类型的ME任务之间存在高度显著差异（p<0.05，表3）。
表3 被试间：任务相关激活模式（ME任务与M1ROI）
除了fNIRSΔ[HbO]数据类型，ROI SMA所有的rmANOVA都产生了任务因子的主效应（表4）。事后多重比较揭示了成对比较的混合结果。然而，没有成对比较表明ME LEFT和ME RIGHT任务之间存在显著差异。关于MI任务，只有fNIRS PEAK数据类型显示MI LEFT和MI WHOLE BODY之间存在显著差异。对于fNIRS数据类型，仅对于Δ[HbR]ME任务激活显著高于MI任务激活。
表4 被试间：任务相关激活模式（ME和MI任务与ROI SMA）
通道标签。对于M1中的ME任务，在添加解剖信息后fNIRSΔ[HbR] LABELED的ROI M1 LEFT中的ME LEFT和ME RIGHT之间的比较不再显著。
被试内：重复测量相关性。通过对每个ROI的重复测量相关性分析来探索被试内的任务敏感性。在fNIRS PEAK数据类型和所有其他数据类型之间进行相关分析。
对ROIM1 LEFT 和M1 RIGHT，在fMRI PEAK 和 fMRI CHANLOCS 之间观察到标准化β值的最强正相关。此外，fNIRSΔ[HbO]和fNIRSΔ[HbR]与fMRI PEAK beta值显示出强正相关。
同样，关于ROISMA 在fMRI PEAK 和 fMRI CHANLOCS数据类型中观察到beta值之间的最强正相关。对于fNIRSΔ[HbO] 和fNIRSΔ[HbR]重复测量相关系数大大降低，仅对于 fNIRSΔ[HbR]显著。
通道标签。总体而言，在M1和SMA中，fMRI PEAK和fNIRS LAVELED之间重复测量相关性的结果与未标记版本相当。
讨论
本研究旨在验证ME和MI的CW-fNIRS SMA记录。我们预计fNIRS数据将显示出良好的空间特异性和任务敏感性，从而匹配fMRI数据，作为比较的基础。
一般程序的验证：M1偏侧化。一般来说，运动执行和手指敲击任务都已确立，与同侧半球相比，通常表现为对侧半球对执行手的激活更强。在本研究中，Δ[HbO]和Δ[HbR]信号类型均显示出组水平的预期偏侧模式。此外，时间序列相关性和重复测量相关性证实了受试者内fMRI和fNIRS数据之间的良好匹配。这些结果证实了运动执行过程中fNIRS测量初级运动区的空间特异性和任务敏感性。
SMA激活验证。在受试者之间的水平上，通过比较fMRI CHANLOCSβ图与Δ[HbO]和Δ[HbR]的β图来确定空间特异性。这些图涵盖SMA和左右M1分区。从描述和统计的角度来看，大多数情况下，分析表明ME任务图具有很好的空间匹配性。对于MI任务映射，匹配减少。在这里，只有MI RIGHT的空间相关性达到显著水平。值得注意的是，在描述性水平上，fNIRSSMA激活在MI WHOLE BODY的数据类型中最具特异性。受试者内SMA的时间序列相关性表明，对于ME任务，一方面，fMRI CHANLOCS的相关性相对较高，另一方面，fNIRS数据类型的相关性相对较高，表明fMRI峰值和通道数据之间具有极好的匹配性。就MI任务相关性而言，所有时间序列相关性同样显著，但MI WHOLE BODY中的Δ[HbO]除外。
在受试者内部，对任务敏感性的分析表明，fMRI PEAK的任务激活模式与fMRI CHANLOCS数据最为匹配，这并不奇怪。两种fNIRS数据类型的任务敏感性都降低了。在受试者之间的所有数据类型中，分析表明ME通常比MI具有更强的激活能力。然而，成对比较表明，即使对于fMRI PEAK数据，对于所有ME-MI对，这种基本差异也不显著。在MI任务中，fMRI PEAK数据表明，从MI LEFT到MI RIGHT再到MI WHOLE BODY的激活逐步减少。值得注意的是，这种减少仅在MI LEFT任务和MI WHOLE BODY任务之间显著。对于fMRI CHANLOCS的激活，似乎在三项MI任务中非常相似，而对于fNIRS数据类型，可以描述的是，MI WHOLE BODY与最强的激活相关，其次是MI LEFT和MI RIGHT。然而，两两比较都不显著。因此，尽管就激活强度而言，MI WHOLE BODY似乎是fNIRS的赢家，但关于MI任务敏感性，结果仍然没有定论。
总之，结果表明，fNIRS的空间特异性对于Δ[HbO]和Δ[HbR]的ME任务都很强。对于MI任务，空间特异性通常较低，尽管Δ[HbR]和MI WHOLE BODY的结合显示出受试者内部水平的最高空间特异性。无论是在受试者内部还是受试者之间，与Δ[HbO]相比，Δ[HbR]的任务敏感性更强。Dravida等人观察到Δ[HbR]总体上具有更强的空间特异性，而Δ[HbO]的任务相关可靠性更强。作者认为，结果不仅取决于信号类型，还取决于执行的（运动执行）任务。此外，在对fNIRS数据进行系统活动校正后，结果有所改善，强调了应用适当校正方法以提高fNIRS研究的空间特异性和任务敏感性的重要性。本研究的结果还表明Δ[HbO]和Δ[HbR]在空间特异性和任务敏感性方面的差异取决于任务和信号。然而，缺乏比较不同MI任务的fNIRS和fMRI研究，并且包括MI任务的大多数现有fNIRS研究没有报告Δ[HbR]，因此很难比较目前的研究结果。此外，缺乏对全身运动MI的神经相关因素的研究。据我们所知，只有一项fMRI研究比较了复杂（日常）上肢和全身运动的MI。虽然结果显示，两项MI任务激活的大脑区域与包括SMA在内的手/手指运动MI相似，但没有与手/手指运动进行直接比较，这再次限制了与本研究的可比性。
值得注意的是，与fMRI PEAK数据相比，即使对于ME任务，fNIRS数据的空间特异性和任务敏感性也有所降低。这可以作为CW-NIRS普遍缺陷的证据。然而，激活模式的差异不仅存在于fMRI峰值和fNIRS数据之间，而且已经存在于fMRI PEAK和fMRI CHANLOCS数据之间。这表明，在某种程度上，fMRI PEAK和fNIRS数据之间的差异源于通道位置和fMRI PEAK激活位置之间的距离。fNIRS通道数据类型与fMRI CHANLOCS之间的差异可能表明，用于提取fMRI CHANLOCS体素的5 mm球体包括近红外光无法到达的体素，但更接近fMRI PEAK位置。估计每个通道的相关体素的更精确方法是模拟近红外光在组织中的传播。
个体解剖学信息：标记通道。fNIRS的一个局限性是缺乏解剖学信息。为了评估个体解剖信息如何影响空间特异性和任务敏感性，fNIRS数据也仅针对共注册分析证实其涵盖M1或SMA的通道进行分析。总的来说，标记通道集的结果没有显著变化。然而，作为一种普遍趋势，效应大小趋于减小。这种影响可能表明盖放置中存在潜在的不精确性。也就是说，未标记的fNIRS数据类型的更大影响大小可能是从邻近但更强烈激活的大脑区域（例如，一个本应覆盖SMA的通道，因此为SMA数据分析而选择的通道实际上记录了M1中的数据）拾取活动的结果。当然，由于大脑解剖结构的个体差异，同样的问题也可能出现。为了最大限度地减少盖放置造成的误差，在放置帽子时应始终结合解剖标志。此外，合适的工具可以帮助设计光电极布局，并验证有关感兴趣区域的正确位置（例如fOLD5；AtlasViewer6）。此外，如果可用，应考虑使用3D数字化仪，以控制满足单个帽子放置的要求（例如，使用AtlasViewer）。因此，可以检测到帽子放置不良的受试者，并将其排除在进一步分析之外。
综上所述，对于目前的数据集，个体解剖信息并没有增加运动区fNIRS数据在ME和MI任务中的空间特异性和任务敏感性。这个结果是否可以转移到其他大脑区域还有待证明。
哪种fNIRS信号应用于神经康复目的？关于ME任务和运动区域，一些CW-fNIR-fMRI联合注册研究开始确定与fMRI BOLD最密切相关的信号类型。然而，研究结果不明确，因为在某些情况下，Δ[HbR]与fMRI BOLD最密切相关，而在其他情况下是Δ[HbO]。这种不一致的一个原因可能是这些早期研究中缺乏系统活动校正。众所周知，系统性伪影可以分布在头部，在受试者内部、受试者之间以及任务之间表现出复杂的特征。如果处理不当，伪影可能会影响实验效果。由系统性伪影引起的问题被假定为Δ[HbO]比Δ[HbR]更强，尽管较弱并不等于不存在。
在本研究中，应用短距离通道校正，以尽量减少CW fNIRS信号中的系统伪迹。当目标是将MI与SMA神经反馈结合使用时，基于这些数据，我们建议优先考虑Δ[HbR]，尤其是与全身运动MI结合使用时。此外，当综合考虑所有结果时，对于手指/手运动MI，Δ[HbR]可能是更好的选择。当ME生成的信号相关时，我们的分析结果表明Δ[HbO]的任务敏感性略强，但仅适用于M1，而不适用于SMA区域。然而，我们的研究并不支持关于将哪种fNIRS信号类型用于神经康复神经反馈的确切结论。相反，我们的研究表明，在特定的fNIRS神经反馈应用中，批判性地评估信号选择的重要性。
结论
我们通过空间特异性和任务敏感性与fMRI进行比较，验证了CW fNIRS SMA记录。尽管MI任务和fNIRS测量的特定组合存在一些明显的波动，空间特异性和任务敏感性在许多方面与fMRI相当。然而，我们得出结论，CW-fNIRS可以在相应的设置中用于SMA神经反馈。我们使用短距离通道校正fNIRS数据中的系统伪影。校正提高了我们对当前结果的信心，尤其是与早期未应用任何系统性伪影校正的报告相关的结果。我们认为重要的是，未来有无神经反馈的fNIRS研究同样应采用系统性伪影校正。理想情况下，这将基于短距离频道记录，我们相信这将很快成为标准。由于fNIRS信号预处理的进展以及观察到的任务和fNIRS测量特定组合结果的波动，我们得出结论，fNIRS范式将继续受益于fMRI的系统验证，特别是如果它们针对特定的皮质区域。
方法概述
被试。共有34名参与者（17名男性，17名女性）参与了这项研究。所有被试均为右利手。为排除轻度认知能力下降，使用蒙特利尔认知评估（MoCA，要求）25分）。
实验设计
被试参加fMRI和fNIRS两部分实验至少间隔14天，以避免习惯。两部分实验设计相同。顺序是伪随机的，8名被试从fMRI开始，8名被试从fNIRS开始。实验主要包括5个不同任务，两项ME任务，三项MI任务。ME和MI任务是使用左手或右手进行5位手指敲击任务。需要按照预先指定的顺序并在任务块的持续时间内连续按下键。MI任务是想象双侧全身运动，包括手臂和腿，如游泳，并且被试有执行该动作的经验。要求被试自己提供想法，没有提供示例。
fNIRS数据使用NIRScout816设备记录。8个光源和8个检测器构成20个通道，其中16个通道覆盖M1和SMA的两个半球。为去除活动伪迹，8个短分离检测器连接到8个光源。光极依据国际10-5系统放置在定制的帽子上。光源与常规探测器的间距为3cm，与短距离探测器的间距为0.8cm。光源发射波长为760nm和850nm。以7.8125Hz的频率对光强进行采样。
fMRI数据使用3T 全身Siemens Magnetom Prisma MRI和20通道头部线圈收集。使用上升回波平面成像序列。T1加权结构图像是用磁化准备的快速梯度回波序列。
数据处理
fNIRS预处理使用qt-nirs工具箱评估信号质量。使用NIRS BrainAnalyzIR工具箱和定制脚本进行分析，包含运动伪影矫正，带通滤波（0.01,0.09Hz）等。最后，通过短距离通道回归程序应用系统伪影校正。
fMRI预处理使用Statistical Parametric Mapping工具箱结合MATLAB2019a分析fMRI数据，包括消除运动伪影，T1图像配准以及对共配准数据进行分段、偏差校正和空间归一化，最后进行平滑处理。
fMRI-fNIRS配准。通过配准，获得投射到皮质的fNIRS通道的标准化MNI坐标。从这些坐标中提取fMRIβ值和BOLD信号，以与fNIRS通道数据进行比较。
Beta值和时间序列。提取fMRI通道体素球体、激活峰值体素球体和常规fNIRS通道的β值。体素球体Beta在球体内平均。这导致每个受试者和任务的每个fNIRS通道有一个β值，每个fMRI通道有一个β值，每个功fMRI ROI有一个β值。此外，还提取了所有受试者和任务的时间序列数据。记录fMRI BOLD信号和fNIRS浓度变化([−2.5~20] s）和基线校正([−2~0] s）。对于fMRI数据，首先对每个体素的历元进行平均，然后对球体的所有体素进行平均，从而得出每个通道或ROI的总平均BOLD信号。对于fNIRS数据，按通道对时间序列进行平均，从而得出每个通道的一个总平均信号。
有兴趣想了解本文具体数据分析方法的可阅读原文。
参考文献：fMRI‑based validation of continuous‑wave fNIRS of supplementary motor area activation during motor execution and motor imagery
对整个大脑的时空组织的全面表征对于理解人类大脑的功能和功能障碍都是至关重要的。灰质静息状态功能连接(FC)有助于揭示大脑固有的基线网络。然而，尽管有研究表明脑白质(WM)的FC在任务和休息时确实发生了变化，但白质(WM)几乎占大脑的一半，在这一表征中却基本被忽略。在本研究中， 我们鉴定了静息态fMRI的9个白质功能网络(WM-FNs)和9个灰质功能网络(GM-FNs) 。利用多路fMRI数据计算类内相关系数(ICC)，评估静态功能连接(SFC)和动态功能连接(DFC)的可靠性。在GM-FNs、WM-FNs和GM-WM-FNs中估计SFC、DFC和它们各自的ICCs之间的关联。 GM-FNs的SFC强于WM-FNs，但对应的DFC较低，说明WM-FNs更具动态性 。在GM-和WM-FNs中，SFC、DFC及其ICCs之间的关联相似。这些结果表明， WM fMRI信号包含与GM相似的丰富时空信息，可能为更好地建立全脑功能组织提供重要线索。
1 简介
功能磁共振成像(Functional magnetic resonance imaging, fMRI)是一种通过血氧合水平依赖(BOLD)信号间接检测神经元活动的无创方法。使用BOLD信号，可以在不受约束的内在活动中评估分离的大脑区域之间的时间同步活动，这被定义为 功能连接(FC) 测量。采用不同区域的灰质(GM)之间的FC测量,人类大脑基线功能网络(FNs),如运动网络,听觉网络,默认模式网络(DMM),和注意网络,可以可靠地提取。此外，fMRI的FC已被证明与年龄、神经反应、流体智力和性别有关。此外，各种精神障碍，如阿尔茨海默氏病、精神分裂症、抑郁症和自闭症，都被报道改变了FC。上述研究表明，脑功能参数在表征人脑功能和功能障碍方面有许多重要的应用。
然而，以往的fMRI FC研究大多集中在GM BOLD信号上，而来自白质(white matter, WM)的信号通常被认为是由噪声主导的，WM中的FC多被忽略。考虑到WM紧密地连接着GM的不同区域，并且占了人类大脑的近一半。一些研究已经开始在正常和临床人群中使用FC测量来探索WM信号的变化。Ding和同事证明，在不同的任务条件下，某些WM束的BOLD信号在特定的GM区域显示出不同的FC模式。以往的静息状态研究大多采用静态功能连接(SFC)来探讨不同脑区之间的时间同步性。Peer及其同事在静息态fMRI信号中采用了SFC方法，证实了不同的对称白质功能网络(WM-FNs)的存在，它与灰质功能网络(GM-FNs)和底层的WM束紧密相连。这一发现被我们之前的研究进一步证实，我们使用人类连接组项目(HCP)数据在GM-和WM-FNs(GM-WM-FNs, GM-WM-FNs)之间发现了可靠的WM-FNs和FC。此外，对称WM-FNs和GM感知运动系统之间的FC在精神分裂症患者中显示了异常变化，这表明GM和WM之间的连接(GM-WM)对维持人类大脑的正常功能至关重要。然而，这些在WM中使用时间平均FC的研究忽略了FC的动态特性。探讨脑皮层的动态特性及其可靠性有助于揭示脑皮层的基线网络，从而更好地理解全脑的时空动态。
累积的fMRI研究表明，动态功能连接(DFC)代表功能连接的时间变化，可以反映认知和行为关键方面的宏观神经活动模式的变化。DFC改变在各种精神疾病中已被广泛报道，如精神分裂症、重度抑郁症、自闭症和阿尔茨海默病。由于DFC测量在分析人类行为测量和各种精神障碍的大脑功能障碍中具有重要的应用，因此在多个静息状态fMRI扫描中估计DFC参数的可靠性是很重要的。Choe等采用3种常用的DFC估计方法对DFC的可靠性进行了估计，发现动态条件相关方差比滑动窗口(SW)和锥形SW得到的更可靠。此外，使用包含3种不同DFC统计量标准差(SD)、低频振幅(ALFF)和偏移的SW方法，Zhang和同事利用 类内相关系数(ICC) 探索了SFC、DFC及其可靠性之间的关联。然而，目前对DFC的研究主要集中在GM BOLD信号上，尚未研究DFC在WM中的时间特性和可靠性。
在这项研究中,我们假设从WM BOLD信号包含丰富的和鲁棒的时空信息，类似于从GM获得的。为了解决这个假说,WM分割掩模,包括128个随机出感兴趣的区域(roi),获得了用 层次划分方法 。随后，构建GM-和WM-FNs，并通过对基于分区的DFC矩阵进行K-means聚类来评估。对于每个成对的FNs，采用SW法计算所有FNs的SD值，得到一个DFC值。通过计算ICC值来估计GM-/WM-FNs内部和GM-WM-FNs之间DFC参数的可靠性。最后，通过Pearson相关系数估计SFC、DFC与ICCs之间的相关性。
2 方法简述
2.1 数据和预处理
HCP数据集用于当前的研究(https://db。hu manconnectome.org)，并纳入129名健康受试者，每个受试者都有静息状态fMRI和t1加权解剖图像。
使用静息态fMRI数据处理助手(DPARSF) (http://rfmri.org/DPARSF)和SPM12工具箱(http://www.fil.ion.ucl.ac.uk/spm/software/spm12)进行功能图像的预处理步骤。
2.2 组水平GM和WM mask的创建
为了最小化混合WM和GM信号，每个个体的分割结果被用来获取组级别WM和GM的mask(图1A,步骤3)。具体地说,对于每一个个体,每个体素在整个大脑被确认为WM,GM、或CSF,这为每个受试者生成了二元化的WM和GM掩模。然后，我们在所有受试者中分别计算这些高分辨率解剖分割的WM和GM掩模的平均值。组级WM掩模的定义采用以下2步:1)阈值>60%的受试者使用二值化的解剖掩模2)然后，我们将解剖掩膜与功能数据进行比较，并在80%的受试者中去除被识别为WM但具有功能数据的体素。最后，为了排除大脑深层结构的影响，我们使用了哈佛牛津地图集来移除皮层下区域。由于我们的研究集中在大脑皮层，小脑被排除在组水平的WM掩模之外。对于群体层面的GM掩模，使用更宽松的阈值>20%的受试者用于识别T1图像中的GM体素，但我们排除了WM掩模中包含的任何体素。然后选择结果掩模的体素，使用功能数据中>80%受试者中存在的体素定义群体水平的GM掩模。
2.3 脑分区和SFC构建
与之前的研究 (图1A，步骤3)一样，将组级WM掩模分为128个随机大小近似相同的roi。具体来说，将组级WM掩模分为两个半球。然后使用分层法将每个半球掩模随机划分为64个roi。此外，为了便于与先前关于DFC测试重测信度的研究进行比较，我们使用了与该研究相同的GM分区模板(自动解剖标记[AAL]图谱)，包含116个区域(90个皮层/皮层下区域和26个小脑/蚓部区域)。由于我们的研究集中在大脑皮层，我们排除了26个小脑/蚓部区域。最后，排除AAL图谱组水平GM掩模外的体素。此外，为了计算AAL是否对我们的结果有影响，我们使用Dos图谱进行了相同的分析(补充3)。
对每个感兴趣区域，利用感兴趣区域内所有体素的时间序列提取平均时间序列，得到WM和GM分别为128和90个时间序列。对于每个被测对象，利用ROI时间序列各对之间的Pearson相关系数计算SFC，得到GM内(90*90)、WM内(128*128)内和GM-WM(90*128)之间的SFC矩阵。
2.4 SW分析和DFC
估计DFC最常用的方法是SW方法，该方法使用fMRI时间序列的窗口段在固定长度上连续计算相关矩阵。本研究选择40TRs窗长来探索GM/WM以及GM-WM的DFC.
2.5 聚类功能网络
对组级DFC矩阵进行K-means聚类(距离度量相关，10次复制)得到WM-FNs(图1A，步骤7)。聚类的数量从2到20，对每个聚类进行聚类效度指标肘准则(聚类内与聚类间距离之比)，得到最佳的WM-FN个数。
2.6 SFC和DFC的ICC分析
可靠性在很大程度上是对个体差异的统计评估。信度低，表明相关测量不适合研究个体差异。虽然有许多测试重测信度的测量方法，但在fMRI中最常用的测量方法是使用 ICC 。为了评估WM-和GMFNs中SFC和DFC的测试重测可靠性，对119名HCP受试者进行了2组ICC分析。
其中BMS是受试者之间的均方方差，WMS是受试者内部的均方方差，k是每个参与者的扫描重复次数(这里k =2)。
为了分析SFC、SFC ICC、DFC和DFC ICC之间的关联，我们估计了在GM-/WM-FNs内SFC ICC和GM-WM-FNs之间SFCICC的关联。
图1 功能网络聚类和生成DFC ICC映射的过程
3 结果
3.1 GM和WM内空间聚类模式
采用基于GM分区DFC矩阵的K-means聚类方法识别GM-FNs。聚类有效性指数的肘准则表明，GM-FNs的最优数量为9，该数字用于识别最终的聚类(图S1A)。GM-FNs包括:AN，左、右额顶叶网络(左右FPN)，内侧视觉网络(内侧VN)，外侧VN，后DM，感觉运动网络(SMN)，和前DMM，以及皮质下网络(SCN)(图2)。基于WM分区DFC矩阵的K-means聚类有效性指数肘准则显示，WMFNs的最优数量为9(图S1B)，分别为(图3):右侧前额叶WM-FN(RPF-WM-FN)，皮质脊髓下WM-FN (ICS-WMFN)，左侧前额叶WM-FN (LPF-WM-FN)，左侧放射后冠WM-FN (LPF-WM-FN)，右侧放射前冠WM-FN (RACR-WM-FN)，枕部WM-FN (OC-WM-FN)，右侧放射后冠WM-FN (RPF-WM-FN)，感觉运动表浅WM-FN (SMS-WM-FN)感觉运动中WM-FN (SMM-WM-FN)。
图2 k-means识别的9个GM-FNs
图3 k-means识别的9个WM-FNs
3.2 网络内SFC和DFC
图4显示了所有GM和WM分区的全脑组水平的SFC、DFC及其ICC图谱。图4A显示了GM分区的SFC、DFC、SFC ICC和DFC ICC映射。我们发现以下4个GM-FNs的SFC显示出较高的内部网络SFC（图3和4A):中间VN (SFC = 0.74, DFC = 0.2)、后DMN (SFC = 0.57,DFC = 0.27)、SMN (SFC = 0.66, DFC = 0.23)和前DMN (SFC = 0.52, DFC = 0.28)。 SFC的ICC值普遍高于DFC的ICC值，说明SFC比DFC更可靠 。正如所料，SFC值越高，SFC ICC越高，DFC值越高，DFCICC越小。
图4B显示了WM分区的SFC、DFC、SFC ICC和DFC ICC。以下2种WM-FNs表现出较高的SFC和低DFC (图4B和5):OC-WM-FN(SFC = 0.45, DFC = 0.30)和RPCR-WM-FN (SFC = 0.41, DFC =0.31)。WM-FNs的平均内部连接强度(SFC =0.34)显著弱于GM-FNs (SFC = 0.51，图5A)， WM-FNs的平均DFC (DFC = 0.32)显著高于GM-FNs (DFC = 0.28，图5B)。总的来说，对于WM分区，SFC ICC值高于DFCICC结果。根据GM-FNs的结果，DFC值越大，对应的DFC ICC越小。图4C展示了GM和WM分区之间的SFC、DFC、SFC ICC和DFC ICC映射。与GM和WM分区相似，连接强度高的SFC一般对应较低的DFC，且GM和WM分区之间SFC的ICC结果总体高于DFC的ICC结果。
图4 分区nask的SFC、DFC、SFC ICC和DFC ICC映射
图5 GM-和WM-FNs的内部网络SFC和DFC
3.3 网络间SFC和DFC
对于GM-FNs的SFC、DFC、SFC ICC和DFC ICC结果如图6A所示。我们发现，侧VN变现为与AN (SFC = 0.56)和内侧VN (SFC = 0.67)的高SFC，其对应的DFC图显示FC的低波动(DFC分别为0.28和0.23)。SMN和AN之间(SFC = 0.52, DFC = 0.29)以及左右FPN之间(SFC = 0.50, DFC = 0.29)也有相似的结果。此外，从整体上看，SFC ICCs的公信力高于DFC的公信力，说明SFC比DFC更可靠。
对于WM-FNs的SFC、DFC、SFC ICC和DFC ICC结果如图6B所示。我们发现，RPCR-WM-FN与LPCR-WM-FN(SFC = 0.6)和RACR-WM-FN (SFC = 0.59)具有较高的SFC，其对应的DFC值具有较低的波动(分别为0.26和0.27)。此外，LPF-与LPF- WM-FNs(SFC = 0.56, DFC = 0.27)、SMS-与SMM-WM-FNs(SFC = 0.54, DFC = 0.28)、LPF-与RACR-WM-FNs(SFC = 0.52, DFC = 0.29)、LPCR-与RACR-WM-FNs(SFC = 0.29)之间也有相似的结果。与GM-FNs相似，WM-FN SFC ICC值总体上高于DFC ICC值。
图6 功能网络的SFC、DFC、SFC ICC和DFC ICC映射
3.4 SFC,DFC,SFC ICC,DFC ICC之间的联系
为了估计SFC、DFC、SFC ICC和DFC ICC之间的关联，我们展示了所有FC对的所有这些度量之间的散点图（图7）。WM/GM分区和GM-WM分区之间存在两种正相关和两种负相关(图8A，表1)。我们还估计了GM-/WM-FNs内SFC、DFC、SFC ICC和DFC ICC之间以及GMWM-FNs之间的联系(图8B，表1)。与图8A(表1)得到的结果相似，我们还观察到2个正相关和2个负相关。
图7 在SFC、DFC、SFC ICC和DFC ICC之间在大脑分区的所有FC对之间散点图
图8 SFC、DFC、SFC ICC及DFC ICC之间的关联
4 讨论
本研究探讨静息态fMRI中WM BOLD信号的时空特征和WMDFC可靠性。此外，分别在WM/GM内和GM-WM之间估计了SFC、DFC及其各自ICCs之间的关联。 我们的研究进一步验证了通过对GM DFC矩阵进行K-means聚类可以得到GM-FN。使用同样的聚类方法，本研究也得到了9个WM-FNs。另一方面，无论是在WM/GM范围内还是在GM-WM范围内计算SFC和DFC图，SFC和DFC之间都存在负相关关系，表明SFC值低导致DFC高，反之亦然 。总体而言， SFC的ICC图高于DFC的ICC图，说明在WM/GM内部以及GM-WM之间，SFC比DFC更可靠 。此外，对于intra-GM-FNs的SFC强于intra-WM-FNs，而对于intra-GM-FNs对应的波动较低。我们进一步发现，在WM/GM和GM-WM中，SFC、DFC及其对应的ICCs之间的关联高度相似(图7)，表明WM BOLD信号的动态特征与GM相似，具有丰富的FC时间特征。
我们认识到，在本研究中，来自WM的BOLD信号被怀疑是由于部分体积效应而来自GM的下渗作用。为了最大限度地减少GM信号的影响，分别对WM和GM进行空间平滑，并仅使用分离的WM和GM体素对每个被试进行相应的掩模识别。此外，使用高质量的HCP数据集可以在一定程度上缓解这种局限性。随着多层成像技术的迅速发展和可靠成像技术的成熟，高信噪比和空间/时间分辨率的神经成像技术有望实现。最后，目前的研究没有进一步分析WM中的频谱并与GM进行比较，探索SFC/DFC与频谱的关系并与GM进行比较，还需要进一步的研究。
5 总结
本文研究了静息态fMRI中WM BOLD信号的动态特性和DFC的可靠性。分别在WM/GM和GM-WM之间估计SFC、DFC和它们各自的ICCs之间的关联。主要研究结果如下：1)我们验证了对GM内部的DFC矩阵进行K-means聚类可以得到GM-FNs，该方法也适用于获得WM-FNs；2) WM的动态特性与GM相似，包括DFC与SFC和DFC ICC呈负相关，SFC ICC与SFC和DFC ICC呈正相关。总体而言，在WM/GM内部和GM-WM之间，SFCICC图均高于DFC。3)我们也注意到GM-WM之间的SFC和DFC特性的差异。intra-GM-FNs的SFC强于intra-WM-FNs，对应的DFC较intra-GM-FNs低。研究结果表明，WM的BOLD信号包含丰富的时空信息，可以从静息态fMRI信号中获得与GM相似的重要DFC参数。
参考文献：White Matter Functional Connectivity in Resting-State fMRI: Robustness, Reliability, and Relationships to Gray Matter
欢迎分享，转载请注明来源：内存溢出
微信扫一扫
支付宝扫一扫
评论列表（0条）