導(dǎo)讀

要了解大腦的認(rèn)知功能，就必須了解神經(jīng)元是如何在局部、不同腦區(qū)以及整個(gè)大腦的大規(guī)模范圍內(nèi)相互連接的。局部處理和全局整合之間的平衡為復(fù)雜的處理模式提供了支持，這些模式是高階認(rèn)知功能的基礎(chǔ)，同時(shí)確保了大腦的靈活性、穩(wěn)健性和功能多樣化。在這種情況下，網(wǎng)絡(luò)范式為研究腦區(qū)之間的相互作用以及使用強(qiáng)大的計(jì)算工具解釋功能網(wǎng)絡(luò)的復(fù)雜拓?fù)浣Y(jié)構(gòu)提供了理論框架。本文回顧了研究大腦功能網(wǎng)絡(luò)的當(dāng)前技術(shù)水平，并總結(jié)了用于量化網(wǎng)絡(luò)特征的方法進(jìn)展。同時(shí)概述了主要的神經(jīng)成像技術(shù)，探討了目前有關(guān)認(rèn)知功能和功能障礙的核心大規(guī)模網(wǎng)絡(luò)的知識(shí)。

前言

大腦主要通過多個(gè)相互作用單元系統(tǒng)的運(yùn)作來實(shí)現(xiàn)其各種功能。這些單元的規(guī)模可以從神經(jīng)元集群到不同的皮層和皮層下區(qū)域。神經(jīng)科學(xué)的主要挑戰(zhàn)之一是，如何理解大腦豐富的功能是從這樣一個(gè)雖然跨越多個(gè)尺度，但相對(duì)固定的解剖結(jié)構(gòu)中產(chǎn)生的。此外，在龐大的功能庫中，由于所涉及的大腦系統(tǒng)數(shù)量和復(fù)雜性，給高級(jí)認(rèn)知過程的研究帶來了特殊的挑戰(zhàn)。越來越多的證據(jù)表明，答案可能在于大腦相互聯(lián)系的組織，它促進(jìn)了局部運(yùn)作和局部功能的全局整合。這種類型的組織構(gòu)建了內(nèi)在復(fù)原力，并確保了適應(yīng)性，穩(wěn)健性和功能多樣化。

為了對(duì)相互關(guān)聯(lián)的大腦組織進(jìn)行建模，神經(jīng)科學(xué)家越來越多地轉(zhuǎn)向源自網(wǎng)絡(luò)科學(xué)的工具和概念，這些工具和概念允許對(duì)復(fù)雜的大腦拓?fù)浣Y(jié)構(gòu)以及網(wǎng)絡(luò)的多個(gè)神經(jīng)系統(tǒng)之間的相互作用進(jìn)行一致的描述和解釋，這種方法已被證明在系統(tǒng)生物學(xué)和社交網(wǎng)絡(luò)分析中是成功的。除了能夠分析大腦網(wǎng)絡(luò)之外，網(wǎng)絡(luò)科學(xué)還為研究大腦功能提供了堅(jiān)實(shí)的理論框架，并為解開多對(duì)一功能結(jié)構(gòu)悖論提供了概念基礎(chǔ)。同樣，網(wǎng)絡(luò)的形式使得長(zhǎng)期以來關(guān)于大腦功能的局部中心觀點(diǎn)和全局分布觀點(diǎn)之間的爭(zhēng)論得以協(xié)調(diào)。這是通過將局部特化視為模式化分布式交互的結(jié)果來實(shí)現(xiàn)的，這導(dǎo)致特定網(wǎng)絡(luò)元素具有不同的功能屬性。

各種神經(jīng)成像技術(shù)，如功能性磁共振成像(fMRI)，正電子發(fā)射斷層掃描(PET)，腦磁圖(MEG)，功能性近紅外光譜(fNIRS)和腦電圖(EEG)（圖1），提供了測(cè)量功能連接的方法。在過去的十年中，神經(jīng)成像在技術(shù)成本和可用性方面的發(fā)展導(dǎo)致了實(shí)驗(yàn)數(shù)據(jù)量的顯著增加，以及臨床、實(shí)驗(yàn)室和實(shí)驗(yàn)室外實(shí)驗(yàn)設(shè)計(jì)和應(yīng)用的復(fù)雜性。傳感技術(shù)的進(jìn)步得到了計(jì)算方法學(xué)等類似發(fā)展的補(bǔ)充，這在一定程度上是由可用計(jì)算能力的激增以及計(jì)算神經(jīng)科學(xué)、網(wǎng)絡(luò)科學(xué)和機(jī)器學(xué)習(xí)等領(lǐng)域的理論進(jìn)步所驅(qū)動(dòng)。一方面，在腦功能網(wǎng)絡(luò)的發(fā)現(xiàn)中，研究借鑒了圖論的概念和神經(jīng)系統(tǒng)中已經(jīng)發(fā)現(xiàn)的各種廣為人知的組織模式，如小世界網(wǎng)絡(luò)和無標(biāo)度網(wǎng)絡(luò)。另一方面，基于神經(jīng)活動(dòng)的相關(guān)、相干、鎖相和相位幅值協(xié)同調(diào)制的特定神經(jīng)科學(xué)工具已經(jīng)開發(fā)出來。與此同時(shí)，這些導(dǎo)致了一些大腦系統(tǒng)的發(fā)現(xiàn)，也稱為大規(guī)模腦網(wǎng)絡(luò)，包括默認(rèn)模式(DMN)，突顯網(wǎng)絡(luò)(SN)，執(zhí)行和注意網(wǎng)絡(luò)。這些核心的大規(guī)模網(wǎng)絡(luò)，以及它們組成的子網(wǎng)絡(luò)之間的相互作用，都與認(rèn)知功能有關(guān)，強(qiáng)調(diào)了認(rèn)知加工中神經(jīng)活動(dòng)無處不在的聯(lián)合性質(zhì)。

圖1.電生理技術(shù)(EEG和MEG)捕獲神經(jīng)元的電活動(dòng)，分別反映突觸后電位和細(xì)胞內(nèi)電流。fMRI和fNIRS都捕獲與局部神經(jīng)活動(dòng)相關(guān)的血流動(dòng)力學(xué)活動(dòng)變化，盡管它們使用的方法不同：即分別通過評(píng)估磁性的變化與測(cè)量含氧和脫氧血紅蛋白對(duì)近紅外光吸收的差異。PET通過檢測(cè)發(fā)射的正負(fù)電子湮滅產(chǎn)生的伽馬射線對(duì)來測(cè)量與葡萄糖攝取相關(guān)的神經(jīng)代謝活動(dòng)的升高。

對(duì)腦功能網(wǎng)絡(luò)的全面表征不僅產(chǎn)生了對(duì)正常認(rèn)知過程的大量描述，而且還產(chǎn)生了對(duì)不同網(wǎng)絡(luò)功能障礙在異常和神經(jīng)障礙(如抑郁癥、癲癇、精神分裂癥、自閉癥和腦震蕩后綜合征)中所起作用的新見解。本文根據(jù)腦功能網(wǎng)絡(luò)科學(xué)的最新發(fā)展，探討了理解認(rèn)知的神經(jīng)基礎(chǔ)的技術(shù)現(xiàn)狀，腦功能網(wǎng)絡(luò)已成為揭示分布式大腦系統(tǒng)內(nèi)部和之間相互作用如何產(chǎn)生認(rèn)知的主要范式。這是因?yàn)樯婕罢J(rèn)知處理不同方面的大規(guī)模腦網(wǎng)絡(luò)之間的相互作用對(duì)于更深入地了解認(rèn)知的神經(jīng)基礎(chǔ)至關(guān)重要。

功能神經(jīng)成像技術(shù)在網(wǎng)絡(luò)發(fā)現(xiàn)中的應(yīng)用

早期的功能連通性概念考慮了從不同解剖位置記錄的時(shí)間序列信號(hào)對(duì)之間的統(tǒng)計(jì)依賴性。這種方法最初是為分析尖峰列形式的單個(gè)單元神經(jīng)記錄而開發(fā)的。這使得研究人員能夠通過簡(jiǎn)單地估計(jì)相關(guān)系數(shù)來證明腦區(qū)表現(xiàn)出相關(guān)的活動(dòng)模式，從而產(chǎn)生了功能連接的概念。功能連接的概念已經(jīng)擴(kuò)展到不同類型的統(tǒng)計(jì)關(guān)聯(lián)和測(cè)量技術(shù)，并越來越多地從網(wǎng)絡(luò)理論框架內(nèi)延伸到全腦網(wǎng)絡(luò)。來自不同測(cè)量技術(shù)的數(shù)據(jù)反映了信號(hào)系統(tǒng)的各種生理功能：血流動(dòng)力學(xué)活動(dòng)引起氧合血紅蛋白和脫氧血紅蛋白水平的差異(fMRI)，由于局部代謝和血管活動(dòng)引起的血紅蛋白濃度變化(連續(xù)波fNIRS)，與葡萄糖攝取相關(guān)的代謝升高(PET)，部分同步的突觸后電位(EEG)，以及由細(xì)胞內(nèi)電流產(chǎn)生的磁場(chǎng)振蕩(MEG)。

神經(jīng)成像技術(shù)的優(yōu)缺點(diǎn)

用于發(fā)現(xiàn)大腦網(wǎng)絡(luò)的各種神經(jīng)成像技術(shù)的主要區(qū)別在于其測(cè)量背后的物理原理(圖1)。通常，它們根據(jù)分辨率(空間和時(shí)間)和大腦活動(dòng)感知的位置(侵入性和非侵入性)進(jìn)行分類。由于這里主要是關(guān)注非侵入性技術(shù)，因此排除了諸如局部場(chǎng)電位(LFP)，皮層腦電圖(ECoG)以及單神經(jīng)元和多神經(jīng)元活動(dòng)(SUA/MUA)等信號(hào)。

在圖1中列出的非侵入性技術(shù)中，fMRI和PET具有高空間分辨率，但其時(shí)間分辨率有限(圖2)。它們?cè)诮忉対撛诘纳窠?jīng)元活動(dòng)方面具有一定的局限性。例如，基于血氧水平依賴性（BOLD）fMRI信號(hào)，很難區(qū)分功能相關(guān)的處理和神經(jīng)調(diào)節(jié)，而基于fMRI的功能連接可能由于對(duì)固有的動(dòng)態(tài)功能耦合變化的了解不足而受阻，因?yàn)锽OLD fMRI信號(hào)較慢(＜1Hz)。另一方面，PET除了具有比fMRI更低的時(shí)間和空間分辨率外，還被認(rèn)為不適合廣泛使用，因?yàn)樗贡辉嚤┞队陔婋x輻射中。此外，PET社區(qū)正在進(jìn)行的一個(gè)討論是關(guān)于葡萄糖攝取是否實(shí)際上反映了神經(jīng)元或周圍細(xì)胞(例如星形膠質(zhì)細(xì)胞)能量消耗的問題。然而，PET對(duì)輕微運(yùn)動(dòng)偽影的敏感度低于fMRI，在單個(gè)試次中具有更好的信噪比，同時(shí)不太容易受到信號(hào)失真的影響，如fMRI中由于鄰近組織的磁性不同而產(chǎn)生的信號(hào)失真。

圖2.非侵入性神經(jīng)成像技術(shù)的相對(duì)空間和時(shí)間分辨率示意圖。

非侵入性電生理模式，如EEG和MEG，具有優(yōu)越的時(shí)間分辨率，并且對(duì)于研究認(rèn)知功能和評(píng)估大腦狀態(tài)很有吸引力，因?yàn)樗鼈冎苯佑涗浟舜竽X的電活動(dòng)，盡管是通過位于頭骨上的傳感器。但也因此，EEG和MEG在空間分辨率方面受到了一定的限制，因?yàn)槿莘e傳導(dǎo)效應(yīng)存在，它們無法明確地重建大腦中產(chǎn)生電信號(hào)的來源。因此，EEG和MEG通常在傳感器空間進(jìn)行分析，涉及到時(shí)域和頻域技術(shù)。在這種情況下，神經(jīng)電磁源成像(NSI)被用于解決EEG/EMG逆問題，希望能夠定位大腦活動(dòng)源并提高空間分辨率。根據(jù)神經(jīng)解剖學(xué)和容積傳導(dǎo)效應(yīng)，目前已經(jīng)開發(fā)了各種穩(wěn)健的源定位技術(shù)。

連續(xù)波fNIRS是一種相對(duì)較新的技術(shù)，它結(jié)合了功能磁共振成像在空間分辨率方面的優(yōu)勢(shì)，但依賴于生物發(fā)色團(tuán)的不同吸收特性，而不是血紅蛋白的順磁性。通過在光源和探測(cè)器對(duì)之間傳遞近紅外光(700-900nm)來實(shí)現(xiàn)這一點(diǎn)，這些探測(cè)器對(duì)通常位于頭皮上，距離范圍為2cm到5cm。雖然fNIRS具有便攜性和易用性特點(diǎn)，以及對(duì)頭部運(yùn)動(dòng)偽影的敏感性相對(duì)較低，但它僅限于對(duì)皮層的表層進(jìn)行采樣，這與提供全腦測(cè)量的fMRI不同。

多模態(tài)方法

每種神經(jīng)成像技術(shù)在空間和時(shí)間分辨率、對(duì)特定偽影的敏感性和實(shí)際實(shí)施方面都具有相對(duì)的優(yōu)勢(shì)和局限性。這強(qiáng)調(diào)了多模態(tài)方法在彌補(bǔ)神經(jīng)活動(dòng)全面表征差距方面的效用，特別是在功能網(wǎng)絡(luò)整合和動(dòng)力學(xué)方面。多模態(tài)腦網(wǎng)絡(luò)映射方法整合了來自不同神經(jīng)成像方式的信息，可以彌補(bǔ)彼此的不足。接下來將介紹一些最常用的多模態(tài)組合：

EEG/MEG和fMRI。目前，已有研究人員提出了一些將EEG/MEG與fMRI記錄相結(jié)合的方法，以進(jìn)一步提高電生理學(xué)技術(shù)的空間分辨率或fMRI的時(shí)間分辨率。這種集成主要有三個(gè)方向：時(shí)間信息融合(EEG-informed fMRI)、空間信息融合(fMRI-informed EEG)和時(shí)空信息的對(duì)稱融合(EEG-fMRI fusion)。在時(shí)間信息融合中，目標(biāo)是從EEG時(shí)間序列數(shù)據(jù)中對(duì)BOLD活動(dòng)進(jìn)行時(shí)間預(yù)測(cè)。這涉及到使用EEG數(shù)據(jù)作為線性模型的回歸量來預(yù)測(cè)體素方面的BOLD激活，并且通常只能與同時(shí)收集的數(shù)據(jù)一起使用，因?yàn)樗蕾囉跁r(shí)間相關(guān)性。隨后，在功能連接方面，可以測(cè)試與EEG動(dòng)力學(xué)相關(guān)的BOLD活動(dòng)是否與已知的fMRI衍生網(wǎng)絡(luò)一致，并將時(shí)間動(dòng)力學(xué)與已知的fMRI衍生網(wǎng)絡(luò)相關(guān)聯(lián)。在空間信息融合中，fMRI通常用于改善EEG的源定位。這種方法可以隨后識(shí)別模式之間不同和共享的功能網(wǎng)絡(luò)，并仔細(xì)檢查這些網(wǎng)絡(luò)之間的相互作用。在EEG-fMRI融合中，這兩種技術(shù)都不能用于預(yù)測(cè)另一種技術(shù)的特征。融合方法可以進(jìn)一步分為模型驅(qū)動(dòng)和數(shù)據(jù)驅(qū)動(dòng)。后者通常使用偏最小二乘法(PLS)、典型相關(guān)分析(CCA)和獨(dú)立成分分析(ICA)將多模態(tài)數(shù)據(jù)同時(shí)分解為有意義的成分。

EEG和fNIRS。EEG和fNIRS的整合旨在彌補(bǔ)EEG在空間分辨率上的不足，同時(shí)使fNIRS在皮層水平上對(duì)神經(jīng)活動(dòng)的定位不那么模糊。此外，fNIRS對(duì)電干擾和肌電圖(EMG)以及眨眼偽影不太敏感。EEG和fNIRS的整合提供了基于神經(jīng)血管耦合(NVC)的不同類型的信息，神經(jīng)活動(dòng)調(diào)節(jié)局部血流和氧合的級(jí)聯(lián)過程，這是僅通過單模態(tài)EEG無法解決的。雖然許多研究通過集成EEG和fNIRS特征來利用這些豐富的信息內(nèi)容(包括功能連接)，但也有研究使用基于fNIRS的約束條件作為EEG源定位的空間先驗(yàn)信息，然后在動(dòng)態(tài)網(wǎng)絡(luò)框架內(nèi)的EEG源水平進(jìn)行功能連接網(wǎng)絡(luò)估計(jì)。

PET和fMRI。最近有研究強(qiáng)調(diào)，在一體化PET/MRI掃描儀中集成PET和fMRI凸顯了這兩種模式的重要性。在PET中，分子探針特異性方面的進(jìn)步是由于選擇性放射性配體的發(fā)展而引起的，但在fMRI中，通過改進(jìn)儀器和分析方法，分辨率得到了增強(qiáng)，掃描速度也加快了。因此，越來越多地提出了將PET不斷提高的分子成像能力與更好的fMRI空間分辨率相結(jié)合的多模態(tài)方案。最近，三模態(tài)神經(jīng)成像(PET-fMRI-EEG)已被用于通過同步測(cè)量的方式來研究大規(guī)模腦網(wǎng)絡(luò)之間的差異。為此，使用fMRI來估計(jì)默認(rèn)模式網(wǎng)絡(luò)(DMN)和感覺運(yùn)動(dòng)網(wǎng)絡(luò)的功能連通性，并使用EEG全局場(chǎng)功率來識(shí)別EEG微狀態(tài)，然后將其與fMRI連接網(wǎng)絡(luò)和FDG-PET攝取的圖論測(cè)量值相關(guān)聯(lián)。這些研究的首要目標(biāo)是確定神經(jīng)精神障礙的診斷、疾病分期和治療反應(yīng)監(jiān)測(cè)的綜合(神經(jīng)血管、神經(jīng)代謝和神經(jīng)電)生物標(biāo)志物。

網(wǎng)絡(luò)建模和分析方法

腦網(wǎng)絡(luò)是認(rèn)知功能的基礎(chǔ)

幾個(gè)世紀(jì)以來，大腦功能的局部與整合一直是激烈爭(zhēng)論的主題，后者在過去幾十年里終于占據(jù)了主導(dǎo)地位。使問題更加復(fù)雜的是神經(jīng)功能固有的多尺度特性，從單個(gè)細(xì)胞的突觸連接到局部解剖區(qū)域內(nèi)有組織的細(xì)胞組合，再到通過神經(jīng)通路以分層方式相互連接的大腦區(qū)域的大規(guī)模結(jié)構(gòu)。

突觸和通路的解剖結(jié)構(gòu)不可避免地制約著腦網(wǎng)絡(luò)的功能；然而，已有研究表明，大腦區(qū)域不需要以直接的物理/結(jié)構(gòu)方式連接來發(fā)揮其功能屬性。此外，功能網(wǎng)絡(luò)動(dòng)態(tài)變化可以通過可塑性重塑大腦網(wǎng)絡(luò)的物理結(jié)構(gòu)。同時(shí)，網(wǎng)絡(luò)科學(xué)提供了理論基礎(chǔ)和分析工具，不僅可以對(duì)大腦功能進(jìn)行數(shù)據(jù)驅(qū)動(dòng)的定量評(píng)估，而不需要假設(shè)各個(gè)大腦區(qū)域如何參與不同的認(rèn)知過程，還可以從實(shí)驗(yàn)數(shù)據(jù)對(duì)網(wǎng)絡(luò)進(jìn)行基于模型的推斷，以及建模大腦系統(tǒng)之間的耦合及其受任務(wù)、感覺刺激或時(shí)間的調(diào)節(jié)。

功能連接通常是通過時(shí)間序列觀察來估計(jì)的，它描述了神經(jīng)實(shí)體之間的統(tǒng)計(jì)依賴模式（其性質(zhì)不同，取決于所使用的神經(jīng)成像方式）。功能連接會(huì)隨時(shí)間的變化而變化，通常在數(shù)十或數(shù)百毫秒的時(shí)間尺度內(nèi)發(fā)生變化，因?yàn)楣δ荞詈喜粩嗍艿礁泄俅碳?，任?wù)環(huán)境以及內(nèi)源性因素的調(diào)節(jié)。

腦網(wǎng)絡(luò)：節(jié)點(diǎn)和邊緣

從實(shí)驗(yàn)數(shù)據(jù)中估計(jì)大腦功能網(wǎng)絡(luò)通常遵循如圖3所示的方法。該方法(a)通常根據(jù)潛在的大腦解剖結(jié)構(gòu)和所使用的傳感技術(shù)定義網(wǎng)絡(luò)節(jié)點(diǎn)，以及(b)隨后估計(jì)由節(jié)點(diǎn)對(duì)產(chǎn)生的信號(hào)的時(shí)間序列之間的統(tǒng)計(jì)依賴性。根據(jù)所使用的測(cè)量類型，功能連接網(wǎng)絡(luò)可以是有向的或無向的，反映線性或非線性功能耦合，雙變量或多變量效應(yīng)，以及在時(shí)域或頻域中。接下來，(c)將這些估計(jì)值組織成一個(gè)鄰接矩陣，用于進(jìn)一步的分析。鄰接矩陣在其行和列上包含網(wǎng)絡(luò)節(jié)點(diǎn)，而其記錄對(duì)應(yīng)于使用統(tǒng)計(jì)依賴度量估計(jì)的值。隨后，(d)鄰接矩陣通常通過去除弱連接的閾值過程而變得稀疏。閾值可以在一定范圍內(nèi)變化，以觀察其對(duì)結(jié)果的影響。然而，最近的研究指出，這種方法可能會(huì)過度地去除弱連接，而這些弱連接實(shí)際上具有功能相關(guān)性，并提出了基于最大化信息流而不是布線成本的生物相關(guān)性閾值標(biāo)準(zhǔn)。在最后一步中，(e)處理后的鄰接矩陣用于計(jì)算圖論度量，這些度量表征了嵌入在所檢查數(shù)據(jù)中的連通性網(wǎng)絡(luò)。此步驟通常伴隨著統(tǒng)計(jì)分析，旨在確定觀測(cè)值與隨機(jī)網(wǎng)絡(luò)總體比較的顯著性。

圖3.用不同的傳感技術(shù)測(cè)量腦功能網(wǎng)絡(luò)的典型步驟。

節(jié)點(diǎn)定義

節(jié)點(diǎn)的定義很大程度上取決于感知模態(tài)。從廣義上講，節(jié)點(diǎn)可以以三種不同的方式分類：(i)在圖像重建后的測(cè)量空間中，在基于體素模式的情況下，如fMRI或PET；(ii)在電生理模式(EEG和MEG)，以及fNIRS的傳感器空間中；(iii)基于定位技術(shù)(EEG和MEG)的源重建。

對(duì)于基于體素模式的情況，要考慮的主要因素是與后續(xù)分析最相關(guān)的空間尺度，轉(zhuǎn)化為是否要考慮單個(gè)體素或體素組(ROI)。早期的腦網(wǎng)絡(luò)分析方法使用單個(gè)體素來描述節(jié)點(diǎn)。雖然這種方法可能比基于ROI的方法提供了更高的分辨率，并且自然地支持無模型分析，但與基于ROI的分析相比，它的信噪比較低，并且產(chǎn)生了高維數(shù)的網(wǎng)絡(luò)。當(dāng)使用基于ROI的方法時(shí)，需要根據(jù)用于聚合體素的方法做出進(jìn)一步的選擇：基于圖譜解剖知識(shí)的大腦分割、數(shù)據(jù)驅(qū)動(dòng)的分割或混合方法。

不僅由于大腦解剖學(xué)知識(shí)越來越詳細(xì)，而且由于神經(jīng)成像技術(shù)的分辨率不斷提高，這導(dǎo)致網(wǎng)絡(luò)規(guī)模不可持續(xù)(從計(jì)算的角度來看)，所以也不奇怪為什么目前的大多數(shù)方法都是基于ROI的。有研究者使用來自圖譜的先驗(yàn)解剖知識(shí)，如自動(dòng)解剖標(biāo)記(AAL2)圖譜，基于大腦的解剖標(biāo)記(多達(dá)120個(gè)ROI)，基于細(xì)胞結(jié)構(gòu)信息的Brodmann區(qū)域，或神經(jīng)成像實(shí)驗(yàn)室(LONI)概率圖譜。其他最近的方法使用連接信息來進(jìn)行分割，其背后的原因是每個(gè)功能特化的腦區(qū)都具有與其他區(qū)域連接的特定模式，從而定義了其功能。分割方法的選擇、用于體素配準(zhǔn)的圖譜，以及網(wǎng)絡(luò)節(jié)點(diǎn)的數(shù)量，對(duì)所得到的圖測(cè)量值和跨研究結(jié)果比較的能力都有顯著影響。因此，在比較腦網(wǎng)絡(luò)的拓?fù)錅y(cè)量時(shí)，建議使用相似的空間尺度(就節(jié)點(diǎn)數(shù)量而言)。

將節(jié)點(diǎn)表示為體素組的另一種常用方法是使用ICA。該方法將每個(gè)獨(dú)立成分(IC)映射到一個(gè)分布式區(qū)域，并根據(jù)IC時(shí)間序列構(gòu)建反映功能連接的鄰接矩陣。IC的數(shù)量取決于所研究的功能過程的性質(zhì)，范圍從少于10個(gè)到50個(gè)或更多。

在基于傳感器的模式中，腦網(wǎng)絡(luò)的節(jié)點(diǎn)通常由傳感器或電極直接表示。這大大簡(jiǎn)化了網(wǎng)絡(luò)構(gòu)建過程；然而，由于容積傳導(dǎo)現(xiàn)象和傳感器網(wǎng)格的布局，每個(gè)傳感器/電極記錄的信號(hào)并不直接代表神經(jīng)區(qū)域的電活動(dòng)，而是代表來自多個(gè)皮層源的同時(shí)活動(dòng)。雖然目前的大多數(shù)EEG和MEG研究都忽略了這些因素，但有幾種方法可以解決這些問題。首先是使用空間濾波器，主要基于拉普拉斯算法，用于去除由一組相鄰電極共享的記錄信號(hào)的公共成分。第二種方法包括使用功能連接估計(jì)的方法，該方法考慮了容積傳導(dǎo)效應(yīng)，例如相位滯后指數(shù)或虛部相干性。EEG和MEG衍生網(wǎng)絡(luò)中使用的另一種方法是將網(wǎng)絡(luò)節(jié)點(diǎn)定義為假定生成頭皮記錄信號(hào)的皮層源。利用復(fù)雜的源定位技術(shù)，通過求解一個(gè)逆問題來估計(jì)這些源。這些技術(shù)可以基于正則化最小二乘算法、貝葉斯方法、基于張量的方法或擴(kuò)展的源掃描方法，例如波束成形。

此外，對(duì)于EEG和MEG，信號(hào)可以通過帶通濾波技術(shù)分解成典型的頻段。一旦與皮層源對(duì)應(yīng)的信號(hào)被重建，這既可以在傳感器水平也可以在源水平上完成。EEG/MEG頻段分為delta(1-4 Hz)、theta(4-8 Hz)、alpha(8-13 Hz)和beta(＞13 Hz)，而更高頻的活動(dòng)(通常高于30 Hz)稱為gamma活動(dòng)。在這些類型的分析中，在每個(gè)頻段內(nèi)都構(gòu)建了不同的功能連通性網(wǎng)絡(luò)，從而實(shí)現(xiàn)多層網(wǎng)絡(luò)分析，如圖4所示。

圖4.通過對(duì)測(cè)量數(shù)據(jù)（最常見的是EEG和MEG）進(jìn)行頻域分解，多層網(wǎng)絡(luò)形式可用于研究大腦活動(dòng)。不同的層代表不同頻段的腦功能網(wǎng)絡(luò)，或者不同的層可能表示不同的數(shù)據(jù)形式。

邊緣定義

定義節(jié)點(diǎn)后，下一步是評(píng)估與節(jié)點(diǎn)對(duì)應(yīng)的神經(jīng)信號(hào)的統(tǒng)計(jì)依賴性。此時(shí)需要考慮許多因素，因?yàn)樽罱醒芯烤C述確定了40多種用于估計(jì)功能連接的方法。

在選擇最合適的連通性測(cè)量時(shí)，必須考慮研究的基本假設(shè)。例如，考慮到喚起對(duì)疼痛刺激的反應(yīng)情況，已知疼痛是一種綜合現(xiàn)象，它基于感覺、運(yùn)動(dòng)、注意力和其他情境之間的相互作用。因此，當(dāng)科學(xué)目標(biāo)是研究在對(duì)疼痛刺激的注意和運(yùn)動(dòng)反應(yīng)中激活的機(jī)制時(shí)，使用定向連接測(cè)量將是一個(gè)合適的選擇，該測(cè)量在理論上更有助于描述軀體感覺區(qū)域?qū)?nèi)側(cè)額葉皮層施加的影響（從而反映它們的因果關(guān)系），該區(qū)域已知參與注意加工，或者如果目標(biāo)是研究工作記憶任務(wù)的記憶保持過程中遠(yuǎn)處大腦區(qū)域之間的同步，則無向功能連接測(cè)量（如相關(guān)性）方法將適用于腦網(wǎng)絡(luò)分析。

一些測(cè)量（如格蘭杰因果關(guān)系和轉(zhuǎn)移熵）的原因在時(shí)間上先于其結(jié)果的事實(shí)提供了有向指標(biāo)。創(chuàng)造性思維等復(fù)雜認(rèn)知過程中的跨頻耦合，可以通過頻域連通性測(cè)量更好地反映出來，例如相位-振幅耦合(PAC)。與EEG/MEG的寬頻段相比，較低的頻率范圍在一定程度上限制了頻域連接測(cè)量在BOLD信號(hào)中的適用性。因此，時(shí)域測(cè)量似乎在fMRI和fNIRS中具有更廣泛的適用性。表1給出了常用測(cè)量值和相關(guān)屬性的概述列表。

表1.常用功能連接測(cè)量的列表。

腦網(wǎng)絡(luò)的統(tǒng)計(jì)意義

統(tǒng)計(jì)分析可以通過根據(jù)模擬模型生成的參考網(wǎng)格進(jìn)行比較，或者通過在不同組之間進(jìn)行比較，例如健康組與控制組或任務(wù)執(zhí)行組與休息組。在第一種情況下，使用零模型進(jìn)行比較，通常通過隨機(jī)化網(wǎng)絡(luò)連接獲得，同時(shí)保留經(jīng)驗(yàn)網(wǎng)絡(luò)的某些屬性，但所研究的指標(biāo)除外。通常需要在生成零模型時(shí)保留度分布。不同的方法可以大致分為以下幾類：(i)生成零模型，其中參考網(wǎng)絡(luò)是通過向經(jīng)驗(yàn)網(wǎng)絡(luò)中的原始節(jié)點(diǎn)集添加連接而生成的，同時(shí)保留所需的約束；(ii)隨機(jī)化方法，其工作原理是根據(jù)一組規(guī)則重新連接經(jīng)驗(yàn)網(wǎng)絡(luò)。在生成零模型的情況下，例如Watts-Strogatz零模型，實(shí)驗(yàn)者從經(jīng)驗(yàn)網(wǎng)絡(luò)的一組節(jié)點(diǎn)和所需的平均節(jié)點(diǎn)度開始，同時(shí)添加后續(xù)連接以生成一個(gè)小世界結(jié)構(gòu)。最后一步是根據(jù)特定概率隨機(jī)重新連接每個(gè)連接。在隨機(jī)化方法的情況下，如HirschbergerQi-Steuer，重新布線是通過生成隨機(jī)協(xié)方差矩陣來完成的，同時(shí)保留經(jīng)驗(yàn)?zāi)X網(wǎng)絡(luò)的分布特性。

在連接水平執(zhí)行組間比較時(shí)，常用的初始步驟是在鄰接矩陣上應(yīng)用閾值以去除虛假連接。可以根據(jù)連接強(qiáng)度或網(wǎng)絡(luò)密度設(shè)置閾值，并且僅保留高于閾值的連接，其他連接則設(shè)置為零。然而，當(dāng)目標(biāo)是比較依賴于網(wǎng)絡(luò)密度的圖指標(biāo)時(shí)，閾值化可能會(huì)導(dǎo)致組間的網(wǎng)絡(luò)密度不同，這通常會(huì)引發(fā)問題。同樣，在執(zhí)行基于密度的閾值化時(shí)，生成的網(wǎng)絡(luò)可能仍包含較低值的虛假連接。例如，當(dāng)目標(biāo)是將對(duì)照組的腦網(wǎng)絡(luò)與一組精神分裂癥患者（已知其網(wǎng)絡(luò)中表現(xiàn)出更多的隨機(jī)拓?fù)浣Y(jié)構(gòu)）的腦網(wǎng)絡(luò)進(jìn)行比較時(shí)，這可能會(huì)導(dǎo)致假陽性。此外，基于強(qiáng)度和密度的閾值都可能導(dǎo)致網(wǎng)絡(luò)碎片化，因?yàn)橐恍┕?jié)點(diǎn)連接將保持?jǐn)嚅_狀態(tài)，這違反了神經(jīng)系統(tǒng)的基本連接框架。在這種情況下，一個(gè)潛在的解決方案是使用基于拓?fù)涞拈撝祷?，它可以確保在網(wǎng)絡(luò)的所有節(jié)點(diǎn)之間找到一條路徑?；谕?fù)溟撝祷囊粋€(gè)例子是正交最小生成樹(OMST)。

另一種有助于最小化由網(wǎng)絡(luò)指標(biāo)對(duì)密度的依賴性所引起的問題的方法是將所考察的指標(biāo)與參考網(wǎng)絡(luò)進(jìn)行歸一化。這種方法適用于小世界網(wǎng)絡(luò)，它由相對(duì)于給定密度值的歸一化指標(biāo)組成，即隨機(jī)網(wǎng)絡(luò)和規(guī)則網(wǎng)絡(luò)中的指標(biāo)為其范圍提供了合適的值。可以創(chuàng)建常規(guī)和隨機(jī)網(wǎng)絡(luò)，以匹配原始網(wǎng)絡(luò)的大小和度分布。然后，網(wǎng)絡(luò)指標(biāo)G的歸一化值將計(jì)算為Gnorm=(G-Grand)/(Greg-Grand)，其中Greg和Grand分別為該指標(biāo)在相應(yīng)的格狀網(wǎng)格和隨機(jī)網(wǎng)絡(luò)中的值。

選擇合適的閾值通常具有挑戰(zhàn)性。為了避免選擇任意的閾值，可以考慮一個(gè)閾值范圍，并在結(jié)果中重復(fù)所需的統(tǒng)計(jì)分析。這通常會(huì)產(chǎn)生多次統(tǒng)計(jì)檢驗(yàn)，因此需要進(jìn)行多個(gè)檢驗(yàn)的校正?；蛘邔⑺芯康木W(wǎng)絡(luò)測(cè)量值在閾值范圍內(nèi)進(jìn)行整合，得到曲線下面積(AUC)，然后對(duì)AUC進(jìn)行統(tǒng)計(jì)檢驗(yàn)。

大規(guī)模功能網(wǎng)絡(luò)與認(rèn)知

大腦區(qū)域作為大規(guī)模功能網(wǎng)絡(luò)的一部分發(fā)揮著特定的作用。研究最多的網(wǎng)絡(luò)包括默認(rèn)模式網(wǎng)絡(luò)(DMN)，突顯網(wǎng)絡(luò)(SN)，中央執(zhí)行網(wǎng)絡(luò)(CEN)和注意網(wǎng)絡(luò)（背側(cè)(DAN)和腹側(cè)(VAN)）（圖5）。有證據(jù)支持這樣一種觀點(diǎn)，即結(jié)構(gòu)/解剖網(wǎng)絡(luò)只對(duì)功能連接起約束作用，而不完全決定功能連接。

圖5.在認(rèn)知中起主要作用的大規(guī)模網(wǎng)絡(luò)。

這些網(wǎng)絡(luò)可以通過幾種不同的分析方法觀察到：(i)ICA分析，它將多變量腦信號(hào)分離成加性子成分(ICs)，假設(shè)這些成分是由獨(dú)立源產(chǎn)生的；然后將大腦區(qū)域中的神經(jīng)活動(dòng)與ICs相關(guān)聯(lián)，以識(shí)別大規(guī)模網(wǎng)絡(luò)的節(jié)點(diǎn)；對(duì)于與任務(wù)相關(guān)的設(shè)置，應(yīng)用多元回歸和時(shí)間排序來識(shí)別與任務(wù)活動(dòng)相關(guān)的ICs；(ii)基于種子的分析，選擇特定大腦區(qū)域（已知參與特定功能）對(duì)應(yīng)的神經(jīng)信號(hào)作為種子，隨后分析該種子到其他腦區(qū)的連接模式，以檢索該網(wǎng)絡(luò)；(iii)社區(qū)檢測(cè)方法，對(duì)全腦功能網(wǎng)絡(luò)進(jìn)行分析，以識(shí)別群體結(jié)構(gòu)(功能模塊)，其特征是群體之間的聯(lián)系比其他群體之間的聯(lián)系更緊密。

然而，現(xiàn)有的模型尚可以闡明認(rèn)知出現(xiàn)的靜態(tài)和動(dòng)態(tài)網(wǎng)絡(luò)機(jī)制。根據(jù)最近的觀察，SN動(dòng)態(tài)地影響DMN和CEN，以實(shí)現(xiàn)內(nèi)部（自我導(dǎo)向）和外部（目標(biāo)導(dǎo)向）導(dǎo)向行動(dòng)之間的切換，并對(duì)顯著刺激進(jìn)行適當(dāng)?shù)姆磻?yīng)（圖6）。然而，其子系統(tǒng)之間跨多個(gè)時(shí)間尺度的交互模式，特別是那些在任務(wù)域中保持相當(dāng)穩(wěn)定的交互模式與那些表現(xiàn)出更多靈活性的交互模式在很大程度上仍然是未知的。

圖6.三重網(wǎng)絡(luò)模型廣泛用于描述默認(rèn)模式網(wǎng)絡(luò)、突顯網(wǎng)絡(luò)和中央執(zhí)行網(wǎng)絡(luò)之間的動(dòng)態(tài)相互作用。

默認(rèn)模式網(wǎng)絡(luò)(DMN)

DMN是最早也是最突出的大規(guī)模功能網(wǎng)絡(luò)之一。Shulman等人使用PET成像觀察到，當(dāng)被試從事各種視覺任務(wù)時(shí)，與靜息態(tài)相比，許多大腦區(qū)域的活動(dòng)有所下降。這一初步觀察結(jié)果后來在一系列非自我參照的目標(biāo)導(dǎo)向任務(wù)中得到了證實(shí)，后續(xù)研究表明，這種下降不是由于不受控制的實(shí)驗(yàn)因素導(dǎo)致的靜息態(tài)下各自區(qū)域的激活，而是由于大腦的內(nèi)在活動(dòng)。目前關(guān)于DMN的知識(shí)還指出，該網(wǎng)絡(luò)在塑造需要自我參照處理（如未來計(jì)劃，記憶加工和社會(huì)規(guī)劃）的任務(wù)相關(guān)大腦活動(dòng)方面具有突出作用，從而創(chuàng)建了心理理論和道德決策。此外，自從它在靜息態(tài)實(shí)驗(yàn)中被發(fā)現(xiàn)以來，就與自發(fā)的認(rèn)知功能有關(guān)，例如走神，自我反思和其他與刺激無關(guān)的想法。這些功能中的每一個(gè)都與子系統(tǒng)和DMN中離散腦區(qū)的神經(jīng)活動(dòng)有關(guān)。

DMN分為三個(gè)子系統(tǒng)：腹內(nèi)側(cè)前額葉皮層(vmPFC)、背內(nèi)側(cè)前額葉皮層(DMPFC)；以及后扣帶皮層(PCC)、內(nèi)側(cè)楔前葉(MPC)；和外側(cè)頂葉皮層(LPC)組成的子系統(tǒng)（圖5和6）。另一個(gè)通常與DMN相關(guān)的區(qū)域是內(nèi)側(cè)顳葉(MTL)的內(nèi)嗅皮層。由vmPFC組成的子系統(tǒng)說明了DMN所起的動(dòng)態(tài)平衡作用，因?yàn)樗驯蛔C明連接負(fù)責(zé)外源性感覺信息處理的區(qū)域(如OFC)，并將信息傳遞到與社會(huì)行為和情緒控制相關(guān)的結(jié)構(gòu)，如下丘腦和杏仁核。總而言之，該子系統(tǒng)的功能反映了DMN在集中注意力和情緒狀態(tài)之間的連接作用。DMPFC子系統(tǒng)主要與自我參照活動(dòng)有關(guān)，例如喜歡/不喜歡情緒效價(jià)刺激。DMPFC和vMPFC中的活動(dòng)呈負(fù)相關(guān)，DMPFC的增加與vMPFC的減少有關(guān)，這似乎證實(shí)了情緒處理會(huì)因涉及任務(wù)的注意力而減弱的事實(shí)。PCC+MPC+LPC子系統(tǒng)一直與記憶相關(guān)的加工相關(guān)聯(lián)，特別吸引人的是該子系統(tǒng)與海馬形成（包括MTL中的內(nèi)嗅皮層）之間的連接在記憶鞏固中的作用。在這種情況下，研究假設(shè)它們之間連接強(qiáng)度的晝夜變化可能是日常記憶檢索和鞏固的基礎(chǔ)。

總結(jié)現(xiàn)有的證據(jù)，DMN在認(rèn)知過程(包括情緒處理，自我參照活動(dòng)，和檢索之前的經(jīng)驗(yàn))中的廣泛作用，強(qiáng)調(diào)了該網(wǎng)絡(luò)在認(rèn)知健康和疾病中的至關(guān)重要性。雖然DMN的功能子系統(tǒng)可能會(huì)根據(jù)任務(wù)相關(guān)的因素而被顯著地激活，比如情緒元素或自我參照成分的存在或缺失，但是該網(wǎng)絡(luò)從未關(guān)閉。它的活動(dòng)在基線時(shí)是高水平的，根據(jù)特定的任務(wù)，它會(huì)減弱或放大。

大量的腦部疾病與DMN的功能障礙有關(guān)。這些疾病包括AD、自閉癥、注意缺陷多動(dòng)障礙、雙相情感障礙、抑郁癥、癲癇、情緒障礙、帕金森病和創(chuàng)傷后應(yīng)激障礙。然而，關(guān)于DMN的臨床意義，需要指出的是，很少有研究報(bào)告DMN內(nèi)的連通性中斷(主要是神經(jīng)退行性疾病，如AD)，而大多數(shù)研究將疾病與DMN與其他大規(guī)模網(wǎng)絡(luò)(如CEN和SN)之間的不平衡聯(lián)系起來。然而，DMN在清醒鎮(zhèn)靜下似乎持續(xù)存在，其后扣帶皮層成分的活動(dòng)有局灶性降低。最后，雖然上述大多數(shù)觀察結(jié)果都是基于人類研究，但應(yīng)該注意的是，關(guān)于DMN一般特征的確鑿性證據(jù)也在非人類哺乳動(dòng)物中存在。

突顯網(wǎng)絡(luò)(SN)

SN由一組大腦區(qū)域組成，這些區(qū)域協(xié)同工作，以便人們選擇需要重點(diǎn)關(guān)注的刺激。因此，它在對(duì)突顯的內(nèi)部或外部信息的反應(yīng)中被激活，或在情緒處理過程中被激活。突顯概念本身就是一個(gè)廣泛的概念，從視覺刺激到疼痛、共情和錯(cuò)誤檢測(cè)。SN在Seeley等人的開創(chuàng)性工作中首次被獨(dú)立描述，此前作為一個(gè)任務(wù)正向網(wǎng)絡(luò)，被認(rèn)為是CEN的一部分。其關(guān)鍵節(jié)點(diǎn)位于前島葉皮層(AIC)和背前扣帶皮層(dACC)中，其功能連接已被證明可延伸至丘腦、下丘腦、杏仁核、黑質(zhì)(SuN)/腹側(cè)被蓋區(qū)(VTA)和顳極（圖5和6）。皮層下區(qū)域(杏仁核、SuN和VTA)的激活能夠檢測(cè)情緒和獎(jiǎng)賞顯著性。SN和腹側(cè)注意網(wǎng)絡(luò)(VAN)共享位于AIC的節(jié)點(diǎn)；然而，雖然SN是雙側(cè)的，但VAN被證明具有右半球偏側(cè)化。由于與VAN的重疊以及與CEN共同的幾個(gè)區(qū)域中的共激活，因此對(duì)于SN及其所包含區(qū)域的明確定義沒有普遍的共識(shí)。一些研究人員將SN概念化為注意網(wǎng)絡(luò)的一部分，而另一些研究人員則認(rèn)為這兩個(gè)系統(tǒng)是不同的。

根據(jù)上述三重網(wǎng)絡(luò)模型（圖6），SN被認(rèn)為在DMN(需要內(nèi)部注意時(shí))和CEN(需要目標(biāo)導(dǎo)向注意時(shí))之間切換，并在調(diào)節(jié)大規(guī)模功能網(wǎng)絡(luò)之間的相互作用中起著重要作用。它已被證明是由背側(cè)AIC(dAIC)實(shí)現(xiàn)的(背側(cè)AIC已被證明參與協(xié)調(diào)大腦動(dòng)力學(xué))，并且由于其與CEN和DMN的密集傳出連接，因此可能充當(dāng)因果影響(輸出)中樞。此外，越來越多的證據(jù)表明，dAIC可能在多模態(tài)刺激的多模態(tài)整合和突顯檢測(cè)中發(fā)揮重要作用。dAIC的這一特征已通過結(jié)構(gòu)MRI、fMRI的因果連通性建模以及經(jīng)顱磁刺激得到了證實(shí)。

由于其在其他大規(guī)模網(wǎng)絡(luò)之間的中介作用，以及在SN中發(fā)生的刺激加工的多模態(tài)性質(zhì)，突顯加工功能障礙會(huì)導(dǎo)致許多疾病，包括神經(jīng)退行性疾病，神經(jīng)精神病和其他類型的腦部疾病。特別是，島葉皮層的功能障礙受到越來越多的關(guān)注，該區(qū)域的非典型功能連接模式與自閉癥、精神分裂癥和癡呆的異常突顯加工有關(guān)?？傮w而言，這種發(fā)生在SN中的內(nèi)外突顯刺激的檢測(cè)和映射的改變對(duì)自我監(jiān)測(cè)和認(rèn)知都有顯著的影響。

SN也被認(rèn)為是疼痛整合的重要系統(tǒng)，AI和前扣帶皮層(ACC)位于子網(wǎng)絡(luò)的中心，該子網(wǎng)絡(luò)整合了關(guān)于即將發(fā)生刺激的重要性和顯著性信息。因此，關(guān)于有害/無害刺激的感知決策受到SN加工的影響，導(dǎo)致疼痛知覺依賴于情境。此外，在成癮中觀察到SN和DMN之間的連通性顯著降低以及SN內(nèi)連通性降低。SN中的多個(gè)節(jié)點(diǎn)，包括AI，也包括已知參與多巴胺能通路的區(qū)域，如SuN和VTA，一方面似乎在將內(nèi)感受性身體狀態(tài)信息整合到連貫的情緒感知中發(fā)揮著重要作用，另一方面，也在增加歸因于線索的突顯性方面發(fā)揮著重要作用。

大量的研究也強(qiáng)調(diào)了SN在健康大腦認(rèn)知過程中的作用。舉幾個(gè)例子，最近一項(xiàng)涉及圖論指標(biāo)的研究顯示，隨著認(rèn)知負(fù)荷的增加，SN和CEN中的功能連接顯著增加，而DMN中的功能連接顯著減少。此外，由于錯(cuò)誤往往在正常的認(rèn)知行為中很突出，最近的研究調(diào)查了大腦的錯(cuò)誤監(jiān)測(cè)系統(tǒng)與SN之間的聯(lián)系。研究結(jié)果發(fā)現(xiàn)，源于AI的加工可以檢測(cè)錯(cuò)誤信號(hào)并將其傳遞給ACC，然后以前饋方式傳遞給感覺運(yùn)動(dòng)區(qū)域。

中央執(zhí)行網(wǎng)絡(luò)(CEN)

CEN由一組額頂區(qū)域組成，主要包括背外側(cè)前額葉皮層(dlPFC)，外側(cè)后頂葉皮層(lPPC)和頂內(nèi)溝(IPS)。其他最常被報(bào)告為CEN一部分的腦區(qū)域包括dACC、額蓋/AI(fO/AI)、腹外側(cè)和喙外側(cè)前額葉皮層(vlPFC和rlPFC)、前下頂葉(aiPL)和后下側(cè)顳葉（圖5和6）。CEN與目標(biāo)導(dǎo)向行為有關(guān)，并被證明參與高階認(rèn)知過程，如外部導(dǎo)向的注意力，維持和操縱工作記憶信息，基于規(guī)則的問題解決和決策。CEN對(duì)來自SN的顯著輸入施加控制，在上述三重網(wǎng)絡(luò)模型中，有人認(rèn)為CEN通過直接的因果神經(jīng)機(jī)制對(duì)DMN進(jìn)行負(fù)調(diào)節(jié)。由于激活區(qū)域有很大的重疊，它最初被認(rèn)為與SN一起形成一個(gè)單一的網(wǎng)絡(luò)。然而，CEN的獨(dú)特功能通過其與執(zhí)行控制任務(wù)表現(xiàn)的相關(guān)性所證實(shí)。此外，CEN中的節(jié)點(diǎn)在各種認(rèn)知要求較高的任務(wù)中表現(xiàn)出強(qiáng)大的內(nèi)部功能連接。

CEN的缺陷與一系列疾病有關(guān)，特別是與工作記憶有關(guān)。這些缺陷主要由三個(gè)因素造成：(i)CEN內(nèi)部的連通性降低，(ii)在非CEN節(jié)點(diǎn)相關(guān)的任務(wù)上錯(cuò)誤地激活，或(iii)來自SN的關(guān)于任務(wù)相關(guān)的突顯刺激的通信受損。CEN受損與精神分裂癥中觀察到的紊亂有關(guān)，主要集中在與SN重疊的dlPFC和PPC區(qū)域。從這個(gè)意義上說，大量的研究調(diào)查了這兩個(gè)區(qū)域在其他神經(jīng)和精神疾病中的作用。然而，基于網(wǎng)絡(luò)表征方面的證據(jù)表明主要集中在SN和DMN上。

在涉及健康認(rèn)知功能方面，一些研究指出，健康成年人的CEN和DMN的活動(dòng)呈負(fù)相關(guān)。此外，在一項(xiàng)觀察兒童、青少年和成人的縱向研究中，CEN網(wǎng)絡(luò)中功能連接強(qiáng)度的增加和DMN分離程度的增加（就PCC和CEN之間的聯(lián)系而言）與更高的智力有關(guān)。

注意網(wǎng)絡(luò)

在大規(guī)模功能網(wǎng)絡(luò)的背景下，引起廣泛興趣的另一個(gè)領(lǐng)域是注意過程和潛在的神經(jīng)機(jī)制。目前用于研究注意網(wǎng)絡(luò)的兩個(gè)最有影響力的模型是Posner和Petersen在90年代初提出的三個(gè)子系統(tǒng)模型以及Corbetta和Shulman提出的雙網(wǎng)絡(luò)模型。

三個(gè)子系統(tǒng)模型已被證明對(duì)應(yīng)于不同腦區(qū)的協(xié)同功能活動(dòng)：(i)警報(bào)子系統(tǒng)，負(fù)責(zé)獲得和維持警覺狀態(tài)和警惕性，它位于腦干藍(lán)斑部位，通過去甲腎上腺素通路投射到額葉和頂葉皮層區(qū)域；(ii)定向子系統(tǒng)，將顯性和隱形注意力引導(dǎo)到刺激上，位于腹內(nèi)側(cè)額葉皮層(vFC)、顳頂交界處(TPJ)、額葉視區(qū)(FEF)和頂內(nèi)溝/頂葉上葉(IPS/SPL)；(iii)執(zhí)行控制子系統(tǒng)，它涉及對(duì)目標(biāo)的檢測(cè)，以及為意識(shí)加工檢測(cè)和選擇刺激。該子系統(tǒng)涉及大量區(qū)域，包括ACC、AI和紋狀體（圖7）。

圖7.典型的大腦注意網(wǎng)絡(luò)。

雙網(wǎng)絡(luò)模型定義了兩個(gè)不同的網(wǎng)絡(luò)：(i)背側(cè)注意網(wǎng)絡(luò)(DAN)，它涉及自上而下或目標(biāo)導(dǎo)向的注意（主要是視覺空間），主要在FEF和IPS中，并存在于大腦雙側(cè)組織，以及(ii)腹側(cè)注意網(wǎng)絡(luò)(VAN)，它涉及自下而上的刺激驅(qū)動(dòng)的注意，當(dāng)刺激意外出現(xiàn)時(shí)被激活。VAN位于TPJ和vFC中。

兩個(gè)模型之間存在一定程度的重疊，特別是在三個(gè)子系統(tǒng)模型的定向子系統(tǒng)方面，該模型結(jié)合了來自雙網(wǎng)絡(luò)模型的背側(cè)和腹側(cè)注意網(wǎng)絡(luò)（圖7）。此外，Posner的三個(gè)子系統(tǒng)模型與上述其他大規(guī)模功能網(wǎng)絡(luò)存在很大程度的重疊。具體而言，從它的定義中可以明顯看出，執(zhí)行控制子系統(tǒng)包含了可歸因于SN和CEN的特征。從這個(gè)意義上說，Posner提出的模型概念化范圍更廣泛，但仍然關(guān)注注意的來源，而不是受注意影響的加工功能。

Posner模型中的警報(bào)子系統(tǒng)與注意的持續(xù)警覺有關(guān)，在行為和生理上都被描述為一個(gè)獨(dú)特的注意網(wǎng)絡(luò)。在生理學(xué)上，警報(bào)子系統(tǒng)依賴于腦干喚醒通路。該系統(tǒng)被證明是右側(cè)偏側(cè)化的，投射到右側(cè)額葉和頂葉皮層。注意力缺陷多動(dòng)(ADHD)等障礙包括早期的警覺功能障礙和隨后的執(zhí)行注意力缺陷。

與注意力的相位成分相對(duì)應(yīng)的定向子系統(tǒng)依賴于神經(jīng)遞質(zhì)乙酰膽堿。該系統(tǒng)的主要功能是通過選擇方式或位置來確定感官輸入的優(yōu)先級(jí)，它由兩個(gè)部分分離的網(wǎng)絡(luò)組成。自上而下的背側(cè)網(wǎng)絡(luò)，包括FEF和IPS/SPL中的節(jié)點(diǎn)，與雙注意網(wǎng)絡(luò)模型中的DAN有明顯重疊，主要負(fù)責(zé)視覺空間注意。背側(cè)注意網(wǎng)絡(luò)通常由需要特別注意集中的任務(wù)激活，這涉及到刺激發(fā)生之前的視覺空間線索。該網(wǎng)絡(luò)在外部目標(biāo)導(dǎo)向認(rèn)知過程中被CEN激活，通常被觀察到與DMN反相關(guān)。另一個(gè)腹側(cè)注意網(wǎng)絡(luò)(VAN)是一個(gè)自下而上的定向系統(tǒng)，由TPJ和VFC中的節(jié)點(diǎn)組成（圖7a）。當(dāng)與行為相關(guān)的事件意外發(fā)生時(shí)，此網(wǎng)絡(luò)將被激活，從而打破當(dāng)前的處理重點(diǎn)。VAN主要活躍在右半球，其兩個(gè)核心區(qū)域通常是共激活且存在功能連接的。

Posner模型中的第三個(gè)子系統(tǒng)是執(zhí)行控制子系統(tǒng)，它對(duì)各種任務(wù)中目標(biāo)檢測(cè)和選擇過程中的自發(fā)響應(yīng)提供自上而下的控制。該系統(tǒng)進(jìn)一步分為兩個(gè)獨(dú)立的執(zhí)行控制網(wǎng)絡(luò)：(i)額頂網(wǎng)絡(luò)，與上述定向子網(wǎng)絡(luò)不同，由背側(cè)額葉皮層(dFC)，IPS，IPL，楔前葉和內(nèi)側(cè)扣帶皮層(mCC)內(nèi)的節(jié)點(diǎn)組成；(ii)扣帶回-蓋部網(wǎng)絡(luò)，由前額葉皮層(aPFC)、dACC、AI和fO中的節(jié)點(diǎn)組成（圖7b）。這兩個(gè)系統(tǒng)相對(duì)獨(dú)立地在任務(wù)執(zhí)行期間實(shí)現(xiàn)自上而下的控制。扣帶回-蓋部網(wǎng)絡(luò)和SN在解剖拓?fù)浣Y(jié)構(gòu)方面有很大程度的重疊，一些研究表明它們實(shí)際上是同一個(gè)神經(jīng)網(wǎng)絡(luò)的一部分。許多功能障礙都與執(zhí)行控制系統(tǒng)有關(guān)，包括焦慮、抑郁、精神分裂癥和強(qiáng)迫癥。

總結(jié)

本文回顧了用于描述腦功能網(wǎng)絡(luò)的主要概念和技術(shù)，介紹了有關(guān)大規(guī)模功能網(wǎng)絡(luò)在認(rèn)知中的作用?？梢钥吹?，基于網(wǎng)絡(luò)的腦科學(xué)為在多個(gè)尺度上研究神經(jīng)活動(dòng)提供了一個(gè)框架，它不僅被應(yīng)用于基礎(chǔ)神經(jīng)科學(xué)，而且越來越多地應(yīng)用于臨床和轉(zhuǎn)化研究。網(wǎng)絡(luò)結(jié)構(gòu)存在于大腦的所有組織層面，從細(xì)胞(單個(gè)神經(jīng)元和突觸)到全腦區(qū)域和系統(tǒng)水平。本文將重點(diǎn)放在分析全腦水平及其各個(gè)解剖區(qū)域和功能系統(tǒng)的相互作用的方法上，目的是提供有關(guān)建模步驟的系統(tǒng)觀點(diǎn)，同時(shí)也描述大規(guī)模網(wǎng)絡(luò)組織，這在基于模型的認(rèn)知功能和功能障礙研究中越來越流行。

此外，隨著多模態(tài)神經(jīng)成像方法的日益普及，預(yù)計(jì)多層網(wǎng)絡(luò)方法的使用將成為常態(tài)。例如，同時(shí)獲取的fMRI-EEG提供了有關(guān)不同神經(jīng)生物學(xué)機(jī)制以及高時(shí)空分辨率，多層網(wǎng)絡(luò)是用來解釋這種多模態(tài)、多尺度數(shù)據(jù)的數(shù)學(xué)模型。多層網(wǎng)絡(luò)已在EEG研究中得到了應(yīng)用，它們被用于優(yōu)化描述同時(shí)發(fā)生在不同頻段上的功能相互作用，從而有可能揭示不同神經(jīng)機(jī)制的功能耦合。

另一個(gè)最近的研究趨勢(shì)是整合來自多個(gè)生物尺度的信息，以提供有關(guān)認(rèn)知功能的神經(jīng)生物學(xué)機(jī)制的豐富功能背景。這些方法是由大腦網(wǎng)絡(luò)作為分子系統(tǒng)水平和認(rèn)知/行為水平之間的中間表型觀點(diǎn)所驅(qū)動(dòng)的。因此，同時(shí)對(duì)腦功能網(wǎng)絡(luò)和潛在分子底物的研究有望揭示與基因型-大腦表型相互作用相關(guān)的高級(jí)機(jī)制。

參考文獻(xiàn)（上下滑動(dòng)查看）：

1. Park, H.J., Friston, K.: Structural and functional brain networks: from connections to cognition. Science. 342, 73–89 (2013)

2. Sporns, O., Betzel, R.F.: Modular brain networks. Annu. Rev. Psychol. 67, 613–640 (2016)

3. Bezerianos, A., Dragomir, A., Balomenos, P.: Networks and pathways in systems pharmacology. In: Computational Methods for Processing and Analysis of Biological Pathways, pp.11–46. Springer, Cham (2017)

4. Akay, A., Dragomir, A., Erlandsson, B.E.: Network-based modeling and intelligent data mining of social media for improving care. IEEE J. Biomed. Health Inform. 19, 210–218 (2014)

5. He, B., Yang, L., Wilke, C., Yuan, H.: Electrophysiological imaging of brain activity and connectivity – challenges and opportunities. IEEE Trans. Biomed. Eng. 58, 1918–1931 (2011)

6. Mier, W., Mier, D.: Advantages in functional imaging of the brain. Front. Human Neurosci. 9, 249 (2015)

7. Bassett, D.S., Sporns, O.: Network neuroscience. Nat. Neurosci. 20, 353 (2017)

8. Vu, M.A.T., Adal?, T., Ba, D., Buzsáki, G., Carlson, D., Heller, K., Mayberg, H.S.: A shared vision for machine learning in neuroscience. J. Neurosci. 38, 1601–1607 (2018)

9. Fornito, A., Zalesky, A., Bullmore, E.: Fundamentals of brain network analysis. Academic, Amsterdam (2016)

10. Bressler, S.L., Menon, V., Menon, V.: Large-scale brain networks in cognition: emerging methods and principles. Trends Cogn. Sci. 14, 277–290 (2010)

11. Petersen, S.E., Sporns, O.: Brain networks and cognitive architectures. Neuron. 88, 207–219 (2015)

12. Menon, V.: Large-scale brain networks and psychopathology: a unifying triple network model. Trends Cogn. Sci. 15, 483–506 (2011)

13. Gerstein, G.L., Perkel, D.H.: Simultaneously recorded trains of action potentials: analysis and functional interpretation. Science. 164, 828–830 (1969)

14. Friston, K.J.: Functional and effective connectivity in neuroimaging: a synthesis. Hum. Brain Mapp. 2, 56–78 (1994)

15. Logothetis, N.K.: What we can do and what we cannot do with fMRI. Nature. 453, 869 (2008)

16. Riedl, V., Utz, L., Castrillón, G., Grimmer, T., Rauschecker, J.P., Ploner, M., Sorg, C.:?Metabolic connectivity mapping reveals effective connectivity in the resting human brain.?Proc. Natl. Acad. Sci. 113, 428–433 (2016)

17. Kameyama, M., Murakami, K., Jinzaki, M.: Comparison of [15O] H2O positron emission?tomography and functional magnetic resonance imaging in activation studies. World J. Nucl.Med. 15, 3 (2016)

18. Bradley, A., Yao, J., Dewald, J., Richter, C.P.: Evaluation of electroencephalography?source localization algorithms with multiple cortical sources. PLoS One. 11, 0147266?(2016)

19. Ferrari, M., Quaresima, V.: A brief review on the history of human functional near-infrared?spectroscopy (fNIRS) development and fields of application. NeuroImage. 63, 921–935?(2012)

20. Scarapicchia, V., Brown, C., Mayo, C., Gawryluk, J.R.: Functional magnetic resonance?imaging and functional near-infrared spectroscopy: insights from combined recording studies.?Front. Hum. Neurosci. 11, 419 (2017)

21. Mash, L.E., Reiter, M.A., Linke, A.C., Townsend, J., Müller, R.A.: Multimodal approaches?to functional connectivity in autism spectrum disorders: an integrative perspective. Dev.?Neurobiol. 78, 456–473 (2018)

22. Lei, X., Xu, P., Luo, C., Zhao, J., Zhou, D., Yao, D.: fMRI functional networks for EEG?source imaging. Hum. Brain Mapp. 32, 1141–1160 (2011)

23. Lei, X., Ostwald, D., Hu, J.: Multimodal functional network connectivity: an EEG-fMRI?fusion in network space. PLoS One. 6, e24642 (2011)

24. Calhoun, V.D., Sui, J.: Multimodal fusion of brain imaging data: a key to finding the missing?link (s) in complex mental illness. In: Biological Psychiatry: Cognitive Neuroscience and?Neuroimaging, pp. 230–244 (2016)

25. Moosmann, M., Eichele, T., Nordby, H., Hugdahl, K., Calhoun, V.D.: Joint independent component analysis for simultaneous EEG-fMRI: principle and simulation. Int. J. Psychophysiol.?67, 212–221 (2008)

26. Keles, H.O., Barbour, R.L., Aghajani, H., Omurtag, A.: Multimodality mapping approach for?evolving functional brain connectivity patterns: A fNIRS-EEG study. In: Biomedical Optics,?pp. 5–2. Optical Society of America (2014)

27. Buccino, A.P., Keles, H.O., Omurtag, A.: Hybrid EEG-fNIRS asynchronous brain-computer?interface for multiple motor tasks. PLoS One. 11, 0146610 (2016)

28. Omurtag, A., Aghajani, H., Keles, H.O.: Decoding human mental states by whole-head EEG+?FNIRS during category fluency task performance. J. Neural Eng. 14, 066003 (2017)

29. Aghajani, H., Garbey, M., Omurtag, A.: Measuring mental workload with EEG+ fNIRS.

Front. Hum. Neurosci. 11, 359 (2017)

30. Li, R., Nguyen, T., Potter, T., Zhang, Y.: Dynamic cortical connectivity alterations associated?with Alzheimer’s disease: an EEG and fNIRS integration study. NeuroImage: Clin. 21,?101622 (2019)

31. Cavaliere, C., Kandeepan, S., Aiello, M., Ribeiro de Paula, D., Marchitelli, R., Fiorenza, S.,?Loreto, V.: Multimodal neuroimaging approach to variability of functional connectivity in?disorders of consciousness: a PET/MRI pilot study. Front. Neurol. 9, 861 (2018)

32. Shah, N., Arrubla, J., Rajkumar, R., Farrher, E., Mauler, J., Kops, E.R., Sripad, P.: Multimodal?fingerprints of resting state networks as assessed by simultaneous trimodal MR-PET-EEG?imaging. Sci. Rep. 7, 6452 (2017)

33. Rajkumar, R., Farrher, E., Mauler, J., Sripad, P., Régio Brambilla, C., Rota Kops, E., Herzog,?H.: Comparison of EEG microstates with resting state fMRI and FDG-PET measures in?the default mode network via simultaneously recorded trimodal (PET/MR/EEG) data. Hum.?Brain Mapp. 1–12 (2018)

34. Majewska, A.K., Sur, M.: Plasticity and specificity of cortical processing networks. Trends?Neurosci. 29, 323–329 (2006)

35. Power, J.D., Fair, D.A., Schlaggar, B.L., Petersen, S.E.: The development of human brain?functional networks. Neuron. 67, 735–748 (2010)

36. Dimitriadis, S.I., Salis, C., Tarnanas, I., Linden, D.E.: Topological filtering of dynamic brain?functional networks unfolds informative chronnectomics: a novel data-driven thresholding?scheme based on orthogonal minimal spanning trees (OMSTs). Front. Neuroinform. 11, 28?(2017)

37. Dodel, S., Herrmann, J.M., Geisel, T.: Functional connectivity by?cross-correlation clustering.?Neurocomputing. 44, 1065–1070 (2002)

38. de Reus, M.A., van den Heuvel, M.P.: The parcellation-based connectome: limitations and?extensions. NeuroImage. 80, 397–404 (2013)

39. Stanley, M.L., Moussa, M.N., Paolini, B.M., Lyday, R.G., Burdette, J.H., Laurienti, P.J.:?Defining nodes in complex brain networks. Front. Comput. Neurosci. 7, 169 (2013)

40. De Vico Fallani, F., Richiardi, J., Chavez, M., Achard, S.: Graph analysis of brain functional?networks: practical issues in translational neuroscience. Philos. Trans. R. Soc. B Biol. Sci.?369, 20130521 (2014)

41. Bullmore, E., Sporns, O.: Complex brain networks: graph theoretical analysis of structural?and functional systems. Nat. Rev. Neurosci. 10, 186 (2009)

42. Engel, A.K., Gerloff, C., Hilgetag, C.C., Nolte, G.: Intrinsic coupling modes: multiscale?interactions in ongoing brain activity. Neuron. 80, 867–886 (2013)

43. Rolls, E.T., Joliot, M., Tzourio-Mazoyer, N.: Implementation of a new parcellation of the?orbitofrontal cortex in the automated anatomical labeling atlas. NeuroImage. 122, 1–5 (2015)

44. Rorden, C., Brett, M.: Stereotaxic display of brain lesions. Behav. Neurol. 12, 191–200 (2000)

45. Shattuck, D.W.: Construction of a 3D probabilistic atlas of human cortical structures.?NeuroImage. 39, 1064–1080 (2008)

46. Arslan, S., Ktena, S.I., Makropoulos, A., Robinson, E.C., Rueckert, D., Parisot, S.: Human?brain mapping: a systematic comparison of parcellation methods for the human cerebral?cortex. NeuroImage. 170, 5–30 (2018)

47. Menon, V.: Large-scale brain networks in cognition: emerging principles. Anal. Funct. Largescale Brain Netw. 14, 43–54 (2010)

48. Duff, E.P., Trachtenberg, A.J., Mackay, C.E., Howard, M.A., Wilson, F., Smith, S.M.,?Woolrich, M.W.: Task-driven ICA feature generation for accurate and interpretable prediction?using fMRI. NeuroImage. 60, 189–203 (2012)

49. Bassett, D.: Human brain networks in health and disease. Curr. Opin. Neurol. 22, 340 (2009)

50. Carvalhaes, C., de Barros, J.A.: The surface Laplacian technique in EEG: theory and methods.?Int. J. Psychophysiol. 97, 174–188 (2015)

51. Stam, C.J., Nolte, G., Daffertshofer, A.: Phase lag index: assessment of functional connectivity from multi channel EEG and MEG with diminished bias from common sources. Hum.?Brain Mapp. 28, 1178–1193 (2007)

52. Nolte, G., Bai, O., Wheaton, L., Mari, Z., Vorbach, S., Hallett, M.: Identifying true brain?interaction from EEG data using the imaginary part of coherency. Clin. Neurophysiol. 115,?2292–2307 (2004)

53. Becker, H., Albera, L., Comon, P., Gribonval, R., Wendling, F., Merlet, I.: Brain-source?imaging: from sparse to tensor models. IEEE Signal Process. Mag. 32, 100–112 (2015)

54. De Domenico, M.: Multilayer modeling and analysis of human brain networks. Giga Sci. 6,?004 (2017)

55. Bose, R., Ashutosh, K., Li, J., Dragomir, A., Thakor, N., Bezerianos, A.: A multilayer network?approach for studying creative ideation from EEG. In: Lecture notes in artificial intelligence,?pp. 294–303. Springer, Cham (2018)

56. Wang, H.E., Bénar, C.G., Quilichini, P.P., Friston, K.J., Jirsa, V.K., Bernard, C.: A systematic?framework for functional connectivity measures. Front. Neurosci. 8, 405 (2014)

57. Bastos, A.M., Schoffelen, J.M.: A tutorial review of functional connectivity analysis methods?and their interpretational pitfalls. Front. Syst. Neurosci. 9, 175 (2016)

58. Ploner, M., Sorg, C., Gross, J.: Brain rhythms of pain. Trends Cogn. Sci. 21, 100–110 (2017)

59. Liu, C.C., Ohara, S., Franaszczuk, P.J., Crone, N.E., Lenz, F.A.: Attention to painful?cutaneous laser stimuli evokes directed functional interactions between human sensory and?modulatory pain-related cortical areas. Pain. 152, 2781–2791 (2011)

60. Palva, J.M., Monto, S., Kulashekhar, S., Palva, S.: Neuronal synchrony reveals working?memory networks and predicts individual memory capacity. Proc. Natl. Acad. Sci. 107, 7580–7585 (2010)

61. Seth, A.K., Barrett, A.B., Barnett, L.: Granger causality analysis in neuroscience and?neuroimaging. J. Neurosci. 35, 3293–3297 (2015)

62. Vicente, R., Wibral, M., Lindner, M., Pipa, G.: Transfer entropy – a model-free measure of?effective connectivity for the neurosciences. J. Comput. Neurosci. 30, 45–67 (2011)

63. Srinivasan, R., Winter, W.R., Ding, J., Nunez, P.L.: EEG and MEG coherence: measures?of functional connectivity at distinct spatial scales of neocortical dynamics. J. Neurosci.?Methods. 166, 41–52 (2007)

64. Lachaux, J.P., Rodriguez, E., Martinerie, J., Varela, F.J.: Measuring phase synchrony in brain?signals. Hum. Brain Mapp. 8, 194–208 (1999)

65. Vinck, M., Oostenveld, R., Van Wingerden, M., Battaglia, F., Pennartz, C.M.: An improved?index of phase-synchronization for electrophysiological data in the presence of volumeconduction, noise and sample-size bias. NeuroImage. 55, 1548–1565 (2011)

66. Canolty, R.T., Knight, R.T.: The functional role of cross-frequency coupling. Trends Cogn.?Sci. 14, 506–515 (2010) 84

67. Bose, R., Dragomir, A., Taya, F., Thakor, N., Bezerianos, A.: Role of cross-frequency?coupling in the frontal and parieto-occipital subnetwork during creative ideation. In: 9thInternational IEEE/EMBS Conference Neural Engineering, pp. 294–303. Springer, Cham?(2019)

68. Blinowska, K.J.: Review of the methods of determination of directed connectivity from?multichannel data. Med. Biol. Eng. Comput. 49, 521–529 (2011)

69. Baccalá, L.A., Sameshima, K.: Partial directed coherence: a new concept in neural structure?determination. Biol. Cybern. 84, 463–474 (2001)

70. Hirschberger, M., Qi, Y., Steuer, R.E.: Randomly generating portfolio-selection covariance?matrices with specified distributional characteristics. Eur. J. Oper. Res. 177, 1610–1625?(2007)

71. Van Wijk, B.C., Stam, C.J., Daffertshofer, A.: Comparing brain networks of different size and?connectivity density using graph theory. PLoS One. 5, 13701 (2010)

72. Kleckner, I.R., Zhang, J., Touroutoglou, A., Chanes, L., Xia, C., Simmons, W.K., Barrett, L.F.:?Evidence for a large-scale brain system supporting allostasis and interoception in humans.?Nat. Hum. Behav. 1, 0069 (2017)

73. Miller, E.K., Cohen, J.D.: An integrative theory of prefrontal cortex function. Annu. Rev.?Neurosci. 24, 167–202 (2001)

74. Greicius, M.D., Krasnow, B., Reiss, A.L., Menon, V.: Functional connectivity in the resting?brain: a network analysis of the default mode hypothesis. Proc. Natl. Acad. Sci. 100, 253–258?(2003)

75. Uddin, L.Q.: Salience processing and insular cortical function and dysfunction. Nat. Rev.?Neurosci. 16, 55 (2015)

76. Raichle, M.E.: Two views of brain function. Trends Cogn. Sci. 14, 180–190 (2010)

77. Shulman, G.L., Fiez, J.A., Corbetta, M., Buckner, R.L., Miezin, F.M., Raichle, M.E., Petersen,?S.E.: Common blood flow changes across visual tasks: II. Decreases in cerebral cortex. J.?Cogn. Neurosci. 9, 648–663 (1997)

78. Andrews-Hanna, J.R.: The brain’s default network and its adaptive role in internal mentation.?Neuroscientist. 18, 251–270 (2012)

79. Shannon, B.J., Dosenbach, R.A., Su, Y., Vlassenko, A.G., Larson-Prior, L.J., Nolan, T.S.,?Raichle, M.E.: Morning-evening variation in human brain metabolism and memory circuits.?J. Neurophysiol. 109, 1444–1456 (2012)

80. Broyd, S.J., Demanuele, C., Debener, S., Helps, S.K., James, C.J., Sonuga-Barke, E.J.:?Default-mode brain dysfunction in mental disorders: a systematic review. Neurosci. Biobehav.?Rev. 33, 279–296 (2009)

81. Mohan, A., Roberto, A.J., Mohan, A., Lorenzo, A., Jones, K., Carney, M.J., Lapidus, K.A.:?Focus: the aging brain: the significance of the default mode network (DMN) in neurological?and neuropsychiatric disorders: a review. Yale J. Biol. Med. 89, 49 (2016)

82. Uddin, L.Q.: Salience network of the human brain. Academic, Amsterdam (2016)

83. Seeley, W.W., Menon, V., Schatzberg, A.F., Keller, J., Glover, G.H., Kenna, H.: Dissociable?intrinsic connectivity networks for salience processing and executive control. J. Neurosci. 27,?2349–2356 (2007)

84. Sridharan, D., Levitin, D.J., Menon, V.: A critical role for the right fronto-insular cortex in?switching between central-executive and default-mode networks. Proc. Natl. Acad. Sci. 105,?12569–12574 (2008)

85. Stein, M.B.: Increased amygdala and insula activation during emotion processing in anxietyprone subjects. Am. J. Psychiatr. 164, 318–327 (2007)

86. Manoliu, A., Riedl, V., Zherdin, A., Mühlau, M., Schwerth?ffer, D., Scherr, M., Wohlschl?ger,?A.M.: Aberrant dependence of default mode/central executive network interactions on?anterior insular salience network activity in schizophrenia. Schizophr. Bull. 40, 428–437?(2013)

87. Wiech, K., Lin, C.S., Brodersen, K.H., Bingel, U., Ploner, M., Tracey, I.: Anterior insula?integrates information about salience into perceptual decisions about pain. J. Neurosci. 30,?16324–16331 (2010)

88. Liang, X., He, Y., Salmeron, B.J., Gu, H., Stein, E.A., Yang, Y.: Interactions between the?salience and default-mode networks are disrupted in cocaine addiction. J. Neurosci. 35, 8081–8090 (2015)

89. Scott, D., Hiroi, N.: Deconstructing craving: dissociable cortical control of cue reactivity in?nicotine addiction. Biol. Psychiatry. 69, 1052–1059 (2011)

90. Liang, X., Zou, Q., He, Y., Yang, Y.: Topologically reorganized connectivity architecture of?default-mode, executive-control, and salience networks across working memory task loads.?Cereb. Cortex. 26, 1501–1511 (2015)

91. Ham, T., Leff, A., de Boissezon, X., Joffe, A., Sharp, D.J.: Cognitive control and the salience?network: an investigation of error processing and effective connectivity. J. Neurosci. 33,?7091–7098 (2013)

92. Andrews-Hanna, J.R., Smallwood, J., Spreng, R.N.: The default network and self-generated?thought: component processes, dynamic control, and clinical relevance. Ann. N. Y. Acad. Sci.?1316, 29–52 (2014)

93. Sherman, L.E., Rudie, J.D., Pfeifer, J.H., Masten, C.L., McNealy, K., Dapretto, M.: Development of the default mode and central executive networks across early adolescence: a?longitudinal study. Dev. Cogn. Neurosci. 10, 148–159 (2014)

94. Posner, M.I., Petersen, S.E.: The attention system of the human brain. Annu. Rev. Neurosci.?13, 25–42 (1990)

95. Corbetta, M., Shulman, G.L.: Control of goal-directed and stimulus-driven attention in the?brain. Nat. Rev. Neurosci. 3, 201–215 (2002)

96. Petersen, S.E., Posner, M.I.: The attention system of the human brain: 20 years after. Annu.?Rev. Neurosci. 35, 73–89 (2012)

97. Posner, M.I., Rothbart, M.K., Ghassemzadeh, H.: Focus: attention science: restoring attention?networks. Yale J. Biol. Med. 92, 139 (2019)

98. Spreng, R.N., Sepulcre, J., Turner, G.R., Stevens, W.D., Schacter, D.L.: Intrinsic architecture?underlying the relations among the default, dorsal attention, and frontoparietal control?networks of the human brain. J. Cogn. Neurosci. 25, 74–86 (2012)

99. Farrant, K., Uddin, L.Q.: Asymmetric development of dorsal and ventral attention networks?in the human brain. Dev. Cogn. Neurosci. 12, 165–174 (2015)

100. Posner, M.I.: Imaging attention networks. NeuroImage. 61, 450–456 (2012)

101. Deslauriers, J., Ansado, J., Marrelec, G., Provost, J.S., Joanette, Y.: Increase of posterior?connectivity in aging within the ventral attention network: a functional connectivity analysis?using independent component analysis. Brain Res. 1657, 288–296 (2017)

102. Block, S.R., King, A.P., Sripada, R.K., Weissman, D.H., Welsh, R., Liberzon, I.: Behavioral?and neural correlates of disrupted orienting attention in posttraumatic stress disorder. Cogn.?Affect. Behav. Neurosci. 17, 422–436 (2017)

103. Lin, P., Yang, Y., Gao, J., De Pisapia, N., Ge, S., Wang, X., Niu, C.: Dynamic default mode?network across different brain states. Sci. Rep. 7, 46088 (2017)

104. Bola, M., Sabel, B.A.: Dynamic reorganization of brain functional networks during cognition.?NeuroImage. 114, 398–413 (2015)

105. Dragomir, A., Vrahatis, A.G., Bezerianos, A.: A network-based perspective in Alzheimer’s?disease: current state and an integrative framework. IEEE J. Biomed. Health Inform. 23, 14–25 (2019)

106. Jonas, E., Kording, K.P.: Could a neuroscientist understand a microprocessor? PLoS Comput.?Biol. 13, 1005268 (2017)

小伙伴們點(diǎn)個(gè)“在看”，加

(星標(biāo))關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～