導(dǎo)讀

在系統(tǒng)水平上理解人腦活動(dòng)的組織原則仍然是網(wǎng)絡(luò)神經(jīng)科學(xué)的主要挑戰(zhàn)之一。在這里，作者介紹了一種基于圖學(xué)習(xí)的完全數(shù)據(jù)驅(qū)動(dòng)的方法，以從區(qū)域平均時(shí)間軸中提取有意義的重復(fù)網(wǎng)絡(luò)模式。作者使用了圖拉普拉斯混合模型(GLMM)，這是一個(gè)生成模型，將功能數(shù)據(jù)視為在多個(gè)基礎(chǔ)圖形上表達(dá)的信號(hào)集合。通過利用腦區(qū)活動(dòng)之間的協(xié)方差，可以在不利用結(jié)構(gòu)信息的情況下進(jìn)行學(xué)習(xí)。為了驗(yàn)證該技術(shù)，首先將其應(yīng)用于已知實(shí)驗(yàn)范式的任務(wù)fMRI中。結(jié)果發(fā)現(xiàn)每個(gè)圖形在每個(gè)時(shí)間點(diǎn)出現(xiàn)的概率與任務(wù)時(shí)間一致，而任務(wù)的每個(gè)時(shí)期(epoch)相關(guān)空間模式則與之前使用經(jīng)典回歸分析建立的激活模式一致。進(jìn)一步將該技術(shù)應(yīng)用于靜息態(tài)數(shù)據(jù)，從而提取與已知大腦功能激活模式相對(duì)應(yīng)的圖形。GLMM能夠完全從功能活動(dòng)中學(xué)習(xí)圖形，在實(shí)踐中，這些活動(dòng)顯示了與結(jié)構(gòu)連接組的高度相似性。在不同任務(wù)和靜息態(tài)數(shù)據(jù)中，默認(rèn)模式網(wǎng)絡(luò)(DMN)可以由該算法捕獲。因此，作者將這個(gè)網(wǎng)絡(luò)內(nèi)部所對(duì)應(yīng)的狀態(tài)和結(jié)構(gòu)進(jìn)行了比較。總的來說，這一方法使我們?cè)诓恍枰Y(jié)構(gòu)連接組信息的情況下，推斷出相關(guān)的大腦功能網(wǎng)絡(luò)。此外，本研究克服了時(shí)間序列窗口化的局限性，將整個(gè)功能信號(hào)反饋給GLMM，并忽略對(duì)信號(hào)子部分的關(guān)注。
?

1.引言

功能性磁共振成像(fMRI)是探測人腦功能結(jié)構(gòu)的獨(dú)特工具。具體來說，在靜息態(tài)(RS)期間，雖然沒有任務(wù)或外部刺激，但血氧水平依賴(BOLD)信號(hào)的自發(fā)波動(dòng)在腦區(qū)之間是同步的。在健康人群和臨床人群中已經(jīng)發(fā)現(xiàn)了一系列功能網(wǎng)絡(luò)。這些功能網(wǎng)絡(luò)包括感覺區(qū)域和更高級(jí)的認(rèn)知區(qū)域，如默認(rèn)模式網(wǎng)絡(luò)(DMN)，通常在外部導(dǎo)向任務(wù)中顯示活動(dòng)減少，而在內(nèi)部導(dǎo)向任務(wù)中變得更加活躍。對(duì)了解人腦內(nèi)在功能組織的興趣推動(dòng)了許多新方法來處理RS。傳統(tǒng)功能連接(FC)通過測量區(qū)域平均時(shí)間序列對(duì)之間的皮爾遜相關(guān)性構(gòu)成一個(gè)單一的全腦功能連接組。因此，F(xiàn)C是使用全RS掃描進(jìn)行計(jì)算，其本質(zhì)上是假設(shè)一個(gè)“靜止”的關(guān)系，但也已經(jīng)提出了一些“動(dòng)態(tài)”的擴(kuò)展，承認(rèn)FC的時(shí)間波動(dòng)。其中一種常見方法是滑動(dòng)窗口技術(shù)，將時(shí)間過程分割成時(shí)間窗口，這樣就可以得到一個(gè)隨時(shí)間變化的FC矩陣。然后，通過圖譜指標(biāo)，或降維方法，如奇異值分解(SVD)，k均值聚類，或分層聚類，進(jìn)一步分析，提取最相關(guān)的大腦模式。FC是腦區(qū)之間互動(dòng)活動(dòng)的特征，這些動(dòng)態(tài)發(fā)生的FC模式的時(shí)間尺度受到時(shí)間窗口長度的限制，空間特異性則受到FC性質(zhì)限制。因此，貝葉斯和概率方法是從全腦數(shù)據(jù)中提取重復(fù)活動(dòng)模式較好的例子。在神經(jīng)影像學(xué)中，已對(duì)這些方法進(jìn)行了探索，目的是應(yīng)用無監(jiān)督學(xué)習(xí)來估計(jì)不同的隱藏時(shí)間狀態(tài)，例如，用隱馬爾可夫模型(HMM)以進(jìn)行激活網(wǎng)絡(luò)分析。雖然動(dòng)態(tài)FC模式是通過觀察二階統(tǒng)計(jì)的波動(dòng)（即相關(guān)性）產(chǎn)生，但存在另一種情況，即基于瞬時(shí)活動(dòng)的大腦狀態(tài)可以獲得更短的時(shí)間尺度，直接解釋經(jīng)驗(yàn)性的BOLD時(shí)間過程。作者提出了一個(gè)新的框架來估計(jì)多個(gè)功能狀態(tài)，使用最近引入的基于貝葉斯的生成模型，即圖拉普拉斯混合模型(GLMM)，其適用于在不同圖中表達(dá)的混合信號(hào)。為從數(shù)據(jù)中推斷出有意義的圖結(jié)構(gòu)，近期提出幾種圖學(xué)習(xí)技術(shù)。由于這些方法的即時(shí)性，消除了關(guān)鍵參數(shù)，如窗口長度的選擇。圖學(xué)習(xí)表示數(shù)據(jù)結(jié)構(gòu)的一般方法始于Dong等人(2016)，他主要研究圖拉普拉斯矩陣推斷，它增強(qiáng)了推斷圖的數(shù)據(jù)平滑性。使用更有效的解決方案，基于字典的方法假設(shè)信號(hào)可以建模為局部圖字典原子的稀疏組合。多圖推理方法包括時(shí)變圖工作，其中時(shí)間信號(hào)反映了幾個(gè)圖的結(jié)構(gòu)，每個(gè)圖在預(yù)先定義的時(shí)間段都是活躍的。Gan等人(2019)通過貝葉斯先驗(yàn)提出，所有推斷圖的稀疏模式應(yīng)該是相似的。上述工作要么只關(guān)注推斷一個(gè)圖，要么已經(jīng)為每個(gè)需要推斷的圖預(yù)設(shè)了一組信號(hào)。這種強(qiáng)烈的假設(shè)在RS fMRI數(shù)據(jù)中是不現(xiàn)實(shí)的，因?yàn)樵谶@些數(shù)據(jù)中已存在大量的動(dòng)態(tài)功能網(wǎng)絡(luò)。通過訴諸GLMM，同時(shí)學(xué)習(xí)多個(gè)圖結(jié)構(gòu)（由圖拉普拉斯矩陣表示），并分別學(xué)習(xí)節(jié)點(diǎn)激活模式。此外，結(jié)合這兩個(gè)要素，將大腦信號(hào)分解成具有一定概率的簇。這三個(gè)要素共同構(gòu)成了這里所說的狀態(tài)(state)。有趣的是，當(dāng)作者用任務(wù)fMRI數(shù)據(jù)驗(yàn)證這種方法時(shí)，觀察到的概率反映了實(shí)驗(yàn)范式各階段的動(dòng)態(tài)，盡管這些對(duì)該方法來說仍然未知。與其他HMM框架不同，這里既沒有馬爾科夫假設(shè)，也沒有對(duì)時(shí)間軸進(jìn)行任何約束。通過更加靈活的處理，仍然能夠捕捉到有意義的動(dòng)態(tài)。作者還發(fā)現(xiàn)，提取的狀態(tài)包括與先前觀察到涉及相應(yīng)任務(wù)的區(qū)域一致的腦區(qū)。然后，將GLMM應(yīng)用于RS數(shù)據(jù)，并獲得了支配自發(fā)互動(dòng)腦區(qū)最普遍的狀態(tài)?？偟膩碚f，該方法使研究者們能夠重新審視大腦功能和基礎(chǔ)結(jié)構(gòu)之間的關(guān)系這一神經(jīng)科學(xué)的基本問題。由FC估計(jì)結(jié)構(gòu)連接的傳統(tǒng)方法，沒有考慮大腦活動(dòng)的波動(dòng)，因此，結(jié)構(gòu)-功能聯(lián)系也隨時(shí)間推移進(jìn)行不同探索。因此，本研究表明，預(yù)估的圖拉普拉斯矩陣顯示了與SC的相似性。此外，在所有任務(wù)中，以及RS中，最明顯的大腦模式始終是默認(rèn)模式網(wǎng)絡(luò)(DMN)。不同研究試圖捕捉DMN在不同神經(jīng)條件下的差異。這就是為什么在所有任務(wù)范式和靜息態(tài)下的休息時(shí)段中，作者最終將注意力集中在DMN模式估計(jì)的異同上。由此產(chǎn)生的問題是，產(chǎn)生各種DMN圖的連接結(jié)構(gòu)的差異如何與大腦的基本解剖結(jié)構(gòu)相關(guān)。最后，作者利用相異性得分來衡量認(rèn)知關(guān)聯(lián)的水平：得分越相異，越表明該網(wǎng)絡(luò)屬于更高的認(rèn)知水平任務(wù)，與經(jīng)典皮爾遜相關(guān)性相比這是一種更適合的比較方法。
?

2.材料和方法

2.1 數(shù)據(jù)及預(yù)處理

本研究使用的MRI數(shù)據(jù)來自人類連接組項(xiàng)目(HCP)。MRI采集協(xié)議已有詳細(xì)描述和介紹(故這里不再贅述)。使用了50名受試者的數(shù)據(jù)，包括4次RS掃描（每個(gè)像為1200，共4800幀），以及各含2個(gè)sessions的任務(wù)態(tài)fMRI數(shù)據(jù)（即工作記憶、關(guān)系記憶、社交、語言、情感和運(yùn)動(dòng)任務(wù)）。功能圖經(jīng)歷了標(biāo)準(zhǔn)的預(yù)處理步驟。所有功能圖像首先重新調(diào)整為每個(gè)參與者的平均功能像。使用剛體配準(zhǔn)法(SPM12, https://www.fil.ion.ucl.ac.uk)將重新調(diào)整后的像配準(zhǔn)到結(jié)構(gòu)性T1數(shù)據(jù)上，并進(jìn)行去趨勢處理（即常數(shù)、線性、二次），以消除信號(hào)漂移。然后，使用FWHM為6mm的高斯核對(duì)圖像進(jìn)行平滑處理。最后，使用自動(dòng)解剖標(biāo)記(AAL，90個(gè)區(qū)域)圖集，將其重新切片到原生fMRI空間，以分割fMRI像并計(jì)算區(qū)域平均fMRI BOLD信號(hào)。每個(gè)受試者的結(jié)構(gòu)和擴(kuò)散加權(quán)MRI數(shù)據(jù)均從HCP下載，并使用MRtrix3 (http://www.mrtrix.org/)進(jìn)行處理。使用單層(b=3000)多組織來估計(jì)響應(yīng)函數(shù)，而纖維束方向分布函數(shù)則使用8階約束球面進(jìn)行卷積計(jì)算。通過使用確定性示蹤成像生成示蹤圖，輸出流線約為2×107條，并從白質(zhì)中選取種子。纖維密度被用作定義單個(gè)SC的指標(biāo)，其計(jì)算方法是將連接AAL圖譜中每個(gè)成對(duì)區(qū)域的纖維總數(shù)與平均纖維長度和兩個(gè)區(qū)域的平均大小相除。對(duì)區(qū)域大小進(jìn)行歸一化是為了確保連接的強(qiáng)度不偏向于ROI的大小。最終的SC矩陣是通過對(duì)所有受試者的所有SC矩陣進(jìn)行平均而得到。

2.2 圖拉普拉斯混合模型

GLMM是一個(gè)生成模型，假定觀測值屬于不同類型的信號(hào)，具有不同的基礎(chǔ)圖結(jié)構(gòu)。圖是未知的，由其圖拉普拉斯矩陣建模；即L=D-A，其中D是節(jié)點(diǎn)度的對(duì)角線矩陣，而A是加權(quán)鄰接矩陣。

模型估計(jì)問題是擬合觀測數(shù)據(jù)來恢復(fù)信號(hào)簇、相關(guān)激活模式以及圖形結(jié)構(gòu)。觀察到的fMRI信號(hào)被分為由不同未知大腦激活模式定義的簇。該模型恢復(fù)了這些簇，其特征是圖拉普拉斯，以及每個(gè)簇發(fā)生的概率。這些圖拉普拉斯帶來了關(guān)于大腦網(wǎng)絡(luò)激活模式（估計(jì)平均值）、大腦功能連接結(jié)構(gòu)（拉普拉斯）和動(dòng)態(tài)（時(shí)間函數(shù)的發(fā)生概率）的信息。

每個(gè)觀察到的信號(hào)xm∈RN屬于一個(gè)團(tuán)簇k，由圖拉普拉斯Lk∈RN×N和均值μk∈RN表示。二元潛變量zm∈RK有一個(gè)非零值，它表示xm所屬的團(tuán)簇k。概率αk定義了xm屬于團(tuán)簇k的先驗(yàn)概率分布，即p(zm,k=1)=αk，?m。

最后，圖拉普拉斯LK∈RN×N對(duì)相應(yīng)圖信號(hào)的平滑變化進(jìn)行建模。因此Lk中的大邊緣權(quán)重值捕獲了以類似方式改變其值的頂點(diǎn)對(duì)。這些連接可以看做處于某種狀態(tài)的兩個(gè)頂點(diǎn)之間的部分關(guān)聯(lián)。

在這些假設(shè)下，每個(gè)團(tuán)簇k中的信號(hào)都遵循圖拉普拉斯x~N(μk，

)的高斯分布，其中Lk=Dk-Wk。

對(duì)表示信號(hào)歸屬的潛在變量z進(jìn)行邊緣化：

此處應(yīng)確保所有Lk為有效拉普拉斯矩陣，L={L|Li,j=Lj,i≤0，?i≠j＆

?Li,j=0，?i}。等式(6)和(7)應(yīng)保證α定義一個(gè)有效的概率測量。

2.2.1 GLMM算法

考慮到數(shù)據(jù)矩陣X∈RN×M中觀察到的N維信號(hào)，作者試圖恢復(fù)生成模型(4)的參數(shù)。為此，作者將研究參數(shù)的最大后驗(yàn)(MAP)估計(jì)：概率α=α1，…，αK，平均值μ=μ1，…，μK和圖拉普拉斯L=L1，…，LK。即，假設(shè)數(shù)據(jù)已經(jīng)從通過圖拉普拉斯定義的分布(4)中獨(dú)立采樣。此外，考慮到(5)中給出了對(duì)圖結(jié)構(gòu)的約束，以及可能的圖先驗(yàn)信息（如稀疏性），作者對(duì)模型的后驗(yàn)分布進(jìn)行了最大化處理：

?
這一問題沒有封閉式解決方案。它可以通過后驗(yàn)概率γ∈RM×K，其中γm,k模擬信號(hào)xm屬于團(tuán)簇k的概率：

參數(shù)α，μ和L可以利用期望最大化(EM)算法來迭代估計(jì)，其中圖拉普拉斯系數(shù)L通過圖學(xué)習(xí)方案進(jìn)行估計(jì)。
圖學(xué)習(xí)步驟包括通過p(Lk)施加的圖形先驗(yàn)，其中稀疏性先驗(yàn)有助于控制解決方案的稀疏性/密度，并通過以下正則化項(xiàng)直接執(zhí)行：

對(duì)角(Lk)是來自Lk對(duì)角線值（節(jié)點(diǎn)度）的向量，‖Lk‖2F,off是Lk中非對(duì)角線值的Frobenius范數(shù)。圖學(xué)習(xí)問題提供了稀疏的解決方案，盡管增加β1,k會(huì)加強(qiáng)圖的連接性，增加β2,k會(huì)提高密度。關(guān)于該部分算法的詳細(xì)推導(dǎo)和分析，請(qǐng)參考附錄。

2.3 fMRI數(shù)據(jù)應(yīng)用

本研究的工作流程如圖1所示。作者建立了一個(gè)數(shù)據(jù)矩陣X，其中包含AAL所有90個(gè)區(qū)域的時(shí)間序列。然后將所有會(huì)話和被試的時(shí)間序列關(guān)聯(lián)，形成一個(gè)巨大的數(shù)據(jù)矩陣Y后，再將其輸入到GLMM算法，該算法學(xué)習(xí)數(shù)個(gè)圖拉普拉斯(LK)，每個(gè)圖的平均值(μK)和信號(hào)聚類概率(r)。平均值和圖拉普拉斯代表整個(gè)人群，而概率可以根據(jù)特定被試來解釋，因?yàn)槊總€(gè)時(shí)間點(diǎn)都有一個(gè)概率。然后，通過證明任務(wù)范式的時(shí)間由所有受試者的平均r值捕獲，以任務(wù)fMRI為基準(zhǔn)來驗(yàn)證擬議框架的性能。為了有與實(shí)驗(yàn)時(shí)間相當(dāng)?shù)臅r(shí)間尺度，作者對(duì)各受試者的概率r進(jìn)行了平均。

通過給每個(gè)節(jié)點(diǎn)賦予反映其平均激活的顏色將每個(gè)狀態(tài)的圖形表示可視化，每個(gè)腦區(qū)都與推斷拉普拉斯計(jì)算的加權(quán)鄰接矩陣相連。激活模式也因其聚類概率(r)而與發(fā)生的概率相關(guān)。這能夠?qū)⒚總€(gè)狀態(tài)與一個(gè)任務(wù)實(shí)驗(yàn)階段相聯(lián)系。

通過將數(shù)據(jù)分成兩部分，在兩組中平行運(yùn)行GLMM，并專門匹配激活模式(μk)，模型超參數(shù)經(jīng)網(wǎng)格搜索進(jìn)行了優(yōu)化。聚類數(shù)量的優(yōu)化(K)也是以所獲得的聚類概率與任務(wù)范式的一致性為指導(dǎo)。不能期望K與任務(wù)數(shù)相對(duì)應(yīng)，因?yàn)闊o法排除一個(gè)狀態(tài)對(duì)應(yīng)多個(gè)任務(wù)時(shí)期的可能性。因此，根據(jù)預(yù)估r與實(shí)驗(yàn)任務(wù)范式的一致性，反復(fù)改變K來評(píng)估結(jié)果。在這樣做的過程中，作者觀察到，無論建議的聚類數(shù)K是多少，有意義的網(wǎng)絡(luò)模式集都是一樣的。此外，以這種方式改變K的結(jié)果有更好的整體準(zhǔn)確性，表明最佳聚類數(shù)量可能與通過更傳統(tǒng)方法估計(jì)的數(shù)量不同。作者把這種方法表示為K-r迭代同質(zhì)性。

另一方面，RS數(shù)據(jù)缺乏基礎(chǔ)事實(shí)，所以聚類數(shù)量K是根據(jù)優(yōu)化的剪影測量和共識(shí)聚類程序選擇的，這是一種基于重采樣的最優(yōu)類發(fā)現(xiàn)方法。最終，K根據(jù)上述程序進(jìn)行改變，以捕獲多個(gè)網(wǎng)絡(luò)。在實(shí)踐中，改變集群的最佳數(shù)量似乎并不影響最終的估計(jì)，相反，它為推斷更多或更少的網(wǎng)絡(luò)提供了可能性。

?

2.4 學(xué)習(xí)功能圖與大腦結(jié)構(gòu)比較

GLMM不僅解決了聚類問題，而且還估計(jì)了拉普拉斯代表的直接相關(guān)矩陣，與高斯混合模型不同，GLMM進(jìn)行了隱性降維，同時(shí)出現(xiàn)了更多可解釋的結(jié)果。與其他聚類方法相比，該算法的重要優(yōu)點(diǎn)之一是對(duì)圖拉普拉斯的估計(jì)，直接估計(jì)其逆LK-1，不僅有助于獲得更有意義的大腦模式，而且還傳達(dá)了更多有關(guān)聚類的信息和細(xì)節(jié)，使功能連接矩陣與結(jié)構(gòu)連接組進(jìn)行直接比較。

DMN在所有分析的數(shù)據(jù)集狀態(tài)中強(qiáng)烈出現(xiàn)，因此用典型指標(biāo)（Pearson相關(guān)性）對(duì)它們進(jìn)行相互比較，主要側(cè)重于激活模式(μ)。用于比較的DMN是從任務(wù)和RS數(shù)據(jù)中提取。在RS中，僅依靠于相關(guān)腦區(qū)激活模式的可視化，而在任務(wù)數(shù)據(jù)中，可以通過r概率來驗(yàn)證相應(yīng)的動(dòng)態(tài)狀態(tài)的發(fā)生，并匹配相應(yīng)的實(shí)驗(yàn)休息時(shí)段（也就是任務(wù)block之間的休息時(shí)段）。這為作者評(píng)估的大腦網(wǎng)絡(luò)提供了額外的驗(yàn)證。

此外，作者還通過使用頻譜歐幾里得差異來比較每個(gè)DMN狀態(tài)的連接矩陣和DW-MRI的SC。比較的方法是首先將每個(gè)圖的加權(quán)鄰接矩陣(A)從拉普拉斯(A=D-L)分解為它們的組成特征值和特征向量。在對(duì)函數(shù)矩陣A和結(jié)構(gòu)矩陣進(jìn)行歸一化處理后，A的特征譜用Procrustes算法進(jìn)行轉(zhuǎn)換，以匹配SC的特征向量的排序。

Procrustes變換輸出旋轉(zhuǎn)矩陣，用于檢索變換后的（功能）特征值。尤其是給定由變換產(chǎn)生的旋轉(zhuǎn)矩陣Z，旋轉(zhuǎn)特征值的計(jì)算方法如下：

其中W是考慮的功能網(wǎng)絡(luò)的加權(quán)鄰接矩陣，E是其原始特征值的向量。頻譜歐幾里得差異反映了每個(gè)任務(wù)中學(xué)習(xí)圖與SC定義的解剖圖之間的相似程度。因此，每個(gè)網(wǎng)絡(luò)都會(huì)有一定的距離得分，表明該函數(shù)與結(jié)構(gòu)的耦合程度：參數(shù)越小，估計(jì)的圖形就越接近結(jié)構(gòu)。隨后，這些分?jǐn)?shù)被歸一化并進(jìn)行排序，查看從不同任務(wù)和RS中估計(jì)的多個(gè)DMN與結(jié)構(gòu)的差異。
?

3.結(jié)果

3.1 估算網(wǎng)絡(luò)時(shí)間序列與任務(wù)范式的時(shí)間一致

GLMM算法的三個(gè)重要元素：(1)活動(dòng)的方式或中心；(2)圖拉普拉斯形式的連接矩陣；(3)每個(gè)網(wǎng)絡(luò)的時(shí)間活動(dòng)概況在每個(gè)時(shí)間點(diǎn)發(fā)生的可能性。即使沒有給GLMM提供任何關(guān)于時(shí)間的信息，提出的框架仍為考慮的每項(xiàng)任務(wù)提取了一致的大腦活動(dòng)模式，以及一個(gè)與實(shí)驗(yàn)范式一致的時(shí)間輪廓。圖2顯示了六個(gè)與任務(wù)條件重疊的選定任務(wù)的預(yù)估時(shí)間軌跡，這些條件由背景顏色來區(qū)分。每項(xiàng)任務(wù)在任務(wù)塊之間都有靜息時(shí)段，并與相應(yīng)的默認(rèn)模式網(wǎng)絡(luò)A4一致。可視化狀態(tài)數(shù)量的選擇如2.3所述，由K-r迭代同質(zhì)性驅(qū)動(dòng)。

語言任務(wù)的狀態(tài)2和3分別捕捉了受試者經(jīng)歷故事和數(shù)學(xué)階段的時(shí)刻，而狀態(tài)1則對(duì)應(yīng)于任務(wù)的靜息階段。對(duì)于社會(huì)任務(wù)，狀態(tài)3持續(xù)捕捉RS時(shí)段。但是，狀態(tài)3的圖示可能性(r)對(duì)應(yīng)了兩個(gè)任務(wù)階段，因此該方法并沒有區(qū)分心理和隨機(jī)的條件。另一方面，狀態(tài)1捕捉到了靜息期和任務(wù)期之間的轉(zhuǎn)變。同樣的觀察也可以在其他任務(wù)中進(jìn)行，尤其是運(yùn)動(dòng)、關(guān)系和工作記憶。在這些任務(wù)中，有些狀態(tài)捕捉到了階段之間的過渡，并確定了它是靜息和任務(wù)條件之間的過渡還是兩個(gè)不同任務(wù)條件之間的過渡；例如，關(guān)系記憶中的狀態(tài)2捕捉到了條件關(guān)系和匹配之間的轉(zhuǎn)換，而狀態(tài)4捕捉到了靜息態(tài)和兩個(gè)任務(wù)中的任意一個(gè)間的過渡。另一個(gè)一致的狀態(tài)是運(yùn)動(dòng)任務(wù)的狀態(tài)1，無論估計(jì)的狀態(tài)數(shù)量如何，它總是存在，可能與實(shí)驗(yàn)范式中的舌頭運(yùn)動(dòng)相對(duì)應(yīng)。

3.2 GLMM捕捉到與每個(gè)任務(wù)對(duì)應(yīng)的激活模式和一致元分析特征

為更好解釋這些狀態(tài)，并最大限度地提高預(yù)估r與實(shí)驗(yàn)任務(wù)范式的一致性，將任務(wù)條件的數(shù)量設(shè)定為最佳值。圖3(A)和(B)分別顯示了語言和情感任務(wù)的一組代表性GLMM結(jié)果。除了之前顯示的r概率外，GLMM還恢復(fù)了一個(gè)由節(jié)點(diǎn)表示的腦圖，其顏色與估計(jì)平均值(μ)相一致。用紅色表示的活躍節(jié)點(diǎn)（腦區(qū)）對(duì)應(yīng)更積極的μ值。這些值代表了每個(gè)節(jié)點(diǎn)信號(hào)的平均激活度。節(jié)點(diǎn)的大小與它們的程度成正比，邊緣則是根據(jù)推斷的拉普拉斯系數(shù)估計(jì)出的加權(quán)邊緣。雖然平均值給出了哪個(gè)節(jié)點(diǎn)最活躍的信息，但在此之上的圖結(jié)構(gòu)給出了這些激活之間的相互作用，即兩個(gè)不同的激活之間的聯(lián)系。

兩項(xiàng)任務(wù)的RS階段狀態(tài)揭示了一種與DMN網(wǎng)絡(luò)相對(duì)應(yīng)的空間模式。它們雖然有相同的共激活模式，但連接方式不同。涉及狀態(tài)2（編碼數(shù)學(xué)條件）的區(qū)域包括（上和下）頂葉區(qū)以及額葉區(qū)（如額中回、額下回顳部）。這些區(qū)域與既定的對(duì)應(yīng)數(shù)字和計(jì)算的相關(guān)區(qū)域十分一致。另一方面，狀態(tài)3（故事條件）中的活躍區(qū)域是海馬、額葉、雙側(cè)上顳皮層和前顳皮層，與先前觀察的與故事處理任務(wù)有關(guān)的區(qū)域一致。

同時(shí)，情緒任務(wù)的狀態(tài)2和3分別對(duì)應(yīng)了恐懼和中性條件，在激活的區(qū)域方面有很大差異?！翱謶帧庇|發(fā)了雙側(cè)中央回、枕上回和頂葉皮層的激活。這些區(qū)域涵蓋了體感皮層，它不僅負(fù)責(zé)處理來自身體各部分的感覺信息，還負(fù)責(zé)情緒處理，包括生成情緒狀態(tài)和情緒調(diào)節(jié)。同時(shí)，中性狀態(tài)顯示出與形狀密切相關(guān)的視覺區(qū)域的激活。出人意料的是，作者發(fā)現(xiàn)杏仁核的平均值相對(duì)較低，眾所周知，杏仁核通常在情緒匹配范式中激活。

另一個(gè)相關(guān)大腦模式是與運(yùn)動(dòng)任務(wù)有關(guān)，特別是與舌頭運(yùn)動(dòng)。第一個(gè)狀態(tài)不僅完美地捕捉了動(dòng)態(tài)，而且還突出了島蓋、腦島、丘腦、內(nèi)側(cè)和后部扣帶回的激活，這與文獻(xiàn)(Corfield等，1999；Xiao等，2017)描述一致。

?

3.3 靜息態(tài)提取狀態(tài)

以已知實(shí)驗(yàn)任務(wù)范式為基礎(chǔ)，驗(yàn)證了所提框架應(yīng)用于任務(wù)fMRI的結(jié)果后，將該方法應(yīng)用于RS fMRI。GLMM能夠捕捉到的RS大腦網(wǎng)絡(luò)與前人研究一致。圖4(A)顯示了估計(jì)的大腦網(wǎng)絡(luò)，以及各被試之間出現(xiàn)的均值似然及標(biāo)準(zhǔn)差。

圖4(B)顯示了每個(gè)狀態(tài)在每個(gè)時(shí)間點(diǎn)上發(fā)生的概率(r)，以(A)中相同的順序給出了狀態(tài)活動(dòng)概況。正如預(yù)期所示，作者觀察到DMN高度發(fā)生。一個(gè)狀態(tài)明顯覆蓋了視覺皮層的區(qū)域，另一個(gè)狀態(tài)顯示了與聽覺網(wǎng)絡(luò)和部分額頂葉皮層相對(duì)應(yīng)的區(qū)域，還有一個(gè)狀態(tài)包含了雙側(cè)顳葉皮層和腦島，與突顯網(wǎng)絡(luò)相似。此外，本研究還發(fā)現(xiàn)左、右半球的激活是分別聚類的。

因此，GLMM利用現(xiàn)有的實(shí)證fMRI數(shù)據(jù)來近似圖形，有趣的是，這些圖出現(xiàn)了與文獻(xiàn)一致且有意義的大腦網(wǎng)絡(luò)。

?

3.4?與DMN相似的學(xué)習(xí)圖的比較

作者發(fā)現(xiàn)，與不同任務(wù)靜息時(shí)段相對(duì)應(yīng)的狀態(tài)與DMN有著驚人的相似性。為了解恢復(fù)的DMN相關(guān)狀態(tài)性質(zhì)，作者計(jì)算了每個(gè)任務(wù)的DMN相關(guān)平均值(μ)和RS之間共激活模式的皮爾遜相關(guān)性，這一結(jié)果具有重要的拓?fù)鋵W(xué)意義，因?yàn)槊總€(gè)節(jié)點(diǎn)代表一個(gè)腦區(qū)。圖4(C)顯示了從所有任務(wù)中提取的DMN相關(guān)狀態(tài)和RS fMRI之間的相關(guān)性。每行的軸線按最低到最高的順序?qū)傁嚓P(guān)度進(jìn)行排序。低層次的感覺-運(yùn)動(dòng)（如語言、運(yùn)動(dòng)、休息）與高層次的認(rèn)知（如工作記憶、關(guān)系記憶、社交和情感）之間出現(xiàn)分離。

這些共激活模式均高度相關(guān)，但語言、關(guān)系記憶和靜息DMN與其他任務(wù)DMN呈現(xiàn)一定程度的負(fù)相關(guān)性。請(qǐng)參閱補(bǔ)充材料中的圖A4，以直觀地評(píng)估這些差異。

3.5 學(xué)習(xí)功能DMN圖與結(jié)構(gòu)的比較

在此，作者想通過簡單的可視化和應(yīng)用一些相似性或相異性指標(biāo)來比較DMN相關(guān)的狀態(tài)和結(jié)構(gòu)。

如上所述，這些狀態(tài)與不同任務(wù)數(shù)據(jù)集的靜息階段和RS中提取的DMN狀態(tài)有關(guān)。

圖5(A)顯示了本工作中考慮的所有受試者的群體平均SC，圖5(B)顯示了加權(quán)鄰接矩陣，計(jì)算為A=D-L，來自靜息態(tài)DMN網(wǎng)絡(luò)的預(yù)估圖拉普拉斯基矩陣。鄰接矩陣在視覺上比SC更稀疏。此外，狀態(tài)矩陣和SC之間的直接比較（即跨連接的皮爾遜相關(guān)）顯示，相似值r=0.48-0.63范圍內(nèi)，如圖5(C)所示。值得注意的是，與傳統(tǒng)FC-SC關(guān)系相比，F(xiàn)C是通過使用皮爾遜相關(guān)或部分相關(guān)的方式將區(qū)域間的BOLD時(shí)間序列關(guān)聯(lián)起來得到的，而基于GLMM的狀態(tài)矩陣與SC的關(guān)聯(lián)性要高得多。它們?cè)诜椒ㄉ蠜]有統(tǒng)計(jì)學(xué)差異，即每個(gè)DMN與SC的相關(guān)性在所有方法中都是相似的。

通過計(jì)算每個(gè)DMN的相異性頻譜得分并按升序排序，發(fā)現(xiàn)存在“外部定向”或較少內(nèi)省任務(wù)的趨勢。該分?jǐn)?shù)進(jìn)行了歸一化，以加強(qiáng)可視化。它只代表梯度，并不代表顯著差異。

低認(rèn)知水平的任務(wù)，如運(yùn)動(dòng)和休息以及語言，預(yù)計(jì)結(jié)構(gòu)不相似性得分較低，因此與結(jié)構(gòu)更相似。相反，更內(nèi)省和“內(nèi)部定向”的任務(wù)，如關(guān)系記憶、社交和情感，與結(jié)構(gòu)的差異更大。圖5(D)希望突出考慮DMN的梯度和順序，以評(píng)估一個(gè)潛在的解耦指數(shù)，建立一個(gè)可能應(yīng)用于元分析的框架。

事實(shí)上，即使所有任務(wù)中休息時(shí)段所識(shí)別的大腦模式包含了DMN的關(guān)鍵區(qū)域，但相應(yīng)狀態(tài)矩陣的連接結(jié)構(gòu)不同，這表明大腦區(qū)域連接的方式有特定于任務(wù)的機(jī)制。

?

?

4.討論

4.1 總體結(jié)論

作者提出了GLMM框架，用于解釋基于生成模型的大腦活動(dòng)。能夠獲得具有以下特征的狀態(tài)：(1)區(qū)域激活水平的空間模式；(2)描述區(qū)域相互作用的基礎(chǔ)圖；(3)隨時(shí)間變化的可能性。

首先，作者通過證明提取的模式與既定任務(wù)相對(duì)應(yīng)的神經(jīng)生理學(xué)描述相一致來驗(yàn)證此方法。就算沒有為GLMM提供時(shí)間信息，這些狀態(tài)在每個(gè)時(shí)間點(diǎn)發(fā)生的概率能夠捕獲任務(wù)范式的時(shí)間。令人驚訝的是，超參數(shù)也是通過只關(guān)注激活模式進(jìn)行優(yōu)化。因此，該算法沒有關(guān)于時(shí)間的線索。

將狀態(tài)數(shù)設(shè)定為與任務(wù)時(shí)段相當(dāng)?shù)臄?shù)量，可以對(duì)每個(gè)狀態(tài)的任務(wù)范式有更簡單的可視化和更清晰的解釋。一個(gè)狀態(tài)可能對(duì)應(yīng)于一個(gè)任務(wù)組合，反之亦然。當(dāng)狀態(tài)數(shù)顯著多于任務(wù)時(shí)段數(shù)時(shí)，最突出的激活模式是以內(nèi)側(cè)前額葉皮層、后扣帶皮層和角回激活為特征，這些通常與默認(rèn)模式網(wǎng)絡(luò)有關(guān)。此外，在任務(wù)fMRI數(shù)據(jù)的休息時(shí)段，它們相應(yīng)的時(shí)間動(dòng)態(tài)總是以高似然為特征(r)。

其次，作者將該方法應(yīng)用于RS數(shù)據(jù)，揭示了一些著名的RS網(wǎng)絡(luò)的貢獻(xiàn)，如DMN、視覺、聽覺/注意力和突顯網(wǎng)絡(luò)。最后，利用預(yù)估圖拉普拉斯矩陣來了解各區(qū)域的相互作用，以及這些相互作用的強(qiáng)度與從DW-MRI獲得的潛在大腦結(jié)構(gòu)的關(guān)系。研究結(jié)果發(fā)現(xiàn)，從圖拉普拉斯計(jì)算出來的鄰接矩陣與SC的相似性比傳統(tǒng)定義的FC矩陣更接近，后者是通過時(shí)間序列的皮爾遜或部分相關(guān)所得到。本研究結(jié)論是，即使直接輸入實(shí)證fMRI數(shù)據(jù)，且沒有任何額外結(jié)構(gòu)信息時(shí)，GLMM估計(jì)的圖通常與結(jié)構(gòu)更相關(guān)。

由于在所有的數(shù)據(jù)集中都發(fā)現(xiàn)了與DMN相關(guān)的狀態(tài)，作者對(duì)空間模式進(jìn)行了比較，以評(píng)估它們之間的關(guān)聯(lián)性。

對(duì)相關(guān)值進(jìn)行排序，發(fā)現(xiàn)了低級(jí)和高級(jí)認(rèn)知任務(wù)之間的區(qū)別。值得注意的是，這些相關(guān)性可以通過觀察哪一腦區(qū)有正或負(fù)激活(μ)來解釋。語言中預(yù)估的DMN與從其他任務(wù)中預(yù)估的DMN相關(guān)性很低，因?yàn)閷?duì)應(yīng)額下回和顳回、海馬、杏仁核和裂縫的節(jié)點(diǎn)具有相反的符號(hào)值。

使用頻譜方法對(duì)矩陣進(jìn)行比較也顯示了低級(jí)和高級(jí)認(rèn)知任務(wù)的類似趨勢?？紤]到圖拉普拉斯，將DMN相關(guān)圖形與SC進(jìn)行比較，有利于評(píng)估共激活模式在連接性方面的支持情況，這是使用GLMM的主要優(yōu)勢之一。

本研究方法的局限性之一可能在于所有受試者數(shù)據(jù)在時(shí)間上的聯(lián)結(jié)，因此作者假設(shè)參數(shù)在整個(gè)人群中是恒定的，但因?yàn)槟X指紋可以在RS fMRI記錄的基礎(chǔ)上可靠實(shí)現(xiàn)，這一做法顯然過度簡化。盡管如此，作者能夠構(gòu)建一套代表整個(gè)人群的地圖，這可能有助于作為健康人的規(guī)范模型，在臨床環(huán)境中評(píng)估患者。大腦網(wǎng)絡(luò)中存在與自閉癥、阿爾茨海默病和其他神經(jīng)系統(tǒng)疾病有關(guān)的功能差異。此外，在觀察r概率的時(shí)間動(dòng)態(tài)時(shí)，可以考慮主體的特殊性，因?yàn)闀r(shí)間性在腦指紋中也起著關(guān)鍵作用。

4.2 估計(jì)的圖拉普拉斯算子符合DW-MRI的結(jié)構(gòu)連通性

皮爾遜相關(guān)已被廣泛用于測量不同腦區(qū)之間的FC。然而，方法的簡單性也伴隨著一些局限性：它只反映了所有時(shí)間點(diǎn)區(qū)域間關(guān)聯(lián)的平均測量，而忽略了大腦功能的動(dòng)態(tài)性質(zhì)。此外，因?yàn)樵摶祀s效應(yīng)固有的傳遞性質(zhì)，它無法避免由與第三區(qū)域關(guān)系引入的混雜效應(yīng)，提供成對(duì)區(qū)域之間直接關(guān)系的證據(jù)。為解決這個(gè)問題，部分相關(guān)已被證明可以通過回歸其他變量的影響來改善結(jié)果。GLMM方法通過直接估計(jì)拉普拉斯矩陣來描述一個(gè)狀態(tài)的連接狀況；例如，圖5(B)中GLMM鄰接矩陣比FC矩陣更稀疏，甚至比SC更稀疏，因?yàn)檎齽t化控制了稀疏性。作者在圖5(C)中展示了，GLMM鄰接矩陣與SC的相似度高于FC變體。與經(jīng)典FC不同，GLMM鄰接矩陣包括網(wǎng)絡(luò)內(nèi)各區(qū)域之間的直接相互作用，而不包括依賴于其他相關(guān)區(qū)域的間接關(guān)聯(lián)。出現(xiàn)這種現(xiàn)象是因?yàn)榻⒃诟咚箞D式模型上的GLMM可以證明具有上述特性。此外，GLMM方法是一種動(dòng)態(tài)方法，每個(gè)GLMM矩陣對(duì)應(yīng)了特定時(shí)間點(diǎn)（即，每個(gè)任務(wù)時(shí)段原來對(duì)應(yīng)一個(gè)特定狀態(tài)，因此也對(duì)應(yīng)一個(gè)特定矩陣）。在先前的工作中，當(dāng)應(yīng)用滑動(dòng)窗口分析而非靜態(tài)FC時(shí)，F(xiàn)C和SC之間的相似性存在波動(dòng)。

如圖5(C)所示，GLMM的狀態(tài)矩陣與SC的相似度更高。這可以解釋為，這些特定狀態(tài)的圖，其邊緣反映了顯示同步變化的成對(duì)區(qū)域。在這種情況下，因?yàn)樽髡呔唧w比較了靜息態(tài)和所有任務(wù)態(tài)下DMN對(duì)應(yīng)的圖，所以學(xué)習(xí)圖的邊緣揭示了定義在構(gòu)成DMN區(qū)域上的信號(hào)是如何與所有其他區(qū)域同時(shí)波動(dòng)的。因此，這些由GLMM恢復(fù)的圖提供了對(duì)功能連接網(wǎng)絡(luò)更準(zhǔn)確的描述。作者推測，它們與SC的密切相似性支持了之前的研究結(jié)果，即大腦活動(dòng)是由其解剖學(xué)骨架所形成。

從不同DMN與SC相關(guān)性的標(biāo)準(zhǔn)差中可以發(fā)現(xiàn)，在選擇的相同F(xiàn)C方法中沒有統(tǒng)計(jì)學(xué)上的差異，但在應(yīng)用譜系異質(zhì)性和不同條件（超參數(shù)）運(yùn)行GLMM時(shí)，始終發(fā)現(xiàn)類似的趨勢。

GLMM提供了一個(gè)很好的工具來描述整個(gè)人群的功能連接，并與結(jié)構(gòu)進(jìn)行有意義的比較。因此，在未來的工作中，這種方法可以更好地用于評(píng)估患者的這些差異。

4.3 功能狀態(tài)和結(jié)構(gòu)連接組之間的距離反映任務(wù)梯度

基于頻譜距離的相異性得分可以解釋為每個(gè)狀態(tài)的功能-結(jié)構(gòu)解耦指數(shù)。每個(gè)DMN相關(guān)狀態(tài)都與一個(gè)表示它與結(jié)構(gòu)距離的數(shù)值相關(guān)。功能-結(jié)構(gòu)距離的度量能夠?qū)⒌图?jí)任務(wù)與高級(jí)任務(wù)分開。正如以前的工作所示，任務(wù)參與在調(diào)節(jié)DMN以執(zhí)行目標(biāo)導(dǎo)向行為方面發(fā)揮了作用。即使受試者處于休息狀態(tài)，他們也有不同程度參與。

人們對(duì)分解DMN在不同任務(wù)中的作用十分感興趣。在此，我們重點(diǎn)關(guān)注DMN相關(guān)狀態(tài)在功能上如何連接，以及它們與SC所反映的解剖學(xué)距離。值得注意的是，結(jié)構(gòu)-功能解耦允許區(qū)分不同任務(wù)。因此，如Elton和Gao(2015a)所示，DMN可能通過與任務(wù)相關(guān)腦區(qū)的靈活耦合在內(nèi)部和外部任務(wù)中發(fā)揮巨大作用。

然而，需要強(qiáng)調(diào)的是，這個(gè)指標(biāo)是作為一個(gè)簡單工具進(jìn)行介紹，用于功能網(wǎng)絡(luò)在結(jié)構(gòu)方面（不）相似性的分類。這個(gè)指標(biāo)非常依賴于SC和FC生成的選擇，而且沒有統(tǒng)計(jì)學(xué)上的差異：分?jǐn)?shù)歸一化，以便更好地進(jìn)行可視化。如圖5(C)所示，使用傳統(tǒng)皮爾遜相關(guān)性也能發(fā)現(xiàn)所強(qiáng)調(diào)的趨勢。此外，這種梯度也可以通過觀察連接的密度進(jìn)行解釋。

4.4 方法論觀點(diǎn)

對(duì)靜息和任務(wù)期間的功能成像數(shù)據(jù)進(jìn)行動(dòng)態(tài)分析已經(jīng)持續(xù)了十年。自其誕生以來，方法學(xué)已經(jīng)產(chǎn)生了巨大進(jìn)步，從動(dòng)態(tài)的角度探究大腦功能組織。對(duì)現(xiàn)有方法學(xué)工具進(jìn)行全面回顧，并分將其為四組：(i)滑動(dòng)窗口關(guān)聯(lián)，(ii)幀分析，(iii)狀態(tài)建模，以及(iv)時(shí)間建模。作者認(rèn)為本研究中提出的技術(shù)是狀態(tài)和時(shí)間建模的整合，據(jù)此，GLMM方法提供了以活動(dòng)和連接為特征的狀態(tài)，以及狀態(tài)時(shí)間過程，類似于隱馬爾科夫模型(HMM)能夠捕捉各種大腦狀態(tài)及其在每個(gè)時(shí)間點(diǎn)發(fā)生的可能性。與HMM不同，GLMM不假設(shè)任何馬爾科夫過程，并且與高斯混合模型(GMM)不同，它直接從平均BOLD數(shù)據(jù)中提取包裹大腦區(qū)域內(nèi)的狀態(tài)，而沒有如PCA等降維步驟，這一步驟通常需要應(yīng)用GMMs，原因則是在GLMM中通過對(duì)推斷圖形施加拉普拉斯結(jié)構(gòu)來進(jìn)行隱性降維。這一模型已證實(shí)在高維任務(wù)中的表現(xiàn)優(yōu)于標(biāo)準(zhǔn)聚類方法，即使在數(shù)據(jù)中沒有先驗(yàn)固有圖結(jié)構(gòu)的情況下，也能實(shí)現(xiàn)更好的聚類精度。此外，推斷的拉普拉斯為本研究結(jié)果增加了強(qiáng)有力的可解釋性，為進(jìn)一步分析和理解大腦網(wǎng)絡(luò)提供了多種可能性。提取的個(gè)體圖結(jié)構(gòu)描述了構(gòu)成狀態(tài)的區(qū)域的相互作用。除了加強(qiáng)對(duì)腦區(qū)間相互作用的視覺理解外，這些圖還能進(jìn)一步比較不同腦網(wǎng)絡(luò)，如圖4和圖5所示。

同時(shí)，活動(dòng)時(shí)間過程的提取是該方法所強(qiáng)調(diào)的一個(gè)相關(guān)方面：在傳統(tǒng)方法中，功能圖代表功能連接組，反映了所有腦區(qū)（節(jié)點(diǎn)）的大腦信號(hào)之間統(tǒng)計(jì)學(xué)的相互依賴性。這種方法的主要問題是，人們需要定義時(shí)間窗口，而這些窗口的大小可能會(huì)使分析出現(xiàn)偏差。此外，輸入GLMM算法的是串聯(lián)的原始fMRI信號(hào)，因此實(shí)驗(yàn)范式對(duì)算法而言是完全未知的。然而，r值（屬于一個(gè)聚類的概率）不僅能捕捉到任務(wù)的實(shí)驗(yàn)條件，而且還能提取出網(wǎng)絡(luò)活動(dòng)模式，這些模式與以前使用經(jīng)典回歸分析建立的知識(shí)相一致。

該模型的一個(gè)特點(diǎn)是對(duì)高斯施加了一個(gè)特殊結(jié)構(gòu)，并帶來了一定優(yōu)勢。也就如Petric?Maretic和Frossard(2020)所示，與標(biāo)準(zhǔn)高斯混合模型相比，該模型在高維環(huán)境下非常穩(wěn)定。

此外，用這種方法得到的圖形拉普拉斯矩陣具有高度的可解釋性。因此，該方法可以直接應(yīng)用于基于圖集的時(shí)間歷程，且不需要事先解決任何降維問題，提供的結(jié)果可以直接與所考慮的圖集相聯(lián)系，使結(jié)果更容易解釋。

4.5 技術(shù)局限性

雖然本研究提出的方法允許捕捉更多估計(jì)大腦網(wǎng)絡(luò)的信息，但它仍存在局限性，主要是對(duì)一個(gè)非常復(fù)雜問題的過度簡化。首先，該方法假設(shè)每個(gè)fMRI信號(hào)正好對(duì)應(yīng)一個(gè)圖，即一個(gè)大腦網(wǎng)絡(luò)。擬合模型時(shí)，它確實(shí)返回了信號(hào)屬于每個(gè)狀態(tài)的概率，但這與假設(shè)一個(gè)信號(hào)實(shí)際上起源于幾個(gè)神經(jīng)網(wǎng)絡(luò)的組合有很大不同，由于血液動(dòng)力學(xué)時(shí)間尺度的時(shí)間重疊，這種現(xiàn)象很可能在實(shí)踐中出現(xiàn)。此外，該方法沒有規(guī)定任何時(shí)間限制。盡管實(shí)驗(yàn)?zāi)Ｊ綄?duì)算法來說完全未知，r值（屬于一個(gè)狀態(tài)的概率）也能捕捉到實(shí)驗(yàn)條件的時(shí)間。

這一觀察幫助研究者驗(yàn)證了該方法，表明即使沒有時(shí)間信息，也能獲得有意義的狀態(tài)。

最后，可以將文獻(xiàn)中的額外信息納入圖推理問題，從而獲得更準(zhǔn)確和可靠的結(jié)論。這些局限性可以在未來的工作中解決。
?

5.結(jié)論

本項(xiàng)研究提出了一個(gè)新的框架，用于揭示大腦活動(dòng)的動(dòng)態(tài)表征。提取狀態(tài)圖是稀疏的，且主要捕捉由基礎(chǔ)SC支持的連接。

DMN相關(guān)狀態(tài)和SC之間的相異性程度可能有助于任務(wù)之間的區(qū)分，其趨勢可以通過在不同條件下多次運(yùn)行該算法而得到復(fù)制。即使大多數(shù)DMN功能連接矩陣沒有統(tǒng)計(jì)學(xué)上的差異，頻譜距離可以較好地近似FC攜帶的矩陣信息，并可以成為一個(gè)解耦指標(biāo)，在未來工作中通過元分析來研究行為特性。

總的來說，本研究結(jié)果證實(shí)了該技術(shù)在提供有意義的大腦活動(dòng)表征方面的潛力。未來的工作可以將本研究的方法應(yīng)用于臨床環(huán)境下的人群研究，或聚焦于更多特定被試的分析上。

?

原文：Dynamics of functional network organization through graph mixture learning.

https://doi.org/10.1016/j.neuroimage.2022.119037