前言

人腦由數(shù)十億個(gè)細(xì)胞組成，細(xì)胞之間有數(shù)萬億個(gè)突觸連接。根據(jù)人類解剖研究的估計(jì)，以及約80%的皮層細(xì)胞是興奮性錐體細(xì)胞的常識(shí)，一個(gè)成年人的大腦皮層中大約有200億個(gè)興奮性錐體細(xì)胞。這些細(xì)胞如何協(xié)調(diào)它們的活動(dòng)，形成我們思想和行動(dòng)的基礎(chǔ)，以及這些模式如何構(gòu)成我們提取的典型全腦神經(jīng)成像信號(hào)，都是目前神經(jīng)科學(xué)領(lǐng)域需要解決的關(guān)鍵問題。

磁共振成像(MRI)提供了一種非侵入性的方法來跟蹤內(nèi)部組織的結(jié)構(gòu)。隨著時(shí)間的推移，工程技術(shù)的進(jìn)步能夠從這項(xiàng)技術(shù)中提取出獨(dú)特的信號(hào)，這些信號(hào)對(duì)伴隨神經(jīng)活動(dòng)的血液流動(dòng)的細(xì)微變化很敏感，即所謂的血氧水平依賴(BOLD)信號(hào)。這一進(jìn)步的重要性不應(yīng)被低估，因?yàn)樗试S研究人員在參與者執(zhí)行認(rèn)知任務(wù)時(shí)了解大腦的內(nèi)部運(yùn)作。這與大腦皮層內(nèi)特定位置的激活相關(guān)，如加工面孔的腹側(cè)顳葉皮層。這一過程為理解大腦產(chǎn)生認(rèn)知、注意力和心智等心理能力的規(guī)則奠定了基礎(chǔ)。

但是，大腦是一個(gè)復(fù)雜的、具有組織多個(gè)時(shí)空尺度的適應(yīng)性系統(tǒng)，這使得從單個(gè)神經(jīng)成像研究中獲得靜態(tài)的、特殊的成像來推斷大腦功能非常具有挑戰(zhàn)性。在功能性MRI的早期階段，為了證明該技術(shù)的實(shí)用性，研究人員主要集中在試圖復(fù)現(xiàn)正電子發(fā)射斷層掃描(PET)和電生理研究的結(jié)果。雖然這對(duì)該領(lǐng)域的發(fā)展很重要(也許是必要的)，但它也假定了與之前的研究相同的優(yōu)勢(shì)。具體來說，這些研究在很大程度上是為了通過分離與特定任務(wù)相關(guān)的活動(dòng)模式來確定特定區(qū)域的功能。這樣，區(qū)域位置就成為了首要的關(guān)注點(diǎn)。這種策略類似于生物學(xué)的林奈階段或前牛頓物理學(xué)，相當(dāng)于確定系統(tǒng)的特征，但不一定是各部分如何相互作用，以形成系統(tǒng)本身的基礎(chǔ)。

回想起來，科學(xué)上的許多重大進(jìn)展都是由于一些偶然的發(fā)現(xiàn)而產(chǎn)生的。比如亞歷山大·弗萊明(Alexander Fleming)，他在度假前忘記從窗臺(tái)上取下瓊脂培養(yǎng)皿，結(jié)果回來發(fā)現(xiàn)一種入侵的真菌正在阻礙細(xì)菌的生長(zhǎng)。經(jīng)提煉后，發(fā)現(xiàn)這種化學(xué)物質(zhì)是青霉素。幸運(yùn)的是，1995年fMRI領(lǐng)域也得到了類似的精進(jìn)，巴拉特·比斯瓦爾(Bharat Biswal)及其同事們感興趣的是，對(duì)在一個(gè)半球的運(yùn)動(dòng)皮層觀察到的模式是否會(huì)在另一個(gè)半球反映出來，他們記錄了左半球運(yùn)動(dòng)皮層的信號(hào)，然后測(cè)量了大腦皮層其他部分的BOLD數(shù)據(jù)。通過分析結(jié)果數(shù)據(jù)，Biswal注意到，對(duì)側(cè)半球的一組體素確實(shí)與種子半球內(nèi)BOLD的波動(dòng)有很強(qiáng)的相關(guān)性(圖1)，而且即使在沒有明顯認(rèn)知任務(wù)的情況下，這種模式也會(huì)持續(xù)存在。在此基礎(chǔ)上，建立了靜息態(tài)fMRI研究。

圖1.靜息態(tài)功能磁共振成像。在Biswal等人的開創(chuàng)性研究中，他們?cè)谧髠?cè)運(yùn)動(dòng)皮層放置了一個(gè)種子點(diǎn)(灰色圓圈)，觀察到左右半球的感覺和運(yùn)動(dòng)區(qū)域(綠色區(qū)域)分布的網(wǎng)絡(luò)中存在強(qiáng)烈的正相關(guān)。

大腦中相關(guān)區(qū)域之間的協(xié)調(diào)活動(dòng)模式引發(fā)了不同領(lǐng)域研究科學(xué)家的想象力，這是因?yàn)閿?shù)據(jù)很容易收集(參與者只需躺在掃描儀中，并保持清醒，因此，休息本質(zhì)上是非結(jié)構(gòu)化認(rèn)知，而不是休息活動(dòng)本身)，還因此開辟了一條重要的研究路線：大腦各區(qū)域之間的相互作用是如何組織的？盡管BOLD信號(hào)存在時(shí)間上的延遲，但它為研究人員提供了一個(gè)前所未有的機(jī)會(huì)，以比之前更高的空間分辨率，用非侵入性的方式研究大腦中協(xié)調(diào)活動(dòng)的模式。雖然該領(lǐng)域的大部分研究重點(diǎn)是大腦皮層內(nèi)部固有的模式，但fMRI也允許在皮層下結(jié)構(gòu)中獲得BOLD的波動(dòng)。對(duì)大腦結(jié)構(gòu)(如灰質(zhì)和白質(zhì))敏感的MRI序列的出現(xiàn)，也意味著在靜息態(tài)下觀察到的模式可以直接與大腦神經(jīng)結(jié)構(gòu)的結(jié)構(gòu)完整性進(jìn)行比較。簡(jiǎn)而言之，靜息態(tài)提供了一種評(píng)估大腦作為一個(gè)完整系統(tǒng)的方法，而不是一系列獨(dú)立的部分。

雖然這是一個(gè)相對(duì)年輕的領(lǐng)域，但靜息態(tài)數(shù)據(jù)的分析已經(jīng)帶來了許多重要的見解。本文將首先描述收集靜息態(tài)fMRI的方式，然后概述用于分析靜息態(tài)BOLD數(shù)據(jù)的統(tǒng)計(jì)方法。在此過程中，將強(qiáng)調(diào)每種方法的一些優(yōu)點(diǎn)和缺點(diǎn)。然后，總結(jié)靜息態(tài)文獻(xiàn)中產(chǎn)生的一些含義，最后確定一些注意事項(xiàng)和正在進(jìn)行的研究，這些研究有助于更好地理解靜息態(tài)數(shù)據(jù)的含義。

靜息態(tài)fMRI收集

靜息態(tài)數(shù)據(jù)的優(yōu)勢(shì)在于，它提供了對(duì)大腦固有功能結(jié)構(gòu)的非侵入性訪問，并且相對(duì)容易收集，交織在結(jié)構(gòu)和功能掃描之間，一個(gè)典型的靜息態(tài)數(shù)據(jù)會(huì)話包括收集T2*加權(quán)的BOLD數(shù)據(jù)，參與者在掃描儀中平躺約10min。眼睛可以是睜開的，也可以是閉著的。如果閉著眼睛，或者臨床隊(duì)列有睡著的風(fēng)險(xiǎn)，也應(yīng)該注意，因?yàn)樗唠A段已經(jīng)被證明與靜息態(tài)連接的不同模式有關(guān)。根據(jù)這些理論，大量的文獻(xiàn)將靜息態(tài)連接的變化與喚醒水平的微妙變化聯(lián)系起來。

久而久之，單個(gè)靜息態(tài)會(huì)話的長(zhǎng)度也變得略有爭(zhēng)議。勞曼、波特拉克及其同事們使用一個(gè)在同一被試上長(zhǎng)時(shí)間收集的獨(dú)特?cái)?shù)據(jù)集發(fā)現(xiàn)，需要約100min(即10×標(biāo)準(zhǔn)會(huì)話長(zhǎng)度)的數(shù)據(jù)才能精確地再現(xiàn)個(gè)體大腦的精確細(xì)節(jié)，而且他們能夠在整個(gè)掃描過程中辨別這些細(xì)節(jié)。當(dāng)所謂的“午夜掃描俱樂部”(Midnight Scan Club)的個(gè)體對(duì)10個(gè)人隊(duì)列進(jìn)行類似(但短得多的)MyConnectome研究時(shí)，也觀察到了相似的結(jié)果。雖然在組水平上產(chǎn)生可靠影響所需的特定長(zhǎng)度數(shù)據(jù)可能遠(yuǎn)低于這個(gè)數(shù)量，但是這些研究確實(shí)提出了一些非常有趣的問題，即將數(shù)據(jù)收集的各個(gè)方面與特定的一組假設(shè)進(jìn)行匹配的重要性。

在靜息態(tài)會(huì)話期間收集體素?cái)?shù)據(jù)之后，通常會(huì)使用許多預(yù)處理步驟。這些步驟可以大致分為兩類。第一種利用一組定義良好的線性代數(shù)算法來將數(shù)據(jù)對(duì)齊到一個(gè)共同的參考系中。第二種試圖控制數(shù)據(jù)中假定的虛假噪聲，通常是通過對(duì)數(shù)據(jù)中的信號(hào)[如全局信號(hào)、頭部運(yùn)動(dòng)，或來自研究范圍之外的大腦區(qū)域(如腦脊液或皮層白質(zhì))的信號(hào)]進(jìn)行回歸，或者通過檢查被認(rèn)為是反射噪聲而不是信號(hào)的數(shù)據(jù)的特定時(shí)間層。一旦這些步驟完成，通常會(huì)在體素水平、頂點(diǎn)水平或區(qū)域水平對(duì)數(shù)據(jù)進(jìn)行分析。最后，應(yīng)用帶通濾波器，以分隔區(qū)域之間的緩慢波動(dòng)(~0.01＜Hz＜~0.1)。然而，這一策略的影響也存在爭(zhēng)議。

對(duì)數(shù)據(jù)進(jìn)行了適當(dāng)?shù)念A(yù)處理后，就可以進(jìn)行統(tǒng)計(jì)分析了。重要的是，“靜息態(tài)”這一術(shù)語指的是收集BOLD數(shù)據(jù)的方式，但并不限制用于對(duì)數(shù)據(jù)進(jìn)行推斷的特定分析工具。事實(shí)上，有各種各樣的統(tǒng)計(jì)技術(shù)被用于靜息態(tài)數(shù)據(jù)，每一種都有其獨(dú)特的優(yōu)勢(shì)和弱點(diǎn)。接下來，將簡(jiǎn)要介紹幾種用于分析靜息態(tài)fMRI數(shù)據(jù)的最常用技術(shù)。

靜息態(tài)fMRI分析

基于體素和種子點(diǎn)的分析

也許，分析靜息態(tài)數(shù)據(jù)的最簡(jiǎn)單方法取決于特定種子點(diǎn)(或體素/頂點(diǎn))的選擇。在試圖校正潛在噪聲混淆源之后，研究人員嘗試識(shí)別與原始種子點(diǎn)共享統(tǒng)計(jì)對(duì)應(yīng)關(guān)系的其他種子點(diǎn)(或體素/頂點(diǎn))。通過這種方式，研究者能夠詳細(xì)描述兩個(gè)時(shí)間序列之間的時(shí)間相似性。計(jì)算所有種子點(diǎn)(或體素/頂點(diǎn))，這種方法最終可以用來填充一個(gè)鄰接矩陣，其單個(gè)元素代表了大腦特定空間分辨率的一種功能連接體(圖2)。此輸出通常被標(biāo)記為“功能連接”矩陣，但諷刺的是，這些度量并沒有什么特別的“功能”，矩陣中的值最好用統(tǒng)計(jì)相似性來描述，而不是“連接”。

圖2.全腦靜息態(tài)分析。分割后(左圖)，每對(duì)分割之間的關(guān)系被用來填充一個(gè)鄰接矩陣(中圖)，這里顯著的邊緣用黑色表示?？梢允褂猛瑯拥男畔?shù)據(jù)嵌入到圖形中(右圖)，其中每個(gè)分割成為一個(gè)節(jié)點(diǎn)，節(jié)點(diǎn)之間的關(guān)系成為邊。

這種方法的優(yōu)點(diǎn)是它不需要任何數(shù)據(jù)結(jié)構(gòu)的先驗(yàn)?zāi)Ｐ?。但是需要進(jìn)行一些重要的方法選擇。首先，研究人員需要選擇他們希望查詢數(shù)據(jù)的分辨率(即體素/頂點(diǎn)vs.區(qū)域vs.網(wǎng)絡(luò))。其次，相似性的統(tǒng)計(jì)度量也是一個(gè)需要考慮的開放參數(shù)。比如皮爾森相關(guān)性是文獻(xiàn)中最受歡迎的技術(shù)，盡管還有各種各樣的其他技術(shù)，每個(gè)都有其優(yōu)點(diǎn)和缺點(diǎn)，在制定靜息態(tài)分析計(jì)劃時(shí)都應(yīng)該納入考慮。最后，如果在鄰接矩陣的層面分析數(shù)據(jù)，關(guān)于閾值(即只選擇高于特定值的連接)的選擇和多次比較的統(tǒng)計(jì)校正也是需要考慮的。

低頻波動(dòng)的振幅

另一種不需要對(duì)數(shù)據(jù)進(jìn)行較強(qiáng)假設(shè)的技術(shù)包含計(jì)算靜息態(tài)BOLD數(shù)據(jù)的功率譜，然后創(chuàng)建反映靜息態(tài)BOLD信號(hào)頻率內(nèi)容的某些特征的概括統(tǒng)計(jì)量。特別是，許多研究集中在BOLD信號(hào)的低頻(0.01-0.1Hz)波動(dòng)上，因?yàn)檫@些模式被認(rèn)為在形成靜息態(tài)腦網(wǎng)絡(luò)的動(dòng)態(tài)交互過程中發(fā)揮著重要作用。低頻波動(dòng)幅度(ALFF)方法測(cè)量BOLD信號(hào)在這個(gè)低頻范圍內(nèi)的總功率，但與基于種子點(diǎn)的方法不同，因?yàn)樵撔盘?hào)與BOLD活動(dòng)的關(guān)系比協(xié)方差更密切。同樣，這種方法的一大亮點(diǎn)是該技術(shù)相對(duì)數(shù)據(jù)驅(qū)動(dòng)的性質(zhì)，但需要注意的是，這種方法得到結(jié)果的功能解釋通常也不像其他技術(shù)那樣清楚。目前有待解決的問題是，即在BOLD功率譜上計(jì)算的統(tǒng)計(jì)數(shù)據(jù)是否與認(rèn)知功能相關(guān)，還是反映了穩(wěn)態(tài)過程(如神經(jīng)遞質(zhì)循環(huán))。

獨(dú)立成分分析（ICA）

與上述數(shù)據(jù)驅(qū)動(dòng)方法相比，一種獨(dú)立的、強(qiáng)大的策略是首先對(duì)數(shù)據(jù)中的某些特征做出一些假設(shè)，然后根據(jù)這些假設(shè)分析數(shù)據(jù)。如果假設(shè)是真實(shí)的，這種方法可以給分析帶來很大的好處，因?yàn)橛糜趯?shí)例化方法的數(shù)學(xué)比在大腦中整體計(jì)算一組概括統(tǒng)計(jì)數(shù)據(jù)要先進(jìn)得多。也許，其中最著名的算法是獨(dú)立成分分析(ICA)。該方法本質(zhì)上是對(duì)靜息態(tài)數(shù)據(jù)中的信號(hào)進(jìn)行盲源分離，這類似于在嘈雜的雞尾酒會(huì)上用一組不同的麥克風(fēng)記錄對(duì)話，然后試圖分析產(chǎn)生的錄音，每個(gè)錄音都包含多個(gè)不同對(duì)話的元素。目的是將源信號(hào)與記錄信號(hào)分離或解混。如果對(duì)不同對(duì)話(即獨(dú)立成分)的數(shù)量進(jìn)行了假設(shè)，這些對(duì)話被組合在一起以產(chǎn)生混合信號(hào)，ICA提供了一種巧妙的數(shù)學(xué)手段來創(chuàng)建理想的分離。該過程的輸出是一組空間地圖，然后通過對(duì)成分隨時(shí)間變化的特征做進(jìn)一步的假設(shè)，將其轉(zhuǎn)變?yōu)闀r(shí)間軌跡。

與所有基于模型的方法一樣，這種技術(shù)的優(yōu)勢(shì)在于形成模型的假設(shè)是否得到它們?cè)噲D表征的系統(tǒng)結(jié)構(gòu)的良好支持。雖然使用ICA進(jìn)行了大量?jī)?yōu)秀的研究，但對(duì)于靜息態(tài)fMRI來說，考慮到對(duì)數(shù)據(jù)進(jìn)行清晰解釋的一些挑戰(zhàn)是很重要的。首先，尚不清楚靜息態(tài)下的大腦理想的獨(dú)立成分?jǐn)?shù)量是多少，也不清楚不同的個(gè)體是否具有相同數(shù)量的成分。當(dāng)試圖比較和對(duì)比臨床隊(duì)列時(shí)，特別是那些有明顯神經(jīng)生物學(xué)病理的隊(duì)列，這個(gè)問題變得尤為尖銳。

另一相關(guān)問題是，把大腦分成一組獨(dú)立的成分是否合理。事實(shí)上，大腦是一個(gè)復(fù)雜的系統(tǒng)，具有多層次的空間和時(shí)間組織。因此，假設(shè)一個(gè)特定的體素屬于一個(gè)特定的成分是有問題的。此外，雖然這種假設(shè)可能對(duì)大腦皮層的感覺區(qū)域是合理的，但它可能會(huì)導(dǎo)致跨多種模式區(qū)域的系統(tǒng)性問題，如頂葉、顳葉和額葉。事實(shí)上，不管閾值或選擇的成分?jǐn)?shù)量如何，大腦皮層的關(guān)聯(lián)區(qū)域涉及到更多的成分，這表明大腦中內(nèi)在的非線性特征并不完全符合ICA的假設(shè)。例如，在深度腦刺激(DBS)的情景下，ICA可以被應(yīng)用于識(shí)別和比較DBS開啟和關(guān)閉條件下的靜息態(tài)網(wǎng)絡(luò)，以識(shí)別DBS功能中變化的特定成分。

主成分分析（PCA）

另一種相關(guān)的技術(shù)是主成分分析(或PCA)，但在靜息態(tài)文獻(xiàn)中還未像ICA一樣廣泛地使用。雖然PCA也是一種基于模型的方法，但它所做的假設(shè)與ICA不同。PCA假設(shè)N維數(shù)據(jù)(其中N是種子點(diǎn)/體素/頂點(diǎn)的數(shù)量)中的大量方差能夠通過旋轉(zhuǎn)參照系來有效地描述，從而與數(shù)據(jù)內(nèi)部固有的最大變異性分布對(duì)齊。雖然現(xiàn)在的時(shí)間序列比以前稍微抽象一些(也就是說，它們不再反映一個(gè)區(qū)域內(nèi)BOLD的上下波動(dòng)，而是反映一種特定活動(dòng)模式的系統(tǒng)性參與)，但是每個(gè)軌跡概括了大量的區(qū)域集群，這意味著我們可以更清晰地了解關(guān)于大腦系統(tǒng)動(dòng)力學(xué)的本質(zhì)。

最近，一種類似于PCA(擴(kuò)散映射)的降維方法被應(yīng)用于大樣本靜息態(tài)fMRI數(shù)據(jù)。與低維結(jié)構(gòu)一致，研究者觀察到兩個(gè)關(guān)鍵的梯度，解釋了數(shù)據(jù)中的實(shí)質(zhì)性差異。重要的是，基于與大量認(rèn)知神經(jīng)科學(xué)實(shí)驗(yàn)相關(guān)的統(tǒng)計(jì)fMRI圖，同樣的梯度能夠概括出分類，這表明這些模式反映了潛在的心理組織原則。這一觀點(diǎn)本身與Mesulam的一個(gè)較早的觀點(diǎn)緊密聯(lián)系在一起。Mesulam認(rèn)為，大腦中的層級(jí)位置和大腦皮層區(qū)域及其與感覺或邊緣結(jié)構(gòu)的距離之間的關(guān)系有關(guān)。有趣的是，大腦皮層回路的復(fù)雜性也存在同樣的原理，這一假設(shè)與最近的多模態(tài)成像工作相一致。此外，類似的方法也被用于證明認(rèn)知任務(wù)表現(xiàn)和基因表達(dá)的低維特征和模式之間的密切關(guān)系。雖然這種方法現(xiàn)在才開始流行，但對(duì)人腦正常(和異常)功能的進(jìn)一步了解，很可能來自對(duì)這一強(qiáng)大優(yōu)勢(shì)的進(jìn)一步探索。例如，PCA或擴(kuò)散映射可用于研究DBS對(duì)特定皮層下或皮層結(jié)構(gòu)的功能梯度變化。

圖論測(cè)量

通過將大腦內(nèi)的區(qū)域視為節(jié)點(diǎn)(或頂點(diǎn))，將連接強(qiáng)度視為邊，可以使用靜息態(tài)連接估計(jì)來填充圖(或網(wǎng)絡(luò))。從這里，可以計(jì)算出大量的概括統(tǒng)計(jì)數(shù)據(jù)，以此來表征整個(gè)網(wǎng)絡(luò)的拓?fù)淠Ｊ?。在PCA的情況下，這些技術(shù)可以被認(rèn)為是將數(shù)據(jù)轉(zhuǎn)換成一個(gè)新的參考框架，在這個(gè)框架下，對(duì)數(shù)據(jù)的洞察可以變得更加清楚。這些圖論測(cè)量的主要概念包括網(wǎng)絡(luò)中節(jié)點(diǎn)的重要性程度(通常稱為中心性)，它們之間的距離測(cè)量(如最短路徑長(zhǎng)度或節(jié)點(diǎn)效率)，分割網(wǎng)絡(luò)的方法或網(wǎng)絡(luò)的全局屬性(如小世界或全局效率)。

將圖論應(yīng)用于靜息態(tài)功能連接的大部分工作是使用統(tǒng)計(jì)度量來計(jì)算邊緣的強(qiáng)度。許多最初為二元圖設(shè)計(jì)的術(shù)語本質(zhì)上很難在連通性圖上進(jìn)行解釋(例如兩個(gè)節(jié)點(diǎn)之間的最短路徑長(zhǎng)度)。當(dāng)考慮到某條邊上存在負(fù)權(quán)值的可能性時(shí)，這個(gè)問題就被放大了。雖然目前還沒有關(guān)于在加權(quán)圖上使用理想測(cè)量方法的共識(shí)，但值得一提的是，首先表征網(wǎng)絡(luò)集群結(jié)構(gòu)的度量對(duì)邊緣計(jì)算的方式不太敏感。至少，研究人員在解釋基于靜息態(tài)數(shù)據(jù)計(jì)算的圖論測(cè)量時(shí)要謹(jǐn)慎，這是很重要的。

動(dòng)態(tài)功能連接

上述的每一種方法具有一個(gè)共同的假設(shè)，即數(shù)據(jù)源自一個(gè)穩(wěn)定不變的過程。在過去的幾年里，這種假設(shè)被放寬了，從而使得研究人員能夠描述實(shí)驗(yàn)過程中功能連接的波動(dòng)。這一想法是為了揭示時(shí)間上的相關(guān)性，努力探索大腦不同區(qū)域隨時(shí)間相互作用的方式的可變性。這種方法提供了一個(gè)獨(dú)特的視角，對(duì)于表征認(rèn)知、注意力和情感狀態(tài)的動(dòng)態(tài)過程中的波動(dòng)具有潛在的重要性。此外，頭部運(yùn)動(dòng)通常會(huì)對(duì)動(dòng)態(tài)連接度量產(chǎn)生強(qiáng)烈的影響，而且區(qū)分從真實(shí)的BOLD信號(hào)中計(jì)算出的動(dòng)態(tài)模式也是一項(xiàng)挑戰(zhàn)。

有效連接

通過引入與時(shí)間優(yōu)先相關(guān)的假設(shè)，研究人員能夠檢驗(yàn)信號(hào)在靜息大腦中流動(dòng)方向的假設(shè)。這基本上可以歸結(jié)為推斷一個(gè)特定區(qū)域的BOLD活動(dòng)是否驅(qū)動(dòng)了另一個(gè)區(qū)域的BOLD波動(dòng)(因此暗示可能存在因果關(guān)系)。目前流行的技術(shù)包括格蘭杰因果關(guān)系、轉(zhuǎn)移熵和延遲線程等技術(shù)。當(dāng)測(cè)量神經(jīng)電位時(shí)(如電生理學(xué))，估計(jì)延時(shí)有效連接已經(jīng)是非常具有挑戰(zhàn)性的了，但是當(dāng)跨區(qū)域的動(dòng)作電位總和通過BOLD信號(hào)的時(shí)空濾波器進(jìn)行濾波時(shí)，這個(gè)挑戰(zhàn)就變得更加復(fù)雜了。此外，大腦中因果關(guān)系的本質(zhì)也是一個(gè)懸而未決的問題，因?yàn)橛凶C據(jù)表明，復(fù)雜系統(tǒng)往往依賴于循環(huán)因果關(guān)系和預(yù)期動(dòng)力學(xué)等過程，這兩者都與傳統(tǒng)技術(shù)隱含的因果關(guān)系模型無關(guān)。這些技術(shù)的支持者認(rèn)為，真正理解神經(jīng)效應(yīng)需要描述相互關(guān)系的因果性質(zhì)(而不僅僅是統(tǒng)計(jì)性質(zhì))。

靜息態(tài)fMRI分析啟示

靜息態(tài)網(wǎng)絡(luò)的一大亮點(diǎn)是，它們與大腦皮層已知的功能分區(qū)相當(dāng)吻合。與視覺和體感系統(tǒng)的聯(lián)系是無可爭(zhēng)議的，因?yàn)檫@兩個(gè)系統(tǒng)都受到來自外圍輸入的限制，因此很可能具有相似的特征。分布在大腦皮層各葉的網(wǎng)絡(luò)在功能上也是一致的。一個(gè)很好的例子是背側(cè)注意力網(wǎng)絡(luò)，它連接額葉眼區(qū)和上頂葉。Mesulam證明了對(duì)背側(cè)注意網(wǎng)絡(luò)的任何一個(gè)皮層節(jié)點(diǎn)的損傷都能導(dǎo)致同樣的注意力忽視癥狀。這些結(jié)果表明，伴隨是一種新興現(xiàn)象，產(chǎn)生于相互關(guān)聯(lián)的區(qū)域網(wǎng)絡(luò)，而不是來源于孤立區(qū)域的激活。

從靜息態(tài)研究中獲得的另一個(gè)重要啟示包括靜息態(tài)網(wǎng)絡(luò)(以及組成它們的區(qū)域)隨著時(shí)間的推移協(xié)調(diào)其活動(dòng)的方式。雖然所有區(qū)域在基線時(shí)通常都是呈現(xiàn)出典型的正相關(guān)，但還是有可能在不同的網(wǎng)絡(luò)對(duì)之間識(shí)別出微妙的反相關(guān)關(guān)系。特別是，在組成默認(rèn)模式網(wǎng)絡(luò)的區(qū)域(如后扣帶回、海馬體、內(nèi)側(cè)前額葉皮層)和組成背側(cè)注意(上頂葉和額葉視區(qū))以及額頂葉控制網(wǎng)絡(luò)(外側(cè)前額葉和外側(cè)頂葉皮層)的區(qū)域存在反相關(guān)關(guān)系。這些模式最初是在靜息態(tài)下觀察到的，并與靜息態(tài)下的大腦不斷返回默認(rèn)狀態(tài)的概念吻合，這對(duì)于大腦的能量消耗具有重要的意義。

參考文獻(xiàn)：

Herculano-Houzel S. The human brain in numbers: a linearly scaled-up primate brain. Front Hum Neurosci. 2009.

Buzsa′ki G, Kaila K, Raichle M. Inhibition and brain work. Neuron. 2007;56(5):771–783.

Haushofer J, Kanwisher N. In the eye of the beholder: visual experience and categories in the human brain. Neuron. 2007;53(6):773–775.

Gaynes R. The discovery of penicillin—new insights after more than 75 years of clinical use. Emerg Infect Dis. 2017;23(5):849–853. https://doi.org/10.3201/eid2305.161556.

Biswal B, Zerrin Yetkin F, Haughton VM, Hyde JS. Functional connectivity in the motor cortex of resting human brain using echo-planar mri. Magn Reson Med. 1995;34(4):537–541.

Betti V, Della Penna S, de Pasquale F, et al. Natural scenes viewing alters the dynamics of functional connectivity in the human brain. Neuron. 2013;79(4):782–797.

Tagliazucchi E, Laufs H. Decoding wakefulness levels from typical fMRI resting-state data reveals reliable drifts Between wakefulness and sleep. Neuron. 2014;82(3):695–708.

Shine JM, Bissett PG, Bell PT, et al. The dynamics of functional brain networks: integrated network states during cognitive task performance. Neuron. 2016;92(2):544–554.

Turchi J, Chang C, Ye FQ, et al. The basal forebrain regulates global resting-state fMRI fluctuations. Neuron. 2018;97(4):940–952.e4.

Poldrack RA, Laumann TO, Koyejo O, et al. Long-term neural and physiological phenotyping of a single human. Nat Commun. 2015;6:8885.

Laumann TO, Gordon EM, Adeyemo B, Snyder AZ. Functional system and areal organization of a highly sampled individual human brain. Neuron. 2015;87(3):657–670.

Gordon EM, Laumann TO, Gilmore AW, et al. Precision functional mapping of individual human brains. Neuron. 2017;95(4):791–807.e7.

Glasser MF, Sotiropoulos SN, Wilson JA, et al. The minimal preprocessing pipelines for the human connectome project. Neuroimage. 2013;80:105–124.

Power JD, Barnes KA, Snyder AZ, Schlaggar BL. Spurious but systematic correlations in functional connectivity MRI networks arise from subject motion. Neuroimage. 2012;59(3):2142–2154.

Dale AM, Fischl B, Sereno MI. Cortical surface-based analysis. Neuroimage. 1999;9(2):179–194.

Gordon EM, Laumann TO, Adeyemo B, Huckins JF, Kelley WM, Petersen SE. Generation and evaluation of a cortical area parcellation from resting-state correlations. Cereb Cortex (New York, NY: 1991). 2014;26(1):288–303.

Schaefer A, Kong R, Gordon EM, et al. Local-global parcellation of the human cerebral cortex from intrinsic functional connectivity MRI. Cereb Cortex (New York, NY: 1991). 2018;28(9):3095–3114.

Chang C, Glover GH. Time–frequency dynamics of resting-state brain connectivity measured with fMRI. Neuroimage. 2010;50(1):81–98.

SMith SM, Miller KL, Salimi-Khorshidi G, et al. Network modelling methods for FMRI. Neuroimage. 2011;54(2):875–891.

He BJ, Zempel JM, Snyder AZ, Raichle ME. The temporal structures and functional significance of scale-free brain activity. Neuron. 2010;66(3):353–369.

Yu-Feng Z, Yong H, Chao-Zhe Z, et al. Altered baseline brain activity in children with ADHD revealed by resting-state functional MRI. Brain Dev. 2007;29(2):83–91.

Calhoun VD, Liu J, Adal? T. A review of group ICA for fMRI data and ICA for joint inference of imaging, genetic, and ERP data. Neuroimage. 2009;45(1):S163–S172.

Calhoun VD, Adali T, Pearlson GD, Pekar JJ. Spatial and temporal independent component analysis of functional MRI data containing a pair of task-related waveforms. Hum Brain Mapp. 2001;13(1):43–53.

Bell PT, Shine JM. Estimating large-scale network convergence in the human functional connectome. Brain Connect. 2015;5(9):565–574.