導(dǎo)讀

目的：人們對(duì)大規(guī)模腦網(wǎng)絡(luò)功能連接動(dòng)力學(xué)研究的興趣不斷增長(zhǎng)，同時(shí)也在努力尋找電生理相關(guān)。在EEG數(shù)據(jù)分析中，應(yīng)用于空域和譜域的常用約束可能會(huì)使部分神經(jīng)活動(dòng)無(wú)法識(shí)別。本研究提出了一種與BOLD功能網(wǎng)絡(luò)連接動(dòng)態(tài)相關(guān)的多模態(tài)EEG頻譜模式的揭盲方法。

方法：利用平行因子分析方法對(duì)EEG頻譜圖進(jìn)行盲源分離，現(xiàn)已被證明是揭示神經(jīng)活動(dòng)模式的一種有用技術(shù)。同時(shí)采集的BOLD fMRI數(shù)據(jù)采用獨(dú)立成分分析法進(jìn)行分解。利用滑動(dòng)窗口相關(guān)法在成分的時(shí)間序列上計(jì)算動(dòng)態(tài)功能連接，并根據(jù)相關(guān)系數(shù)值定義網(wǎng)絡(luò)之間的連接狀態(tài)。采用方差分析(ANOVA)檢驗(yàn)評(píng)估網(wǎng)絡(luò)間連接狀態(tài)的動(dòng)態(tài)與EEG頻譜模式波動(dòng)之間的關(guān)系。

結(jié)果：本研究發(fā)現(xiàn)了三種與網(wǎng)絡(luò)間連接狀態(tài)動(dòng)態(tài)相關(guān)的模式。第一種模式在alpha、beta和gamma頻段有主導(dǎo)峰，與聽(tīng)覺(jué)、感覺(jué)運(yùn)動(dòng)和注意網(wǎng)絡(luò)之間的動(dòng)態(tài)有關(guān)。第二種模式，在theta和低頻alpha頻段存在主導(dǎo)峰，與視覺(jué)和默認(rèn)模式網(wǎng)絡(luò)有關(guān)。第三種模式，同樣在theta和低頻alpha頻段存在主導(dǎo)峰，與聽(tīng)覺(jué)和額葉網(wǎng)絡(luò)有關(guān)。

意義：研究者在此前的研究中揭示了EEG頻譜模式波動(dòng)與大規(guī)模腦網(wǎng)絡(luò)血流動(dòng)力學(xué)之間的關(guān)系。在本研究中，研究者認(rèn)為當(dāng)EEG信號(hào)數(shù)據(jù)不受標(biāo)準(zhǔn)的空域和譜域約束時(shí)，這種關(guān)系在大規(guī)模腦網(wǎng)絡(luò)之間的功能連接動(dòng)態(tài)水平上也存在。

前言

人腦在功能上形成的大規(guī)模網(wǎng)絡(luò)可以通過(guò)功能磁共振成像(fMRI)觀察到。通過(guò)BOLD效應(yīng)研究這些大規(guī)模腦網(wǎng)絡(luò)(LSBNs)的最廣泛的分析方法可能是通過(guò)獨(dú)立成分分析(ICA)對(duì)數(shù)據(jù)進(jìn)行盲源分離。功能連接(FC)是一種靜態(tài)FC，并假設(shè)整個(gè)分析數(shù)據(jù)具有時(shí)間平穩(wěn)性。在過(guò)去的十年里，人們對(duì)研究與神經(jīng)元集群的同步和不同步相關(guān)的FC動(dòng)力學(xué)越來(lái)越感興趣。其假設(shè)FC只在短時(shí)間內(nèi)穩(wěn)定。計(jì)算動(dòng)態(tài)功能連接(DFC)的一種常用方法是滑動(dòng)窗口相關(guān)法，其關(guān)鍵約束是窗口大小。人們一直在努力尋找靜態(tài)LSBNs的電生理相關(guān)性；其他研究則探討了動(dòng)態(tài)FC與EEG功率波動(dòng)之間的關(guān)系。處理這些同步數(shù)據(jù)集的電生理部分通常有許多限制。在空間信息方面，可以選擇多電極平均信號(hào)或只選擇電極子集信號(hào)。由于關(guān)注頻譜特性，通常將EEG頻譜劃分為各種感興趣的頻段，而忽略了頻率之間的關(guān)系。這種約束可能是LSBNs與EEG功率波動(dòng)關(guān)系中存在被試間和被試內(nèi)變異性的原因。采用數(shù)據(jù)驅(qū)動(dòng)技術(shù)對(duì)EEG數(shù)據(jù)進(jìn)行多種盲源分離可以消除這一缺陷，從而發(fā)現(xiàn)EEG活動(dòng)的多種模式。利用ICA對(duì)EEG頻譜圖進(jìn)行兩種分解，以空間譜域或時(shí)域模式表征LSBNs似乎是一種很有前途的方法。然而，它涉及到將一個(gè)三相數(shù)據(jù)(時(shí)×頻×空)重塑為兩種模式(如空間譜域×?xí)r域)，可以分解EEG頻譜圖中的任何三相依賴(lài)關(guān)系。

在對(duì)EEG頻譜圖進(jìn)行多路分解的過(guò)程中，更進(jìn)一步的方法是使用平行因子分析(PARAFAC)，它可以將一個(gè)三向EEG頻譜圖分解為一組三相(時(shí)×頻×空)EEG活動(dòng)模式。在之前的工作中，研究者證明了PARAFAC可以在EEG頻譜圖中發(fā)現(xiàn)和分離活動(dòng)模式。有些模式具有神經(jīng)生理學(xué)的起源，而有些則被報(bào)告為生理或技術(shù)偽影。在后續(xù)的工作中，研究者證明了PARAFAC分解的可靠性及其與LSBNs相關(guān)的時(shí)間穩(wěn)定性。在本研究工作中，研究者證明了基于變分貝葉斯統(tǒng)計(jì)的PARAFAC也可以揭示與BOLD功能網(wǎng)絡(luò)連接動(dòng)態(tài)相關(guān)的時(shí)頻空模式。揭示的幾種模式在頻譜特征的不同頻段包含多個(gè)峰值。

方法

數(shù)據(jù)采集

本研究測(cè)量了50名健康被試(20名女性，30名男性，年齡19-40歲，平均年齡25歲)15分鐘的靜息態(tài)fMRI-EEG數(shù)據(jù)。要求被試在測(cè)量過(guò)程中閉上眼睛，躺著不動(dòng)。正如被試在匯報(bào)過(guò)程中所報(bào)告的那樣，沒(méi)有人在掃描儀中睡著。該研究得到了當(dāng)?shù)貍惱砦瘑T會(huì)的批準(zhǔn)，所有被試在參與研究前都簽署了知情同意書(shū)。使用1.5T Siemens Symphony掃描儀采集MRI數(shù)據(jù)。獲取t1加權(quán)MPRAGE結(jié)構(gòu)像作為解剖參考(160個(gè)矢狀面，矩陣大小為256×256，重采樣至512×512，TR=1700ms，TE=3.96ms，F(xiàn)OV=246mm，F(xiàn)A=15°，層厚=1.17mm)。采用梯度回波測(cè)量靜息態(tài)功能數(shù)據(jù)，回波平面成像300次(除小腦下部外全腦32個(gè)橫斷面，矩陣大小為64×64，TR=3s，TE=40ms，F(xiàn)OV=220mm，F(xiàn)A=90°，層厚=3.5mm)。使用32通道MR兼容的BrainProducts EEG系統(tǒng)在功能MR掃描過(guò)程中同時(shí)測(cè)量EEG數(shù)據(jù)。BrainAmp MR放大器與BrainCap MR(30個(gè)EEG電極，1個(gè)ECG電極和1個(gè)EOG電極)配以BrainAmp ExG MR放大器，可獲得另外兩個(gè)雙極ECG信號(hào)和安裝在被試胸部的加速度計(jì)信號(hào)。數(shù)據(jù)采樣率為5kHz，并用BrainVision SyncBox同步MR采集和EEG采樣。fMRI/EEG數(shù)據(jù)處理和分析管道如圖1所示，并在后續(xù)段落中進(jìn)行描述。

EEG數(shù)據(jù)處理與分析

EEG數(shù)據(jù)的預(yù)處理和分析是在BrainVision Analyzer 2軟件(BrainProducts，GmbH，Germany)中完成的，并在MATLAB?2014b(The MathWorks，Inc，Natick，USA)中運(yùn)行。首先去除與MR相關(guān)的偽影。對(duì)于梯度偽影(GA)的抑制，本研究采用了一種基于模板減法的方法。模板是通過(guò)20 TR間隔的滑動(dòng)平均值創(chuàng)建的。然后，在同步記錄的GA過(guò)濾ECG數(shù)據(jù)中檢測(cè)R波，并將其計(jì)時(shí)用于心沖擊圖(BCG)偽影的抑制。使用Butterworth 8階零相位1-40Hz帶通濾波器(48dB/八度)對(duì)數(shù)據(jù)進(jìn)行濾波，降采樣至250Hz，并重參考平均參考值。通過(guò)將每個(gè)電極的EEG數(shù)據(jù)分割為3s的周期(基于fMRI同步采集的TR)，利用快速傅立葉變換(FFT)將這些周期轉(zhuǎn)換到譜域，并取傅立葉復(fù)系數(shù)平方的絕對(duì)值，創(chuàng)建PARAFAC模型的3D頻譜圖。因此，3D頻譜圖具有電極、時(shí)間和頻率模式。

最后一個(gè)預(yù)處理步驟是每個(gè)電極和頻率箱對(duì)應(yīng)的所有時(shí)間序列的均值減去并縮放到單位標(biāo)準(zhǔn)差，以獲得在PARAFAC模型估計(jì)中所有被試的這些模式的同等效果。將被試特定的3D頻譜圖沿時(shí)域模式連結(jié)，生成一組3D頻譜圖。使用PARAFAC模型對(duì)所有被試的3D頻譜圖進(jìn)行分解。盲源分離基于變分貝葉斯統(tǒng)計(jì)，生成一組模式，每個(gè)模式具有空間、時(shí)間和頻譜特征。根據(jù)研究者之前的工作和對(duì)這些數(shù)據(jù)進(jìn)行PARAFAC模型估計(jì)的經(jīng)驗(yàn)，研究者選擇分解為10個(gè)模式。在10個(gè)PARAFAC模式(PRFC)中，丟棄了3個(gè)，因?yàn)樗鼈兘沂玖送絝MRI-EEG記錄中出現(xiàn)的各種技術(shù)偽影。在隨后的分析中，使用了其余7個(gè)PRFC模式的時(shí)域特征來(lái)評(píng)估與BOLD功能網(wǎng)絡(luò)連接動(dòng)態(tài)的關(guān)系。

fMRI數(shù)據(jù)處理與分析

數(shù)據(jù)處理和分析在SPM 12(Wellcome Trust Centre for Neuroimaging，UCL，UK)、GIFT?v4.0a(Mind Research Network，Albuquerque，USA)和MATLAB 2014b(The MathWorks，Natick，USA)環(huán)境中運(yùn)行。預(yù)處理管道由一系列步驟組成，首先將所有功能掃描重新對(duì)準(zhǔn)到第一次掃描，然后用RETROICOR濾除生理噪聲，由此從同步記錄的雙極ECG和加速度計(jì)信號(hào)中提取所需的ECG?R波和呼吸峰時(shí)間。由于TR=3s，還應(yīng)用了時(shí)間層校正，空間歸一化將數(shù)據(jù)轉(zhuǎn)換為標(biāo)準(zhǔn)的立體定向MNI空間。

根據(jù)Barton等人(2015)和Weissenbacher等人(2009)的建議，回歸出24個(gè)運(yùn)動(dòng)參數(shù)時(shí)間序列，5個(gè)從腦室提取的時(shí)間序列，4個(gè)從白質(zhì)提取的時(shí)間序列，以抑制功能數(shù)據(jù)中殘留的生理噪聲。然后，使用Mask Explorer工具控制空間異常的數(shù)據(jù)。最后一個(gè)預(yù)處理步驟是在全寬半極大值(FWHM)中使用8mm高斯核卷積對(duì)功能掃描進(jìn)行空間濾波。采用數(shù)據(jù)驅(qū)動(dòng)組ICA來(lái)識(shí)別LSBNs。每個(gè)體素中的平均時(shí)間序列被縮放到100(GIFT中的強(qiáng)度歸一化選項(xiàng))。使用ICASSO程序進(jìn)行10次迭代，以獲得由InfoMax算法估計(jì)的最可靠的20個(gè)獨(dú)立成分(IC)。然后使用GICA3技術(shù)對(duì)被試特定和網(wǎng)絡(luò)特定的BOLD波動(dòng)所對(duì)應(yīng)的時(shí)間過(guò)程進(jìn)行反向重建。

功能連接動(dòng)態(tài)和網(wǎng)絡(luò)間連接狀態(tài)

在計(jì)算特定LSBNs之間的DFC之前，丟棄了5個(gè)明顯表示偽影的ICs。然后在滑動(dòng)矩形窗口中計(jì)算每個(gè)被試的15個(gè)IC時(shí)間進(jìn)程的所有獨(dú)特組合之間的Pearson相關(guān)系數(shù)，從而形成特定被試目的DFC時(shí)間序列。為了評(píng)估窗長(zhǎng)對(duì)BOLD功能網(wǎng)絡(luò)連接動(dòng)態(tài)和EEG功率波動(dòng)之間關(guān)系的影響，本研究計(jì)算了四種不同窗長(zhǎng)(45、60、75和90s)的整體分析。

本研究定義了三種網(wǎng)絡(luò)間連接狀態(tài)(BNCS)：正向同步(PS)、反向同步(NS)和非同步(D)，它們對(duì)應(yīng)于DFC時(shí)間序列中的高正、高負(fù)和接近零的相關(guān)系數(shù)。為了識(shí)別這些BNCS，對(duì)被試特定的DFC時(shí)間序列進(jìn)行閾值化。根據(jù)所有相關(guān)系數(shù)(參見(jiàn)圖4)分布中的局部極小值確定特定閾值，這些相關(guān)系數(shù)在所有被試的15個(gè)IC時(shí)間進(jìn)程的所有組合之間形成了DFC時(shí)間序列。

網(wǎng)絡(luò)間連接狀態(tài)與EEG功率波動(dòng)

為了獲得BNCS時(shí)間序列和PRFC時(shí)域特征的相同時(shí)間，對(duì)PRFC時(shí)域特征執(zhí)行了滑動(dòng)窗口平滑。在相同長(zhǎng)度的矩形窗口中計(jì)算均值，就像在DFC中計(jì)算相關(guān)系數(shù)一樣。將PRFC平滑時(shí)域特征延遲(6s)到BNCS時(shí)間序列(通過(guò)丟棄BNCS時(shí)間序列的前兩個(gè)值和PRFC平滑時(shí)域特征的最后兩個(gè)值)，以考慮血流動(dòng)力學(xué)響應(yīng)延遲。

然后采用多因素方差分析來(lái)評(píng)估由PRFC平滑時(shí)域特征所代表的EEG功率波動(dòng)與由BNCS時(shí)間序列所代表的網(wǎng)絡(luò)間連接狀態(tài)之間的關(guān)系。測(cè)試了跨被試連結(jié)的每個(gè)PRFC平滑時(shí)域特征均值的因素影響，其中第一個(gè)因素是跨被試連結(jié)的特定BNCS時(shí)間序列(固定效應(yīng))，第二個(gè)因素是被試者因素(隨機(jī)效應(yīng))。BNCS時(shí)間序列和PRFC平滑時(shí)域特征的所有組合的多個(gè)多因素方差分析檢驗(yàn)形成了一個(gè)105×7個(gè)p值的數(shù)組，通過(guò)錯(cuò)誤發(fā)現(xiàn)率(FDR)在p＜0.05水平進(jìn)行多重比較校正。對(duì)DFC計(jì)算的每個(gè)窗長(zhǎng)分別執(zhí)行FDR。

結(jié)果

EEG數(shù)據(jù)的PARAFAC分解

圖2顯示了PARAFAC分解得到的10種模式的空間和頻譜特征。特定模式的3D頻譜圖數(shù)據(jù)可解釋方差由同一圖中的箱線(xiàn)圖表示。所有10種模式可解釋方差的中位數(shù)為5.2。

分解的結(jié)果可以分為兩組。第一組包括與MR環(huán)境中不可能完全抑制的偽影相關(guān)的模式。PRFC6的頻譜特征包含多個(gè)峰值。PRFC3和PRFC8與MR梯度偽影的殘留有關(guān)。這些PRFC的頻譜特征在33Hz左右的伽馬頻段包含尖峰。對(duì)梯度偽影抑制前后的標(biāo)準(zhǔn)EEG功率譜進(jìn)行視覺(jué)檢查，發(fā)現(xiàn)殘留的峰仍然存在，即32層TR 3s MR采集序列的高諧波為10.7Hz。第二組包含被認(rèn)為起源于神經(jīng)活動(dòng)的模式。只有這些被用于后續(xù)分析(PRFC1，2，4，5，7，9和10)。最后一步對(duì)所有EEG數(shù)據(jù)進(jìn)行預(yù)處理，PRFC模式的估計(jì)特征的正或負(fù)值可以解釋為相對(duì)于平均功率基線(xiàn)的功率增加或減少。

fMRI數(shù)據(jù)的ICA分解

在fMRI數(shù)據(jù)分析部分，使用ICA將預(yù)處理的功能數(shù)據(jù)分解為20個(gè)可靠的獨(dú)立成分?？臻g映射如圖3所示。在目視檢查了每個(gè)特定的成分(其空間映射和時(shí)間進(jìn)程)之后，根據(jù)Griffanti等人(2017)研究中的建議發(fā)現(xiàn)了5個(gè)偽影成分。IC10的空間映射包含了一個(gè)典型的由運(yùn)動(dòng)引起的位于大腦邊緣的環(huán)。IC1、2、5和12的空間映射位于腦室、血管和白質(zhì)。在隨后的分析中丟棄這5個(gè)成分。其余15個(gè)成分被認(rèn)為是LSBNs的代表，根據(jù)Allen等人(2011)研究中的結(jié)果，通過(guò)視覺(jué)比較空間映射并對(duì)其進(jìn)行功能特化。

網(wǎng)絡(luò)間連接狀態(tài)

基于從DFC計(jì)算中得到的所有相關(guān)系數(shù)的分布，定義了三種FC狀態(tài)(NS、D和PS)(圖4)。所有四個(gè)窗長(zhǎng)的分布形狀非常相似，其形狀的局部極小值作為閾值(閾值1=-0.74，閾值2=0.80)。從這個(gè)意義上說(shuō)，NS狀態(tài)對(duì)應(yīng)于由區(qū)間<-1.00，-0.74>的Pearson相關(guān)系數(shù)描述的兩個(gè)LSBNs之間的功能連接；類(lèi)似地，D狀態(tài)的區(qū)間為(-0.74，0.80)，PS狀態(tài)的區(qū)間為<0.80，1.00>。

LSBN連接狀態(tài)及相關(guān)EEG功率波動(dòng)

多元方差分析結(jié)果表明，三種PRFC模式的相對(duì)功率波動(dòng)與一些LSBNs之間的BNCS動(dòng)態(tài)有關(guān)。圖5顯示了經(jīng)過(guò)FDR多重檢驗(yàn)校正后具有統(tǒng)計(jì)學(xué)顯著性的關(guān)系(p＜0.05)。由于關(guān)系的強(qiáng)度依賴(lài)于DFC計(jì)算的窗長(zhǎng)，這里呈現(xiàn)的是在FDR之后至少有一個(gè)窗長(zhǎng)顯著的結(jié)果。

PRFC2的頻譜特征在alpha和beta頻段有優(yōu)勢(shì)功率增加，而在gamma頻段優(yōu)勢(shì)功率減少。對(duì)于該模式的功率波動(dòng)，結(jié)果發(fā)現(xiàn)了三種與BNCS動(dòng)態(tài)的顯著關(guān)系，其中包括聽(tīng)覺(jué)和注意網(wǎng)絡(luò)(IC3，IC16)、感覺(jué)運(yùn)動(dòng)和注意網(wǎng)絡(luò)(IC8，IC20)以及兩個(gè)注意網(wǎng)絡(luò)(IC15，IC20)。前兩者在FDR后的75s和90s的DFC計(jì)算窗長(zhǎng)變化顯著；第三種關(guān)系僅在75s窗長(zhǎng)中變化顯著。事后方差分析檢驗(yàn)(圖6)顯示，所有三種關(guān)系與PRFC2的操作方式相同。當(dāng)alpha和beta頻段的功率增加而gamma的功率減小時(shí)，上述LSBNs之間的功能連接從同步狀態(tài)(無(wú)論是正向還是反向)變?yōu)槿ネ綘顟B(tài)。

PRFC7頻譜特征包含theta和低頻alpha的主頻率峰值。其功率波動(dòng)與視覺(jué)和默認(rèn)模式(IC6、IC14) BNCS動(dòng)態(tài)密切相關(guān)。事后檢驗(yàn)表明，這兩個(gè)LSBNs的同步伴隨著theta和低頻alpha功率增加。經(jīng)FDR校正發(fā)現(xiàn)，在窗長(zhǎng)為75s的DFC計(jì)算中存在統(tǒng)計(jì)顯著性。最后，F(xiàn)DR校正發(fā)現(xiàn)PRFC10頻譜特征的功率波動(dòng)與具有聽(tīng)覺(jué)和額葉功能特化的LSBNs的BNCS動(dòng)態(tài)(IC3，IC18)之間存在顯著關(guān)系。隨著theta的增加和PRFC10頻譜特征描述的低頻alpha的減少，LSBNs的正向同步從去同步化變化為反向同步。

結(jié)論

人們對(duì)在電生理數(shù)據(jù)中尋找功能連接動(dòng)態(tài)標(biāo)志的興趣日益濃厚，這表明EEG數(shù)據(jù)在處理過(guò)程中往往會(huì)受到空間和譜域的限制；這可能會(huì)削弱數(shù)據(jù)潛力。本研究提出了一種替代方案，即采用PARAFAC模型，一種不受這些約束或限制的方法。PARAFAC分解是一種有前途的工具，它能夠揭示EEG頻譜圖中具有生理意義的活動(dòng)模式，證明了分解在時(shí)間上和在被試間是穩(wěn)定的，并揭示了與BOLD LSBNs相關(guān)的模式。總而言之，本研究引入了PARAFAC技術(shù)，該技術(shù)也能夠發(fā)現(xiàn)反映BOLD功能網(wǎng)絡(luò)連接動(dòng)態(tài)的時(shí)頻空模式。原文：Spatial-temporal-spectral EEG patterns of BOLD functional network connectivity dynamics.

https://doi.org/10.1088/1741-2552/aab66b

小伙伴們關(guān)注茗創(chuàng)科技，將第一時(shí)間收到精彩內(nèi)容推送哦～