導(dǎo)讀

目的：fMRI領(lǐng)域的一些研究使用瞬時(shí)相位(IP)表征(源自BOLD時(shí)間序列的解析表征)考察了腦區(qū)之間的同步性。本研究假設(shè)來自不同腦區(qū)的瞬時(shí)振幅(IA)表征可以為腦功能網(wǎng)絡(luò)提供額外的信息。為此，本研究探索了靜息態(tài)BOLD fMRI信號(hào)的這種表征，用于獲得靜息態(tài)網(wǎng)絡(luò)(RSNs)，并將其與基于IP表征的RSNs進(jìn)行比較。

方法：從HCP數(shù)據(jù)集的500名被試中選取100名健康成人(年齡為20-35歲，54名女性)的靜息態(tài)fMRI數(shù)據(jù)進(jìn)行研究。使用3T掃描儀進(jìn)行4次掃描(每次15min)，相位編碼方向?yàn)椋簭淖蟮接?LR)，從右到左(RL)。這4次掃描是在兩個(gè)session中完成的，要求被試睜眼注視一個(gè)白色十字架。IA和IP表征來自使用希爾伯特變換的窄帶濾波BOLD時(shí)間序列，并使用基于種子的方法來計(jì)算大腦中的RSNs。

結(jié)果：實(shí)驗(yàn)結(jié)果表明，在0.01-0.1Hz頻率范圍內(nèi)，基于IA表征的RSNs在運(yùn)動(dòng)網(wǎng)絡(luò)的兩個(gè)session之間具有最高的相似性得分。而對(duì)于額頂網(wǎng)絡(luò)，基于IP的激活圖在所有頻段上的相似性得分最高。對(duì)于更高的頻段(0.198-0.25Hz)，IA和IP表征在兩個(gè)session中獲得的RSNs的一致性都降低了。與基于IP表征的RSNs相比，融合IA和IP表征的RSNs使兩個(gè)session中的默認(rèn)模式網(wǎng)絡(luò)之間的相似性得分提高了3-10%。此外，同樣的比較表明，運(yùn)動(dòng)網(wǎng)絡(luò)在頻段[0.01-0.04Hz、0.04-0.07Hz、slow-5(0.01-0.027Hz)和slow-4(0.027-0.073Hz)]上提高了15-20%。在功能連接(FC)網(wǎng)絡(luò)中，使用瞬時(shí)頻率(IF)表征的兩個(gè)session之間的相似性得分與使用IP表征獲得的相似性得分相當(dāng)。

結(jié)論：本研究結(jié)果表明，基于IA表征的方法可以估計(jì)RSNs，其session之間的可重復(fù)性與基于IP表征的方法相當(dāng)。研究表明，IA和IP表征包含BOLD信號(hào)的補(bǔ)充信息，二者的融合改善了FC的結(jié)果。

前言

近十年來，功能性磁共振成像(fMRI)作為一種強(qiáng)大的非侵入性成像技術(shù)，利用血氧水平依賴(BOLD)對(duì)比來測(cè)量大腦活動(dòng)和研究大腦功能。使用腦區(qū)對(duì)之間的BOLD時(shí)間序列的時(shí)間相關(guān)性來估計(jì)穩(wěn)態(tài)功能連接(FC)。它通常通過計(jì)算跨腦區(qū)的fMRI時(shí)間序列之間的時(shí)間相關(guān)性來測(cè)量。FC主要是對(duì)被試在執(zhí)行預(yù)定義任務(wù)(例如手指敲擊或視覺任務(wù))時(shí)獲得的BOLD時(shí)間序列進(jìn)行測(cè)量。然而，靜息態(tài)下的腦區(qū)在半球內(nèi)和跨半球之間存在顯著的相關(guān)性，這引起了人們對(duì)定義靜息態(tài)FC的興趣。靜息態(tài)下功能連接的區(qū)域稱為靜息態(tài)網(wǎng)絡(luò)(RSNs)，并且人們已經(jīng)探索了各種統(tǒng)計(jì)方法來識(shí)別它們。基于種子的相關(guān)和數(shù)據(jù)驅(qū)動(dòng)的方法，如獨(dú)立成分分析(ICA)、聚類和主成分分析(PCA)技術(shù)是FC分析中常用的方法。在基于種子的相關(guān)方法中，首先根據(jù)假設(shè)或基于任務(wù)的激活圖選擇一個(gè)預(yù)定義的腦區(qū)，然后將該區(qū)域的時(shí)間序列與大腦中所有其他區(qū)域的時(shí)間序列進(jìn)行相關(guān)性分析，以找到與之功能連接的區(qū)域網(wǎng)絡(luò)。然而，像PCA或ICA這樣的技術(shù)，則試圖根據(jù)fMRI數(shù)據(jù)的內(nèi)在結(jié)構(gòu)來推斷大腦活動(dòng)。

人腦是一個(gè)復(fù)雜的非線性動(dòng)態(tài)系統(tǒng)，為了研究人腦各區(qū)域之間的非線性功能關(guān)系，BOLD信號(hào)的解析表征一直是研究的熱點(diǎn)。在這種方法中，實(shí)值BOLD信號(hào)時(shí)間序列通過窄帶濾波器(帶通濾波器通過小范圍的頻率)，所得信號(hào)被用來獲得一個(gè)復(fù)解析信號(hào)。這種復(fù)解析信號(hào)有兩個(gè)組成部分：瞬時(shí)振幅(IA)和瞬時(shí)相位(IP)。IA始終為正，并包含BOLD信號(hào)中呈現(xiàn)的時(shí)變幅值信息。另一方面，IP信號(hào)提供了信號(hào)中存在的時(shí)變相位信息。在解析信號(hào)的這兩種表征方法中，大多數(shù)研究都集中探索以IP表征為主的FC。估計(jì)的IP時(shí)間序列用于測(cè)量?jī)蓚€(gè)空間上不同的腦區(qū)之間的同步性。這些研究發(fā)現(xiàn)，在原始時(shí)間序列可能在時(shí)間上不相關(guān)的情況下，大腦區(qū)域之間存在特定的依賴關(guān)系(主要是相位相關(guān))。

Liard及其同事(2002)開發(fā)了一種應(yīng)用于fMRI數(shù)據(jù)的相位同步(PS)技術(shù)，以研究體素時(shí)間序列與基于事件的手指敲擊任務(wù)的參考函數(shù)之間的相位鎖定情況。分析顯示，在原始時(shí)間序列可能不相關(guān)的情況下，它們的IP之間可能存在相互關(guān)系。Zhou等人(2010)探索了與電生理頻率相關(guān)的不同頻段的BOLD信號(hào)：slow-5(0.01-0.027Hz)，slow-4(0.027-0.073Hz)，slow-3(0.073-0.198Hz)和slow-2(0.198-0.25Hz)。研究結(jié)果表明，slow-5和slow-4頻段主要與灰質(zhì)有關(guān)，而slow-3和slow-2頻段主要與白質(zhì)有關(guān)，并伴有呼吸和心臟信號(hào)混疊。Huotari等人(2019)研究了采樣率對(duì)靜息態(tài)FC指標(biāo)的影響，量化了時(shí)域、頻域、空間域的穩(wěn)態(tài)和動(dòng)態(tài)分析。Glerean及其同事(2012)使用0.04-0.07Hz范圍的窄頻帶進(jìn)行PS分析，以避免被試在自然刺激下出現(xiàn)混疊偽影。該研究定義了幾個(gè)基于IP的PS指標(biāo)，即基于種子的相位同步(SBPS)、個(gè)體間相位同步(IPS)和基于個(gè)體間種子點(diǎn)的相位同步(ISBPS)作為動(dòng)態(tài)FC的測(cè)量指標(biāo)，以研究復(fù)雜的自然刺激和event/blocked設(shè)計(jì)范式。不同腦區(qū)的BOLD時(shí)間序列之間的全局相位同步反映了功能同步簇的動(dòng)態(tài)關(guān)聯(lián)和解離。Pedersen等人(2018)發(fā)現(xiàn)IP同步分析和基于相關(guān)性的滑動(dòng)窗口方法在時(shí)間動(dòng)態(tài)連接方面存在較強(qiáng)的關(guān)聯(lián)。選擇適當(dāng)?shù)拇伴L(zhǎng)以及對(duì)fMRI數(shù)據(jù)進(jìn)行窄帶濾波(0.03-0.07Hz)，IP方法和基于相關(guān)性的方法都提供了可比較的FC結(jié)果?；谛〔ㄗ儞Q的時(shí)頻相干分析揭示了后扣帶皮層與默認(rèn)模式網(wǎng)絡(luò)其他節(jié)點(diǎn)之間的相干性和相位變異性。

本研究分析了靜息態(tài)下BOLD信號(hào)的IA和IP表征在檢測(cè)功能連接腦區(qū)中的意義。在基于種子的FC框架下對(duì)靜息態(tài)數(shù)據(jù)進(jìn)行了IA分析，并觀察了RSNs。研究發(fā)現(xiàn)，使用基于IA表征方法估計(jì)的大腦網(wǎng)絡(luò)在整個(gè)session中是一致的，并且與基于IP表征的腦網(wǎng)絡(luò)估計(jì)結(jié)果相當(dāng)。使用Jaccard相似性對(duì)兩個(gè)session的RSNs空間圖結(jié)果的一致性進(jìn)行了量化。本文還探討了相位展開的一階導(dǎo)數(shù)，即IF作為IP表征的替代方法，因?yàn)樗梢员苊馀c相位計(jì)算相關(guān)的任何歧義，并且可以進(jìn)一步用于探索靜息態(tài)的FC模式。此外，本研究還探索了用于BOLD信號(hào)窄帶濾波的不同頻段，將感興趣的頻段(0.01-0.1Hz)分割成更小的等寬頻段：0.01-0.04Hz、0.04-0.07Hz和0.07-0.1Hz，以觀察基于IA、IF和IP表征方法在每個(gè)子頻段上的RSNs。除了這些頻段之外，本文還考察了Zhou等人(2010)中提到的低頻段，其頻率范圍為0.01-0.25Hz。在整個(gè)session中觀察到使用不同頻段產(chǎn)生的激活圖的一致性。對(duì)于本研究中探討的所有頻段，兩個(gè)session中基于IA表征的RSNs獲得的相似性得分與基于IP表征的方法獲得的相似性得分相當(dāng)。當(dāng)考慮到所得RSNs在不同頻段上的可重復(fù)性時(shí)，對(duì)于部分RSNs，基于IA的方法表現(xiàn)較好(如運(yùn)動(dòng)網(wǎng)絡(luò))，而對(duì)于某些RSNs，基于IP表征的方法表現(xiàn)較好(如額頂網(wǎng)絡(luò))。將基于IA和IP表征方法的RSNs融合后，兩個(gè)session之間的相似性評(píng)分比它們各自的評(píng)分都有所提高。

材料和方法

通過希爾伯特變換得到真實(shí)信號(hào)的解析表征(由Gabor提出)，已被廣泛用于語音信號(hào)處理、腦電圖(EEG)和腦磁圖(MEG)。然而，近二十年來，人們對(duì)fMRI信號(hào)的處理方法進(jìn)行了大量的研究。解析表征是一種常用的調(diào)幅和調(diào)頻(AM-FM)信號(hào)分解方法，用于分析信號(hào)中呈現(xiàn)的時(shí)變振幅和頻率內(nèi)容。對(duì)于實(shí)值窄帶通濾波BOLD信號(hào)x(n)，利用希爾伯特變換可以得到解析信號(hào)xa(n)：

其中，H[.]為x(n)的希爾伯特變換，j為虛數(shù)單位，a(n)是IA，φ(n)是IP。解析信號(hào)xa(n)與x(n)具有相同的傅里葉變換，且負(fù)頻率分量為零。根據(jù)Bedrosian定理，如果帶通濾波器的帶寬足夠窄，則x(n)可以根據(jù)其IA和IP定義為：

振幅a(n)和相位φ(n)分量對(duì)于信號(hào)的精確重建都很重要。信號(hào)參數(shù)φ(n)采用arc-tan估計(jì)，取值范圍為-π到+π，并且存在相位環(huán)繞問題。然而，相位展開的一階導(dǎo)數(shù)稱為IF，可用于避免相位環(huán)繞問題。窄帶解析信號(hào)的IF可以解釋為局部擬合信號(hào)的正弦波頻率，從而描繪信號(hào)中的時(shí)變頻率內(nèi)容。IF表征不需要相位信號(hào)計(jì)算，可計(jì)算如下：

其中Re為表達(dá)式的實(shí)部，xa(k)為xa(n)的離散傅里葉變換，F(xiàn)?1表示離散傅里葉逆變換，N為信號(hào)長(zhǎng)度。圖1顯示了高斯調(diào)制模擬信號(hào)x(n)的IA、IP和IF表征，其頻率內(nèi)容先從0.2到0.03Hz下降(到信號(hào)長(zhǎng)度的一半)，然后再從0.03到0.2Hz增加(至信號(hào)末端)。從圖中可以看出，IA(a(n))給出了模擬信號(hào)的包絡(luò)x(n)。在IP信號(hào)中可以看到頻率的變化(φ(n))。還應(yīng)該注意的是，相位位于-π至+π范圍內(nèi)，因此是一個(gè)包裹相位。IF信號(hào)φ'(n)表示信號(hào)的頻率內(nèi)容。

fMRI數(shù)據(jù)描述

本研究從人類連接組項(xiàng)目(HCP)數(shù)據(jù)集的500名被試中選取100名健康成人(年齡為20-35歲，54名女性)的靜息態(tài)fMRI數(shù)據(jù)進(jìn)行研究。使用3T掃描儀進(jìn)行4次掃描(每次15min)，相位編碼方向?yàn)椋簭淖蟮接?LR)，從右到左(RL)。這4次掃描是在兩個(gè)session中完成的，要求被試睜眼注視一個(gè)白色十字架。采用重復(fù)時(shí)間(TR)=720ms，回波時(shí)間(TE)=33.1ms，層厚2.0mm，回波平面成像(EPI)加速度因子=8采集靜息態(tài)圖像。

分析框架圖2顯示了進(jìn)行FC分析的分析框架。整個(gè)流程分為以下三個(gè)階段，階段1：信號(hào)預(yù)處理；階段2：信號(hào)轉(zhuǎn)換和表征提??；階段3：FC分析。階段1包括fMRI數(shù)據(jù)的標(biāo)準(zhǔn)預(yù)處理，然后在所需范圍內(nèi)對(duì)BOLD信號(hào)進(jìn)行濾波(頻帶為fC1-fC2?Hz的Butterworth四階帶通濾波器，其中fC1和fC2分別表示帶通濾波器的低截止頻率和高截止頻率)。對(duì)于基于BOLD表征的方法，期望的頻率范圍為0.01-0.1Hz，這是rs-fMRI?FC分析中廣泛使用的頻率范圍。然而，對(duì)于基于IA、IF和IP表征的方法，本研究探索了fC1和fC2的多種選擇。窄帶濾波后的真實(shí)BOLD信號(hào)被轉(zhuǎn)換為復(fù)解析信號(hào)。然后在第2階段，從該解析信號(hào)中提取IA、IF和IP表征。

本研究使用“最小預(yù)處理”HCP的靜息態(tài)數(shù)據(jù)，即優(yōu)化的空間預(yù)處理數(shù)據(jù)。預(yù)處理步驟包括去除各種空間偽影和頭動(dòng)校正。然后，將時(shí)間序列數(shù)據(jù)與結(jié)構(gòu)數(shù)據(jù)和2mm標(biāo)準(zhǔn)(MNI)空間對(duì)齊。對(duì)整個(gè)數(shù)據(jù)集進(jìn)行全局強(qiáng)度歸一化，并去除非腦體素。第3階段包括FC分析。這里使用基于種子的方法，從各自的網(wǎng)絡(luò)中選擇種子點(diǎn)，并計(jì)算種子表征時(shí)間序列與大腦中其余體素表征時(shí)間序列之間的線性相關(guān)性。然而，對(duì)于基于IP的連接圖，相位鎖定值(PLV)指標(biāo)是根據(jù)種子的IP時(shí)間序列和其余體素的IP時(shí)間序列之間的相位差進(jìn)行計(jì)算的。每種方法的激活圖是每個(gè)session中被試特異性激活圖的平均值。

結(jié)果

對(duì)于IA、IF和IP表征，本文將BOLD信號(hào)在以下頻率范圍內(nèi)進(jìn)行窄帶濾波：0.01-0.04Hz；0.04-0.07Hz；0.07-0.1Hz；0.01-0.027Hz；0.027-0.073Hz；0.073-0.198Hz和0.198-0.25Hz。圖3展示了本研究中從橫向視覺網(wǎng)絡(luò)區(qū)域提取的兩個(gè)BOLD時(shí)間序列的所有三種表征。種子和目標(biāo)體素分別用黑色和藍(lán)色突出顯示(種子位置用綠色十字準(zhǔn)線突出顯示)。假設(shè)如果兩個(gè)區(qū)域同步，則它們的IP時(shí)間序列具有恒定的相位差。PLV指標(biāo)在EEG/MEG數(shù)據(jù)中被廣泛用于評(píng)估兩個(gè)IP時(shí)間序列之間的PS，如下所示：

其中，<>為n個(gè)樣本上的平均值，Δφ(n)為相位差時(shí)間序列。PLV=0(表示兩個(gè)時(shí)間序列不同步)；PLV=1(表示兩個(gè)時(shí)間序列高度同步)。

Session 1中的前默認(rèn)模式網(wǎng)絡(luò)(aDMN)、后默認(rèn)模式網(wǎng)絡(luò)(pDMN)、背側(cè)注意網(wǎng)絡(luò)(DAN)、運(yùn)動(dòng)網(wǎng)絡(luò)、外側(cè)視覺網(wǎng)絡(luò)(Lat.Visual)和額頂網(wǎng)絡(luò)(FP)的激活圖如(圖4-5)所示。采用基于種子的FC方法獲得基于BOLD、IA和IF表征的RSNs，其中種子位置(MNI坐標(biāo))如下：aDMN(2，44，?10)，pDMN(6，?54，26)，DAN(60，?24，12)，F(xiàn)P(?46，?50，46)，Lat.Visual(31，?94，2)和運(yùn)動(dòng)網(wǎng)絡(luò)(30，?38，68)。對(duì)于IP表征，使用PLV指標(biāo)作為空間上不同腦區(qū)IP時(shí)間序列之間同步的度量。對(duì)于使用Fisher’s z變換FC值的所有表征，都顯示了顯著的功能連接空間圖(p＜0.05)。對(duì)于每個(gè)session，包含兩次run：從左到右(LR)、從右到左(RL)，對(duì)于每個(gè)被試，分別計(jì)算每次run的FC矩陣，然后計(jì)算兩次run的平均FC矩陣以便進(jìn)一步分析。生成的激活圖(如圖4和圖5所示)是每個(gè)session中個(gè)體被試激活圖的平均值。可以觀察到，基于BOLD信號(hào)的轉(zhuǎn)換表征：基于IA，IP和IF表征的方法能夠復(fù)現(xiàn)與基于BOLD表征方法獲得的RSNs相似的靜息態(tài)大腦FC模式，但有些差異不顯著。將這些基于表征方法的激活圖(圖6-7)成對(duì)地融合，說明了此處所示的所有RSNs空間圖的相似性。

本研究探索了截止頻率的多種選擇(fC1，fC2)來對(duì)BOLD信號(hào)進(jìn)行濾波(用于提取IA、IF和IP表征)。為了探索頻率對(duì)估計(jì)FC的影響，本研究還分析了比文獻(xiàn)建議的PS分析頻段(0.04-0.07Hz)更低和更高的頻段(0.01-0.04Hz和0.07-0.1Hz)，以涵蓋傳統(tǒng)靜息態(tài)研究使用的整個(gè)低頻范圍(0.01-0.1Hz)。除了這些頻段，本文還探索了Zhou等人(2010)所描述的低頻子頻段，這些子頻段涵蓋了與大腦灰質(zhì)和白質(zhì)組織相關(guān)的頻率。圖8顯示了本研究中使用的基于IA、IF和IP表征的方法在不同頻段獲得的兩個(gè)RSN(外側(cè)視覺和aDMN)的加性融合。可以觀察到，所有三種表征的種子共激活區(qū)域在所有頻段中占主導(dǎo)地位，因此表明這些表征獲得的RSNs具有相似性。

本研究觀察了每個(gè)頻段的RSNs，并且在兩個(gè)靜息態(tài)fMRI?session之間計(jì)算這些表征，用于估計(jì)FC的可靠性。利用Jaccard相似性(JS)得分計(jì)算兩個(gè)session空間圖之間的相似性，作為可靠性的衡量指標(biāo)。圖9顯示了基于IA、IP和IF表征的所有頻段(0.01-0.04Hz、0.04-0.07Hz、0.07-0.1Hz、0.01-0.027Hz、0.027-0.073Hz、0.073-0.198Hz和0.198-0.25Hz)的RSN在兩個(gè)session之間的JS分?jǐn)?shù)。

對(duì)于本研究中的所有RSNs，基于IA表征的方法與基于IP表征的方法(PLV)具有相當(dāng)?shù)南嗨菩缘梅?。因此，它可以被認(rèn)為是計(jì)算FC的可靠度量?；贗F表征得到的估計(jì)FC是有噪聲的(由一些在感興趣網(wǎng)絡(luò)區(qū)域之外活動(dòng)的體素組成)，因此是所有表征方法中最不可靠的。

BOLD信號(hào)的IA、IF和IP表征中的補(bǔ)充信息通過融合每個(gè)表征在特定頻段(0.04-0.07Hz)所獲得的RSNs(平均)來說明。融合IA和IP表征的RSNs使得默認(rèn)模式網(wǎng)絡(luò)和運(yùn)動(dòng)網(wǎng)絡(luò)在兩個(gè)session之間的JS得分比基于IP表征的得分，分別提高了3-10%和15-20%。值得注意的是，IF和IP表征的RSNs沒有融合，因?yàn)閮烧咛峁┑亩际窍辔恍畔?相位和相位的導(dǎo)數(shù))。對(duì)于基于IA-IP融合的RSNs，兩個(gè)session在頻段(0.01-0.04Hz，0.04-0.07Hz，slow-5和slow-4)上的相似性得分有所提高(圖10)。但對(duì)于其余頻段，任何RSNs均未見顯著提高。

結(jié)論

本研究使用解析信號(hào)的振幅(IA)、相位(IP)和頻率(IF)表征對(duì)100名被試的靜息態(tài)fMRI數(shù)據(jù)進(jìn)行了FC圖分析。使用基于種子的方法來演示RSNs，該方法使用最為廣泛，可用于尋找與所選種子點(diǎn)存在功能連接的區(qū)域。使用這些基于表征的方法，得到了aDMN、pDMN、DAN、FP網(wǎng)絡(luò)、外側(cè)視覺網(wǎng)絡(luò)和運(yùn)動(dòng)網(wǎng)絡(luò)的FC激活圖。這些基于表征的方法(IP-IA和IP-IF)在空間圖上的相似性表明，所有表征方法都可以很好地探索靜息態(tài)下的FC。通過JS分?jǐn)?shù)計(jì)算的基于IA、IF和IP表征方法(對(duì)于在兩個(gè)session中獲得的RSNs)的可靠性表明，基于IA表征的FC圖在session之間具有良好的相似性得分，與基于IP表征的方法相當(dāng)。本研究發(fā)現(xiàn)，使用IF表征獲得的RSNs低于使用IA和IP表征方法獲得的RSNs，但并不差。這可能是因?yàn)锽OLD信號(hào)是一個(gè)緩慢變化的信號(hào)，因此由IF表征的展開相位梯度不能增強(qiáng)BOLD信號(hào)對(duì)共激活體素的判別因子。

fMRI FC的一致性已使用組內(nèi)相關(guān)系數(shù)(ICC)指標(biāo)進(jìn)行了廣泛的評(píng)估。ICC值越高表示可靠性越高，而ICC值越低表示可靠性越差。一些研究表明，高連接強(qiáng)度的連接具有高可靠性，并且session之間的ICC分?jǐn)?shù)通常在0.1-0.75之間。與上述研究相比，本研究的相似性度量，即Jaccard系數(shù)值更高，范圍從0.35-0.93。其原因可能是，本研究考慮了各種窄帶頻率，用于從BOLD時(shí)間序列中提取不同的表征(IA、IP和IF)，并計(jì)算使用相同方法獲得的兩個(gè)session之間的功能連接圖的相似性，這可能會(huì)導(dǎo)致比之前的方法使用寬帶BOLD時(shí)間序列獲得的相似性分?jǐn)?shù)更高。使用rs-fMRI信號(hào)的實(shí)驗(yàn)結(jié)果表明，基于IA和IP表征的成功取決于所采用的濾波器的范圍和帶寬。理想情況下，濾波后的信號(hào)(解析信號(hào))應(yīng)該具有單頻分量，以獲得有意義的表征。但應(yīng)該注意的是，由于BOLD信號(hào)是緩慢變化的信號(hào)(0.01-0.25Hz)，因此在低頻范圍(0.04-0.07Hz)中使用可變窄帶濾波器將不會(huì)捕獲IA或IP信號(hào)中的重要細(xì)節(jié)，而IA或IP信號(hào)負(fù)責(zé)測(cè)量?jī)蓚€(gè)區(qū)域之間的同步。此外，在高頻范圍內(nèi)使用濾波頻段也可能無法從緩慢變化的BOLD信號(hào)中提供有用的表征。這可能就是使用未濾波的BOLD信號(hào)獲得的JS分?jǐn)?shù)比使用IA、IF和IP表征獲得的分?jǐn)?shù)更好或略差的原因。

原文：P. Mittal, A.K. Sao and B. Biswal, Impact of amplitude and phase of fMRI time series for functional connectivity analysis, Magnetic Resonance Imaging (2023), https://doi.org/10.1016/j.mri.2023.04.002

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～