前言

人腦由解剖和功能性的網(wǎng)絡(luò)組織而成，這些網(wǎng)絡(luò)涉及大規(guī)模分布但相互作用的腦區(qū)。不同腦區(qū)之間的同步性已在手指敲擊或視覺刺激等實驗任務(wù)活動中觀察到，但更重要的是，也在無任務(wù)條件下(即靜息態(tài))測量的內(nèi)源性活動中被觀察到。即使在休息時，當(dāng)人們清醒但沒有有意識地執(zhí)行任何腦力或體力任務(wù)時，人腦也處于活躍狀態(tài)，并伴隨有時空組織的神經(jīng)活動波動。因此，在靜息態(tài)人腦中觀察到的這些網(wǎng)絡(luò)組織被稱為靜息態(tài)網(wǎng)絡(luò)(RSNs)，內(nèi)在連接網(wǎng)絡(luò)(ICNs)或內(nèi)在大腦網(wǎng)絡(luò)。本文主要使用術(shù)語ICNs而不是RSNs，是因為這些網(wǎng)絡(luò)組織表明了人腦的內(nèi)在屬性。此外，在其他物種中也發(fā)現(xiàn)了類似的內(nèi)在大腦網(wǎng)絡(luò)，例如大鼠和非人類靈長類動物，這表明這些大腦網(wǎng)絡(luò)在哺乳動物物種中的普遍存在，以及它們在理解人類大腦如何工作以及大腦如何支持人類行為方面是非常重要的。在許多基礎(chǔ)神經(jīng)科學(xué)研究中，已經(jīng)發(fā)現(xiàn)內(nèi)在的大腦網(wǎng)絡(luò)不是孤立的大腦區(qū)域，而是各種神經(jīng)過程以及隨后的行為或精神狀態(tài)的分布式神經(jīng)基質(zhì)。據(jù)廣泛報道，幾乎所有神經(jīng)系統(tǒng)和精神疾病均存在ICN異常，特別是重度抑郁癥、阿爾茨海默癥、精神分裂癥、自閉癥和癲癇。這些研究表明了ICN在神經(jīng)精神疾病中的診斷價值。更重要的是，最近的許多研究進(jìn)一步證明，神經(jīng)精神障礙患者改變的大腦網(wǎng)絡(luò)可以通過神經(jīng)刺激技術(shù)(例如經(jīng)顱磁刺激(TMS))緩解癥狀或正?；?。這些研究表明，靶向內(nèi)在的大腦網(wǎng)絡(luò)是治療神經(jīng)精神疾病的一種有效手段，可替代藥物進(jìn)行治療。因此，內(nèi)在大腦網(wǎng)絡(luò)在基礎(chǔ)神經(jīng)科學(xué)和臨床神經(jīng)科學(xué)中都具有重要的意義。人腦網(wǎng)絡(luò)成像可采用各種功能性神經(jīng)成像方式實現(xiàn)，包括功能性磁共振成像(fMRI)，電生理記錄，如腦電圖(EEG)，皮質(zhì)電圖(ECoG)和腦磁圖(MEG)，以及正電子發(fā)射斷層掃描(PET)和功能近紅外光譜(fNIRS)。其中，fMRI因其空間穿透力和優(yōu)越的空間分辨率而在腦網(wǎng)映射中起著主導(dǎo)作用。然而，由于血流動力學(xué)響應(yīng)的緩慢特性，其時間分辨率較低。EEG和MEG是兩種用于映射大腦功能和網(wǎng)絡(luò)的非侵入性表面電生理記錄技術(shù)，它們能夠提供實時的時間信息，但空間穿透力和分辨率有限。PET被用于評估大腦網(wǎng)絡(luò)的歷史悠久，甚至早于fMRI技術(shù)，但它使用了潛在有害的放射性物質(zhì)，并且時間分辨率比fMRI更差。與fMRI一樣，fNIRS測量的是血流動力學(xué)信號，但由于其采樣頻率更快，因此具有比fMRI更好的時間分辨率。然而，由于fNIRS是一種像EEG/MEG一樣的表面記錄技術(shù)，因而其空間分辨率比fMRI低。從設(shè)備的便攜性角度來看，EEG和fNIRS是兩種允許在自然環(huán)境中進(jìn)行長時間記錄的模式，盡管便攜式MEG正在開發(fā)中。對于每種模式，已經(jīng)提出了許多分析方法來量化不同大腦區(qū)域之間的功能連接網(wǎng)絡(luò)，例如，數(shù)據(jù)驅(qū)動分析和基于種子的分析。

除了用于映射大腦網(wǎng)絡(luò)的單一成像模式之外，同步記錄的多模態(tài)數(shù)據(jù)也被用于研究大腦網(wǎng)絡(luò)，以獲得“整體大于部分之和”的知識信息，因為每種模式對人腦如何工作的特定方面都很敏感，將它們結(jié)合起來可以解決每種模式的局限性，并提供關(guān)于人腦網(wǎng)絡(luò)更全面的圖像。例如，電和血流動力學(xué)信號或者代謝和血流動力學(xué)信號可分別通過同步EEG和fMRI或者PET和MRI記錄相組合。此外，電、血流動力學(xué)和代謝信息可以通過同步三模態(tài)EEG、fMRI和PET記錄來整合。

使用fMRI的腦網(wǎng)絡(luò)映射

fMRI作為一種成熟的模式，是腦網(wǎng)絡(luò)功能成像的主要工具，因為它具有毫米級精度的高空間分辨率，并且能夠可靠地檢測大腦深部區(qū)域的神經(jīng)活動變化。fMRI利用血氧水平依賴(BOLD)對比成像，對生理變化(包括腦血流、腦血容量和腦氧代謝等)的復(fù)雜相互作用非常敏感。在BOLD fMRI首次進(jìn)行功能映射后不久，在無任務(wù)的靜息態(tài)下對人腦進(jìn)行成像，揭示了大幅和低頻振蕩(＜0.1Hz)形式的活動。更重要的是，這種自發(fā)活動在時間上與遠(yuǎn)處的大腦區(qū)域相關(guān)，例如，休息時橫跨左右半球的運動網(wǎng)絡(luò)。自此，基于內(nèi)源性靜息態(tài)信號的不同腦區(qū)之間的時間相關(guān)性被稱為靜息態(tài)功能連接(RSFC)。具有顯著高RSFC值的腦區(qū)也被統(tǒng)稱為一個網(wǎng)絡(luò)，即RSNs或ICNs。由于fMRI信號是4D數(shù)據(jù)，包括3D空間體積和1D時間，因此選擇合適的信號處理方法是表征ICNs的關(guān)鍵。已經(jīng)提出了許多數(shù)據(jù)分析方法來識別fMRI信號中的ICNs，這些方法大致可分為兩類：假設(shè)驅(qū)動法和數(shù)據(jù)驅(qū)動法(也分別稱為模型依賴法和無模型法)。前一種方法包括基于種子的方法，該方法檢查種子腦區(qū)相對于所有其他腦區(qū)的功能連接，并生成關(guān)于預(yù)定義種子區(qū)域的功能連接圖。在這里，可以根據(jù)解剖信息選擇種子區(qū)域，也可以根據(jù)用于測試特定假設(shè)的任務(wù)實驗中的大腦激活來選擇種子區(qū)域。例如，可以選擇手指敲擊任務(wù)中激活最大的運動區(qū)域上的體素作為種子來研究靜息態(tài)下的運動網(wǎng)絡(luò)。為了量化基于種子的方法中的功能連接，通常會使用相關(guān)性分析。在獲得功能連接圖后，通常使用具有任意值或通過統(tǒng)計分析獲得的閾值來識別與種子顯著相關(guān)的體素。基于種子的方法簡單明了，結(jié)果也相對容易解釋。但是，由于該方法需要對種子進(jìn)行先驗選擇，因此結(jié)果可能會因所選種子的質(zhì)量而有所偏差。此外，由于種子是單獨選擇的，這種數(shù)據(jù)分析方法無法在一次分析中揭示全腦尺度上的多種功能連接模式。為了解決假設(shè)驅(qū)動法的局限性，目前已提出了一些數(shù)據(jù)驅(qū)動的方法，包括獨立成分分析（ICA）和聚類方法。這些方法完全由fMRI數(shù)據(jù)驅(qū)動，無需進(jìn)行先驗假設(shè)。其中，最流行的方法是ICA，這是一種盲源分離技術(shù)，可最大限度地提高分解成分信號之間的統(tǒng)計獨立性。對于fMRI數(shù)據(jù)，通常對4D數(shù)據(jù)進(jìn)行空間ICA，以識別一組空間獨立的成分。每個成分都有其空間圖和時間波形圖，用于判斷該成分是否代表網(wǎng)絡(luò)的大腦活動或者由于測量或生理噪聲而產(chǎn)生的偽影。因此，與基于種子的方法相比，需要額外的步驟來識別與實際大腦活動相對應(yīng)的成分。盡管如此，ICA是探索fMRI數(shù)據(jù)中大腦網(wǎng)絡(luò)最常用的方法，因為它能夠在一次分析中從全腦數(shù)據(jù)中識別多個ICNs，這與基于種子的方法不同。第二個眾所周知的數(shù)據(jù)驅(qū)動法是聚類方法。聚類方法根據(jù)Pearson相關(guān)、L2距離和L1距離等空間域相似性指標(biāo)，沿時間軸將全腦體素數(shù)據(jù)的不同幀分類為不同的子組。獲得子組后，根據(jù)分類結(jié)果定義每個子組的二進(jìn)制時間進(jìn)程。然后，通過掃描所有體素，并使用單個體素時間進(jìn)程和二進(jìn)制時間進(jìn)程之間的額外相關(guān)分析步驟來識別每個子組的大腦網(wǎng)絡(luò)的空間模式。此外，為了充分利用兩類方法的優(yōu)點，目前提出了一些混合方法，例如混合基于ICA-種子的方法。盡管在不同的情況下使用不同的方法來表征大腦網(wǎng)絡(luò)，但在許多使用不同方法的fMRI研究中報告的ICNs的空間模式對于健康被試相應(yīng)的大腦網(wǎng)絡(luò)是非常一致的。目前，一些關(guān)鍵的內(nèi)在腦網(wǎng)絡(luò)已經(jīng)在文獻(xiàn)中得到了廣泛的認(rèn)可(見圖1)，包括默認(rèn)模式網(wǎng)絡(luò)(DMN)，感覺運動網(wǎng)絡(luò)，視覺網(wǎng)絡(luò)，聽覺網(wǎng)絡(luò)和額頂葉網(wǎng)絡(luò)。每個網(wǎng)絡(luò)都涉及解剖學(xué)上分離但功能上相互連接的腦區(qū)，這些區(qū)域在BOLD信號中顯示出高度的相關(guān)性。更重要的是，這些在無任務(wù)(即靜息態(tài))條件下獲得的網(wǎng)絡(luò)與通過任務(wù)或刺激范例建立的已知功能網(wǎng)絡(luò)高度相似。例如，感覺運動和視覺網(wǎng)絡(luò)分別與初級運動皮層和初級視覺皮層具有高度重疊的空間映射。其中，DMN的特征與大多數(shù)其他ICN明顯不同。雖然大多數(shù)ICN涉及一些功能特定的腦區(qū)，但DMN由多個功能相連但距離較遠(yuǎn)的腦區(qū)組成(圖1中的映射圖420)，這些區(qū)域包括后扣帶皮層/楔前葉、內(nèi)側(cè)前額葉皮層和頂下葉。

雖然fMRI的腦網(wǎng)絡(luò)最初被提出作為一種研究健康人腦功能結(jié)構(gòu)的手段，但目前已進(jìn)行了大量研究以探索其在各種神經(jīng)和精神疾病中的臨床應(yīng)用。阿爾茨海默癥(AD)、精神分裂癥、自閉癥譜系障礙(ASDs)、抑郁癥、意識障礙、創(chuàng)傷后應(yīng)激障礙(PTSD)和平衡障礙等幾乎所有腦部疾病都研究了多個大腦網(wǎng)絡(luò)的性質(zhì)。從所有這些研究中，可以發(fā)現(xiàn)DMN在神經(jīng)和精神疾病中具有特殊的意義，因為DMN與人類認(rèn)知的核心過程有關(guān)。在不同的腦部疾病中，已確定的腦網(wǎng)絡(luò)異常在研究和人群中報告了不同程度的一致性。阿爾茨海默癥是最早被認(rèn)為具有重要臨床價值的腦部疾病之一，因為正常衰老和AD都顯示出人腦結(jié)構(gòu)和功能的深刻變化。這些研究大多發(fā)現(xiàn)AD相關(guān)癡呆患者的DMN、突顯和邊緣腦網(wǎng)絡(luò)的一致改變，其中大多數(shù)一致的異常被認(rèn)為與DMN有關(guān)(參見圖2中AD組與健康老年組相比，AD組的DMN活性降低)。研究表明，上述異常內(nèi)在腦網(wǎng)絡(luò)中高度連接的中樞區(qū)域可能是AD的早期損傷靶點。相比之下，精神分裂癥，另一種引起大量fMRI腦網(wǎng)絡(luò)研究的腦部疾病，在其腦網(wǎng)絡(luò)模式異常發(fā)現(xiàn)方面存在爭議。精神分裂癥患者的聽覺、DMN、感覺運動網(wǎng)絡(luò)均存在明顯的低連接。然而，也有研究稱DMN的功能連接增加，這與精神分裂癥的主要癥狀(即思維障礙)一致。綜上所述，使用靜息態(tài)腦網(wǎng)絡(luò)的臨床研究正在快速增長，其目標(biāo)是確定特定腦網(wǎng)絡(luò)作為疾病評估和治療監(jiān)測的生物標(biāo)志物的診斷和預(yù)后價值。

使用EEG和MEG的腦網(wǎng)絡(luò)映射

與使用fMRI的ICN研究相比，使用電生理信號映射內(nèi)在大腦網(wǎng)絡(luò)的綜合研究發(fā)展相對較晚。電生理信號的優(yōu)勢在于它們直接測量神經(jīng)元電活動，而不是繼發(fā)性血流動力學(xué)，電生理信號具有毫秒級的高時間分辨率。在不同的電生理信號中，EEG和MEG是測量人腦信號的兩種非侵入性方式。使用EEG和MEG信號，有關(guān)大腦網(wǎng)絡(luò)的信息首次直接在表面?zhèn)鞲衅黝I(lǐng)域的記錄數(shù)據(jù)中進(jìn)行了探索，與下面將討論的源域形成對比。EEG微狀態(tài)識別，即靜息態(tài)EEG信號中反復(fù)出現(xiàn)的空間地形模式，通常持續(xù)約80-100ms，是表征EEG傳感域與腦網(wǎng)絡(luò)相關(guān)的空間模式的一種手段。雖然對這些EEG微狀態(tài)的探索沒有考慮到腦網(wǎng)絡(luò)的概念，但有一些研究已經(jīng)將EEG微狀態(tài)與fMRI研究確定的ICNs聯(lián)系起來。例如，Britz等人(2010)發(fā)現(xiàn)四種EEG微狀態(tài)，即A、B、C、D，分別與語音處理、視覺網(wǎng)絡(luò)、突顯網(wǎng)絡(luò)和注意網(wǎng)絡(luò)的ICN相關(guān)。Yuan等人(2012)從EEG中識別出13個微狀態(tài)，從fMRI中識別出10個ICNs，并通過計算ICNs的時域動態(tài)相關(guān)性發(fā)現(xiàn)每個微狀態(tài)都與一些ICNs相關(guān)聯(lián)。此外，ICA也被用于表征EEG ICNs，在傳感域中識別的單個IC被用于表示潛在同步神經(jīng)元活動產(chǎn)生的信號。然而，在傳感域EEG信號中報告的大腦網(wǎng)絡(luò)并不能提供有關(guān)其潛在神經(jīng)元活動或大腦活動網(wǎng)絡(luò)模式的直接信息，因為這些已識別的與大腦網(wǎng)絡(luò)相關(guān)的傳感器水平模式只是潛在分布式神經(jīng)源的表面替代物。因此，在傳感器水平上比較EEG信號和fMRI信號之間的腦網(wǎng)絡(luò)是非常重要的。此外，EEG ICs與偶極源有關(guān)，這為ICs的網(wǎng)絡(luò)解釋提出了另一種(但相互矛盾的)理論。除了這些問題和爭論之外，還有兩個與用于研究功能連接的傳感器信號相關(guān)的方法問題：①“場擴(kuò)散”問題，即多個傳感器接收來自同一源的信號；②由于電傳導(dǎo)引起的“模糊”效應(yīng)。這兩個問題都可能導(dǎo)致對實際功能連接的錯誤估計。有研究發(fā)現(xiàn)，在傳感域表征的腦網(wǎng)絡(luò)和在源域表征的腦網(wǎng)絡(luò)在其網(wǎng)絡(luò)拓?fù)浣Y(jié)構(gòu)上的相關(guān)性較弱。因此，有越來越多的研究使用EEG和MEG信號探索源域中的大腦網(wǎng)絡(luò)。圖3描述了在EEG/MEG源域中表征大腦網(wǎng)絡(luò)的一般過程。首先，需要從傳感器級的EEG或MEG數(shù)據(jù)重建腦源數(shù)據(jù)，通過求解所謂的逆問題來解決場擴(kuò)散問題和模糊效應(yīng)(圖3A)。為了準(zhǔn)確估計源數(shù)據(jù)，需要考慮四個方面：①高密度記錄的EEG或MEG信號，例如至少32個通道，并優(yōu)先選擇超過64個通道的數(shù)據(jù)；②根據(jù)顯示個體大腦結(jié)構(gòu)的MRI數(shù)據(jù)量身定制并準(zhǔn)確建立頭部體積導(dǎo)體模型和皮層源模型；③傳感器/通道位置需要數(shù)字化，并與基于MRI數(shù)據(jù)構(gòu)建的模型精確地共配準(zhǔn)；④解決逆問題的好方法。最后一個點是最重要的組成部分，主要決定源估計的性能，因為從數(shù)學(xué)上講，逆問題是一個沒有唯一解的不適定問題。為了解決逆問題的多解性和不適定性，已有文獻(xiàn)提出了許多方法，這些方法基于所需源特征或生理約束的先驗信息，如最小范數(shù)法、波束形成法和稀疏源成像法。其次，需要使用適當(dāng)?shù)哪Ｊ阶R別方法從重建的源數(shù)據(jù)中識別大腦網(wǎng)絡(luò)(圖3B)，該任務(wù)類似于在fMRI數(shù)據(jù)中識別ICNs。由于皮層表面或腦容積上的電生理源數(shù)據(jù)的表征與fMRI數(shù)據(jù)相當(dāng)，因此可以類似地應(yīng)用fMRI中推導(dǎo)腦網(wǎng)絡(luò)的方法。事實上，大腦網(wǎng)絡(luò)可以直接在電生理源數(shù)據(jù)上進(jìn)行表征。但由于所謂的信號泄漏問題，可能會導(dǎo)致不同腦區(qū)之間的重影相互作用。在量化不同腦區(qū)之間的通信時，提出了三種方法來解決這一問題。第一種是使用連接測量，排除了腦區(qū)之間瞬時、零滯后相互作用的影響。第二種是在表征腦網(wǎng)絡(luò)之前對重建的源數(shù)據(jù)執(zhí)行額外的處理步驟，目的是消除零滯后的相互作用，例如所謂的“正交化”。然而，上述兩種方法的局限性在于，零滯后的相互作用可能不僅僅是由容積傳導(dǎo)效應(yīng)引起的，而是實際的神經(jīng)元相互作用。第三種方法是在計算連接測量后使用額外的統(tǒng)計方法(圖3C)，以便通過統(tǒng)計手段識別大腦網(wǎng)絡(luò)。當(dāng)然，這些統(tǒng)計方法需要精心設(shè)計，以表示非假設(shè)條件下連接測量分布中的容積傳導(dǎo)效應(yīng)。

同樣，fMRI數(shù)據(jù)的數(shù)據(jù)驅(qū)動方法也可以應(yīng)用于EEG/MEG源數(shù)據(jù)，以提取大腦網(wǎng)絡(luò)模式。例如，ICA已被廣泛用于識別EEG/MEG腦網(wǎng)絡(luò)的源數(shù)據(jù)。與假設(shè)驅(qū)動方法類似，這些源空間ICA方法的實現(xiàn)需要修改以適應(yīng)EEG/MEG數(shù)據(jù)的性質(zhì)。例如，EEG/MEG中的ICA通常應(yīng)用于對源數(shù)據(jù)進(jìn)行奇異值分解(SVD)獲得的時域子空間數(shù)據(jù)，該數(shù)據(jù)捕獲了數(shù)據(jù)中的主要時域變化。因此，相對于fMRI數(shù)據(jù)上的空域ICA，EEG/MEG上的ICA通常被稱為時域ICA。這種差異背后的主要數(shù)學(xué)原理是，假定EEG/MEG數(shù)據(jù)在時域上是統(tǒng)計獨立的，而fMRI數(shù)據(jù)在空域上是統(tǒng)計獨立的。此外，像ICA這樣的數(shù)據(jù)驅(qū)動模式識別算法通常需要更多的樣本。然而，由于從傳感域到源域的逆映射，EEG/MEG源的空間維數(shù)急劇增加，因此，有研究報告可以在EEG/MEG數(shù)據(jù)上使用空域和時域ICAs，特別是當(dāng)可以對時域數(shù)據(jù)進(jìn)行降維時(例如使用主成分分析(PCA))。有研究人員提出了一組混合方法，即結(jié)合基于種子的相關(guān)方法和時域ICA方法來表征EEG數(shù)據(jù)中的大腦網(wǎng)絡(luò)。首先通過數(shù)據(jù)驅(qū)動方法(即ICA)從EEG靜息態(tài)數(shù)據(jù)中識別出一組同時具有空間和時間模式的成分，即ICs。然后對所選IC時程與單個體素時程進(jìn)行相關(guān)分析，利用相關(guān)層析成像來表征每個IC背后的大腦網(wǎng)絡(luò)(圖3C)，以便于進(jìn)行進(jìn)一步的統(tǒng)計分析，因為相關(guān)值具有統(tǒng)計學(xué)意義，而IC權(quán)重沒有。在基礎(chǔ)神經(jīng)科學(xué)中，利用EEG/MEG數(shù)據(jù)研究大腦網(wǎng)絡(luò)主要是為了回答以下三個方面的關(guān)鍵問題。第一個關(guān)鍵問題是，在fMRI數(shù)據(jù)中識別出的類似大腦網(wǎng)絡(luò)是否也能在EEG/MEG數(shù)據(jù)中檢測到。在這里，相似性主要通過它們的空間模式來定義的，即覆蓋相似分布的大腦區(qū)域。此外，如果可以同時記錄多模態(tài)數(shù)據(jù)，例如同步記錄的EEG-fMRI，則可以研究時域的相似性。與EEG相比，MEG具有相對較高的空間采樣密度，首先利用MEG研究了基于電生理數(shù)據(jù)的源級腦網(wǎng)絡(luò)的空間模式。有研究發(fā)現(xiàn)，MEG衍生的腦網(wǎng)絡(luò)與fMRI衍生的腦網(wǎng)絡(luò)大體一致(圖4)?？偠灾壳耙炎C實在fMRI數(shù)據(jù)中識別出的類似大腦網(wǎng)絡(luò)也能在EEG/MEG數(shù)據(jù)中檢測到，并且具有統(tǒng)計學(xué)上顯著的高空間和時間相似性。

第二個關(guān)鍵問題是，EEG/MEG數(shù)據(jù)(由于其毫秒級的時間分辨率)是否能比fMRI數(shù)據(jù)闡明更多有關(guān)大腦網(wǎng)絡(luò)的信息。因此，EEG/MEG數(shù)據(jù)有望在更快的時間尺度上探測大腦網(wǎng)絡(luò)的動態(tài)配置或重新配置，以及內(nèi)在大腦網(wǎng)絡(luò)的振蕩節(jié)奏特征。在EEG和MEG腦網(wǎng)絡(luò)研究中，已經(jīng)報告了各種ICN的頻率依賴空間模式。這些研究表明，內(nèi)在的大腦網(wǎng)絡(luò)具有頻率依賴性，未來需要更多的研究來闡明它們的動態(tài)及其動態(tài)與頻率分量之間的關(guān)系。最后一個關(guān)鍵問題是，這些網(wǎng)絡(luò)及其動態(tài)是否因大腦功能的變化而改變，例如在發(fā)育和衰老過程中。例如，Cohen等人(2013)分析了知覺辨別任務(wù)中記錄的EEG數(shù)據(jù)，并證明了多個大規(guī)模腦網(wǎng)絡(luò)(即內(nèi)側(cè)額葉和枕中樞)在不同頻段(即theta和theta-alpha耦合)上以特定方向進(jìn)行動態(tài)交互，從而支持感知決策過程中的靈活行為適應(yīng)。Schafer等人(2014)利用MEG數(shù)據(jù)研究了內(nèi)在腦網(wǎng)絡(luò)的年齡依賴性變化，并揭示了各種腦網(wǎng)絡(luò)內(nèi)部和之間振蕩通信的典型成熟模式(圖5)。所有這些研究都清楚地表明，EEG和MEG是探測ICN特征的強(qiáng)大替代方法，并有助于更好地理解各種認(rèn)知功能和行為背后的神經(jīng)機(jī)制。

使用其他神經(jīng)成像模式的腦網(wǎng)絡(luò)映射

顱內(nèi)電生理記錄-ECoG

顱內(nèi)電生理記錄是通過將電極直接植入人腦皮層或大腦深部獲得。其中，ECoG是最常用的形式，用于測量人腦皮層的電生理信號。因此，ECoG是一種侵入性記錄技術(shù)，空間覆蓋范圍有限，僅適用于特定患者(如癲癇患者)。由于ECoG測量顱骨下方的信號，因而其記錄的局部大腦區(qū)域產(chǎn)生的電信號具有更高的信噪比和更寬的頻率范圍(高達(dá)幾百赫茲，而EEG的頻率則低于100Hz，因為頭骨充當(dāng)了一個低通濾波器)。因此，它可以被視為研究特定大腦網(wǎng)絡(luò)的“黃金標(biāo)準(zhǔn)”，例如DMN或大腦網(wǎng)絡(luò)的單個節(jié)點。不幸的是，由于ECoG的侵入性和有限的空間覆蓋范圍，通常不能用于同時研究多個大腦網(wǎng)絡(luò)。

正電子發(fā)射斷層掃描(PET)

PET是一種3D神經(jīng)成像工具，與fMRI一樣都能提供人腦體積圖像。PET測量外源放射性標(biāo)記化學(xué)劑的分布，這些化學(xué)劑指示整個人腦新陳代謝的變化。因此，基于PET的連接分析在文獻(xiàn)中被稱為代謝連接分析，并且在探索代謝腦網(wǎng)絡(luò)方面有很長的歷史。它可以將區(qū)域代謝信號變化與其他變化(例如，腦血流量(CBF)或耗氧量)分開，而這些變化在fMRI信號中是結(jié)合在一起的，因此難以完全分離。事實上，“功能連接”這個術(shù)語早在fMRI之前就已經(jīng)在PET數(shù)據(jù)上進(jìn)行了定義，而DMN最早是由Raichle等人(2001)使用PET發(fā)現(xiàn)的(圖6)。由于PET的測量目標(biāo)，已知代謝變化的腦疾病(如阿爾茨海默病)可以通過PET更好地評估腦網(wǎng)絡(luò)的變化。然而，PET受其侵入性(即使用放射性劑)和有限的時間分辨率(即分鐘級)的影響。作為主要的3D體積神經(jīng)成像技術(shù)之一，與fMRI相比，其空間分辨率也相對較低。

功能近紅外光譜(fNIRS)

fNIRS是一種利用近紅外光測量皮層組織中含氧血紅蛋白(HbO)和脫氧血紅蛋白(HbR)濃度變化的神經(jīng)成像方法。fNIRS已被有效地用于表征成人和嬰兒的靜息態(tài)大腦網(wǎng)絡(luò)，以及用于評估腦部疾病患者的異常腦網(wǎng)絡(luò)。fNIRS同時測量HbO和HbR信號，而fMRI僅對HbR信號敏感。fNIRS通常具有比fMRI(~1Hz)更高的時間采樣率(~10Hz)，這提供了排除非神經(jīng)元相關(guān)血流動力學(xué)變化的優(yōu)勢，例如由于呼吸和心跳引起的變化。此外，fNIRS更經(jīng)濟(jì)高效和具有便攜性，可用于不適合使用MRI掃描儀的患者和嬰兒等人群，以及具有挑戰(zhàn)性的環(huán)境，如床旁腦電監(jiān)測。此外，由于其相對較高的采樣率，fNIRS揭示了人腦中頻率特異性的功能連接。因此，fNIRS是fMRI在研究人類內(nèi)在腦網(wǎng)絡(luò)的一種補(bǔ)充選擇。

使用同步多模態(tài)數(shù)據(jù)的腦網(wǎng)絡(luò)映射

大腦網(wǎng)絡(luò)已通過各種神經(jīng)成像模式的數(shù)據(jù)進(jìn)行識別和表征，這些神經(jīng)成像模式中的每一種都提供了有關(guān)所研究網(wǎng)絡(luò)的寶貴信息。從不同神經(jīng)成像模式所獲得的腦網(wǎng)絡(luò)信息通常是重疊的，但也互為補(bǔ)充。因此，整合來自多種神經(jīng)成像模式的數(shù)據(jù)有望提供更全面的內(nèi)在大腦網(wǎng)絡(luò)視圖。整合來自不同神經(jīng)成像模式的信息，主要有三類方法：①融合來自多種神經(jīng)成像研究的關(guān)于腦網(wǎng)絡(luò)的發(fā)現(xiàn)；②融合來自多種神經(jīng)成像模式的數(shù)據(jù)，以重建和探測大腦網(wǎng)絡(luò)；③通過調(diào)整腦網(wǎng)絡(luò)計算神經(jīng)模型的參數(shù)來模擬多種神經(jīng)成像模式的數(shù)據(jù)以進(jìn)行研究。第一類方法是對各類神經(jīng)成像數(shù)據(jù)研究的總體發(fā)現(xiàn)進(jìn)行高水平的整合，以繪制有關(guān)大腦網(wǎng)絡(luò)的全面圖像。第二類是直接融合來自多個神經(jīng)成像模式的數(shù)據(jù)，可以分別記錄或同時記錄來自同一個人的數(shù)據(jù)。由于數(shù)據(jù)性質(zhì)的差異，例如空間和時間尺度以及不同神經(jīng)生理量的表征，通常需要新的信號處理或數(shù)據(jù)分析方法將它們?nèi)诤显谝黄?，以識別大腦網(wǎng)絡(luò)的模式或研究其特征。最后一類側(cè)重于大腦網(wǎng)絡(luò)的計算神經(jīng)模型，而不是映射大腦網(wǎng)絡(luò)。接下來，本文介紹了三種同步記錄的多模態(tài)腦網(wǎng)絡(luò)研究，即EEG-fMRI，EEG-MEG和PET-MRI/PET-MRI-EEG。

同步EEG-fMRI

如前所述，已分別使用fMRI或EEG/MEG數(shù)據(jù)對大腦網(wǎng)絡(luò)進(jìn)行了廣泛的研究，并在這兩種成像方式之間發(fā)現(xiàn)了一致的腦網(wǎng)絡(luò)。然而，單獨的記錄具有局限性，因為這些研究中的數(shù)據(jù)不是同時記錄的，許多甚至不是來自同一個人。從技術(shù)上講，MEG尚不能與fMRI一起使用，而EEG信號已被廣泛證明可以在MRI掃描儀中記錄。這種能力為同時分析和整合電信號和血流動力學(xué)信號提供了機(jī)會。據(jù)信，從同步EEG-fMRI數(shù)據(jù)中識別出的大腦網(wǎng)絡(luò)將更加完整，因為EEG和fMRI從不同的潛在生理過程中提供了關(guān)于大腦網(wǎng)絡(luò)的互補(bǔ)信息。同時使用EEG和fMRI成像的一個明顯好處是，在研究大腦網(wǎng)絡(luò)時，既具有高時間分辨率(由EEG提供)又具有高空間分辨率(由fMRI提供)。這里有一個很好的例子來說明同時進(jìn)行EEG-fMRI研究的好處。實時fMRI神經(jīng)反饋首次被證明可有效降低PTSD患者的臨床癥狀評分。多模態(tài)EEG-fMRI數(shù)據(jù)與機(jī)器學(xué)習(xí)策略相結(jié)合，隨后發(fā)現(xiàn)了EEG指紋，從而導(dǎo)致有效的單獨EEG神經(jīng)反饋，以減輕PTSD患者的臨床癥狀。同步EEG-fMRI數(shù)據(jù)已被用于研究fMRI衍生的腦網(wǎng)絡(luò)在空域和時域中的電生理相關(guān)性。這類研究之所以變得重要，是因為fMRI可以測量次級神經(jīng)反應(yīng)，但同時它也是映射大腦網(wǎng)絡(luò)的主要神經(jīng)成像方式。雖然空間特征也可以在單獨的EEG和fMRI記錄中進(jìn)行研究，但時間特征只能在同步記錄的數(shù)據(jù)中研究。在這方面，EEG動態(tài)的時間特征(其形式為窄帶功率、全帶功率或高功率狀態(tài)下的瞬態(tài)電位地形圖)，在至少部分與fMRI衍生的大腦網(wǎng)絡(luò)重疊的腦區(qū)中被發(fā)現(xiàn)。有研究人員考察了健康個體和腦疾病患者的多個內(nèi)在腦網(wǎng)絡(luò)的EEG電生理相關(guān)性。這些數(shù)據(jù)表明，瞬時靜息態(tài)EEG地形通過神經(jīng)血管耦合與靜息期fMRI波動在時間上相關(guān)。更重要的是，通過對高密度EEG進(jìn)行電生理源成像，結(jié)果發(fā)現(xiàn)了EEG ICNs的皮層重建與許多fMRI ICNs具有一對一的對應(yīng)關(guān)系(圖7)，包括視覺、感覺運動和聽覺網(wǎng)絡(luò)，以及默認(rèn)模式網(wǎng)絡(luò)、注意和語言網(wǎng)絡(luò)。

同步EEG-MEG

EEG和MEG是兩種廣泛用于研究大腦網(wǎng)絡(luò)的神經(jīng)成像模式。由于它們是由相同的電信號源產(chǎn)生的，因此它們之間的差異并不像EEG和fMRI之間的差異那么大，而是由于信號產(chǎn)生機(jī)制的不同而有所不同。EEG是由于大腦中電信號源的被動傳導(dǎo)，而MEG顯示了與其耦合的時變磁場變化。每種模式都有其自身的優(yōu)點和缺點。MEG對切向頭部表面的腦源更敏感，更善于捕捉短距離功能連接。EEG對徑向頭部表面的腦源更敏感，并且能更好地捕獲遠(yuǎn)距離功能連接。此外，與EEG相比，MEG受容積傳導(dǎo)效應(yīng)的影響較小。使用同步EEG-MEG研究腦網(wǎng)絡(luò)主要有兩個目標(biāo)：①MEG在揭示大腦網(wǎng)絡(luò)方面具有優(yōu)越的性能，但由于技術(shù)的復(fù)雜性和高昂的成本，其儀器的可用性較差，因此，如果能發(fā)現(xiàn)EEG具有與MEG相似的性能，則可以用EEG取代MEG，并拓寬臨床應(yīng)用范圍；②EEG和MEG的整合，可以比單獨的EEG或MEG揭示更多、更好的腦網(wǎng)絡(luò)知識，因為兩者具有互補(bǔ)信號優(yōu)勢。EEG和MEG的組合已被廣泛用于皮質(zhì)源成像，這是研究EEG/MEG源域腦網(wǎng)絡(luò)的關(guān)鍵步驟。在模擬和實驗數(shù)據(jù)中的研究均發(fā)現(xiàn)，與單獨使用EEG或MEG相比，EEG和MEG聯(lián)合使用時的皮質(zhì)源重建性能明顯提高。

同步PET-MRI和PET-MRI-EEG

自2008年首次證明同步PET-MRI在人腦上的可行性以來，已經(jīng)有大量研究使用同步PET-MRI來揭示人腦激活和功能連接。PET和MRI的結(jié)合可以同時測量多種生物學(xué)特性，例如，測量同一個體在完全相同的生理條件下的葡萄糖代謝(PET)和耗氧量(fMRI)。從技術(shù)上講，兩種模式所記錄的體積數(shù)據(jù)幀可以在空域和時域中完美地共配準(zhǔn)。Savio等人(2017)對健康參與者的同步PET-MRI數(shù)據(jù)使用ICA方法，發(fā)現(xiàn)兩種模式都可以檢測到相似的ICNs。由于PET對疾病條件下發(fā)生的局部代謝異常很敏感，通常選擇PET中的異常熱點作為種子區(qū)域，用fMRI進(jìn)行交叉模態(tài)相關(guān)分析，以映射異常的腦網(wǎng)絡(luò)。這進(jìn)一步表明，同步PET-MRI是識別腦部疾病患者異常腦網(wǎng)絡(luò)的一種很有前途的工具。

目前，PET-MRI已進(jìn)一步與EEG集成，可同時生成三模態(tài)PET-MRI-EEG測量結(jié)果，從而以毫秒級的時間分辨率添加了映射ICNs的電生理數(shù)據(jù)，這是PET或fMRI所無法提供的。通過解決許多技術(shù)挑戰(zhàn)，來自健康被試DMN的互補(bǔ)指紋和精神分裂癥患者的潛在腦網(wǎng)絡(luò)生物標(biāo)志物已被報告使用了這種新型的綜合神經(jīng)成像方式。更有趣的是，三模態(tài)數(shù)據(jù)進(jìn)一步表明，EEG微狀態(tài)的神經(jīng)元生成器和fMRI測量的腦網(wǎng)絡(luò)(例如，區(qū)域同質(zhì)性，中心性程度等)與GABAA的神經(jīng)受體結(jié)合以及葡萄糖代謝的關(guān)系要比mGluR5緊密得多，這表明抑制過程是靜息態(tài)ICN的核心機(jī)制?；诖耍枰⒁獾氖?，多種神經(jīng)成像模式與同步記錄的組合不僅可以同時揭示ICNs的多個方面，還可以產(chǎn)生無法在單獨記錄中闡明的有關(guān)ICNs的新知識。

整合結(jié)構(gòu)和功能數(shù)據(jù)的腦網(wǎng)絡(luò)映射

值得注意的是，從功能性神經(jīng)成像數(shù)據(jù)識別大腦網(wǎng)絡(luò)時，通常需要大腦結(jié)構(gòu)數(shù)據(jù)，如結(jié)構(gòu)MRI。腦網(wǎng)絡(luò)也可以純粹基于大腦結(jié)構(gòu)數(shù)據(jù)進(jìn)行研究，例如，彌散張量成像(DTI)數(shù)據(jù)，稱為結(jié)構(gòu)腦網(wǎng)絡(luò)。接下來將討論這兩種類型的結(jié)構(gòu)性大腦數(shù)據(jù)及其在腦網(wǎng)絡(luò)研究中的使用情況。結(jié)構(gòu)MRI數(shù)據(jù)提供了從功能數(shù)據(jù)中識別出的腦網(wǎng)絡(luò)的解剖信息。根據(jù)功能數(shù)據(jù)類型的不同，結(jié)構(gòu)MRI數(shù)據(jù)的使用也不同。對于直接在人腦體素上測量的功能數(shù)據(jù)，即fMRI和PET數(shù)據(jù)，結(jié)構(gòu)MRI數(shù)據(jù)與功能數(shù)據(jù)在空間上進(jìn)行配準(zhǔn)，并作為可視化功能數(shù)據(jù)熱點的解剖學(xué)基礎(chǔ)，提供神經(jīng)激活的結(jié)構(gòu)定位和已識別的大腦網(wǎng)絡(luò)(即ICNs)。對于在頭部表面測量的功能數(shù)據(jù)，如EEG/MEG和fNIRS，結(jié)構(gòu)MRI數(shù)據(jù)用于構(gòu)建腦源和體積導(dǎo)體模型，以解決逆源重建問題。在這里，功能數(shù)據(jù)的傳感器位置需要與結(jié)構(gòu)MRI數(shù)據(jù)的模型進(jìn)行共配準(zhǔn)，共配準(zhǔn)的準(zhǔn)確性會對逆源重建的精度產(chǎn)生很大影響。建議使用個人的結(jié)構(gòu)MRI數(shù)據(jù)來確定模型的準(zhǔn)確性和共配準(zhǔn)，盡管這樣做會導(dǎo)致實驗成本和數(shù)據(jù)分析工作量的增加。此外，在涉及組水平比較的研究中，需要將單個結(jié)構(gòu)數(shù)據(jù)及其派生模型映射到標(biāo)準(zhǔn)模板，以便進(jìn)行組水平分析和統(tǒng)計推斷，例如，MNI ICBM152大腦3D體積數(shù)據(jù)和來自FREESURFER的大腦皮層表面模型(https://surfer.nmr.mgh.harvard.edu/)。DTI也可以直接用于映射大腦結(jié)構(gòu)網(wǎng)絡(luò)。DTI測量水分子在大腦中的擴(kuò)散，使用單個volume體素中的不同擴(kuò)散速度來推斷白質(zhì)束穿過體素的方向，并通過將所有體素的這些信息聚合在一起來重建纖維束。據(jù)信，功能連接的背后是白質(zhì)纖維的物理路徑，而相比于時變功能連接，結(jié)構(gòu)連接在更長的時間尺度上是相對固定的。同時，DTI為研究不同ICNs的結(jié)構(gòu)和功能連接之間的關(guān)系提供了重要手段。在許多大規(guī)模ICNs研究中已經(jīng)使用了結(jié)構(gòu)-功能融合，例如圖8所示的DMN和感覺運動網(wǎng)絡(luò)。在神經(jīng)退行性疾病研究中也報告了這種融合的結(jié)構(gòu)和功能連接之間的相應(yīng)變化。

結(jié)論

綜上所述，腦網(wǎng)絡(luò)映射是一個非?；钴S的研究領(lǐng)域。在進(jìn)行腦網(wǎng)絡(luò)映射研究中已經(jīng)建立了許多神經(jīng)成像技術(shù)和模式。特別是，內(nèi)在大腦網(wǎng)絡(luò)的發(fā)現(xiàn)及其空間、時間、頻譜和動態(tài)模式的特征是這些研究活動最重要的發(fā)展成果。這些發(fā)現(xiàn)解決了基礎(chǔ)和臨床神經(jīng)科學(xué)中許多具有挑戰(zhàn)性的問題。有關(guān)該領(lǐng)域的研究將在未來繼續(xù)蓬勃發(fā)展。這不僅涉及開發(fā)新的工具(包括儀器和分析方法)以更好地映射人腦網(wǎng)絡(luò)，而且還將揭示有關(guān)人腦如何工作的新知識。此外，在臨床研究中，腦網(wǎng)絡(luò)研究的發(fā)展有望顯著提高我們診斷和治療各種腦部疾病的能力，包括AD、PTSD、ASD和許多其他腦部疾病。

參考文獻(xiàn)（上下滑動查看）：

Biswal, B., Yetkin, F.Z., Haughton, V.M., Hyde, J.S.: Functional connectivity in the motor cortex of resting human brain using echo-planar MRI. Magn. Reson. Med. 34(4), 537-541(1995). https://doi.org/10.1002/mrm.1910340409Raichle, M.E., MacLeod, A.M., Snyder, A.Z., Powers, W.J., Gusnard, D.A., Shulman, G.L.: A default mode of brain function. Proc. Natl. Acad. Sci. U. S. A. 98(2), 676-682 (2001). https://doi.org/10.1073/pnas.98.2.676Damoiseaux, J.S., Rombouts, S.A., Barkhof, F., Scheltens, P., Stam, C.J., Smith, S.M., Beckmann, C.F.: Consistent resting-state networks across healthy subjects. Proc. Natl. Acad. Sci. U. S. A. 103(37), 13848-13853 (2006). https://doi.org/10.1073/pnas.0601417103Fox, M.D., Raichle, M.E.: Spontaneous fluctuations in brain activity observed with functional magnetic resonance imaging. Nat. Rev. Neurosci. 8(9), 700-711 (2007). https://doi.org/10.1038/nrn2201Varela, F., Lachaux, J.P., Rodriguez, E., Martinerie, J.: The brainweb: phase synchronization and large-scale integration. Nat. Rev. Neurosci. 2(4), 229-239 (2001). https://doi.org/10.1038/35067550Kenet, T., Bibitchkov, D., Tsodyks, M., Grinvald, A., Arieli, A.: Spontaneously emerging cortical representations of visual attributes. Nature. 425(6961), 954-956 (2003). https://doi.org/10.1038/nature02078Raichle, M.E., Mintun, M.A.: Brain work and brain imaging. Annu. Rev. Neurosci. 29, 449-476 (2006). https://doi.org/10.1146/annurev.neuro.29.051605.112819Raichle, M.E., Snyder, A.Z.: A default mode of brain function: a brief history of an evolving idea. NeuroImage. 37(4), 1083–1090.; discussion 1097-1089 (2007). https://doi.org/10.1016/j.neuroimage.2007.02.041Fox, M.D., Snyder, A.Z., Vincent, J.L., Corbetta, M., Van Essen, D.C., Raichle, M.E.:The human brain is intrinsically organized into dynamic, anticorrelated functional networks. Proc. Natl. Acad. Sci. U. S. A. 102(27), 9673-9678 (2005). https://doi.org/10.1073/pnas.0504136102Jafri, M.J., Pearlson, G.D., Stevens, M., Calhoun, V.D.: A method for functional network connectivity among spatially independent resting-state components in schizophrenia. NeuroImage. 39(4), 1666-1681 (2008). https://doi.org/10.1016/j.neuroimage.2007.11.001Luckhoo, H., Hale, J.R., Stokes, M.G., Nobre, A.C., Morris, P.G., Brookes, M.J., Woolrich, M.W.: Inferring task-related networks using independent component analysis in magnetoencephalography. NeuroImage. 62(1), 530–541 (2012). https://doi.org/10.1016/j.neuroimage.2012.04.046Smith, S.M., Fox, P.T., Miller, K.L., Glahn, D.C., Fox, P.M., Mackay, C.E., Filippini, N., Watkins, K.E., Toro, R., Laird, A.R., Beckmann, C.F.: Correspondence of the brain’s functional architecture during activation and rest. Proc. Natl. Acad. Sci. U. S. A. 106(31), 13040–13045 (2009). https://doi.org/10.1073/pnas.0905267106Zhang, N., Rane, P., Huang, W., Liang, Z., Kennedy, D., Frazier, J.A., King, J.: Mapping resting-state brain networks in conscious animals. J. Neurosci. Methods. 189(2), 186–196(2010). https://doi.org/10.1016/j.jneumeth.2010.04.001Vincent, J.L., Patel, G.H., Fox, M.D., Snyder, A.Z., Baker, J.T., Van Essen, D.C., Zempel, J.M., Snyder, L.H., Corbetta, M., Raichle, M.E.: Intrinsic functional architecture in the anaesthetized monkey brain. Nature. 447(7140), 83–86 (2007). https://doi.org/10.1038/nature05758Fox, M.D., Snyder, A.Z., Zacks, J.M., Raichle, M.E.: Coherent spontaneous activity accounts for trial-to-trial variability in human evoked brain responses. Nat. Neurosci. 9(1), 23–25(2006). https://doi.org/10.1038/nn1616Fox, M.D., Snyder, A.Z., Vincent, J.L., Raichle, M.E.: Intrinsic fluctuations within cortical systems account for intertrial variability in human behavior. Neuron. 56(1), 171–184 (2007). https://doi.org/10.1016/j.neuron.2007.08.023Mason, M.F., Norton, M.I., Van Horn, J.D., Wegner, D.M., Grafton, S.T., Macrae, C.N.: Wandering minds: the default network and stimulus-independent thought. Science. 315(5810), 393–395 (2007). https://doi.org/10.1126/science.1131295Buckner, R.L., Andrews-Hanna, J.R., Schacter, D.L.: The brain’s default network: anatomy, function, and relevance to disease. Ann. N. Y. Acad. Sci. 1124, 1–38 (2008). https://doi.org/10.1196/annals.1440.011Douw, L., van Dellen, E., Gouw, A.A., Griffa, A., de Haan, W., van den Heuvel, M.,Hillebrand, A., Van Mieghem, P., Nissen, I.A., Otte, W.M., Reijmer, Y.D., Schoonheim, M.M., Senden, M., van Straaten, E.C.W., Tijms, B.M., Tewarie, P., Stam, C.J.: The road ahead in clinical network neuroscience. Netw Neurosci. 3(4), 969–993 (2019). https://doi.org/10.1162/netn_a_00103Fox, M.D., Buckner, R.L., Liu, H., Chakravarty, M.M., Lozano, A.M., Pascual-Leone,A.: Resting-state networks link invasive and noninvasive brain stimulation across diverse psychiatric and neurological diseases. Proc. Natl. Acad. Sci. U. S. A. 111(41), E4367–E4375(2014). https://doi.org/10.1073/pnas.1405003111Fox, M.D., Greicius, M.: Clinical applications of resting state functional connectivity. Front. Syst. Neurosci. 4, 19 (2010). https://doi.org/10.3389/fnsys.2010.00019Stam, C.J.: Modern network science of neurological disorders. Nat. Rev. Neurosci. 15(10), 683–695 (2014). https://doi.org/10.1038/nrn3801Tost, H., Bilek, E., Meyer-Lindenberg, A.: Brain connectivity in psychiatric imaging genetics. NeuroImage. 62(4), 2250–2260 (2012). https://doi.org/10.1016/j.neuroimage.2011.11.007Zhang, D., Raichle, M.E.: Disease and the brain’s dark energy. Nat. Rev. Neurol. 6(1), 15–28(2010). https://doi.org/10.1038/nrneurol.2009.198Aiello, M., Cavaliere, C., Salvatore, M.: Hybrid PET/MR imaging and brain connectivity. Front. Neurosci. 10, 64 (2016). https://doi.org/10.3389/fnins.2016.00064Bassett, D.S., Bullmore, E.T.: Human brain networks in health and disease. Curr. Opin. Neurol. 22(4), 340–347 (2009). https://doi.org/10.1097/WCO.0b013e32832d93ddStam, C.J.: Use of magnetoencephalography (MEG) to study functional brain networksin neurodegenerative disorders. J. Neurol. Sci. 289(1-2), 128–134 (2010). https://doi.org/10.1016/j.jns.2009.08.028Nugent, A.C., Robinson, S.E., Coppola, R., Furey, M.L., Zarate Jr., C.A.: Group differences in MEG-ICA derived resting state networks: application to major depressive disorder. NeuroImage. 118, 1–12 (2015). https://doi.org/10.1016/j.neuroimage.2015.05.051Drysdale, A.T., Grosenick, L., Downar, J., Dunlop, K., Mansouri, F., Meng, Y., Fetcho, R.N., Zebley, B., Oathes, D.J., Etkin, A., Schatzberg, A.F., Sudheimer, K., Keller, J., Mayberg, H.S., Gunning, F.M., Alexopoulos, G.S., Fox, M.D., Pascual-Leone, A., Voss, H.U., Casey, B.J., Dubin, M.J., Liston, C.: Resting-state connectivity biomarkers define neurophysiological subtypes of depression. Nat. Med. 23(1), 28–38 (2017). https://doi.org/10.1038/nm.4246Wang, L., Hermens, D.F., Hickie, I.B., Lagopoulos, J.: A systematic review of resting-state functional-MRI studies in major depression. J. Affect. Disord. 142(1-3), 6–12 (2012). https://doi.org/10.1016/j.jad.2012.04.013Anand, A., Li, Y., Wang, Y., Wu, J., Gao, S., Bukhari, L., Mathews, V.P., Kalnin, A., Lowe, M.J.: Activity and connectivity of brain mood regulating circuit in depression: a functional magnetic resonance study. Biol. Psychiatry. 57(10), 1079–1088 (2005). https://doi.org/10.1016/j.biopsych.2005.02.021Greicius, M.D., Flores, B.H., Menon, V., Glover, G.H., Solvason, H.B., Kenna, H., Reiss, A.L., Schatzberg, A.F.: Resting-state functional connectivity in major depression: abnormally increased contributions from subgenual cingulate cortex and thalamus. Biol. Psychiatry. 62(5), 429–437 (2007). https://doi.org/10.1016/j.biopsych.2006.09.020Sheline, Y.I., Raichle, M.E.: Resting state functional connectivity in preclinicalAlzheimer’s disease. Biol. Psychiatry. 74(5), 340–347 (2013). https://doi.org/10.1016/j.biopsych.2012.11.028Foo, H., Mather, K.A., Jiang, J., Thalamuthu, A., Wen, W., Sachdev, P.S.: Genetic influence on ageing-related changes in resting-state brain functional networks in healthy adults: a systematic review. Neurosci. Biobehav. Rev. 113, 98–110 (2020). https://doi.org/10.1016/j.neubiorev.2020.03.011Dennis, E.L., Thompson, P.M.: Functional brain connectivity using fMRI in aging andAlzheimer’s disease. Neuropsychol. Rev. 24(1), 49–62 (2014). https://doi.org/10.1007/s11065-014-9249-6Mandal, P.K., Banerjee, A., Tripathi, M., Sharma, A.: A comprehensive review ofmagnetoencephalography (MEG) studies for brain functionality in healthy aging andAlzheimer’s Disease (AD). Front. Comput. Neurosci. 12, 60 (2018). https://doi.org/10.3389/fncom.2018.00060Greicius, M.D., Srivastava, G., Reiss, A.L., Menon, V.: Default-mode network activity distinguishes Alzheimer’s Disease from healthy aging: evidence from functional MRI. Proc. Natl. Acad. Sci. U. S. A. 101(13), 4637–4642 (2004). https://doi.org/10.1073/pnas.0308627101Buckner, R.L., Snyder, A.Z., Shannon, B.J., LaRossa, G., Sachs, R., Fotenos, A.F., Sheline, Y.I., Klunk, W.E., Mathis, C.A., Morris, J.C., Mintun, M.A.: Molecular, structural, and functional characterization of Alzheimer’s Disease: evidence for a relationship between default activity, amyloid, and memory. J. Neurosci. 25(34), 7709–7717 (2005). https://doi.org/10.1523/JNEUROSCI.2177-05.2005Del Guerra, A., Ahmad, S., Avram, M., Belcari, N., Berneking, A., Biagi, L., Bisogni, M.G., Brandl, F., Cabello, J., Camarlinghi, N., Cerello, P., Choi, C.H., Coli, S., Colpo, S., Fleury, J., Gagliardi, V., Giraudo, G., Heekeren, K., Kawohl, W., Kostou, T., Lefaucheur, J.L., Lerche, C., Loudos, G., Morrocchi, M., Muller, J., Mustafa, M., Neuner, I., Papadimitroulas, P., Pennazio, F., Rajkumar, R., Brambilla, C.R., Rivoire, J., Kops, E.R., Scheins, J., Schimpf, R., Shah, N.J., Sorg, C., Sportelli, G., Tosetti, M., Trinchero, R., Wyss, C., Ziegler, S., Consortium, T.: TRIMAGE: a dedicated trimodality (PET/MR/EEG) imaging tool for schizophrenia. Eur Psychiatry. 50, 7–20 (2018). https://doi.org/10.1016/j.eurpsy.2017.11.007Whitfield-Gabrieli, S., Thermenos, H.W., Milanovic, S., Tsuang, M.T., Faraone, S.V., McCarley, R.W., Shenton, M.E., Green, A.I., Nieto-Castanon, A., LaViolette, P., Wojcik, J., Gabrieli, J.D., Seidman, L.J.: Hyperactivity and hyperconnectivity of the default network in schizophrenia and in first-degree relatives of persons with schizophrenia. Proc. Natl. Acad. Sci. U. S. A. 106(4), 1279–1284 (2009). https://doi.org/10.1073/pnas.0809141106Lynall, M.E., Bassett, D.S., Kerwin, R., McKenna, P.J., Kitzbichler, M., Muller, U., Bullmore, E.: Functional connectivity and brain networks in schizophrenia. J. Neurosci. 30(28), 9477-9487 (2010). https://doi.org/10.1523/JNEUROSCI.0333-10.2010Calhoun, V.D., Eichele, T., Pearlson, G.: Functional brain networks in schizophrenia: a review. Front. Hum. Neurosci. 3, 17 (2009). https://doi.org/10.3389/neuro.09.017.2009Jalili, M., Knyazeva, M.G.: EEG-based functional networks in schizophrenia. Comput. Biol. Med. 41(12), 1178-1186 (2011). https://doi.org/10.1016/j.compbiomed.2011.05.004Li, S., Hu, N., Zhang, W., Tao, B., Dai, J., Gong, Y., Tan, Y., Cai, D., Lui, S.: Dysconnectivity of multiple brain networks in schizophrenia: a meta-analysis of resting-state functional connectivity. Front Psychiatry. 10, 482 (2019). https://doi.org/10.3389/fpsyt.2019.00482Savio, A., Funger, S., Tahmasian, M., Rachakonda, S., Manoliu, A., Sorg, C., Grimmer, T., Calhoun, V., Drzezga, A., Riedl, V., Yakushev, I.: Resting-state networks as simultaneously measured with functional MRI and PET. J. Nucl. Med. 58(8), 1314-1317 (2017). https://doi.org/10.2967/jnumed.116.185835Cohen, M.X., van Gaal, S.: Dynamic interactions between large-scale brain networks predict behavioral adaptation after perceptual errors. Cereb. Cortex. 23(5), 1061-1072 (2013). https://doi.org/10.1093/cercor/bhs069Schafer, C.B., Morgan, B.R., Ye, A.X., Taylor, M.J., Doesburg, S.M.: Oscillations, networks, and their development: MEG connectivity changes with age. Hum. Brain Mapp. 35(10), 5249-5261 (2014). https://doi.org/10.1002/hbm.22547Yuan, H., Zotev, V., Phillips, R., Drevets, W.C., Bodurka, J.: Spatiotemporal dynamics of the brain at rest–exploring EEG microstates as electrophysiological signatures of BOLD resting state networks. NeuroImage. 60(4), 2062–2072 (2012). https://doi.org/10.1016/j.neuroimage.2012.02.031Britz, J., Van De Ville, D., Michel, C.M.: BOLD correlates of EEG topography revealrapid resting-state network dynamics. NeuroImage. 52(4), 1162–1170 (2010). https://doi.org/10.1016/j.neuroimage.2010.02.052

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