bold信号（PNAS：功率谱显示白质中明显的BOLD静息态时间过程）

本文目录

• PNAS：功率谱显示白质中明显的BOLD静息态时间过程
• 脑电数据的功能连通性分析

PNAS：功率谱显示白质中明显的BOLD静息态时间过程

准确描述血氧水平依赖(BOLD)信号变化的时间过程对功能性MRI数据的分析和解释至关重要。虽然多项研究表明白质(WM)在任务诱发下表现出明显的BOLD反应，但尚未对WM自发信号波动的时间过程进行全面的研究。我们测量了WM内一组区域的功率谱，这组区域的的静息态时间序列是独立成分分析显示为同步活动。根据它们的功率谱，在每个成分中，体素明显地分为两类:一组显示出一个单独的峰，而另一组在更高的频率上有一个额外的峰。它们的分组具有位置特异性，其分布反映了独特的神经血管和解剖结构。重要的是，两类体素在功能整合中的参与存在差异，这体现在两类体素在区域间连接数量上的差异。综上所述，这些发现表明， WM信号在本质上是异质性的，并依赖于局部的结构-血管-功能关联 。 1. 简介 功能磁共振成像(fMRI)已经成为通过检测大脑中血氧水平依赖(BOLD)信号的变化来绘制神经活动的领先技术。数学分析已经发展起来，以识别激活区域，当刺激响应时，BOLD信号显著高于基线，并通过检测在无任务、静止状态下分离的灰质(GM)区域的同步BOLD信号，来识别功能回路。 白质(WM)占脑容量的一半以上，并显示出与GM相类似的氧摄取模式 ，但在任务或静息状态功能磁共振成像研究中，其参与很少报道。 在实践中，WM中的平均BOLD波动通常被回归为一个讨厌的协变量 。近年来，越来越多的文献认识到，WM中的BOLD信号的变化可能反映神经活动，并通过适当的方法，与外界刺激相关的BOLD改变可以用常规fMRI可靠地检测出来。然而，与GM相比，检测WM激活的灵敏度往往要低得多，这可能是由于对纳入回归模型进行检测的反应的时间过程做出了错误的假设。根据我们最近的研究， 参与外部刺激处理的WM束可能表现出不同于GM的不同时间进程，其幅度减小，峰值延迟，反映了GM和WM血流动力学条件的定量差异 。这些发现强调了描述BOLD信号的时间剖面的重要性，这样可以更好地理解WM中的神经血管耦合，并将其适当地纳入分析中。 迄今为止，对WM BOLD反应特征的研究主要集中在任务诱发的BOLD信号上，在该信号中，每个时间过程的开始锁定于已知的事件(或刺激)。然后，测量的统计意义，例如，反应的幅度和达到峰值的时间，可以根据trials,run,sessi***和受试者之间的平均和比较来严格评估。 然而，由于缺乏影响内在BOLD信号的参考事件，因此很难量化或比较个体或区域之间的时间过程。现有文献通常报告基于区域间相关性的数据，这些数据在扫描或受试者中可重现，但在这些数据中，时间进程本身的特征被忽略了。 信号的频谱分析 是识别感兴趣的特征的一种补充方法，随着时间的推移，BOLD效应看起来是随机的和很小的，可能反映了成分频率的独特模式。事实上，功率谱分析经常被用来表征GM的自发活动，发现不同皮层区域、不同认知状态或不同频段的BOLD变化存在显著差异。虽然这些分析可以提供可靠的信号统计描述，但这些分析仅限于通用模型，关于WM中静息状态时间过程的信息仍然缺乏。我们最近的研究表明， 与GM相比，WM信号具有相当的频率范围，其功率作为频率的函数也表现出类似的模式 ，因此功率谱可以为了解WM信号波动的本质提供更多的信息。 在这里，我们报告了我们对一组区域的WM时间过程的功率谱的详细分析，这些区域是从驱动的不同功能活动派生的数据中确定的。我们观察到，虽然每个区域都表现出类似的BOLD波动模式，但更深入的分析表明， 每个区域内的体素很容易根据其不同的功率谱聚为两组:一组有单峰谱(SP体素)，另一组有双峰谱(DP体素)，这种谱形状在GM体素中很少观察到 。然后，我们通过功率谱中第二峰与同一位置的血流动力学和解剖特征之间的关系，探讨其可能的起源。 我们观察到DP体素在其血流动力学响应函数(hrf)中比SP体素表现出更明显的初始下降，这表明更高频率峰值的存在反映了局部的血流动力学条件 。 基于弥散成像数据，我们观察到DP体素中的交叉纤维明显多于SP体素，这为不同的模式提供了解剖学基础 。接下来，我们比较了从整个区域的时间过程的相关性计算出来的区域间功能连接，仅SP部分和DP部分，并观察到 DP子区域产生了最多的区域间连接 ，说明SP体素和DP体素在静息态功能网络中有不同程度的作用。这些发现共同表明，在静息状态下， WM BOLD信号可能有不同的时间进程 ，反映了不同体素群体中解剖、神经血管和功能耦合的潜在变化。 2. 结果 2.1 独立成分的空间分布及其特征功率谱 基于199名受试者的图像，采用组独立分量分析(group independentcomponent ****ysis, ICA)方法将WM分解为80个独立分量(ICs)。 每个IC代表一组体素，随着时间的推移，这些体素表现出类似的BOLD信号模式 。通过 傅里叶变换计算每个IC体素内信号的功率谱频率分布 。 图1显示了选择的WM IC和他们的功率谱。对于每个面板，第一个图(图1,I)显示了蒙特利尔神经学研究所(MNI)空间中三个正交平面的IC(所有80个IC的空间分布可以在SI附录中找到，图S1)。每个面板中的第二个图(图1，图II)显示了组成IC的体素的功率谱，其中每条线代表了每个体素平均超过199名受试者的平均功率谱。基于观察到的频率上的功率模式，这些线使用k-means算法聚为两组;SP体素在0.015Hz左右出现单峰，而DP体素在0.065 Hz左右出现额外的峰值，如图3所示(图1、图III)。横轴切片IC内部SP和DP体素的空间分布如图4(图1、图IV)所示，颜色不同。      图1 所选WM ic的空间分布及其功率谱模式。对于每个面板，I是WM IC在三个正交平面上的可视化，II是IC内体素的功率谱。每条线代表同一体素下199名受试者的平均功率谱。(III)两组体素(SP体素和DP体素)在IC内表现出不同的功率谱模式。(IV)SP体素和DP体素在不同颜色下的空间分布。 我们观察到80个WM IC中有80个存在DP体素(详见SI附录，图S2)。为了评估DP体素对WM是否独特，我们对GM应用了相同的工作流，但在80个GM IC中没有观察到明显的DP模式(参见SI附录，图中的细节)。S3和S4)。为了检验这项工作的可重复性，分类在两个休息的sessi***上被复制，从相同的199名受试者在不同的日子获得。如SI Appendix, Fig. S5所示，在WM ICs中测试SP和DP体素的空间分布非常一致。SI附录，图S6显示了SP和DP分布的全局地图，对80个ICs的每一类结合体素重建，并根据测试和重测结果之间的Dice系数评估其重现性。SP体素的Dice系数为0.95,DP体素的Dice系数为0.78。 2.2 WM IC中HRFs函数与功率谱的关系 使用静息状态血流动力学响应函数(RS-HRF)工具箱(详见材料和方法)分别对每个IC中的SP和DP体素进行HRF估计。对于SI附录中的每个面板，图S7，左图是IC中SP和DP体素的分布，中图是不同颜色的SP和DP体素的HRF，每条线代表在同一体素下199名受试者的平均HRF。我们观察到与80个ICs中的80个SP体素相比， DP体素呈现出更明显的初始下降，其幅度明显更低 。为了进一步证实这种差异不是偶然观察到的，我们将每一个IC(在受试者水平上)随机分成两组，观察到hrf在两组随机组之间完全重叠，如图各面板右图所示。 初始下降的幅度，特别是在DP体素中，似乎随位置而变化 。例如，如图S7所示，IC 16的倾角比IC 45的要低得多。同样地，功率谱在IC上显示可变的第二峰，如图2B所示。检查DP的HRFs和功率谱之间的关系,我们将HRFs初始下降幅值和在80 ICs之间的变化的四个测量进行相关,包括第一和第二峰值的大小,以及他们的比率,和频率与第二高峰。我们观察到hrf初始倾角的大小显著相关，如图2C-F所示，四种测量值的相关性最高，在功率谱中，倾角的大小和两个峰的比值之间的相关性最高，如图2C所示。这种关系也分别对男性和女性进行了评估。如SI附录图S8所示，两性数据的谱与hrf的关系一致。同时，与男性相比，女性的hrf的初始下降幅度更低，而谱的第二峰的幅度更高。此外，与男性相比，女性在受试者中显示出与第二个峰值相关的频率分布更为集中。 图2 在80wm ic中，DP体素的hrf和功率谱之间的关系 2.3 DP体素中WM波域与功率谱模式的关系 通过首先比较DP体素的空间分布和从相同199名受试者的弥散数据计算出的纤维复杂性度量，我们检验了DP体素的解剖结构和不同功率谱之间的关系(详细信息请参见材料和方法)。如SI附录图S9所示，这两幅图高度一致，在冠状辐射、丘脑后辐射和矢状层有重叠区域，其中连合束和主纵向束，如下纵向束、额枕下束，额枕骨束也穿过。 为了进一步量化这种关系，我们在199名受试者中比较了每个IC中SP和DP区域的纤维复杂性。我们观察到，如图3所示，80个ICs中有64个(80%)显示出明显更高的复杂度， 表明功率谱中的第二个峰对应的体素具有更多的交叉纤维 。这种比较也分别对男性和女性进行了评估。如图SI Appendix, Fig. S10所示，两个性别组的数据在SP和DP区域的纤维复杂性上显示出一致的差异。 图3 80 WM IC中SP区和DP区光纤复杂度的比较。在80个ic中，DP区有64个ic的纤维复杂度明显高于SP区。黑色三角形表示不显著差异或更高的复杂性在SP区域。每个框绘制数据的中间值(中线)、第一个四分位数(下边界)和第三个四分位数(上边界)。红色和蓝色的散点表示离群点。 2.4 基于整个IC、SP体素和DP体素的功能相关性 在静止状态下，来自WM区域的BOLD信号显示出与其他白**域和GM区域的相关性，其方式类似于用于推断皮层体积之间功能连接的相关性。因此，我们构建了静息状态矩阵，显示了每个成分的每对80个IC之间的相关性，以及分别仅SP和DP部分。图4 A C显示了基于DP的矩阵具有最高的连通性。为了量化差异，我们比较了199名受试者的连接数，即当对矩阵应用不同的阈值时，二值化矩阵的和。 从图4D中可以看出，在我们选择的所有阈值中，基于DP区域的矩阵比使用SP或整个IC的矩阵显示出更多的连接数。 图4 比较(A)整个ic区域，(B) ICs的SP部分和(C) ICs的DP部分重构的FC矩阵。(D)当对199个受试者的FC矩阵应用不同的阈值时的连接数。实线和阴影区域表示相关CI(95%)的数据平均值。 3. 讨论 我们测量了在功能相干区域的静息态BOLD信号的功率谱，并详细检查了低频波段内的信号功率。我们识别出两类体素，即SP体素和DP体素，它们表现出不同的谱分布。 SP体素与GM类似，呈现单峰谱，而DP体素在更高的频率上呈现额外的峰值 。 SP和DP体素聚集在某些位置，也观察到明显的hrf。DP体素的初始下降幅度明显低于SP体素，且初始下降幅度在IC之间存在差异，且与两个峰值功率比的幅度显著相关 。此外， SP和DP体素的分布与IC内部WM的详细结构相对应，SP和DP体素的纤维复杂性存在显著差异 。此外，使用IC的不同成分进行的IC间相关性评估表明，与整个IC或SP部分相比， 来自DP体素的信号在IC内的时间过程与更多其他IC同步，这表明它们在大脑连接中的不同参与 。 总之，我们对分布在WM上的80个IC的静息状态时间过程的功率谱进行了表征。根据它们的功率谱模式，在每个IC中可以明显地区分出两类体素。这些体素是特定位置的，它们在每个IC中的分布与潜在的解剖结构有关。此外，从静息状态的相关性判断，他们对大脑中明显的功能性连接的参与程度也有所不同。总之，这些发现增加了对静息状态下WM BOLD变化的现有理解，并为WM从根本上独特的结构-血管-功能关联提供了见解。

脑电数据的功能连通性分析

老话常谈，还是一样的话，没错，还是不想写的（就是这样的）。只写最简单的部分。如果有不对的地方，请指正。 为了能够厘清思路，本文将从以下几个方面进行： 什么是功能连通性？ 功能连通性的适用场合 功能连通性的计算指标

功能连通性简而言之就是用来衡量脑区之间（对于没有溯源过的EEG数据来说此处应指的是通道或头皮位置）相互关系的概念。 这个词在fMRI的研究中经常可以看到，其实际上指的就是不同脑区之间BOLD信号的皮尔逊相关。对于脑电来说就是通道/脑区之间的关系。需要注意的是这里说的是在功能层面上的连接而非结构上的连接（例如，DTI）。 对于脑电数据来说因为容积传导等原因会导致最终在头皮上采集到的信号并非完全是其某通道下方垂直脑区发出的。所以，对没有进行过溯源的脑电数据来说，在进行连通性分析是都不能使用通道所在头皮下方的脑区来指代其位置，这是不准确、不科学的说法。 功能连通性也称之为功能连接或者是功能网络，它们实际上大同小异，下面的描述都将基于脑电数据展开。

如果只是单纯地计算每个脑区的激活情况其实质上关注的只是单独的脑区。但是现在越来越多的研究表明，大脑是一个有机整体。人脑在进行信息加工时并不是仅仅几个脑区单独活动，而是若干个脑区之间会存在联系。这也是许多研究者关注功能连接的一个原因。

功能连通性可以运用在fMRI、静息态fMRI、 静息态EEG和ERP中。对于研究者来说，只要想考察两个脑区之间的关系就可以考虑使用这种方法。

脑电数据的功能连通性的计算指标有好几种，它们可以进一步分为有向连接和无向连接。无向的就是A对B 和 B对A 的联系是一样的，本质上就是相关。有向的就是A对B和B对A的联系是不一样的。

下面就是简单理解一下上面的这些概念 相干coherence：可以当成是三维层面上的相关来理解。它所描述的是固定频率点时，两个电极（或者是脑区）之间的线性的相关关系；

相位同步：描述的是两个相位之间同步性，即两个相位之间存在固定的相位差（谁领先谁一步，或者谁延迟一步）。这里又可以分为3个指标。PLV相位锁值、PIL相位延迟指数、wPIL加权相位延迟指数。这三个指标都是通过希尔伯特变化首先求出其瞬时相位，然后再计算相位差。只是这三个指标是从不同的层面描述相位差的特征。 PLV：求得是相位差的密集程度，取值范围是。如果存在固定的相位差，即完全相位同步为1；反之为0，即没有规律，相位差不固定，完全没有同步。 PIL：描述的是相位差的正负。取值范围同样是。如果相位差全部为正或者为负，则取1。一半为正，一半为负，则取0。 wPLV：描述的是在PIL的基础上，加上相位差的绝对值。是有权重的。

格兰杰因果：是建立在GLM基础上的，衡量两个脑区/通道有向关系的方法。因为并不知道两者的关系的方向（即，谁是因谁是果），所以既要做X对Y，也要做Y对X。

信息论：是一种从接受来推断来源的方法。主要有两个具体的指标，互信息和转移熵。 互信息：是一种无向的关系，简单来说就是两者之间所包含的共同的信息/元素； 转移熵：是一种有向的信息，

广义同步：是一种复杂的非线性方法。可以整整意义上衡量好几个信号之间的相关性，这种相关性也是非线性的。