Nature子刊：叙事理解过程中默认网络的动态重构

默认网络(DMN)在人脑功能网络中扮演者极为重要的角色，一个关于它的重要问题是，默认网络是否会通过网络的动态重组来编码关于环境变化的信息?

想对这个问题进行研究是很困难的，因为功能连接的模式反映了刺激诱导的神经过程、人脑内在的神经过程以及非神经元噪声的混合信号。为了能够有效地研究这个问题，本文使用了一种被称为受试者间功能连接(ISFC)的方法，它可以分离暴露于同一刺激的大脑之间依赖于刺激的区域间相关性。

在功能磁共振中，本研究让受试者听真实的听觉叙述，以及暂时打乱的听觉叙述。然后使用ISFC方法来分离DMN中的相关模式，这些关联模式锁定于每个叙事片段的处理过程，并在叙事语境中特定于其含义。

结果发现，DMN的ISFC的瞬时改变在组间具有高度的可复制性。DMN耦合强度有效预测了对叙事片段的记忆。本文除了对默认网络在人脑面对外界刺激时如何动态重组提供了新的证据，也表明ISFC（受试者间功能连接）方法为将大脑网络的动态改变与刺激特征和行为联系起来开辟了一种新的途径，可以在未来应用到更多任务态研究中。本文发表在NATURE COMMUNICATIONS杂志。

1.研究背景

在日常生活中，人类常常需要在几分钟内积累和整合信息，比如看电影或听讲座。之前的研究已经确认了一组高级大脑区域，包括：颞顶叶连接，角回，楔前叶，后扣带皮层(PCC)，内侧前额叶皮层和颞极，它们可以在几分钟的时间内积累和整合信息。这些具有较长的处理时间尺度的区域似乎与默认模式网络(DMN)的成分一致，尽管在过去十年中许多研究者对DMN网络进行了长期研究，但时至今日，人们对默认网络的功能仍只了解部分。

DMN在主动处理来自外界的信息方面的作用是一个长期存在的难题。DMN之间的功能连接(FC)在进行外部集中的任务时，在休息时，甚至在睡觉时都是不断变化的。每分钟都可以观察到不同的网络状态，在一个中等稳定的体系结构周围变化，平均时间超过几十分钟。在使用任务前和任务后FC模式以及短事件相关设计的研究基础上发现，DMN功能与回忆过去的事件、模拟未来的事件、心智理论和涉及社会内容的任务相关联。

但DMN区域间相关性的变化是否反映了当前时刻外部信息的主动加工?例如，密集或稀疏的DMN连接是否反映了不同种类的当前情景表征，并对每个情景的记忆产生不同的后果?DMN的这种积极作用是如何与长期观察相一致的，即DMN网络只被外界刺激的存在或不存在非常微弱的调节。

为了更好地描述锁定于外部刺激处理的DMN相关模式的动态变化，本研究引入了一种新的方法，称为被试间功能相关(ISFC)。在该研究中，不同被试的大脑暴露于同一连续的现实刺激(一种听觉叙述)下，然后计算出它们之间的区域间相关性。本文使用标准FC分析检测到的网络相关模式主要反映了每个大脑内固有血氧水平依赖(BOLD)的波动。相比被试内的功能连接分析，ISFC方法在检测受激区域间相关时提高了信噪比(SNR)。信噪比的提高来自于过滤掉内在的神经动力学(例如，与正在进行的刺激处理无关的内在认知过程产生的反应)，以及噪声信号(例如，呼吸频率;运动)可以影响大脑内部的网络关联模式。

ISFC方法揭示了DMN相关模式的两个新的功能特征。首先，当故事在段落层面被打乱时，DMN相关模式的可靠性较低，当故事在单词层面被打乱时，可靠性更低。这表明，DMN相关性是由刺激的时间结构的连贯性在几分钟内调节的，这与长期时间尺度的情境依赖表征在DMN内保持一致。其次，DMN相关模式以(i)特定于故事的单个片段和(ii)跨独立的受试者组高度可复制的方式重新配置。因此，被试间功能相关方法为大规模神经动力学研究提供了一个强有力的新视角。

2.方法

实验步骤

被试

对于听觉叙述刺激(“Pieman”)，本文采集了36名听完整故事的受试者，其中18人用于探索分析，18人用于重测分析。在段落混乱条件下，有18名被试。在单词混乱条件下，共有36名被试。在休息条件下，有36名受试者。音像电影条件下，24个被试，而且分组设计范式的心智理论组被试为36名。另外9名受试者在完整故事和休息状态下作为对照组进行扫描。此外，还招募了30名受试者(15名男性，年龄19-31岁)进行“填空”记忆测试，该测试是在扫描仪外进行的。

MRI采集。

为了尽量减少头部运动，受试者头部用泡沫垫稳定。为了消除噪音和安全，在耳塞上放置了核磁共振安全被动降噪耳机。

刺激和实验设计：

实验的主要刺激源来自一个7分钟的真实故事，记录于一个现场讲故事的表演。受试者从头到尾听完故事(完好无损)。此外，实验对象还听了故事的打乱版本。打乱版本是通过将原始刺激分成不同时间尺度的片段(段落和单词)，然后排列这些片段的顺序而生成的。为了生成干扰刺激，通过识别每个单词和段落的结束点，人工分割故事。在无法分离的情况下，两个相邻的短词被分配到一个片段中。然后是12秒的中性音乐，3秒的沉默，15秒的沉默，在所有条件下回放。所有的分析都忽略了这些音乐和沉默期。

此外使用了一组受试者观看视听电影的数据。受试者(24人)在一次扫描中连续观看整部电影。该数据集是使用上述相同的MRI扫描仪和设置收集的。

行为测试。

完整的听觉叙述呈现给每个受试者。听完之后，研究对象会拿到一份印刷好的故事文本，其中有些单词或短语被省略了。受试者被要求阅读文字记录，并尽可能准确地填写他们遇到的每一个空白。如果他们不确定正确答案，他们被鼓励去猜测。当实验对象无法大胆猜测时，他们被允许不回答问题，继续进行任务。当受试者读到文字记录的末尾时，任务就结束了。对于每个受试者来说，他们对每个空白的回答都按照0到4的等级进行打分。

数据分析

首先的MRI数据进行预处理。然后以PCC（后扣带皮层）为种子点做ROI分析。我们通过计算36名受试者在休息状态下以PCC为种子和大脑其余部分之间的FC绘制DMN网络，然后在所有受试者中取平均值。然后基于ROIs进行聚类提取网络。总共，我们为每组18名受试者定义了跨越5个网络的52个ROI（本文的ROI是从2007年发表在neuron上的一篇文章里抠取）。

数据还需要去除非神经元信号源。呼吸随时间的缓慢变化(RV)已被证明会引起大脑中线周围许多区域的BOLD信号的强烈变化，包括部分DMN。因此，使用多元线性回归从BOLD数据中回归脑脊液、白质和全脑信号。在计算FC或ISFC之前，对每个受试者和所有条件分别进行计算。时间序列相关性的统计分析。由于BOLD信号中存在长时间自相关，因此使用基于替代数据的置换程序(bootstrapping程序)评估每个观测到的相关的统计显著性。替代数据是使用相位随机化生成的。对于ISFC分析，无效假设是每个个体的每个体素中的BOLD信号独立于任何其他个体在任何时间点的所有其他体素中的BOLD信号值。最后，对MRI数据进行基于网络的ISFC（被试间功能相关）分析。然后做基于种子的ISFC分析。同时计算基于网络和种子的FC，然后计算网络相关模式随时间的变化。

3.结果

研究设计。

为了描述刺激诱导的DMN相关模式，收集了叙事驱动和静息状态下的BOLD反应。实验对象听一个真实的故事，以及单词和段落的混乱版本的故事。还收集了10分钟的睁眼静息数据。另外9名受试者在扫描完整的故事和静息状态时测量了呼吸和心率(HR)。

下面的结果包括四个主要部分:

(i)提出了ISFC方法以及信噪比增益的统计模型;

(ii)证明了DMN中的ISFC模式跟踪叙述的连贯性水平;

(iii)可以在DMN中使用ISFC来解码刺激类型;

(iv)展示了ISFC如何揭示错综复杂但高度可靠的网络内部动态，特别是DMN和任务激活区域之间的动态。

BOLD信号分解和ISFC背后的原理

将每个体素中测量到的BOLD信号建模为三个分量之和(图1a)：刺激诱导信号(S)、固有神经信号(I)和非神经元噪声信号(N)。刺激诱导信号(S)被定义为在处理外部刺激时锁定的神经反应。内在神经信号(I)被定义为与外部刺激处理不可靠相关的神经反应。这些内在的神经信号在被试之间应该是不相关的。

在任务设置中，由FC方法计算出的每个个体内部的关联模式将受到三个成分中的每一个的影响(图1b)。相比之下，被试间相关性(ISC)通过将同一区域的时间进程与被试间的时间进程相关联，捕获了给定区域内被试间的刺激诱导相关性(图1c)。

图1 ISFC方法

图1：(a)在任务处理过程中，测量到的BOLD信号可以分解为刺激诱导信号(蓝色)、固有神经信号(自发波动)和非神经元信号(如生理噪声)(红色)。

(b)基于种子的功能连通性(FC)是从被试X的种子区域(1)中提取的时间过程与同一被试中所有其他区域(例如区域(2))之间的皮尔逊相关性。

(c)点对点被试间相关性:被试X和Y之间来自同一区域(例如区域1)的时间进程的刺激诱导相关性(蓝色)。ISC（被试间相关性）揭示了被试之间共享的区域内刺激诱导的神经响应的相关性。

(d)基于种子的ISFC是从受试者X的一个区域提取的时间过程与受试者Y的所有其他区域(例如，受试者X的区域1与受试者Y的区域2)之间的皮尔逊相关性。

(e)基于网络的ISFC是研究对象X的脑区域网络和研究对象Y的脑区域网络之间的皮尔逊相关性。

ISFC（受试者间功能连接）和ISC（被试间相关性）

在之前的研究中，作者们已经使用ISC来量化每个大脑区域内刺激驱动反应的可靠性(图1 c);它提供了单被试功能连接无法提供的区域间协方差信息。ISFC方法通过描述(a)一个受试者的一个种子区域的响应时间过程和(b)所有其他受试者的所有体素的响应时间过程之间的相关性来扩展ISC(图1d，方法)。除了这种基于种子的ISFC，还可以计算大脑中所有体素对的区域间相关矩阵(图1e)。一个基于种子的特定体素ISFC映射(图1d)由相关矩阵的单行或列表示(图1e)。ISFC揭示了关于区域间刺激诱导的相关模式的新信息，但ISC没有捕捉到这些信息。此外，通过计算短时间(45-90 s)滑动窗口内的ISFC，可以分离出DMN节点间高可靠的刺激诱导的相关模式变化。

ISFC滤除固有相关性和噪声

休息时的固有信号(I)和噪声信号(N)不能引起受试者间的区域间相关性。在没有外部刺激或明确任务的情况下，BOLD信号由内在波动主导，可以通过标准的FC方法来绘制大脑网络。按照标准方法本文定义了被试内网络的DMN(图2a)，计算每个受试者在休息期间以PCC为种子的FC图，然后对所有受试者的FC图求平均值。由此形成的网络包括楔前叶/PCC、额中回、内侧前额叶皮层、顶叶下小叶和颞中回。虽然标准FC分析揭示了DMN，但在同一PCC种子的休息期间，没有发现受试者之间的显著相关性(即没有ISFC)(图2e，空脑图)。因此，内在神经过程(I)和非神经元噪声源(N)并不能诱发不同受试者间的ISFC。这与FC分析相反，后者反映了刺激驱动的响应、内在动力和噪声源(如心率、呼吸和运动)的组合。

图2基于种子的ISFC揭示了叙事理解过程中默认网络(DMN)的刺激诱导相关性

图2：(a - d) 18名受试者以后扣带皮层(PCC)为种子(虚线圈)的平均功能连接(FC)图显示(a)静息状态、(b)单词混乱、(c)段落混乱和(d)完整的故事条件下的DMN。(e - h) 18名受试者以PCC为种子(虚线圈)的受试者间功能相关性(ISFC)，在静息状态(e)或单词混乱(f)时，DMN中没有显著的刺激诱导相关性。相反，基于种子的ISFC在段落混乱期间(g) DMN中显示显著的刺激诱导相关性，在完整故事期间(h)显示最大相关性。

DMN的被试间相同

接下来比较了四种不同情况(完整故事、段落混乱、单词混乱和静息状态)下DMN的FC和ISFC模式。FC和ISFC分析使用相同的PCC种子进行。可以观察到，在其余条件(无刺激，图2a)、单词混乱条件(图2b)、段落混乱条件(图2c)和完整故事条件(图2d)中，FC几乎没有变化。因此，使用标准FC分析定义的DMN结构在不同条件下是相似的，相对不受外部刺激存在或不存在的影响。相比之下，在相同数据集中使用相同种子区域计算ISFC时，在四种实验条件下的相关性差异很大:在段落混乱和完整故事条件下，ISFC中观察到与FC中拓扑相似的DMN(图2g,h)，但ISFC为静息(图2e)和单词混乱条件(图2 f)时是空的。因此，ISFC方法发现了一个强大的刺激诱导的跨受试者的DMN网络，这说明，DMN网络在选择性的处理连贯的叙述。相比之下，标准的FC地图以刺激无关成分为主，这并没有区分不同水平的叙事连贯。ISFC相对于标准FC的这种优势并不依赖于应用于相关图的统计阈值的选择。

DMN被锁定在刺激的高级属性上

为了检验DMN所有区域间的DMN相关模式在不同刺激下的变化(而不是仅仅检查与PCC为种子时的相关性)，接下来将FC和ISFC分析应用到一组双边DMN感兴趣区域(roi)。以标准的方式定义DMN网络节点，通过PCC计算一个静止状态FC映射，并在每个半球选择5个主要的DMN节点。使用得到的10个DMN roi(图2a)，计算了基于网络的FC(图3a)和基于网络的ISFC(图3b)，分别对应于以下四种情况：静息态、单词混乱、段落混乱和完整的故事条件。

蓝线(边)的粗细表示受试者内部(FC)或跨受试者(ISFC)两种不同roi之间的正相关程度。网络的每个节点用红色的圆圈标记，代表一个ROI。DMN的平均FC网络相关性在实验条件下基本不变(图3a)，而ISFC模式区分了它们。从单词混乱条件到完整故事条件，ISFC网络的平均相关性随刺激的时间相干性而增加(图3b)。总的来说，本研究观察到，与使用FC模式相比，DMN中的ISFC模式能够更好地解码刺激条件。当在单个体素水平测量DMN和所有其他功能网络之间的刺激诱导的区域间相关模式时，也观察到类似的分类性能改善。在标准块设计范式中对条件进行分类时，ISFC比FC的分类优势也被观察到。

图3基于网络的ISFC模式锁定在故事的时间连贯性层次上

图3：(a)四种情况下(静息状态、单词混乱、段落混乱、完整故事)DMN基于网络的FC模式。线宽表示DMN中不同节点之间的成对相关性(边宽)，圆大小表示相同节点之间的相关性(节点大小)。在FC中，节点与自身的相关性始终为1，因此，红色圆圈的大小是无信息且固定的。而在ISFC框架中，节点的大小表示节点在各个被试(即ISC)之间的相关性，因此节点的大小可以变化。

(b) DMN中基于网络的ISFC模式在四种情况下(静息状态、单词混乱、段落混乱、完整故事)的结果。

(c)使用ISFC和FC对任务条件进行跨被试分类。

(d)四种情况下FC(左)和ISFC(右)分类的混淆矩阵。

ISFC揭示了DMN相关模式的可靠动态

ISFC使我们能够在整个过程中描述DMN中刺激诱导相关性的动态，并且比标准FC分析具有更大的信噪比。为了测量刺激诱导的相关模式随时间的变化，本文计算了90 s滑动窗口内的ISFC。在每个时间点t，计算DMN中所有节点的两两相关(基于网络的ISFC)。首先，提取每个窗口内所有网络边缘的平均相关性，以获得网络状态的全局度量。接下来，检查了每个窗口内DMN不同节点之间的特定关联模式。

DMN中刺激诱导相关性的平均水平在整个故事中被调节(图4a，蓝色)。在故事的前2分钟，DMN内的平均ISFC较低(r=0.1)，然后在150秒左右上升到r=0.4的峰值，然后在故事结束时再次下降和增加。使用45秒(30 TRs)和90秒(60 TRs)滑动窗口，在两组独立的DMN中复制了ISFC均值随时间的变化。在单词混乱状态(图4a，黑色)和静息状态组(图4a，灰色)中，没有观察到跨受试者DMN网络动态的这种排列。相比之下，使用FC时，DMN边缘的平均相关性在所有条件下都很高。连贯叙事状态下的FC分析显示FC随时间的变化与ISFC所显示的类似，但由于刺激诱导的成分没有被分离出来，所以FC的变化要小得多，噪音也更大。总的来说，这些结果表明，完整的故事随着时间的推移引发了DMN相关性的可靠变化，这些刺激诱发的相关性是由故事的高级特征(例如，随着时间推移展开的叙述结构)而不是故事的低级方面(例如，词汇加工)引起的。它们被保存在乱码条件下。

图4 在完整的故事中，DMN相关的ISFC动力学是独特的，随着时间的推移是可复制的

图4：(a) DMN中所有边在90 s滑动窗口内随时间计算的平均ISFC。18名受试者的ISFC在完整的故事(蓝色)，单词混乱(黑色)和休息(灰色)条件下的结果。

(b)第1组(18名受试者，蓝色)和第2组(18名受试者，绿色色)在完整故事条件下4个时间间隔内的DMN相关模式。中间:两组DMN的成对边缘相关性。

(c)两组18名受试者在完整故事(蓝色)、单词混乱(黑色)和休息(灰色)条件下，DMN中ISFC模式随时间的高可靠性。

(d)使用ISFC和FC对DMN进行跨被试分类，在单一被试水平上超过14个不重叠间隔。

(e)在四种条件下，在14个非重叠区间内使用ISFC和FC指纹的平均分类精度。

ISFC模式在独立受试者中的可复制性

为了量化使用ISFC估计的刺激特异性网络相关模式的可重复性，重新计算了两组18名受试者在完整故事和休息条件下的DMN的ISFC模式。各组间休息期间DMN的ISFC模式基本上是随机的(补充图4b)。然而，在完整的故事中，ISFC模式在组1和组2之间具有高度的可重复性(补充图4c)。因此，ISFC在叙事加工过程中揭示的刺激诱导网络结构在独立的被试群体中重复。最后，我们使用ISFC方法量化了在DMN中提取可靠的刺激锁定模式所需的受试者数量(补充图4d)。虽然我们在休息时观察到不可复制的ISFC模式(灰色曲线)，但在完整叙事状态下观察到DMN中可复制的ISFC模式(蓝色曲线)，即使只有两名受试者。受试者数量的增加会促进ISFC模式的可重复性增加。

补充图4使用ISFC在两个独立组中复制DMN相关模式补充图4：(A)静息状态数据定义的DMN图(B,C)在静息状态数据中，ISFC DMN边缘相关性在两个独立组(蓝色、绿色)之间并不相似，但在完整故事条件下，它们变得更加相似。(D)分离完整故事(蓝色)和休息(灰色)条件下可靠ISFC模式所需的受试者数量。

ISFC动力学

网络相关性的平均大小只是在叙述过程中被向上或向下缩放，还是DMN ISFC模式为每个故事片段重新配置成不同的模式?为了回答这个问题，研究者们在故事的四个间隔内检查了网络状态(图4b)。两个区间平均ISFC较低(图4a，标签1和3)，两个区间平均ISFC较高(图4a，标签2和4)。每个区间的DMN相关模式绘制在图4b中，其中一组18名受试者的ISFC模式为蓝色，一组18名受试者的验证组为绿色。

ISFC模式在不同的时间点是特定的，而且在两组独立的受试者中也具有高度的可重复性。有趣的是，ISFC模式的重现性在所有节点的平均ISFC高时和低时都被观察到:即相关矩阵稀疏时(标签1和3)和密集时(标签2和4)的重现性较高。此外，这四种相关模式之间的相似性很低，这表明每个故事片段都有特定的ISFC配置。相比之下，当我们将标准的脑内FC方法应用于相同的数据集时，FC配置对故事的不同部分没有选择性，随着时间的推移显示出高度相似的结构。因此，通过使用ISFC提取神经动力学的刺激诱导成分，揭示了可重复的网络状态，这些状态可以对刺激的特定间隔进行诊断。

故事间隔的跨被试分类

在DMN中观察到的每个故事片段的独特ISFC模式可用于对故事的时间间隔进行分类。此外，虽然ISFC是通过关联大脑的反应时间过程来计算的，但它也揭示了每个个体内的刺激锁定的相关模式。为了证明这一点，在个体受试者水平(图4d)和平均组水平(图4e)进行分类。在这个分析中，将故事分为14个20 TRs(30 s)的非重叠间隔，并比较ISFC分类和FC分类的性能。

结果显示，当使用ISFC时，与FC相比，每个受试者在解码故事中单个间隔的准确性有所提高(图4d)。考虑到机会水平很低，ISFC在单一被试水平上的分类表现值得关注。与DMN中刺激锁定反应在混乱条件下减弱的观察结果一致，本文观察到，当试图使用故事的混乱版本(单词混乱、段落混乱和休息)预测区间同一性时，分类器的性能有所下降，如图4e所示。这再次证明了使用ISFC分析检测到的刺激锁定相关性的特异性。

DMN中的ISFC取决于预先信息的分钟数

在叙述过程中，DMN ISFC的变化是由故事的瞬态特征驱动的，还是平均ISFC模式依赖于叙述中每个时刻的历史和背景?为了回答这个问题，我们重新排序了段落混乱条件下的响应时间进程，以匹配完整的故事条件。然后，我们比较了两种情况(即完整的故事和段落混乱)中ISFC值的平均时间进程。我们使用30个TRs的滑动窗口在DMN和听觉网络中进行了比较(图5a)。在听觉网络中，每个段落的平均ISFC是相似的，无论该段落是在混乱的背景下还是在完整的背景下呈现(图5a插图)。相比之下，在DMN中，打乱段落顺序后，ISFC时间过程有质的不同(图5a)，表明DMN中区域间相关性的变化确实是情境依赖的。

图5从40段叙事间隔中回忆故事细节的准确性

图5：(a)在完整的故事(蓝色)和段落混乱(绿色)条件下，45秒滑动窗口计算DMN中所有边缘(和听觉皮层，小插图)的平均ISFC。(b)在DMN中，故事每个片段的平均ISFC与对该叙事片段的回忆相关。

鉴于DMN功能和情景记忆之间的先前关联，还调查了DMN区域的历史依赖ISFC强度是否与成功编码叙事相关。通过对另一组30名受试者进行详细的听后记忆测试，评估了从40段叙事间隔中回忆故事细节的准确性(图5b)。在DMN中，随后的事件回忆准确性与刺激诱发相关性的程度高度相关。这一结果表明，刺激诱发的DMN相关改变在故事展开时的动态重构与长时记忆的叙事信息编码有关。

ISFC揭示了网络之间短暂的负相关

以往使用FC的研究报告称，静息大脑在DMN(任务负性区域)和背侧注意网络(任务正性区域)之间表现出内在的负相关。然而，目前还不清楚这些负相关是否反映了反应模式的相对差异，或者它们是否反映了跨不同功能网络反应的真实反相关。此外，电生理学研究表明，只有20%的时间观察到DMN和任务阳性网络之间的反相关性，这表明一种更复杂的相互关系可能随着时间的推移而改变。

在图6，本文计算了DMNA网络与其他四个网络(听觉网络、背侧语言网络、腹侧语言网络和DMNB)之间的ISFC。

图6a展示了45秒窗口内所有5个网络的区域相关矩阵示例。图6c显示了随着时间的推移，跨网络对的ISFC的平均值，这是由跨网络的所有成对相关性的平均值计算得出的。可以观察到DMN和背侧语言系统之间以及DMN和听觉区域之间的相关模式从正到负的可靠的短暂变化。相关模式的波动也可以通过观察平均值来观察受试者在DMNA和背侧语言网络中的BOLD时间进程(图6d，左图)。波动也可以在单个节点水平上看到。例如，可以观察到楔前叶和岛叶之间的相关关系从正到负的波动(图6d，右图)。最后，在区域和体素相关矩阵的水平上可以看到相关模式的变化(见图6a中不同时间窗口的区域相关矩阵的两个例子)。至关重要的是，在平均网络水平(图6e)、平均单节点水平(图6e)和区域相关矩阵水平(图6b)上都在两组独立的受试者复制了所有上述结果。因此，ISFC揭示了完整故事过程中网络连接的可靠变化，不同区域和网络在叙述过程中的特定时间一致工作，而在其他时间显示反相关的反应。

图6 DMN的ISFC与语言区之间存在可靠但短暂的负相关和正相关(a)通过计算两个间隔为45秒的ISFC得到的相关矩阵示例。(b)每组18名受试者，在完整和单词混乱条件下，在两组中复制ISFC相关矩阵。(c) DMNA与dLANG、vLANG、DMNB和听觉网络的相互作用。(d)在故事中，楔前叶和岛叶的平均BOLD信号在短时间内呈现出显著的正相关和负相关。(e)两组(每组18名受试者)在完整故事条件下，DMNA与背侧语言网络之间、楔前叶与岛叶之间的可复制的动力学变化。

4.讨论

为了研究DMN的功能特性，我们需要研究它在处理来自环境的信息时的反应，也就是在任务执行时的反应。然而，研究这个问题对标准的FC分析是一个挑战，因为，它反映了每个受试者体内刺激诱导的相关性、内在神经相关性和非神经噪声信号的混合。在本文中，作者们介绍了一种方法(ISFC)来分离刺激诱导的相关性，利用内在和非神经元人工信号在不同被试之间不相关的事实。

结果发现，使用标准的FC分析，在所有条件下(静息状态，听真实故事的完整版本，段落混乱和单词混乱版本)，平均DMN相关模式是相似的。这些FC结果与DMN是一个“内在的”网络的概念是一致的，它只表现出小的任务相关的调制。

相比之下,ISFC方法揭示了一个不同的模式(图3):DMN的ISFC模式在不同刺激之间存在显著差异，随着刺激的时间相干性增加，表现出更大的网络相关性。相对于非选择性的FC模式，随着故事的展开，DMN中的ISFC模式以可靠的方式改变，使我们能够对叙事加工的不同阶段进行分类(图4)。重要的是，DMN结构中刺激诱导的动态不是由低水平刺激属性驱动的:它们随着叙述的连贯性而改变(图5a)，它们可以用来预测故事每个片段的记忆性(图5b)。最后，ISFC揭示了随着故事的展开，大脑网络之间的可靠的时变交互作用，表明DMN在叙述的某些点与语言网络协同工作，而在其他时间表现出拮抗反应(图6)。

传统的DMN功能观点强调了它在思维游移、刺激独立思维和自我参照心理等内在过程中的作用。最近的研究已经开始将DMN与认知功能联系起来，如前瞻和情景记忆、决策和社会推理以及自我产生的想法。在本文中证明，去除内在动力后，DMN的相关模式随时间的变化可以可靠地锁定在叙事展开过程中(图4)。无论是使用标准的基于种子的分析(图3和图4)在静止状态下定义DMN，还是在体素FC相关矩阵上使用k-means聚类，都可以观察到DMN状态对叙事的锁定。

有趣的是，在不同网络之间，特别是在DMNA和vLANG网络之间，也可以观察到DMNA对叙事的锁定。DMN是一个内在(或任务负性)网络的观点预测，它的反应动力学应该与其他处理外部刺激的网络的反应动力学是反相关的。相比之下，ISFC分析揭示了DMN和语言相关区域(包括低水平听觉区域)之间从负相关到正相关(反之亦然)的瞬时切换。这些发现与之前的电生理学研究结果一致，即仅20%的时间观察到DMN和注意网络之间存在负相关。此外，我们的研究结果支持这一观点，即DMN参与外部刺激处理(在本研究中，是一种听觉叙述)，与其他大脑区域合作。

当代神经科学的一个中心目标是确定大脑如何动态地协调和整合流经遥远大脑区域的信息。使用ISFC方法，可以发现DMN的相关结构随时间的变化具有高度可复制性。在一个单独的大脑中，在休息和任务期间的FC模式在一个短时间窗口内测量是非平稳的，这表明大脑网络状态是不断变化的。然而，由于在麻醉下也能观察到非平稳性，目前还不清楚这种波动是由于噪声(扫描仪或生理噪声)造成的，还是反映了神经网络随时间的相关功能重构。

重要的是，尽管我们观察到在故事处理过程中个体受试者的FC模式随时间的变化，但每个受试者的大部分时间变化是不同的，因此受试者内部FC模式的平均值随时间的变化很小。相比之下，ISFC分析揭示了DMN中一系列刺激诱导的状态转变，这些状态转变在两组独立的受试者中是可复制的。在单词混乱条件下，DMN的ISFC模式没有出现可靠的变化，这表明这些变化与较高水平的叙事加工有关，而不是刺激的瞬时特征，如单个单词。最后，即使在故事中，当DMN中的ISFC相关性是稀疏的时候，特定的配置在独立的受试者组中仍然具有高度的可复制性，这表明稀疏配置与刺激有意义相关。这些结果首次揭示了DMN相关配置的动态变化，随着时间的推移，这些变化是可靠的，锁定在对真实故事的处理过程中。

总结：

总而言之，本研究的结果表明，DMN在几分钟内积累和整合信息。刺激诱发相关模式在完整故事组中最大，在段落混乱组中显著降低，而在单词混乱组中几乎完全消失。这意味着DMN的加工时间尺度大于单个段落的长度，且前一段落积累的信息会影响该系统中正在进行的加工。这证明，ISFC可以揭示DMN区域间和被试共享的网络间正或负刺激诱导的相关模式。

本文首次证明了DMN的ISFC动态锁定在现实生活叙事的加工过程中，随着时间的推移，区域间的相关性在叙事刺激的主动加工过程中得到了可靠地调节。因此，ISFC提供了一种可靠的方法来识别网络内部和网络之间的刺激诱导动力学，阐明了大规模脑网络在主动信息处理中的作用。