正念冥想增加默认模式、突显和中央执行网络的连接性

近年来的研究开始识别正念冥想训练（Mindfulness Meditation Training, MMT）对健康和认知的有益影响的神经机制。然而，对于MMT对大规模脑网络（Large-Scale Networks, LSNs）整体交互的影响知之甚少。在本研究中，健康、无冥想经验的成年人（N = 46）在完成31天的MMT（正念冥想训练）或一个积极控制干预之前和之后进行了静息态功能磁共振成像（resting state fMRI）。通过独立成分分析（Independent Component Analysis, ICA）、滑动时间窗口分析（Sliding Time Window Analysis）和基于种子点的相关分析（Seed-Based Correlation Analysis）来评估与训练相关的功能连接（Functional Connectivity, FC）变化。滑动时间窗口分析和种子基相关分析结果显示，MMT参与者在默认模式网络（Default Mode Network, DMN）和突显网络（Salience Network, SN）的节点之间的FC增加。基于种子点的相关分析进一步显示，SN与中央执行网络（Central Executive Network, CEN）关键区域之间的连接增加。这些结果表明，在多个LSNs（大规模脑网络）中，一个月的正念冥想有效增加了三网络模型（DMN、SN、CEN）之间的互连性，从而提出了正念冥想训练有益影响的潜在机制概念。本文发表在Scientific Reports杂志。（可添加微信号19962074063或18983979082获取原文及补充材料，另思影提供免费文献下载服务，如需要也可添加此微信号入群，思影提供脑影像数据分析及课程，如感兴趣也可添加微信咨询)。

引言

      正念涵盖了个体有意识地处于一种不评判的、专注于当下的状态的能力或倾向。通过正念冥想的练习可以培养正念，这涉及一系列技术，通常包括自发引导的专注或开放意识，关注感觉或体验。不断增长的研究表明，定期进行正念练习可以对心理和身体健康以及认知能力（如持续注意力、工作记忆和其他执行功能）产生有益影响。事实上，广泛达成共识认为正念在减压、改善抑郁症状、疼痛管理和健康相关的生活质量方面具有有效性。正念还已成功应用于各种精神疾病的临床治疗，如焦虑症、成瘾障碍和创伤后应激障碍。

       因此，面对日益增长的心理健康需求，正念冥想可能提供一种可定制、易于使用且可远程实践的方法，以增强心理韧性和整体生活质量。为了优化其应用，已进行了大量研究以解开正念冥想的有益效果的中介机制。从概念上讲，正念冥想被认为主要通过三个轴线起作用：注意力控制、情绪调节和自我意识，所有这些都是通过定期练习可以增强的认知品质。研究发现，这些领域的变化伴随着大脑功能和结构的广泛变化：最一致的观察结果出现在前扣带皮层（ACC）、前额叶皮层（PFC）、后扣带皮层（PCC）、岛叶和一些皮下结构如杏仁核和纹状体。这些结构的相互作用提供了关于正念冥想潜在神经通路的初步见解：虽然ACC和PFC在冲突监控和其他注意力过程方面发挥基础作用，但这些大脑区域在正念冥想练习后或有经验的冥想者中更为活跃。反复的研究结果表明，这些区域在杏仁核激活的正念调节中起到作用，情绪刺激后的反应在正念干预后减弱。自我意识的表现，如走神和自我参照处理，主要归因于PCC(后扣带皮层)和内侧PFC(前额叶皮层)，这些区域构成了默认模式网络（DMN）的关键区域。DMN功能异常与多种神经精神疾病有关，特别是反刍思维，这是抑郁症的核心症状，被发现随着DMN激活而增加。观察到有经验的冥想者中DMN的这些关键区域相对不活跃，表明正念冥想的潜在抗抑郁效果的支柱。DMN内的去激活伴随着这些区域与ACC和PFC的更强耦合，暗示了注意力控制在走神时重新建立的机制。

      然而，由于先前研究往往受到初始假设的显著影响，并且在方法上多样，难以将这些报告综合成合理的正念冥想机制说明。同时研究在大规模网络（LSN）中操作的分布式大脑区域提供了一种综合的解决方案。在这一领域，三网络模型已成为一个范式。根据该模型，神经活动主要组织成三个LSN：中央执行网络（CEN）在任务积极导向条件下获得控制，而DMN作为CEN的对立面,在任务条件下不活跃。突显网络（SN）评估感觉输入的反应需求，并基于此调节另外两个网络的参与。三网络模型功能的改变与多种神经精神疾病有关。虽然传统研究集中于这些网络的关键区域，但独立成分分析（ICA）等相对新的数据驱动技术使得在功能磁共振成像（fMRI）中可以离散地检测这些和其他LSN。这些方法在正念冥想研究领域最近才受到更多关注。横断面研究已开始通过相关这些网络内和之间的功能连接（FC）与常见的自我报告正念测量值来探讨正念与LSN（大规模脑网络）之间的关系。研究发现，正念水平较高的个体中，注意力过程相关区域在多个LSN内的连接性更强。其他研究表明，这些个体在DMN子网络之间以及DMN和SN之间的连接性较弱。目前，只有少数研究探讨了正念冥想训练（MMT）对这些网络的影响。在其中一项研究中，标准化的8周MMT课程对FC的影响主要体现在听觉和视觉网络中。另一项研究观察到在接受正念治疗程序的阿片类药物依赖患者中，DMN的前部子网络内的FC减少，而在六年级学生中，经过8周的正念训练后，DMN和CEN之间的负相关性增加。这进一步证明，正念冥想影响大脑动态的方式是：增强与注意力相关的结构，而抑制与无方向和注意力不集中状态相关的结构。

      尽管这表明LSN提供了一个对正念冥想影响敏感的操作系统，但关于其在LSN复杂交互中的作用的信息仍然稀缺，现有推论常因方法限制而受到影响。参与者样本通常较小，限制在临床人群，或仅在预定义的功能条件下观察。许多研究采用横断面设计，如果基于干预，往往缺乏积极控制条件。因此，本研究旨在在功能独立和方法严格的条件下，调查MMT对大脑功能的影响。一组临床健康的代表性样本被伪随机分配到31天的基于网络的MMT（正念冥想训练）或一个积极控制条件。与其追求预先定义的感兴趣区域（ROIs），我们采用数据驱动的方法自动检测内在连接网络（ICNs）。网络选择基于功能-解剖对应关系与三网络模型以及被认为是MMT（正念冥想训练）诱导注意力控制、情绪调节和自我意识增强的中央场所的区域（PCC、ACC、岛叶、PFC、皮下区域）。除了DMN、SN和CEN，还包括额叶网络、皮下网络，以及MMT强调整体意识的感觉运动网络。我们认为，所得网络阵列代表了对MMT影响敏感的大脑区域，在既定研究条件下，提供了一个坚实的基础来测量正念冥想对大脑功能的客观影响。

方法

参与者

     参与者通过医院公告栏、网络广告和口口相传的方式招募。通过迷你国际神经精神访谈（Mini-International Neuropsychiatric Interview, M.I.N.I.）筛查潜在候选人的精神或神经疾病情况，如果结果为阴性，并符合以下标准，即被认为有资格参与：（1）年龄在18至60岁之间；（2）适合进行MRI检查；（3）右利手；（4）过去一年内冥想次数少于三次或一生中冥想次数少于十次；（5）不使用精神药物。所有参与者均提供书面知情同意书，并获得参与补偿。该研究获得慕尼黑工业大学Rechts der Isar医院伦理委员会的批准。所有方法均按照相关指南和规定进行。

程序

      本研究设计为伪随机化、对照和平行试验，旨在调查正念冥想对大脑功能的影响。所有参与者被单盲（仅参与者不知情）随机分配到31天的正念冥想训练（MMT）或31天的健康训练（HT）组，并在干预前后进行磁共振成像（MRI）和主观正念水平的问卷评估。首次访问后进行简单随机化。然而，由于样本量相对较小，研究者需要主动维持年龄和性别的平衡。正念水平和静息态功能连接被指定为主要结果。在实验开始前，除了促进健康意识外，没有向参与者透露研究的主要目标。两个训练项目均通过在线平台提供，由31个每日10至15分钟的课程组成。每个课程以视频片段开始和结束，每第三个课程包含一个视频，其他课程为音频录音。

      MMT由认证的正念减压（MBSR）教练Britta Hölzel（B.H.）密切合作开发，提供正念理论框架介绍和每日引导冥想练习。HT设计为一个信息丰富且积极的控制干预，包含来自流行科学广播节目的摘录，涵盖广泛的健康相关话题。确保这些话题与正念或冥想无关。参与者需要完成至少23次训练课程才能纳入最终分析。

     每组30人的样本量被确定为能够通过t检验或Pearson相关（独立样本、双侧t检验，β/α比率=1）评估强效应（d=0.8），并具有约0.86的统计功效。重复测量方差分析显示，对于强组效应，功效为0.94至0.96。最终招募了55名参与者（27名女性），完成了第一次扫描预约；50名参与者（25名女性）完成了第二次扫描预约；在预处理后，46名参与者（23名女性）的数据被纳入最终分析。数据采集过程发生在2017年8月至2019年9月之间。

图6 数据采集方案和参与者流程图。MMT：正念冥想训练，HT：健康训练。

      为了验证伪随机化过程的成功，最终样本在人口统计特征、测量间隔和完成的平均课程数量方面进行了比较，分别使用独立样本的t检验或卡方检验（c²检验）。为了考虑先前存在的健康相关行为对训练特定效果的可能影响，还评估了生活方式特征，包括体重指数（BMI）、吸烟和饮酒情况以及体育锻炼，并比较组间的潜在差异。

自我报告正念的评估

      所有参与者在两次扫描预约期间都被要求完成正念注意和觉察量表（Mindful Attention and Awareness Scale, MAAS）。MAAS是一种15项的自我报告量表，测量日常生活中的正念强度（例如，“我发现很难集中注意力于当下发生的事情”），已被证明通常对训练效果敏感。高分表示高水平的主观正念。由于信息不完整，排除了一个参与者的数据。发现一个离群值（> M + 3 SD），相关参与者在行为分析中被排除。

     为了研究MMT与HT的效果，将MAAS得分输入到SPSS v26.0中进行2×2混合效应方差分析（ANOVA），将组作为组间因素，时间作为组内因素。结果在p < 0.05时有显著性。

      此外，还进行了贝叶斯ANOVA以研究训练效果。在频率统计中，通过接受备择假设（HA，假设存在效果）来收集证据，以拒绝零假设（H0，假设不存在效果），将推论限制在来自HA的证据上。在贝叶斯统计中，这些假设代表了不同的模型，其个体似然比可以量化，从而允许区分支持或反对任何一个假设的证据，并且可以识别不确定的证据。为此，评估了观察数据前后每个模型的相对概率，并将其比率归纳为贝叶斯因子（Bayes Factor, BF）。BF10是一个连续度量，范围从0到+∞，表示HA相对于H0的相对似然，而BF01表示其逆数，并对应于倒数值。BF10 > 3为支持HA的中等证据，BF10 > 10为强有力的证据。如果BF10在1/3和3之间，证据被认为是不确定的，需要进一步的数据。相同的分类适用于BF01，其证据指向H0，例如，BF01 > 3对应于BF10 < 1/3，表明数据在H0下出现的可能性至少是HA下的三倍。贝叶斯统计使用JASP（https://jasp-stats.org）和默认的柯西先验（固定效应r = 0.5，随机效应r = 1，协变量r = 0.354）进行计算。

MRI数据采集

      所有成像数据均在德国慕尼黑Rechts der Isar医院使用3T Philips MRI扫描仪和32通道头线圈收集。

      使用回波平面成像（EPI）获取T2*加权静息态功能图像，扫描参数如下：多频段（MB）因子为2，重复时间（TR）为2.7秒，回波时间（TE）为33毫秒，翻转角度为90°。视野（FOV）设为（192×192×141）mm³，对应于96×96的矩阵大小，共有64个轴向切片，每个切片的各向同性体素大小为2×2×2 mm³。在9分钟内共获得200个体积（volume)。受试者被要求闭眼，尽量避免进行任何思维活动。

      为了标准化和结构参考，使用磁化准备的快速梯度回波采集（MPRAGE）序列获取高分辨率T1加权解剖图像，扫描参数如下：TR 11毫秒，TE 5.2毫秒，翻转角度8°。获取了230个轴向AC-PC切片，包含384×384矩阵，每个各向同性体素大小为0.7×0.7×0.7 mm³。所有解剖图像在进一步分析之前由医学专家进行了临床检查。

预处理

     使用SPM 12对成像数据进行预处理。预处理管道参考了Allen及其同事的工作，他们对603名健康参与者的静息态fMRI数据进行了组ICA，从而提供了静息态网络的多变量比较基线。首先，将解剖图像配准到平均功能图像，并分割成组织概率图，然后用于创建特定组的DARTEL模板。使用这些模板，将重新对齐的功能时间序列标准化到MNI空间，并使用4×4×4 mm³的全宽半最大高斯核进行平滑。为了稳定磁场，前五个体积(volume)被丢弃。扫描协议定义的TR为2.7秒，MB因子为2。这使得在较短时间内同时获取多个切片，从而减少各个切片之间的时间差。因此，为了限制数据操作，同时考虑到证据表明其对静息态连接分析质量的影响可以忽略不计，没有进行切片时间校正。使用DPABI v5.1的定制脚本评估帧位移（FD Jenkinson），并删除了一个平均值大于0.3的受试者。

独立成分分析（ICA）

      为了检测内在连接网络（ICNs），预处理后的数据通过GIFT工具箱v4.0b输入到ICA中。采用包含75个成分的高模型顺序方法，因为这一数量被证明能够成功识别对应于已知功能-解剖网络划分的细粒度成分。将所有参与者的数据合并，并通过两步主成分分析进行降维。然后，应用MATLAB中实现的Infomax算法估计总共75个独立成分（ICs）。为了确保成分的稳定性，使用Icasso软件包重复了20次。最后，使用组ICA算法将平均成分反构到单个受试者空间中，生成代表成分内功能连接（FC）的体素特定z分数的空间图和血氧水平依赖（BOLD）信号波动的成分特定时间序列。然后通过与已建立的模板进行多重空间回归和额外的视觉分类识别可能感兴趣的网络。为了进一步分析，网络必须提供至少0.8的稳定性指数（iq）。该指数范围为0到1，反映了在多次（本例中为20次）Infomax ICA算法重复中成分的稳定性。最终选择基于我们最初的假设（如上所述：对应于三网络模型和与注意力控制、情绪调节、自我意识以及感觉运动区域相关的网络），包括总共12个网络成分，细分为6个大规模网络。

静态功能连接

      为了研究MMT（正念冥想训练）与HT(健康训练）对网络内功能连接（FC）的影响，将12个选定的网络成分的空间图输入SPM中的2×2混合效应方差分析（ANOVA），将组作为组间因素，时间作为组内因素。应用网络特定的灰质掩模，并将结果阈值设定为p < 0.05，经过错误发现率（FDR）校正以进行多重比较。

      为了研究MMT与HT对网络间FC的影响，使用集成到GIFT中的MANCOVAN工具箱v1.0b。首先，对每个IC的时间序列进行滤波（高截止0.15 Hz），去趋势和去尖峰。对于每个受试者和测量时间点，计算每个选定的12个网络成分时间序列之间的Pearson相关系数。将所得的78个值进行Fisher r-to-z变换，以确保二级分析的正态分布。然后将z分数输入SPSS v26.0中的2×2混合效应ANOVA，组作为组间因素，时间作为组内因素。结果在p < (0.05/78 =) 0.0006，通过Bonferroni校正以进行多重比较。

动态功能连接

       为了考虑功能连接的动态变化和进一步细化网络间连接的时间依赖性，使用集成到GIFT中的时间dFNC工具箱进行滑动时间窗口分析，遵循Allen及其同事的方法。对每个12个网络成分的时间序列应用宽度为30 TRs的滑动时间窗口，并以1 TR的步长移动，总共生成165个窗口。使用3 TRs的高斯σ来减弱矩形窗口的边缘。对于每个窗口，计算网络对之间的Pearson相关系数。然后，子抽样每个受试者的时间窗口，识别功能连接方差局部最大值的窗口。这些受试者样本用于自动估计使用间隙统计和轮廓算法的k均值聚类数目（k=5）。最后，将k均值算法应用于窗口化的协方差矩阵，识别所有受试者和时间点的重复出现的FC模式（质心）。这些模式随后被认为是跨受试者重复出现的连接状态。

      为了研究MMT与HT的效果，比较组内特定状态的连接性（状态特定的Fisher r-to-z变换的网络成分时间序列之间的相关性）、平均停留时间（在特定状态内花费的平均时间）和总状态数（沿时间序列进入的个体状态总数），使用配对t检验。基线测量使用独立样本的t检验进行比较，以排除预先存在的差异，从而更好地比较组间差异。考虑到多重比较和连接状态的数目，应用FDR和Bonferroni校正的pFDR < (0.05/5 =) 0.01阈值。

基于种子点的功能连接分析

       由于动态功能连接分析的结果显示MMT相关的DMN（默认模式网络）和SN（突显网络）连接性变化，随后进行基于种子点的功能连接分析，将这些ICNs的空间图作为种子，以评估这些网络的全脑连接性。使用CONN工具箱v20.b，预处理数据的额外步骤包括通过CompCor回归出白质和脑脊液进行降噪，然后对时间序列进行0.01到0.1 Hz的带通滤波，以及去趋势和去尖峰。为了创建一阶连接图，计算每个ROI内体素的平均时间序列与每个大脑体素之间的Pearson相关系数，并转换为z分数。在二阶分析中，将这些图输入到2×2混合ANOVA，组作为组间因素，时间作为组内因素。结果在MMT > HT和Post > Pre时同时对比，并阈值设定为p < 0.05，经过FDR校正以进行多重比较。

结果

       在这项研究中，参与者被伪随机分配到31天的专业设计的基于网络的正念冥想训练（MMT）或提供一般健康相关信息的健康训练（HT）中。干预前后，参与者接受了磁共振成像（MRI）和基于问卷的主观正念水平评估。为了评估MMT相关的静息态功能连接（FC）变化，进行了独立成分分析（ICA）、滑动时间窗口分析和基于种子点的相关分析，并比较了不同时间点和组间的结果。

样本特征

      各组间在年龄、性别、教育（以在学校、高等教育或职业培训中花费的年限衡量）或生活方式特征上没有统计显著差异（表1）。参与者平均花费40.6天（标准差6.4）在两次扫描之间，并完成了29.5个课程（标准差1.8）。扫描间隔和完成的平均课程数量在组间没有显著差异。在研究过程中没有观察到任何伤害或意外效果。

自我报告正念

      Shapiro-Wilk测试未发现正态性假设的任何违背。在MMT参与者中，MAAS得分在干预过程中略有下降（干预前均值=62.1，标准差=12.8；干预后均值=61.3，标准差=8.6），而HT参与者报告的得分相较于基线有所提高（干预前均值=62.7，标准差=14.3；干预后均值=65.8，标准差=11.9）。

      ANOVA结果未发现统计显著性（F (1,43) = 1.53, p = 0.221，部分η²=0.035）。为了区分结论性证据和不确定性证据，进行了额外的贝叶斯ANOVA，结果显示组间时间交互作用的BF10为0.53，或相应的BF01为1.87，表明证据不确定。

独立成分分析

      进行了ICA以提取12个网络成分（下文中也称为“子网络”），归入6个大规模网络，纳入进一步分析（图1；补充表S1）。

图1显示在蒙特利尔神经学研究所模板上的12个网络成分的复合图，这些成分分为6个大规模网络，模板取自ICBM 152非线性图谱2009版（示意图）。使用MRIcroGL 进行可视化。

    aDMN：前默认模式网络，dpDMN：背后默认模式网络，spDMN：上后默认模式网络，ipDMN：下后默认模式网络，vSN：腹侧突显网络，dSN：背侧突显网络，insSN：岛突显网络，rCEN：右中央执行网络，supSM：上感觉运动网络，latSM：侧感觉运动网络，ifgFT：下额回网络，BG：基底神经节网络。

静态功能连接

      静态功能连接分析未检测到任何训练程序对网络内或网络间连接性的显著影响。

动态功能连接

      滑动时间窗口分析允许评估动态功能连接，揭示了所有参与者中五个稳定且可重复的连接状态，大致描述如下（图2）：第一个状态通常由低连接性决定，除了默认模式网络（DMN）两个成分之间的正连接性。相比之下，第二个状态由所有网络之间的强正相关定义。状态三到五均显示中等到低连接性，然而，通过基底神经节活动与大多数其他网络在状态三中的反相关性以及感觉运动网络与大多数其他网络在状态四中的反相关性来区分。

图2表示不同时间点和组间网络成分之间的连接状态的聚类质心。颜色表示z变换的连接值，暖色表示高值，冷色表示低值。

aDMN：前默认模式网络，dpDMN：背后默认模式网络，spDMN：上后默认模式网络，ipDMN：下后默认模式网络，vSN：腹侧突显网络，dSN：背侧突显网络，insSN：岛突显网络，rCEN：右中央执行网络，supSM：上感觉运动网络，latSM：侧感觉运动网络，ifgFT：下额回网络，BG：基底神经节网络。

      在基线时，未发现评估的特征在组间有显著差异。然而，在干预后，正念冥想者在状态五内显示出默认模式网络（spDMN）一个子网络与突显网络（dSN，insSN）两个子网络之间的连接性增加（表2）。在控制组中未观察到显著的互连性变化。然而，完成HT的参与者在训练前后显示了更多的状态出现次数（MPre = 19.80，MPost = 28.64，t = 3.80，p < 0.001）。对于MMT参与者来说，这种情况并未发生（MPre = 24.30，MPost = 24.55，t = 0.08，p = 0.93）。未发现任何课程影响状态内的平均停留时间。

表 2. 干预前后两个组在状态五中，spDMN 和 dSN 以及 spDMN 和 insSN 之间 Fisher r-to-z 转换后的相关值，以及配对 t 检验的结果，p 值经过假发现率 (FDR) 校正。

MMT 正念冥想训练，HT 健康训练，spDMN 上后默认模式网络，dSN 背侧显著性网络，insSN 岛叶显著性网络。

图 3. 各组在滑动窗口中，spDMN 和 dSN 之间以及 spDMN 和 insSN 之间的 Fisher r-to-z 转换后的相关值。HT 健康训练，MMT 正念冥想训练。

基于种子点功能连接分析

      基于动态功能连接分析结果显示的MMT相关的spDMN、dSN和insSN连接性变化，这些网络成分的空间图被用作种子进行基于种子点功能连接分析。使用spDMN种子，全脑FDR校正分析显示在右中颞回（MTG）内有一个簇显示显著的组别与时间交互作用（图4，表3）。dSN种子显示了四个簇与FDR校正的组别与时间交互作用，分别位于左缘上回（SMG）、左前运动皮层（PMC）、左梭状回（FFG）和背扣带皮层（dPCC）（图4，表3）。对于insSN种子，在FDR校正阈值下未发现任何簇。

图4种子区域和在ICBM 152非线性图谱2009版模板上显示的组别与时间交互作用的簇。使用MRIcroGL进行可视化。

MMT：正念冥想训练，HT：健康训练，spDMN：上后默认模式网络，dSN：背侧突显网络，insSN：岛突显网络。

表 3. 聚类的 ANOVA 结果及峰值激活对应的解剖区域。

kE 聚类中的体素数量，Tmax 聚类中 T 统计量的最大值，spDMN 上后默认模式网络，dSN 背侧显著性网络，insSN 岛叶显著性网络，R 右半球，L 左半球。

      探索性分析使用未校正的p < 0.01阈值，发现了两个簇显示与insSN种子的显著组别与时间交互作用。第一个簇位于左前眼场（FEF）和左背外侧前额叶皮层（dlPFC）之间的边界，第二个簇位于dPCC内（图4，表3）。值得注意的是，第二个簇几乎完全与使用dSN种子发现的dPCC簇对齐。此外，这些簇属于dPCC，与spDMN具有功能-解剖相关性。因此，在两种分析中，观察到SN的两个关键区域（insSN/岛叶，dSN/ACC）与DMN（spDMN/PCC）之间的类似交互作用（图5）。

图5 通过动态功能连接（FC）（实线）和基于种子点FC分析（虚线）揭示的正念诱导的交互模式示意图。使用MRIcroGL进行可视化。默认模式网络（DMN）相关区域以蓝色显示，突显网络（SN）区域以绿色显示，中央执行网络（CEN）相关区域以红色显示。动态FC和基于种子点FC的结果再现了DMN和SN区域之间高度相似的交互模式。此外，SN区域显示与CEN相关区域的FC增加。

FEF/dlPFC：前眼场/背外侧前额叶皮层，insSN：岛突显网络，dSN：背侧突显网络，dPCC：背后扣带皮层，spDMN：上后默认模式网络，SMG：缘上回。

年龄的控制分析

      由于先前的研究表明年龄与冥想相关的大脑变化之间存在相关性，重复进行二阶分析以控制年龄。上述结果在此过程中未发生变化。

讨论

      总的来说，这些结果表明，一个月的正念冥想练习导致冥想新手的大规模脑网络功能重组。在不同的分析中，我们发现DMN-SN连接性对MMT的相应反应（图5）。首先，滑动时间窗口分析揭示了SN的两个子网络（dSN和insSN）与DMN的另一个子网络（spDMN）之间的连接性增加。随后使用这些网络成分作为种子进行全脑连接性分析时，SN的两个子网络再次表现出与共同区域PCC的连接性增加。反过来，这一区域在解剖学上与我们之前分析中的DMN子网络相关。尽管簇和成分在空间上没有交叉，我们认为两种分析的类比是强有力的证据，表明正念冥想增加了DMN和SN之间的交互。

      然而，这一结论应首先针对一些反对意见进行验证。毕竟，静态FC的分析没有检测到任何网络间连接性的变化，而静态FC评估的是整个扫描过程中平均连接性的变化。然而，通过不同的研究，已确认大脑在静息态下的连接性会受到动态波动的影响，静态连接性之外还存在更微妙的连接现象。因此，这提出了一个问题，即我们是否必须将这些结果严格考虑在统计显著性独有的单一状态内，或者是否可能进行一般推论。整个测量过程中 DMN 和 SN 之间的 FC 确实存在增加，这一点在图 3 中得到了体现，该图描绘了这些网络对在滑动时间窗内的相关值。对于这两个网络对，完成 MMT 的参与者的相关值显著更高，并且几乎始终高于基线或 HT 参与者的测量值，这使我们能够得出独立于状态存在增加的结论。基于种子连接的分析也提供了进一步的证明，这些分析同样利用平均时间过程，并揭示了互补的交互模式。虽然必须考虑到，为了使这些动态出现，我们不得不逐渐降低其中一个种子区域的统计阈值，但我们认为这两个簇的几乎一致以及它们在 PCC 亚区域内的位置（该区域已被特别证明对与 SN 相关的区域有反应）为假设其合理性提供了强有力的理由。最终，两种分析中交互模式的一致性为假设通过正念冥想 DMN 和 SN 之间的连接性增加提供了令人信服的证据。

     据我们所知，这是第一次在全面网络尺度上报告正念冥想诱导的DMN和SN之间连接性的增加。之前针对这些网络关键区域的研究已经表明，与冥想新手对照组相比，有经验的冥想者在PCC和ACC（SN的核心枢纽）之间的连接性增加。在临床试验中，基于正念的干预在患有创伤后应激障碍、受慢性神经性疼痛困扰的乳腺癌幸存者和广泛性焦虑障碍患者中，发现这种连接得到加强。虽然这些发现揭示了DMN-SN关系对正念冥想的部分反应，但我们的结果使我们能够在基于网络的范式中嵌入这一假设，为将冥想伴随的认知过程转化为神经活动提供了良好的环境。这一点通过Hasenkamp及其同事的开创性工作得以证明，他们提出了一个四阶段的认知循环，围绕在进行专注于呼吸的冥想时的注意力丧失和恢复（这也是MMT的一个核心特征）。在进行fMRI时，冥想者被指示在注意力丧失时按下按钮。这个意识状态被认为是在走神状态之后，并随之而来的注意力转移和保持。通过对围绕这一指示的功能信号进行时间解剖，作者能够将这些状态与皮层激活相匹配。有趣的是，相关的激活模式大部分与三网络模型的网络相对应：注意力丧失与DMN区域的激活有关，意识到这一点与SN相关的分区有关，注意力的转移和恢复与dlPFC和SMG的激活有关，这些都是CEN的关键区域。因此，正念冥想的定期练习可能会刺激相关网络之间的通信。基于这一证据，我们假设DMN和SN之间增加的连接性反映了正念冥想者更有效地意识到DMN相关过程，如走神或自我参照思维。

      此外，SN种子区域显示了与CEN左半球核心区域（即dlPFC和SMG）内两个簇之间的连接性增加。我们没有在网络层面上观察到这些动态，可能是因为ICA仅返回了右侧CEN，而观察到的变化仅限于左半球。然而，这些发现逻辑上补充了上述框架，并进一步符合关于三网络模型的一般假设。因此，它们构想了一个交互，在此交互中，SN注意到DMN的主导地位，并据此启动CEN的重新组装。我们的结果表明，正念冥想有效地增强了这种交互，可能使定期练习者更有效地恢复注意力，从而促进了如持续注意力等认知努力。

      进一步的连接性增加观察到在spDMN种子和右中颞回（MTG）簇之间。有经验的冥想者区域性MTG激活较少，与个体的正念水平呈负相关，但据我们所知，缺乏关于MTG区域激活和FC的训练相关变化的信息。此外，这一区域与DMN相关，涉及语言和思维。因此，潜在的解释包括对语言和思维的意识转移，因为MMT期间的冥想课程伴随着口头指导。另一个可能的解释是MMT的参与者能够更有效地集中注意力于静息态序列中的口头指导。然而，这些推论必须谨慎对待，需要更多的研究来探讨这种交互。

     反向的发现出现在老年MBSR参与者中，图基分析显示PCC的节点强度下降，表明训练导致其与其他LSN节点（包括SN）的连接减少。如前所述，年龄在冥想相关的大脑变化形成中起着重要作用。因此，可以认为这些发现不一定适用于年轻人群。在另一项由Lim及其同事进行的研究中，将呼吸计数任务的高绩效者（被解释为高特质正念的代表）与低三分位数的动态FC进行比较。高绩效者在DMN和任务积极网络（即SN和CEN）的网络内连接性较强的状态下停留时间更长，并显示出DMN与任务积极网络之间的较大反相关。然而，自发的呼吸计数任务表现并不直接转化为特质正念。相反，可以认为在一段时间内计数呼吸次数比开放监测（OM）练习更能代表专注注意（FA）冥想。这两种风格被发现有不同的连接模式：对于FA（专注注意），已报道了DMN和任务积极网络之间的FC减少，而对于OM，观察到FC增加。进一步的证据来自一项荟萃分析，表明FA和OM在涉及思维和行动自愿调节的区域（如ACC）中均有增加的区域激活，而在与概念处理相关的区域（如PCC）中仅在OM中观察到激活减少。后者与Lim及其同事的发现相矛盾，他们将更高的正念水平与DMN的网络内连接性较高联系在一起。因此，可以推断，这里展示的结果更多受到OM练习的影响。这也可能与给参与者的静息状态序列的指示有关，即尽可能不参与“任何特定的思维链”。因此，问题在于DMN和SN之间的FC增加是否是由于MMT参与者在扫描期间进行OM练习，而不是自发的大脑活动变化所致。虽然这些结果仍然表明MMT对大脑功能有明显影响，但未来的研究应实施具体允许区分冥想相关过程和自发大脑活动的扫描条件。

      简而言之，FA（专注注意）练习可以与认知控制相关区域（也与SN相关）的激活增加和三网络模型的网络间连接性减少相关，而OM（开放监控）练习与DMN区域的激活减少和网络间连接性增加相关。这可能表明，通过FA练习，神经活动主要集中在控制区域，因此需要较少的网络间交互，而OM练习导致DMN的激活减少，随之而来的激活转移需要增加网络间连接性。

      Brewer及其同事是最早报告冥想练习期间DMN活动减少的人之一。比较大脑激活，他们发现有经验的冥想者与冥想新手对照组相比，DMN中央节点（特别是PCC）的激活减少。这些发现得到了其他方法的支持。例如，在PCC内，反映自发大脑活动的低频波动幅度（ALFF）在长期冥想者中被观察到较低，并在MBSR后下降。此外，磁脑图研究揭示了PCC不同风格的冥想相关的独特连接模式，说明了该区域在冥想中的关键作用。有趣的是，PCC的灰质密度在MBSR后增加。一般认为，灰质密度的改变代表对绩效需求的适应性变化。这在某种程度上与之前讨论的关于冥想练习中PCC区域去激活的发现相矛盾。因此，我们认为，大脑功能与冥想之间的相互作用具有高度复杂性，涉及多个因素。

      各种研究概述了短期冥想干预对结构和功能连接性以及行为结果的影响。其他研究则发现了长期冥想者独特的大脑结构和功能连接性差异。这使我们得出结论，除了冥想风格外，干预相关的自发大脑活动变化、冥想状态下的大脑活动变化以及长期冥想练习各自都具有独特的神经特征，这些特征尚待完全解读。

      最后，我们需要承认，大脑功能的变化并未伴随自我报告的正念增加，这可能表明干预对主观正念水平没有影响。然而，这并不罕见，据估计大约一半的包含正念干预的研究没有观察到主观正念的变化。此外，贝叶斯ANOVA的结果表明证据不确定，我们认为本研究的效应量可能不足以在现有样本量下检测到主观正念水平的变化，可能需要更多的数据，即更大的样本量，以成功捕捉冥想训练对主观正念水平的影响。另一种可能的解释包括训练强度，因为可以假定MMT对自我报告正念的剂量特异性效应。

      因此，未来的研究应包含更大的样本量，并考虑不同阶段的训练强度，即通过前瞻性队列设计，在训练过程中进行重复测量。此外，探讨效果在常规冥想练习之外的持久性也很有趣，因为这些效果可能会消退。关于我们提出的模型，未来的工作应明确针对基于网络的神经激活及其伴随的认知过程，以最终从转化的角度理解正念冥想的众多有益效果。

结论

      综上所述，这些发现表明，在多个大规模脑网络中，一个月的MMT导致三网络模型（DMN、SN、CEN）之间的连接性增加。这种交互与之前研究中与冥想状态相关的认知过程的循环皮层激活很好地对应。基于此框架，我们假设MMT使SN能够更有效地在DMN和CEN之间调节，有利于CEN。在认知层面，这可能使定期练习者更有效地注意到注意力的丧失，并可能促进其随后的重新恢复。然而，还需要进一步的研究来支持这一假设，并估计训练强度对这一证据的影响。