鉴于稳态FN方法忽略了随时间推移大脑功能连接的变化,因此一系列旨在探索动态FN的研究越来越受到关注。下图展示了估计和分析动态FN的主要步骤。研究者通常通过假设驱动或数据驱动的方法获取不同脑区的时间序列,然后利用基于窗口或无窗口的方法提取FN状态。基于状态及其时间上的信息,可以计算出动态度量,包括每个状态的内部度量、状态之间的空间关系度量和状态之间的时间关系度量。虽然在体素水平测量脑动力学是可能的,但由于相关的计算成本上升和大量冗余特征的存在,给后续的FN状态计算带来了挑战,因此绝大多数研究基于脑网络或者感兴趣区域。
基于窗口的方法
动态功能网络的估计
基于窗口的方法通常使用滑动时间窗口来将ROIs或网络的代表性时间序列分割为不同的短时信号,然后基于每个窗口内的短时信号计算ROIs或网络之间的功能连接。这种方法可以研究随时间变化的窗口内功能连接的动态变化,从而深入了解在特定时间间隔内不同脑区或网络之间的相互作用是如何演变的。虽然基于窗口的方法是最常用的动态功能网络估计方法,但需要解决其中的一些限制。一方面,使用短时信号进行分析可能更容易受到生理噪声和预处理流程的影响。另一方面,窗口长度的选择是能否获得有效度量的关键因素,并一直是研究的焦点。从理论上讲,动态分析的目标是研究脑功能网络的时间变化。因此,需要减小窗口长度以精确检测短暂变化。然而,较小的窗口长度可能会大大降低动态FN结果的可靠性。因此研究人员围绕窗口长度以及更准确的估计时变功能连接做了大量工作。
动态功能网络的分析
在获得动态功能连接后,挑战在于从不同被试获得的多个窗口之间并不具有直接的对应关系,尤其是利用静息态fMRI数据时。虽然可以计算反映功能连接强度变化的指标以用于后续的组级分析,但这些度量可能过于简单,不能作为揭示复杂脑功能的可靠指标。为了解决这个问题,研究人员通常采用聚类和矩阵分解从动态功能连接中揭示潜在的功能连接状态。这有助于进一步分析状态,不仅对应于不同被试,而且保留有意义的连接信息。
基于聚类分析方法的思想是将不同被试在不同窗口下的dFC分组成不同的功能 连接状态,最终获取每个被试的功能连接状态。具体来说,不同被试的dFC窗口通 过取上(或下)三角区域并按窗口顺序串联在一起,这个过程得到了所有被试的动态 功能连接。接下来,对所有被试的dFC应用聚类算法,以获取聚类中心,这些中心 代表了不同被试之间共有的脑功能连接状态。虽然聚类便于获取连接状态,但通过这种方法获得的连接状态的可靠性存在争议,主要归因于模型参数和特征冗余等因素。
基于分解的方法,通常也需要将功能连接窗口转换为向量并按窗口方向进行串 联。与聚类方法不同,基于分解的方法通常利用矩阵分解从dFC窗口中提取多个公 共成分,代表组级水平的功能连接状态。由于不同的假设,分解方法和聚类方法在提 取功能连接状态时可能产生不一致的模式.
无窗的方法
与传统的基于滑动窗口的dFC方法不同,无窗口方法期望在不预定义时间段的 情况下捕捉功能连接的时间变化,这种方法允许更连续和灵活地探索连接模式随时 间变化的情况。研究人员使用CAP来表征大脑激活状态。CAP分析是一种数据驱动的分析技术,它使用全脑数据在每个时间点的空间分布和激活程度作为聚类分 析的输入,以识别整个大脑中反复出现的相对CAP状态,从而得到共激活的大脑瞬 态状态。具体来说,该方法在时间维度上对TCs进行聚类,然后对聚类后每个簇内 的激活模式进行平均,从而得出组级的CAP状态。研究人员还提出了几种基于共激 活模式的变体方法,以更准确地测量大脑动态。除了CAP方法,Vidaurre 等人 提出了一种基于多元高斯分布的隐马尔可夫模型(hidden Markov model, HMM), 用于从TCs 中直接估计功能连接状态。具体而言,该方法使用多元高斯分布对TCs 进行建模,然后拟合隐马尔可夫模型以提取功能连接状态。随后,Vidaurre等人又 提出了一种基于随机变分推断的HMM,以降低将HMM应用于大规模fMRI数据集 的计算成本。另一项研究提出了一种稀疏正则化 HMM 模型来提高功能连接状态的 稀疏性。除了 HMM 模型之外,还有一些其他无窗口的动态功能连接分析方法。 Yaesoubi 等人提出了一种在fMRI 数据中捕捉动态功能连接的无窗口方法。该方法 利用K-SVD分解TCs以进行稀疏字典学习(sparse dictionary learning, SDL),然后 生成字典矩阵和稀疏混合矩阵。
参考文献,欢迎引用:Du, Y., S. Fang, X. He and V. D. Calhoun (2024). "A survey of brain functional network extraction methods using fMRI data." Trends in Neurosciences