大脑无意识状态下的fMRI脑网络动态特性

动态核心假说认为意识与瞬时同步的大脑区域同时整合和分化的集合相关。我们使用动态脑网络来表示依赖时间的功能交互，并通过最大的多层模块的大小和灵活性来评估动态核心的完整性。首先，我们使用一个新开发的用于异构时间网络模块检测的基准来约束参数选择。接下来，我们将多层模块化最大化算法应用于从深度睡眠和异丙酚麻醉下获得的功能磁共振成像(fMRI)数据计算的动态脑网络。我们发现无意识重新配置了网络的灵活性，并减少了最大的时空模块的大小，这与动态核心一致。我们的结果首次表征了fMRI测量的无意识状态下模块化脑网络动态，为人类意识的动态核心假说提供了支持。
1.简述
就像许多其他生物功能，如消化或呼吸，意识最好被理解为一个随时间演化的过程。参与这一过程的大脑区域并不是静态的，而是随着意识的内容一起波动，从而形成了一个依赖于时间的短暂神经互动网络。我们将模块化检测的形式应用于功能磁共振成像(fMRI)多层时间网络，目的是揭示这个过程的某些关键属性(如分化和整合)是如何在从清醒状态过渡到意识减弱状态的过程中发生变化的，比如深度睡眠和异丙酚麻醉。我们发现，在两种情况下，最大的时空模块都被破坏了，这表明大规模的信息整合存在缺陷。
也许评估动态核心假说最直接的方法也是迄今为止探索最少的方法。复杂网络理论提供了一个框架，可以直接评估在不同意识状态下获得的神经成像数据中存在的整合和分离。大脑状态序列可以表示为一个多层网络，每一层编码给定时间段内大脑各区域间的瞬时功能交互作用，动态核心可以表示为该网络中演化的一个时变模块[图1(b)]。近年来，模块化最大化算法被应用于多层网络，揭示了全脑动态网络的快速和瞬态结构。这些动态对认知表现和神经精神障碍等因素是敏感的。然而，尽管有了这些进展，意识和多层大脑网络的模块化结构之间的关系仍有待研究。
为了阐明这一关系，我们利用功能性磁共振成像(fMRI)记录构建了多层连接网络，这些记录来自于人类非快速眼动(NREM)睡眠的不同阶段，以及在异丙酚(一种全麻，增加了抑制性神经传递)的作用下。我们的主要目的是使用多层Louvain算法获得这些网络的时变模块结构，该方法包含几个与时间层之间的连通性强度有关的自由参数，以及被检测模块的特征尺寸[图1(b)]. 以前使用该算法的报告要么采用了参数值的特别选择，要么执行了参数空间的详尽探索。我们引入了一个新的基准来检测具有无标度和模块大小分布的时变网络中的模块，从而避免了这些次最优解，该基准改编自为静态网络开发的基准。采用该方法进行参数选择后，采用多层Louvain算法得到fMRI功能连接网络的时变模块结构。我们的分析集中于随时间的模块动态相关的两个参数：最大的多层模块大小(LMM)(我们用动态核心及其集成水平来识别)和限制在这个模块的灵活性(我们解释为动态核心分化的程度)。图2为Lancichinetti及其同事引入的基准构建的网络的图形表示。

图1 动态核心假设的示意图

图2 根据Lancichinetti和同事介绍的基准构建的网络的图表示。
2.结果
2.1 时间依赖的基准以及参数选择
基于引入相等的连续时间层之间的加权连接（图1b），我们研究了多层Louvain算法的表现。我们也考虑了不同层（γ）之间的相等的分辨率参数。因此，模块检测算法仅取决于这两个参数。
我们应用我们的基准来确定最优的参数值。为此，我们引入了γ和ω值的网格，对于每一对值，我们测量了与ground-truth模块的近似推理和使用多层Louvain算法检测的那些之间的Rand指数，并对超过500个独立实现的结果进行平均[见图3(b)]。将标准Louvain算法应用于每个时间点，然后选择与启发式期望重叠最大的分区，得到用于确定多层Louvain算法性能的近似推理ground truth。我们注意到，这种近似推理对于合并-拆分动力学是必需的，在这种情况下，根据重新布线规则计算模块分裂时间并不简单。同样值得注意的是，这只能用于具有关于时序模块中节点分配的先验信息的网络，例如在合并-分割和增长-收缩动力学中。
对两个基准，从这个过程得到的最优参数是γ=0.55，ω=1.（图3b中值被黑色盒子指出）。
最后，虽然合并-分裂和生长-收缩动力学保留了网络中总连接的数量，但度分布在时间演化过程中会发生变化。为了量化这种可能性，我们测量了α(t)，即幂律度分布的时间依赖指数，然后计算了两种动力学的时间标准差[见图3(d)]。我们观察到α(t)在收缩动力学中发生变化，而在分裂动力学中保持稳定。

图3 基于分裂和合并两个动态过程构建的时变异构网络基准。
2.2 动态脑连接网络的模块结构
我们利用从基准推导出的最优参数，将多层Louvain算法应用于从fMRI数据获得的动态功能连接网络。首先，我们调查了健康受试者在清醒和清醒-睡眠周期，包括增加深度和意识内容逐渐失去的四个阶段(分别为N1、N2和N3)。
图4显示了单个受试者在清醒和N3(分别是第一行和第二行)期间检测到的样本时间模块，以及每个条件下最大的多层模块(LMM)。右边的面板表示模块之间的转换点，用于计算每个节点的灵活性(F)。然后，我们比较了处于清醒状态和每个睡眠阶段之间最大多层模块内节点的灵活性(图5)。图5的结果显示，大多数节点在睡眠期间灵活性降低，睡眠期间灵活性降低的区域与感觉知觉有关，也包括作为感觉信息向皮层传播的中间阶段的皮层下区域，比如丘脑。特别是，在N1睡眠期间，灵活性的下降主要是在丘脑和前扣带节点，与观察到的丘脑在早期睡眠中失活并与感觉皮质断开的结果一致。相反，在睡眠期间，灵活性只在与高级认知功能相关的额叶区域增加，在N3睡眠期间增幅最大。我们还对清醒状态与异丙酚镇静和麻醉进行了相同的分析和统计比较，没有发现显著的结果。
最后，我们比较了清醒与睡眠、异丙酚诱导的镇静(S)和意识丧失(LOC)中属于最大多层模块的区域概率。只有清醒、N3和LOC之间的统计比较才产生显著结果。图6(a)显示了这些变化的比较。虽然N3睡眠期间的变化更为广泛和显著，但LOC也与感觉运动区域的减少和额叶区域的增加有关。在图6(b)中，LOC相对于N3属于最大多层模块的概率变化的散点图显示，尽管LOC具有显著性的区域较少，但变化的模式与N3睡眠期间测量的变化模式相似。N3和LOC用相对于清醒的最大多层模块度的更小尺寸来表征，如图6©所示。

图4从单个受试者在清醒(第一排)和N3睡眠(第二排)，使用多层Louvain检测算法计算得到的时间模块

图5 在最大的多层模块中，觉醒和睡眠(N1、N2和N3睡眠)之间的节点灵活性比较。
3.讨论
人类的大脑天生是动态的，在空间和时间上不断呈现无标度波动。过去的几年里，一些研究已经证明了对大脑活动采用动态方法的有用性，揭示了生理和病理大脑状态的大规模大脑动态，揭示了引起人类认知和行为的分布式区域网络之间的协调，以及多模态大脑活动，解剖学，和遗传学之间的关系。整体意识状态，如睡眠、全身麻醉和意识障碍也从这个角度进行了探索，导致了与无意识相关的大脑状态的减少和更稳定的剧目的普遍观察。
这些结果依赖于新方法的发展，这些新方法能够从由数十万体素组成的数据集中提取暂时复发的大脑活动模式。fMRI数据的动态分析的核心是需要数据驱动的脑状态循环及其相互转移概率的识别。这可以通过不同的方法来实现，例如通过对BOLD信号进行阈值化得到的数据的点处理表示，或应用基于隐马尔可夫链的更复杂的方法。揭示全脑功能磁共振活动动态的第一个和最常用的方法包括采用多层网络表示，其中每一层对应一个不同的时间窗，层内连接表明BOLD信号相关(即功能连接)。通过引入层间连通性，模块化优化算法可以应用于数据驱动的时间模块发现表示，即分别呈现高组内和低组间功能连通性的解剖区域的非重叠组。
时间网络中的模块检测仍然是绘制全脑活动动态演化图最常用的方法之一，但存在需要调整自由参数的缺点。我们的贡献从上述两个角度推进了我们对全脑动力学的理解。首先，我们开发了一个系统框架来评估模块化优化算法的性能，通过构建一个具有异构和现实节点分布的动态基准，允许合理选择模型参数。接下来，我们从这些参数开始，以表明睡眠逐步稳定节点分配到感觉和关联皮层区域的最大多层模块，而仅在额叶区域观察到相反的行为。深度睡眠和异丙酚麻醉降低了枕叶、颞叶和顶叶大脑大部分区域属于最大多层模组的区域概率，这些变化与两种无意识状态相关，表明意识丧失有重叠机制。
最大的多层模块的大小代表了一种新的度量，可以同时在空间和时间域量化集成。由于模块是从网络的多层表示中计算出来的，所以这个度量与任何给定时间点的最大模块不同。最大的模块可以在某一特定时间收缩到几个节点或区域，但在随后的时间内增长，以涵盖大部分大脑;换句话说，将考虑模块随时间变化的特性。这与Edelman和Tononi对动态核心的定义是一致的，动态核心对应于同一个时间过程，在不同的时间涉及到不同的解剖区域，但随着时间的推移保持了其同一性。因此，由于静态或碎片化的动态核心，意识可能会消失(见图1)。深度睡眠和全身麻醉时最大的多层模块的尺寸减小似乎支持第二种可能性;此外，深度睡眠和麻醉期间属于最大模块的可能性的变化之间的区域相关性表明，这一指标可以捕捉两种情况下意识衰退的特征。
在灵活性方面，即模块分配之间的切换率，我们发现在睡眠期间，分区中的大多数区域降低了最大多层模块与其余模块之间的切换率，并且这种降低与深度睡眠阶段的巩固相平行。根据动态核心假说的解释，这支持功能分化减弱与睡眠中意识丧失相关。相反，在清醒时，最大的多层模块采用多种配置，在不同的时间招募各种功能系统，支持持续的自觉意识流。我们注意到异丙酚诱导的无意识和清醒状态下的灵活性没有显著差异。我们认为这可能是由至少两个独立因素造成的。首先，异丙酚数据集的样本量相对较小，这可能导致统计能力不足，无法揭示这些变化。第二，麻醉的效果可能是剂量依赖的，因此有必要对功能磁共振成像与异丙酚剂量的变化进行更详细的探索。
虽然这是第一个应用多层网络方法来理解无意识期间功能磁共振数据的时间动态的研究，但在此之前，有一个类似的方法用于测量患有意识障碍的患者的脑电图数据与我们的结果一致的是，这项研究表明，在相对较慢的频段(主要是阿尔法频段，它与静息态fMRI信号存在广泛的相关性)，灵活性降低，而在较长的时间尺度上，行为则相反。我们的工作可能代表了在睡眠中使用功能磁共振成像测量的血流动力学活动的发现，在睡眠中，某些网络保持高水平的网络灵活性，在觉醒时恢复到清醒状态(与脑损伤患者可能不会自发恢复到清醒状态相反)清醒)。
为了减少与探索性分析相关的偏差，未来使用多层网络模块化来描述时域功能磁共振成像动力学的研究应该基于一个适当的基准参数选择。在网络科学的许多应用中，使用行为已知的模型网络是一种广泛采用的实践;理想情况下，这个模型应该尽可能多地代表经验网络的特征我们的方法开发通过引入具有异构连接的临时模块网络的基准来填补这一空白，从而产生真实的节点和模块大小分布。这个基准测试还可以在比较不同的模块性检测方法，以及以已知的模块结构作为空模型构建合成数据集方面找到未来的应用。
总之，我们首次研究了无意识状态下模块化的脑网络动力学，发现了深度睡眠和全身麻醉期间最大的多层模块重构的收敛证据。我们根据动态核心理论解释了这些变化，得出结论:无意识导致了它的分裂，尽管保持了稳定。未来的研究应采用不同的方法同时评估全脑动力学，以了解动态核心是否在功能磁共振成像无法达到的范围内波动，以及这些波动是否在行为和认知水平上表现出来。