Press "Enter" to skip to content

从空间、时间和时空动力学角度研究大脑的动态特性

本站内容均来自兴趣收集,如不慎侵害的您的相关权益,请留言告知,我们将尽快删除.谢谢.

人们对研究大脑功能连接的时间重构以理解动态交互的作用(例如,整合和分离)。然而,区分各种动态属性至关重要,因为几乎所有现有的动态连通性研究都是作为时空动态呈现的,尽管它们属于不同的类别。结果,功能结构的空间模式的变化没有得到很好的表征。在这里,我们提出了空间、时间和时空动力学的概念,并使用这个术语对现有的方法进行分类。我们回顾了当前的空间动态连接工作,强调将空间明确纳入动态分析可以扩展我们对大脑功能和紊乱的理解。

 

1.功能连接和脑动力学

 

关于功能性神经成像的基本问题是成像模式的测量如何代表各种整合的大脑功能,如听觉处理、视觉和认知。大量的努力集中在通过功能连接建模方法理解(功能)源内部和之间的相互作用以及时间同步与认知功能的相关性。源被定义为时间同步的神经集合的模式。每个源都可以通过其空间和时间模式来描述,并且估计源的潜在精度从一开始就受到给定成像模态的空间和时间分辨率的限制。可以在不同的空间分辨率下识别源,从小的焦点区域到空间分布的网络。源的空间模式表征了该源在空间中的分布,并且在任何空间位置的空间模式的幅度指示了空间位置和源之间的关联强度。源的时间模式描述了它的时间活动。源也不同于节点(例如,种子),节点用于研究源的功能概况以及它们所代表的源之间的关系。节点是一个空间局部性(空间区域),被假定为包含源的整体或部分。换句话说,一个节点代表一个源。因此,重要的是节点内的体素时间源在时间上同步,以避免混合信息。

 

我们这里的重点是功能磁共振成像中源的动态特性和神经时间同步性(通常称为“动态功能连接”),但是本文提出的概念可以扩展到研究大脑动态的不同方面,在不同的空间和时间尺度上,并使用其他成像方式。事实上,通过研究神经活动的动态特性来研究大脑动态与研究神经同步的动态特性同样重要。早期基于任务的功能磁共振成像研究表明,功能磁共振成像测量可以捕捉与活动相关的大脑动态。在同一领域,有大量的工作研究不同神经元水平上丰富的活动模式动态,特别是通过研究神经元活动的行进模式。重要的是要理解刺激诱发的和/或自发的神经元活动是如何在大脑中传播并表现为功能连接的。有人认为,自发神经元活动的行进模式传递了功能连接区域之间的信息,并有助于在大脑中观察到的功能连接。时空动态活动和行波及其与功能连接的关系可以为大脑动态性提供重要的见解;然而,这种强调超出了本文的范围。

 

2.空间、时间和时空动力学

 

“空间动态”和“时间动态”这两个术语是为了描述功能连接模式的空间和时间特性随时间的变化而引入的。如前一节所述,缺乏通用术语和框架导致该领域的混乱和对空间动态(时变空间模式)的低估。甚至“动态”这个术语也不总是用来描述大脑动态的特性。为了清楚地说明我们的概念和术语,我们使用一个玩具示例来展示各种类型的静态和动态模式(图1)。如果源的空间模式或源的空间模式之间的统计依赖性随时间变化,则大脑是空间动态的。这包括但不限于源的大小变化(收缩和膨胀)、源的形状变化或源在空间中的平移(图1B)。换句话说,空间动态是指源的空间分布随时间的变化。相比之下,时间上动态行为是指源的时间模式的变化或源的时间模式随时间的统计依赖性(时变时间模式)。时间动态行为通常通过二阶统计量的变化来评估,例如源之间的相关性(在图1A中显示为实线)。如果大脑同时拥有空间和时间上的动态属性,那幺它就是时空动态的(图1C),如果大脑既没有空间也没有时间上的动态属性,那幺它就被认为是静态的(图1D)。

 

为了更深入地了解这些概念,我们可以评估一个示例生成线性模型[x(t) = a(t)’xS(t)],该模型将时间维度添加到源的空间地图中。在等式中,空间和时间动态可以通过空间模式(S)和时间模式(a)的属性随时间的变化来解释。例如,空间和时间动态行为可以通过θ(t)和γ(t)进行编码和数学评估,θ(t)和γ(t)分别是a和S的概率密度函数(pdf)的参数(图1E)。在这个模型中,大脑的时间动态特性可以通过估计θ(t)来获得。例如,它的可变性可以用协方差矩阵σθ(t)来描述。空间动态行为由时变γ(t)量化。请注意,任何给定的分析方法都使用特定的模型来评估动态特性;因此,分析的结果仅仅暗示了大脑系统在所用模型的假设。换句话说,空间、时间和时空动态的概念是大脑的属性,独立于用于评估它们的模型。上述生成线性模型被用作所提出框架的相对简单的例子,因为它在功能连接性分析中简单且常用,而不是捕捉所有可能的方法;可以也应该提出其他模型来捕捉更复杂的空间动态关系。

图1 变化的动态特征的类别

 

3. 利用空间固定节点/种子和动力学

 

在许多功能磁共振成像研究中,节点/种子充当源的空间位置的代理。节点被用作功能连通性分析的初始步骤,或者识别它们对应的源,或者测量它们所代表的源之间的关系。因此,重要的是每个节点只提供一个源的良好近似。在许多情况下,节点是二进制掩码,通常称为感兴趣区域(ROI)。在基于种子的分析中,节点通常用作获取源的空间地图的锚点。例如,后扣带回皮质(PCC)节点可以用作估计默认模式网络(DMN)的空间模式的节点。在这个例子中,我们假设PCC节点是高度时间同步的区域,提供了DMN的良好表示。在图论分析中,节点用于识别源之间的关系。因此,节点A跨时间表示相同的源(功能实体)至关重要;否则,节点A与节点B的关系可能代表不同源之间跨时间的关系。考虑到大脑的动态性,如果源随时间在空间上变化,使用空间固定节点的基于图和基于种子的分析的有效性就会受到损害。在存在空间动力学的情况下,空间中的相同解剖位置并不描绘跨时间的相同来源。因此,固定的空间节点不适合研究大脑功能的空间动力学,因为它们先验地假设源是固定的。在空间固定节点分析中观察到的时变空间模式可能来自源的空间动态属性,忽略了节点随时间代表不同源的可能性。只有当确认固定空间节点的先验知识是跨所有时间点的源的良好表示时,该节点才能用于研究(空间)动力学。当共同激活模式(CAPs)等分析方法使用固定的空间节点来捕获不同的源空间模式时,这一假设尤其重要,因为观察到的随时间推移的空间变化不能归因于单个源。因此,在本文中,使用相同解剖位置作为节点的方法不属于空间动态。这个重要的问题更普遍地影响了动力学的研究,因为空间固定节点的使用可能导致对大脑动态的不正确估计。例如,假设一个源的位置随时间移动(空间动态),但是这个源不表现出时间动态特性。如果使用空间固定的节点,那幺这些节点之间的时间耦合将随着时间而变化,并且被错误地归因于时间动态行为。

 

4. 识别空间动态模式

 

在这里,我们回顾了以前的功能磁共振成像工作,可以归类在我们提出的空间动态框架。我们将现有的工作分为三大类:基于振幅的、分层的和时间分辨的分析。

 

5. 基于振幅模型的空间动力学

 

基于振幅的框架表明,短暂或瞬间稀疏的神经元事件产生由BOLD信号捕获的神经相关信息和相关的不同空间模式。因此,基于BOLD的时间序列可用于识别与神经事件相关的时间点(例如,超过阈值的时间点)及其相关的空间地图。这一概念类似于脑电图研究中的微观状态概念,并与自发神经元活动行波中观察到的共激活模式相关。评估与每个识别的事件相关联的时间点的平均空间模式发现许多体素共同激活,导致体素方式的CAP 。最广泛使用的CAP模型假设每个时间点都有一个CAP处于活动状态。全脑CAP方法可被视为对单一源系统的空间动态进行建模,该系统具有随时间变化的恒定时间模式;因此,每个CAP代表源的一个空间模式。这种观点提供了关于大脑活力的有限数量的信息,并且过于简单化,因为全脑CAPs是不同的功能实体(即,负责不同功能集的源)并代表不同的大规模网络。CAP方法的其他变体比这更进一步;例如,选择与后扣带回皮层(PCC)中的BOLD信号有强联系的时间点,并基于空间相似性对它们进行聚类,会生成突出DMN静态空间模式周围变化的空间模式。这些发现表明,基于振幅的框架可以捕捉空间动态特性,该框架涉及提取瞬间到瞬间的主导空间协同激活和/或连接模式。然而,这需要通过使用空间自适应种子来确保种子跨时间表示相同的源(参见“利用空间固定节点/种子和动力学”部分)。例如,可以使用功能种子,同时允许种子随时间重新配置。允许种子在空间上变化的另一个好处是,它解决了主体间的可变性,这是在功能研究中使用空间固定节点的另一个主要问题。重要的是,这些模型最初假设二进制时态CAPs,因为这样,它们提供的关于时态动态属性的信息是有限的。需要提供更好的时间模式估计的分析方法来改进这一类别。考虑到大脑的复杂性,重要的是要考虑大脑来源可能共存,并允许来源的时间模式重叠。例如,佐勒等人。使用创新驱动的CAP (iCAP)方法,这是依赖于显着瞬时活动的CAP的衍生方法,来估计源的空间模式,然后利用时空回归来估计源的时间模式,同时允许它们的时间活动的时间重叠。另一个潜在的解决方案是使用全脑CAP方法的修改版本,该方法允许更好地捕捉与每个脑源相关联的不同空间模式。一个例子是使用层次聚类代替k-means聚类来识别脑源的空间模式。

 

6. 通过分层模型捕捉空间动态

 

另一个有趣的方向是使用大脑功能的层次模型来编码不同层次内部和之间的时空动态属性。在最近的一项研究中,功能层次模型被用来捕捉功能域的空间动态模式(图2A)。每个FD包括一组空间上不同且功能上相连(时间上共变)的FUs,它们与大规模的脑网络密切相关。来自的发现显示了功能分级模型捕捉FDs空间动态模式的能力。FD随时间在空间上演变,每个FD的空间模式可以概括为一组不同的、重复出现的、高度可复制的空间模式,称为“空间域状态”。随着时间的推移,每个FD的空间模式随着关联区域与FD的紧密程度从强关联到完全分离而演变。图2B显示了来自的例子,其中热色和冷色代表正关联和负关联,灰色代表不同状态下具有FDs的区域的完全分离。有趣的是,随着时间的推移,不同的功能磁共振成像显示出不同程度的空间变化,这与之前多任务功能磁共振成像研究的发现一致,该研究调查了不同任务中预定解剖区域之间的功能连接变化。例如,随着时间的推移,额顶区和注意区在空间图中的变化程度最大,皮层下区的空间变化程度最低(图2B)。分层时空动态模型可能会为大脑疾病提供新的见解,特别是因为这些模型非常适合检查大脑整合信息能力的变化。发现表明,SZ患者表现出几种功能性消化不良(例如,。皮层下、注意和语言域),以及FDs之间的动态状态水平相互作用被改变。总的来说,将空间动态纳入功能层次模型,可以更好地理解宏观功能层次和大脑动态,这强调了进一步改进和研究的方向已经成熟。这一类别显着受益于对FUs的更好估计。

图2 动态层次模型

 

7. 空间动力学和时间分辨分析

 

在最早出版的作品之一中,使用具有相对较长窗口长度(108秒)的滑动窗口方法。窗口化ICA)随时间变化的数据子集。虽然大的窗口长度可以滤除高频变化,但结果显示了DMN的空间模式随时间的变化(图3A)。有趣的是,连续DMN模式的空间相似性呈现功率谱1/f频率分布。接下来改用独立矢量分析(IVA)来捕捉潜在来源的空间变化。IVA最大限度地提高了数据集中底层匹配源之间的独立性,同时也考虑了数据集中每个源的依赖性。通过将来自每个时间窗的数据视为的单独数据集,能够捕捉每个源跨时间窗口和对象的空间依赖性(图3B)。与加窗独立分量分析相比,加窗IVA克服了跨时间窗源匹配的需要,并允许跟踪它们随时间的空间变化。

图3 单窗ICA和加窗IVA

 

在空间静态文献中观察到的DMN的不同空间模式被确定为DMN的不同空间状态,这表明在静态分析中仅确定了数据采集期间DMN的总体模式(图4A) 。空间动态分析还表明,大脑网络彼此紧密相连,短暂地融合和分离,突出了大脑内部的动态分离和整合。小脑在各种网络中的短暂作用是另一个有趣的发现。发现进一步显示了空间动态分析可以通过评估健康对照和SZ患者的大量多位点数据集提供的关于脑疾病的额外信息。空间动态分析确定了以前的分析方法没有检测到的大脑结构的强健和细微的变化。总的来说,结果表明,空间动态特性的临床相关变化明显比静态功能连接性的变化更明显(例如,图4B),表明空间动态分析对检测与脑疾病相关的脑改变具有更高的灵敏度。此外,空间动态测量捕获只有通过将空间纳入动态分析才能获得的大脑功能信息。例如,“时空转换矩阵”捕获并总结每个脑网络的空间动态的体素级信息,并揭示不同脑网络中两组之间的不同模式(例如,图4C)。时空均匀性是另一个独特的特征,只能通过将空间纳入动态分析来衡量。不同网络中的SZ患者的时空一致性存在显着差异,并揭示了与认知域分数的显着关联,突出了所提出的空间动态测量的潜在认知相关性(图4D)。

图4 空间流体时间组研究的结果

 

8. 总结

 

神经影像学研究,尤其是功能磁共振成像研究,已经迅速转向从大脑功能连接的时间重构角度研究大脑动态。我们认为,将空间动力学纳入脑功能分析是理解脑动力机制和临床意义的一条有前途的途径。然而,这一广泛但新兴的领域仍处于非常早期的阶段,随着持续的关注产生更好的方法和可复制的结果,它将做出更大的贡献(见未决问题)。空间动态分析中的一个重要区别因素是分析工具使用空间信息和属性的程度。动态方法可以在识别动态模式时直接利用空间属性,例如距离或方向,或者它们可以使用空间统计来评估空间动态行为。例子包括研究空间属性和模式,如空间扩散率、空间流动性、空间相互作用、空间依赖性以及源随时间的空间扩展和收缩。在所有空间动态特性中,空间耦合和体素耦合的时间变化可能是从研究中受益的最直接的特性。

 

空间集中研究的另一个有趣的方向是在基于图和连接体分析中包含空间变化的节点。基于图形的方法可以使用一系列图形度量和数学工具来表征大脑连通性,例如测量互连的本地社区和通信的全球效率,以评估功能整合和分离。然而,基于图的模型的有效性取决于节点和边在多大程度上代表真正的潜在来源。

Be First to Comment

发表评论

您的电子邮箱地址不会被公开。 必填项已用*标注