6.2.3 动态脑网络分析
目前描述的所有基于体素和节点的方法均基于一个假设,即网络和边在较长一段时间内是静止的。然而,考虑到大脑在静息状态下活动仍然很活跃,那么连接强度(即两个节点之间边的强度)在扫描期间是有可能随着时间变化的。观察功能连接随着时间变化的特征可能非常有意义,可用于研究一个被试的精神状态,或者追踪我们在一段时间内不同认知过程或精神状态下的功能连接。因而有大量研究探究这种连接的动态性变化。
在研究功能连接随时间变化的文献中,有许多相对可交换的不同术语。“动力学”(dynamics)是一种一般性地描述一个信号如何随着时间变化的概念。“非平稳”(nonstationarity)和动力学不同,具有非常精确的数学含义。一个时间序列可以被称为是非平稳的,如果其随着时间在任何一个统计学属性上有一个基础的变化,如描述信号分布的均值和方差。给定具体定义后,找到非平稳功能连接的证据仍然相当困难,因其需要建模分布参数并且在参数上表现出显著变化,而不是简单地在样本上观察变化。因此,通常使用更为概括性的术语——动力学来指代功能连接随着时间的变化。在这两种情况下,就需要在动力学估计上进行严格的统计分析来说明这些变化不仅仅是由噪声驱动的。
研究动态功能连接的一种常用方法是采用一个加窗的基于节点的分析。对于一个加窗分析,时间序列被分割成小段(窗),在每个窗内单独计算边的强度。例如,如果一项研究采集数据时间为10 min,使用30 s的窗长,那么对于每对节点计算一系列20条边。因此,不同于每个被试得到一个节点乘节点的连接矩阵,我们对于每个被试得到了20个节点乘节点的连接矩阵(每个都是30 s的窗)。这个例子中,每个时间点只是一个单独窗的一部分,因此窗之间并不重叠。更常见的是滑动窗(slidingwindow)方法,该方法用于窗从一个时间点滑动到下一个时间点(即第一个窗覆盖了1~30 s,第二个窗覆盖了2~31 s,以此类推)。相比于整个时间序列的稳定的基于节点的分析,使用加窗分析时会有大量复杂性情况出现。后面将讨论其中四个常见的复杂情况,在本节最后将讨论一种替代方法(相干,coherence),该方法可以解决部分的复杂性。
加窗分析的第一个复杂性是噪声。虽然在fMRI数据分析中要考虑到噪声的影响,但是比起使用10 min的数据计算边,显然30 s的数据计算出的边对噪声更为敏感。因此,很有可能结果中呈现出的边强度随时间的变化仅仅是噪声的影响,而不是反映节点间连接的真实动态变化。在窗长度方面有一个权衡,比如较长的窗长在连接估计时会有更少的噪声,但是这将使得对感兴趣边强度动态改变的检测更不敏感,并且将较长窗口期间可能发生的不同状态混在一起。基于这个原因,研究通常使用一定范围的窗长来表明结果并不会随着窗长而大幅度改变。静息态fMRI检测中常使用的窗长范围在30~60 s。这个窗长和数据的TR相互作用,因为在30 s窗内的时间点数目是30除以TR。因此在加窗分析中常使用短的TR,如多波段序列。
重要的是,即使TR很小,窗长有范围,噪声仍然可能对结果有很大影响,并且可能观察到边的波动。为了说明观察到的波动能够反映潜在连接的动态变化,而不是由随机噪声引起,可以将结果和仅由噪声驱动的数据观察到的波动结果进行比较,即进行统计学的比较。因此,我们需要获得一个零分布,用以描述不含任何实际动态连接变化的数据的波动范围。有多种方法可以生成这种平稳的零分布。一种方法是使用数据本身,从两个被试中抽取节点序列,进行加窗分析来计算边。鉴于节点的时间序列不是来自同一个大脑,我们会认为这些“边”是由噪声引起的,并且网络连接随时间的任何动态变化都是噪声的结果。还有一些文献提到的方法是随机化每个时间序列的相位,或者生成具有和BOLD数据相同属性的替代数据,但是不包含动态的变化。真实结果和零分布结果可以进行比较,从而得出观察到的动态性是否显著高于不含任何动态变化噪声数据时的结果。
加窗分析的第二个复杂性常常被忽视,它和一个窗内特定频率信号的周期数目相关。BOLD信号的大部分功率位于低频(通常在0.001 Hz和0.03 Hz之间)。一个0.01 Hz的信号周期是100 s。因此,如果一个窗的长度是30~60 s,在任何一个窗内的信号都可能是在周期内的高或低的任一部分。如果加窗分析只能探测到周期的一部分,可能会错误估计变化很大的两个节点之间的边,因为这些或高或低的部分仅仅是同一信号的一小部分。因此,在加窗分析的时间序列提取之间加高通滤波器是很重要的。高通滤波器可以移除数据中在某一截止频率之下的慢波。因此,加窗分析估计的功能连接是由相对高频波动驱动的,而前面提到的其他分析更容易受低频波动的影响。
加窗分析的第三个复杂性和生成的输出数量相关。加窗分析并不是每个被试获得一个网络矩阵,而是每个被试每个窗都有一个网络矩阵。因此在统计分析、解释和可视化结果时更具有挑战性。一个有趣的方面是静息态扫描中出现多个点识别重复出现的网络状态。加窗分析中一个常见的识别这种循环功能连接模式的方法是,将得到的网络矩阵通过聚类或主成分分析分组。另外一种方法是给隐藏状态和它们的过渡明确建模(如使用隐式马尔可夫模型,hidden Markovmodel)。
加窗分析的第四个复杂性是对于功能连接动态性的解释。有很多种可能造成边强度的波动。例如,一个节点边强度的改变可能意味着这个节点是两个或更多个不同网络的一部分,所以当连接随着时间从一个网络转换成另外一个网络时就会发生改变。或者,可能节点是同一单独网络的一部分,但是该网络内的连接强度随着时间波动。充分理解动力学类型及其对系统神经科学和被试行为的启示,以及全面绘制脑连接组学是至关重要且充满挑战的。
时频相干方法是加窗方法的一种替代方法。相干方法得出时频图,从频率范围和扫描时间点提供丰富的视角,以探索时间序列之间的关系。小波分析(wavelet analysis)根据频率有效变化窗长,因此可以理解为将节点的时间序列分成多个频率,然后在每个频率下选择最优的窗长。其具体方法是:首先在每个时间序列上进行小波变换(小波变换和傅里叶变换类似,但在时间和频率上都有不同)。然后,将节点信号的时频变换用于比较两个节点,探索相干性(即在相同时间、相同频率下具有高相关功率的节点)和节点间相对相位(节点是否在特定频率和时间存在相关或负相关)。因为在相干分析中窗长已被最优选择,相干方法不需要进行加窗分析必须进行的高通滤波。然而,相干分析和加窗分析同样具有噪声复杂性,难以总结大量结果,结果解释亦存在挑战性。
总之,人们对研究功能连接的兴趣随时间变化越来越浓。如果你正在做这类研究,要区分好动态(dynamic)连接和非静止(non-stationary)连接,使用正确的术语;并且要根据研究需求选择合适的方法研究随时间变化的类型。一个重要方面是考虑感兴趣变化的时间范围。因为行为、情绪和生理状态的改变通常相对缓慢,即几个小时或几天内才会有变化,而不是仅仅在10 min扫描内就会有变化,很可能被试的认知状态相对没有发生变化。一种解决方法是通过实验设计激发认知状态改变,即状态依赖性fMRI。