肖慧思，李嘉慧，潘智林，周 靜，4，熊冬生，4，陳 軍，吳 凱，4，，7，8*

（1.華南理工大學(xué)材料科學(xué)與工程學(xué)院生物醫(yī)學(xué)工程系，廣州510006；2.華南理工大學(xué)國家人體組織功能重建工程技術(shù)研究中心，廣州510006；3.華南理工大學(xué)廣東省生物醫(yī)學(xué)工程重點(diǎn)實(shí)驗(yàn)室，廣州510006；4.廣東省精神疾病轉(zhuǎn)化醫(yī)學(xué)工程技術(shù)研究中心，廣州510370；5.國家醫(yī)療保健器具工程技術(shù)研究中心，廣州510500；6.廣東省老年癡呆診斷與康復(fù)工程技術(shù)研究中心，廣州510500；7.廣州醫(yī)科大學(xué)附屬腦科醫(yī)院，廣州市惠愛醫(yī)院，廣州510370；8.日本東北大學(xué)加齡醫(yī)學(xué)研究所機(jī)能畫像醫(yī)學(xué)研究室，日本仙臺(tái)980-8575）

0 引言

許多神經(jīng)精神疾病被認(rèn)為是由大腦神經(jīng)連接紊亂所導(dǎo)致的綜合病癥。在腦科學(xué)研究中，通常把腦連接歸為3 種類型：腦結(jié)構(gòu)連接、腦功能連接和腦有效連接。其中，腦功能連接被定義為大腦不同腦區(qū)或體素之間的時(shí)間相關(guān)性[1]。腦功能連接分析的思路一般是基于反映大腦功能性連接的數(shù)據(jù)計(jì)算預(yù)先定義的各腦區(qū)或節(jié)點(diǎn)之間的連接關(guān)系，然后采用圖論方法構(gòu)建腦功能網(wǎng)絡(luò)進(jìn)行拓?fù)浞治?。但是，靜態(tài)的腦功能連接分析不足以反映出大腦復(fù)雜神經(jīng)系統(tǒng)的時(shí)變特性。近年來，動(dòng)態(tài)腦功能連接分析備受研究人員青睞，被用于對(duì)大腦的多種功能和疾病進(jìn)行機(jī)制或機(jī)理研究，如大腦的認(rèn)知機(jī)制、功能損害或缺失、神經(jīng)精神疾病的病理機(jī)制與臨床診療應(yīng)用等[2]。以下介紹常用的基于不同神經(jīng)影像數(shù)據(jù)的動(dòng)態(tài)腦功能連接分析方法，綜述動(dòng)態(tài)腦功能連接分析在幾種常見神經(jīng)精神疾病中的研究與應(yīng)用進(jìn)展，并作出展望。

1 動(dòng)態(tài)腦功能連接分析

腦功能連接可以描述從微觀到宏觀層次上的腦功能模塊之間的功能性信號(hào)在時(shí)間序列上的統(tǒng)計(jì)相關(guān)性[3-4]，如神經(jīng)元、神經(jīng)元集群、體素或腦區(qū)等。腦功能連接網(wǎng)絡(luò)是基于如局部場(chǎng)電位、磁信號(hào)、血氧依賴水平（blood oxygen level dependency，BOLD）信號(hào)等，由神經(jīng)單元進(jìn)行生理活動(dòng)而發(fā)出的功能性信息構(gòu)建而成的，具體可通過功能磁共振成像（functional magnetic resonance imaging，fMRI）、腦磁圖（magnetoencephalography，MEG）、腦電圖（electroencephalogram，EEG）等神經(jīng)影像技術(shù)捕捉和采集得到的信號(hào)來構(gòu)建，如圖1 所示。下面將分別介紹利用這3 種信號(hào)構(gòu)建腦功能連接網(wǎng)絡(luò)的研究方法。

圖1 動(dòng)態(tài)腦功能連接分析的一般流程圖

首先，對(duì)采集的一段時(shí)間的神經(jīng)功能性信號(hào)（fMRI、MEG、EEG 等）進(jìn)行相對(duì)應(yīng)的預(yù)處理，然后用動(dòng)態(tài)功能連接計(jì)算方法計(jì)算信號(hào)的時(shí)間序列的相關(guān)性矩陣，基于感興趣區(qū)域法使用大腦結(jié)構(gòu)模板將內(nèi)部關(guān)聯(lián)程度較高的腦區(qū)歸納為多個(gè)子網(wǎng)絡(luò)，從而計(jì)算腦網(wǎng)絡(luò)的圖論特征并且比較患者和正常人子網(wǎng)絡(luò)間的動(dòng)態(tài)交互模式及特征，對(duì)組間差異和組內(nèi)差異進(jìn)行分析，現(xiàn)已應(yīng)用到阿爾茨海默病、抑郁癥、精神分裂癥、雙相情感障礙等多種神經(jīng)精神疾病的研究中。

fMRI 是一種通過檢測(cè)BOLD 信號(hào)來研究人腦功能和結(jié)構(gòu)的完全無身體入侵、無損傷的有效手段[5]。研究人員通過對(duì)不同腦區(qū)之間BOLD 信號(hào)相關(guān)性的分析來度量不同大腦區(qū)域之間神經(jīng)生理活動(dòng)的功能連接特性腦區(qū)之間的功能連接，探索并構(gòu)建腦功能連接網(wǎng)絡(luò)[6]。

MEG 是一種能夠捕捉大腦進(jìn)行生理活動(dòng)時(shí)產(chǎn)生的微弱生物磁場(chǎng)信號(hào)值的腦功能檢測(cè)技術(shù)，采集某個(gè)時(shí)段大腦的瞬時(shí)動(dòng)態(tài)生理活動(dòng)數(shù)據(jù)，通過計(jì)算機(jī)影像處理和模型擬合得到腦磁曲線圖及各個(gè)MEG信道在大腦皮層區(qū)域的源定位[7]，將其作為定義的腦網(wǎng)絡(luò)節(jié)點(diǎn)，計(jì)算節(jié)點(diǎn)信號(hào)間的相關(guān)性，從而構(gòu)建腦功能連接網(wǎng)絡(luò)。

EEG 能夠監(jiān)測(cè)并記錄毫秒級(jí)的大腦生理活動(dòng)，對(duì)發(fā)現(xiàn)大腦生理活動(dòng)的時(shí)變特性有實(shí)際意義[7]。在多通道EEG 信號(hào)研究中，通常把各個(gè)EEG 通道對(duì)應(yīng)的電極覆蓋的腦皮層區(qū)域定義為各個(gè)節(jié)點(diǎn)或腦區(qū)，然后選取各個(gè)通道在同一頻帶內(nèi)的波段，采用相位同步指數(shù)等測(cè)度來量化分析相關(guān)性，并作為對(duì)應(yīng)腦區(qū)之間的功能連接強(qiáng)度，從而構(gòu)建出腦功能連接網(wǎng)絡(luò)。

2 動(dòng)態(tài)功能連接算法簡介

動(dòng)態(tài)功能連接捕捉了短時(shí)間尺度上的時(shí)變連接，能夠反映腦復(fù)雜功能組織間的變化和聯(lián)系[8]，在神經(jīng)精神疾病識(shí)別方面可以提供更多豐富的信息。動(dòng)態(tài)功能連接估算方法中以滑動(dòng)時(shí)間窗（sliding time window，STW）、小波變換、同步似然性（synchronization likelihood，SL）算法最為常用，近幾年也不斷有新的改進(jìn)方法和模型提出：Choe等[9]發(fā)現(xiàn)動(dòng)態(tài)條件相關(guān)（dynamic conditional correlation，DCC）模型在估算BOLD 信號(hào)之間的時(shí)變特征有著更好的效果。Jun 等[10]提出用隱馬爾可夫模型（hidden Markov models，HMM）對(duì)fMRI 信號(hào)進(jìn)行建模來模擬BOLD 信號(hào)，以概率形式來描述并計(jì)算腦功能網(wǎng)絡(luò)的圖論特征。除此之外，還有很多算法被提出，如滯后相位同步（lag phase synchronization，LPS）[11]和鎖相值（phase-locking value，PLV）[12]、點(diǎn)過程分析（point process analysis，PPA）[13]的方法、計(jì)算時(shí)間導(dǎo)數(shù)度量[14]的方法等。下文將詳細(xì)介紹3 種廣泛應(yīng)用在神經(jīng)精神疾病領(lǐng)域的動(dòng)態(tài)功能連接估算方法。

2.1 STW 算法

在基于fMRI 數(shù)據(jù)的大腦動(dòng)態(tài)功能連接分析的方法中，STW 的應(yīng)用最為廣泛，其簡單、可操作性強(qiáng)，能夠描述出腦功能連接的時(shí)域動(dòng)態(tài)特性?；赟TW算法的動(dòng)態(tài)腦功能連接分析流程如圖2 所示[15]：首先設(shè)定窗口的長度及合適的時(shí)間窗移動(dòng)步長，再在整個(gè)時(shí)程上移動(dòng)時(shí)間窗，截取到各個(gè)窗口的信號(hào)，用皮爾遜等統(tǒng)計(jì)相關(guān)系數(shù)來計(jì)算各個(gè)窗口內(nèi)時(shí)間點(diǎn)上的信號(hào)相似值，作為每個(gè)窗口的功能連接強(qiáng)度矩陣。這樣，通過不斷的滑動(dòng)截取和計(jì)算，得到整個(gè)時(shí)程上隨時(shí)間變化的一系列窗口的功能連接矩陣。

圖2 基于STW 算法的動(dòng)態(tài)腦功能連接分析流程圖[15]

大規(guī)模腦活動(dòng)的亞穩(wěn)態(tài)動(dòng)力學(xué)可以利用功能連接的時(shí)變特征聚類成一組動(dòng)態(tài)功能連接模式來體現(xiàn)。首先，將對(duì)被試采集的整個(gè)時(shí)程分為L 個(gè)時(shí)間窗，其中每個(gè)窗口有N 個(gè)獨(dú)立的時(shí)間點(diǎn)，計(jì)算每個(gè)窗口內(nèi)各自時(shí)間序列的相關(guān)性矩陣（一般為Pearson相關(guān)），矩陣大小為N×N。其次，隨著窗口沿時(shí)間軸滑動(dòng)，每個(gè)被試都能得到L 個(gè)功能連接矩陣，將被試的L 個(gè)窗口的功能連接矩陣的上三角元素向量化，作為行向量，L 個(gè)窗口從上至下排列得到一個(gè)動(dòng)態(tài)功能連接矩陣，每個(gè)被試都得到一個(gè)大小為N×（N-1）×L/2 的動(dòng)態(tài)功能連接矩陣。最后，利用K-means 等聚類方法得到主要的動(dòng)態(tài)功能連接模式。

2.2 小波變換法

小波變換是一種基于短時(shí)傅里葉變換局部化思想的信號(hào)處理方法，其提供一個(gè)隨信號(hào)真實(shí)頻率改變的窗長，避免因人為設(shè)定窗長過短導(dǎo)致的引入虛假波動(dòng)[16-18]或窗口過長導(dǎo)致的對(duì)有效時(shí)變的檢測(cè)阻礙[19]，且在降噪上有著獨(dú)特的優(yōu)勢(shì)，是研究腦功能連接時(shí)頻動(dòng)態(tài)特性的有效工具[20]。

小波變換應(yīng)用在動(dòng)態(tài)腦功能連接分析的具體步驟如下：先采用主成分分析（principal component analysis，PCA）的方法將采集到的初始神經(jīng)影像數(shù)據(jù)降維，只挑選該數(shù)據(jù)中最主要的成分作為預(yù)先定義的腦區(qū)或節(jié)點(diǎn)的時(shí)間序列；再用小波變換法計(jì)算節(jié)點(diǎn)信號(hào)幅值的平方相干性作為功能連接強(qiáng)度，那么每個(gè)時(shí)間窗口都經(jīng)過計(jì)算得到對(duì)應(yīng)的功能連接矩陣，從而描述出被試腦網(wǎng)絡(luò)之間功能連接強(qiáng)度在整個(gè)時(shí)程上的動(dòng)態(tài)變化。

2.3 SL 算法

SL 算法是Stam 等[21]提出的一種時(shí)域相關(guān)性計(jì)算方法，是一種可以應(yīng)用于如神經(jīng)功能性信號(hào)這種時(shí)變非線性系統(tǒng)的同步性計(jì)算方法。SL算法能夠直接估算2 個(gè)瞬時(shí)時(shí)間序列的相關(guān)性[22]，在基于EEG 和MEG 的信號(hào)處理中有較多應(yīng)用。在EEG 或MEG中，SL 算法是通過計(jì)算某個(gè)通道信號(hào)與其他剩余通道信號(hào)的同步強(qiáng)度來判別被試大腦所處的生理活動(dòng)狀態(tài)。同步似然值范圍為0～1，0 代表完全不同步，1 代表完全同步。

周期性重復(fù)的模式在神經(jīng)系統(tǒng)中是十分普遍的，SL 算法可在缺失先驗(yàn)知識(shí)和假設(shè)的情況下通過同步重復(fù)次數(shù)找出對(duì)應(yīng)功能區(qū)域循環(huán)往復(fù)的神經(jīng)活動(dòng)模式。SL 算法具備的高時(shí)間分辨力的優(yōu)點(diǎn)使其可以追蹤復(fù)雜多變的神經(jīng)系統(tǒng)活動(dòng)信號(hào)（包括高頻和低頻），且能夠隨著時(shí)間序列的延伸自發(fā)計(jì)算序列自身或序列間的循環(huán)往復(fù)次數(shù)，非常適用于復(fù)雜卻潛藏規(guī)律的神經(jīng)系統(tǒng)交互的研究。

3 神經(jīng)精神疾病的動(dòng)態(tài)腦功能連接研究進(jìn)展

近年來，動(dòng)態(tài)腦功能連接分析在神經(jīng)精神疾病方面的研究很多。而動(dòng)態(tài)腦功能連接分析的一個(gè)熱點(diǎn)在于大腦亞穩(wěn)態(tài)動(dòng)力學(xué)的研究。在神經(jīng)活動(dòng)的動(dòng)態(tài)過程中，大規(guī)模腦區(qū)以高度模塊化的形式維持暫時(shí)性穩(wěn)定的狀態(tài)，這些狀態(tài)以快速且明顯的轉(zhuǎn)變相互過渡，使得大腦從一種類穩(wěn)定的功能態(tài)轉(zhuǎn)變?yōu)榱硪环N類穩(wěn)定的功能態(tài)，這是靜態(tài)功能連接分析所不具備的優(yōu)勢(shì)。如Marion 等[23]的研究中指出路易體癡呆（dementia with Lewy bodies，DLB）患者的一些大腦功能改變可以通過動(dòng)態(tài)功能連接檢測(cè)到，但不能通過靜態(tài)功能連接檢測(cè)到。

基于各種神經(jīng)功能性信號(hào)（如fMRI、MEG、EEG等），通過STW、小波變換、SL 算法等動(dòng)態(tài)功能連接算法來計(jì)算動(dòng)態(tài)腦功能連接矩陣，構(gòu)建腦網(wǎng)絡(luò)，分析腦網(wǎng)絡(luò)相關(guān)屬性的變化，還可以聚類分析主要的動(dòng)態(tài)腦功能連接模式及其之間的交互模式特征和時(shí)間特性，分析患者與健康人在網(wǎng)絡(luò)交互模式和動(dòng)態(tài)變化上的差異，與靜態(tài)功能連接分析相互驗(yàn)證、相互補(bǔ)充，探索其生理意義，進(jìn)一步研究神經(jīng)精神疾病的病理及生理學(xué)機(jī)制。

3.1 阿爾茨海默病（Alzheimer’s disease，AD）

AD 是一種神經(jīng)退行性疾病，以認(rèn)知功能和記憶功能的損傷為特征，是導(dǎo)致老年人群癡呆癥最流行的原因之一。Córdova-Palomera 等[24]使用靜息態(tài)fMRI 對(duì)AD、輕度認(rèn)知障礙（mild cognitive impairment，MCI）、主觀認(rèn)知障礙（subject cognitive impairment，SCI）3 種癡呆亞型組進(jìn)行局部的靜態(tài)功能連接和動(dòng)態(tài)功能連接分析，發(fā)現(xiàn)與MCI 和SCI 相比，AD 在靜態(tài)功能連接（殼核、背側(cè)和默認(rèn)模式網(wǎng)絡(luò)）和動(dòng)態(tài)功能連接（額葉、顳葉和默認(rèn)模式網(wǎng)絡(luò)）方面均表現(xiàn)出功能耦合改變，且全腦網(wǎng)絡(luò)亞穩(wěn)態(tài)降低。這與Hellyer 等[25]關(guān)于AD 患者的動(dòng)態(tài)功能連接研究結(jié)果吻合，亞穩(wěn)態(tài)降低與大腦結(jié)構(gòu)連接損傷、認(rèn)知靈活性降低和信息處理中斷有關(guān)。在靜態(tài)功能連接分析的多項(xiàng)研究[1，26-27]中發(fā)現(xiàn)，AD 的功能性腦網(wǎng)絡(luò)表現(xiàn)出小世界屬性的喪失，其特征是左右海馬區(qū)的聚類系數(shù)顯著降低、更短的特征路徑長度，表明局部連接中斷。Engels 等[28]采用MEG 信號(hào)研究發(fā)現(xiàn)，AD 腦區(qū)之間的連通性降低主要發(fā)生在左半球，涉及頂葉和額葉區(qū)域，而腦區(qū)內(nèi)連通性減少主要體現(xiàn)在額部和頂葉區(qū)域，特別是在右半球。Quevenco 等[29]研究老年被試的大腦動(dòng)態(tài)功能連接和長期認(rèn)知表現(xiàn)的可變性之間的關(guān)系，基于靜息態(tài)fMRI，采用STW 算法發(fā)現(xiàn)，動(dòng)態(tài)腦功能連接的改變是老年AD 亞臨床型的記憶能力低下和遺傳風(fēng)險(xiǎn)低的一種重要特征。

3.2 精神分裂癥（schizophrenia，SZ）

SZ 通常被認(rèn)為是大規(guī)模大腦網(wǎng)絡(luò)各組成部分之間的連接障礙，可以認(rèn)為是各種退化、發(fā)育或遺傳機(jī)制造成的[30]。先進(jìn)行滑動(dòng)窗口功能連接估計(jì)的計(jì)算，再通過如K-means 的聚類方法提取動(dòng)態(tài)功能連接模式，是SZ 動(dòng)態(tài)功能連接研究中應(yīng)用最廣泛的流程[31-33]。這種方法可以根據(jù)動(dòng)態(tài)功能連接狀態(tài)的動(dòng)態(tài)發(fā)生和連接強(qiáng)度來檢測(cè)SZ 組和健康對(duì)照組之間的差異，捕捉到相關(guān)網(wǎng)絡(luò)或神經(jīng)集群相互作用的時(shí)變性，這是靜態(tài)分析無法描述的。Du 等[8]和Lynall 等[30]研究顯示，SZ 患者功能網(wǎng)絡(luò)的內(nèi)側(cè)頂葉、運(yùn)動(dòng)前區(qū)、扣帶回和右眼窩額葉皮質(zhì)節(jié)點(diǎn)的局部耦合程度和聚類程度顯著?？臻g上，SZ 患者跨網(wǎng)絡(luò)連接較弱，尤其是皮質(zhì)下連接（丘腦連接障礙）[33]以及默認(rèn)模式網(wǎng)絡(luò)（default mode network，DMN）與其他靜息態(tài)腦網(wǎng)絡(luò)之間的聯(lián)系以及DMN 的網(wǎng)絡(luò)內(nèi)連接中斷。Du 等[34]基于靜息態(tài)fMRI 采用STW 算法計(jì)算動(dòng)態(tài)DMN，發(fā)現(xiàn)與SZ 組相比，健康對(duì)照組的動(dòng)態(tài)DMN 具有更穩(wěn)定、更強(qiáng)的功能連通性。在動(dòng)態(tài)圖測(cè)度方面，SZ 組的連通性強(qiáng)度、聚類系數(shù)、全局效率和局部效率均低于健康對(duì)照組。Guo 等[35]收集116 個(gè)受試者的fMRI 數(shù)據(jù)，采用動(dòng)態(tài)STW 連接算法研究SZ 患者與其兄弟姐妹全腦動(dòng)態(tài)功能連接的時(shí)變性，發(fā)現(xiàn)SZ 患者的楔前葉腦網(wǎng)絡(luò)高度不穩(wěn)定，這表明楔前葉的動(dòng)態(tài)功能連接在SZ 患者的臨床表達(dá)中發(fā)揮了作用。Giorgio 等[11]基于滯后相位同步方法對(duì)77 例SZ 患者和78 例健康對(duì)照組的EEG 數(shù)據(jù)進(jìn)行源功能連接（source functional connectivity，SFC）分析，探索服藥SZ 患者病程長短的功能連接差異，其發(fā)現(xiàn)：（1）在δ 和θ 波段，與短病程相比，長病程額葉區(qū)域的波帶連通性更高；（2）在α 波段，額葉區(qū)域的EEG-SFC 顯示，SZ 患者較健康對(duì)照組低，長病程與短病程無差異；（3）在γ 波段，短病程比長病程和健康對(duì)照組有更大的連通性值。

3.3 重度抑郁癥（major depressive disorder，MDD）

MDD 是一種以顯著持久的心境低落為主要臨床特征的精神疾病[36-37]。Leistedt 等[38]基于EEG 信號(hào)、采用SL 算法，結(jié)合圖論對(duì)MDD 患者的睡眠功能網(wǎng)絡(luò)進(jìn)行研究，發(fā)現(xiàn)MDD 患者睡眠功能網(wǎng)絡(luò)的特點(diǎn)是功能重組，整體同步水平較低，小世界屬性缺失，θ和δ 波頻段的路徑長度顯著降低，而聚類系數(shù)無顯著變化。Mumtaz 等[39-40]先后采用SL 功能連接算法和小波分析算法，結(jié)合Logistic 回歸模型研究基于EEG的抗抑郁藥物治療效果，發(fā)現(xiàn)從治療前后EEG 數(shù)據(jù)中提取的額顳葉中包含δ 和θ 頻段的顯著小波系數(shù)可以預(yù)測(cè)MDD 患者的抗抑郁治療效果。此發(fā)現(xiàn)與Olbrich 等[41]的研究發(fā)現(xiàn)一致：MDD 的特點(diǎn)之一是大腦額葉區(qū)域的EEG 功能連接增強(qiáng)。Orgo 等[42]采用SL算法估計(jì)來研究MDD 患者大腦功能連接的性別差異，發(fā)現(xiàn)男性MDD 患者在θ 和β 頻帶上的SL 值明顯比健康對(duì)照組高，在θ 頻帶上明顯比女性MDD 患者高。劉楚[20]基于MEG 的α 頻段運(yùn)用小波一致性方法和優(yōu)化球類聚類方法對(duì)MDD 患者的動(dòng)態(tài)功能連接模式進(jìn)行分析，發(fā)現(xiàn)MDD 的默認(rèn)模式網(wǎng)絡(luò)、額頂網(wǎng)絡(luò)和警醒網(wǎng)絡(luò)的腦區(qū)呈現(xiàn)明顯的模塊化和局部耦合的趨勢(shì)，體現(xiàn)了MDD 患者全腦信息交互紊亂、局部信息交互強(qiáng)烈的特征。Mumtaz 等[43]采用基于EEG 的SL 特征，結(jié)合支持向量機(jī)（support vector machine，SVM）、邏輯斯蒂回歸（logistic regression，LR）和樸素貝葉斯（naive Bayes，NB）等分類模型，在對(duì)MDD 患者和健康對(duì)照組的實(shí)驗(yàn)中分別得到98%、91.7%、93.6%的分類準(zhǔn)確率，驗(yàn)證了SL 算法是一種很有前景的MDD 診斷方法。

3.4 其他神經(jīng)精神疾病

Wee 等[44]設(shè)計(jì)了一個(gè)基于估算時(shí)變網(wǎng)絡(luò)的疾病識(shí)別框架，結(jié)合STW 算法、融合的LASSO（least absoulute shrinkage and selection operator）正則化稀疏學(xué)習(xí)算法和圖論分析來處理fMRI 數(shù)據(jù)，計(jì)算功能網(wǎng)絡(luò)連接強(qiáng)度，發(fā)現(xiàn)包含時(shí)間動(dòng)態(tài)變化的靜息態(tài)fMRI 掃描信息對(duì)于提高M(jìn)CI 患者的診斷準(zhǔn)確率具有重要意義。Jun 等[10]利用隱馬爾可夫模型對(duì)單個(gè)感興趣區(qū)域的時(shí)變BOLD 信號(hào)波動(dòng)建模，利用整個(gè)大腦感興趣區(qū)域的估計(jì)概率作為特征，構(gòu)建了一個(gè)分類器，可以在個(gè)體水平上區(qū)分自閉癥譜系障礙（autism spectrum disorder，ASD）和典型發(fā)育障礙（typical developmental disorder，TDD）患者。類似地，Sourty 等[45]提出了積隱馬爾科夫模型（product hidden Markov models，PHMM），并應(yīng)用在一組靜息態(tài)網(wǎng)絡(luò)（resting state networks，RSNs）的動(dòng)態(tài)功能連接估算上，發(fā)現(xiàn)DLB 患者的2種視覺網(wǎng)絡(luò)（枕側(cè)-頂-額網(wǎng)絡(luò)和枕中-額網(wǎng)絡(luò)）與右側(cè)額頂葉控制網(wǎng)絡(luò)之間的依賴性比健康對(duì)照組低。對(duì)于帕金森?。≒arkinson’s disease，PD），Zhu 等[46]采用STW 算法對(duì)PD 患者和健康對(duì)照組的靜息態(tài)fMRI 數(shù)據(jù)進(jìn)行了研究，發(fā)現(xiàn)PD 患者在中樞前區(qū)和中樞后區(qū)（感覺運(yùn)動(dòng)網(wǎng)絡(luò)）、枕中回（視覺網(wǎng)絡(luò)）、殼質(zhì)（皮層下網(wǎng)絡(luò)）和小腦的結(jié)節(jié)變異性均高于健康對(duì)照組。此外，在亞網(wǎng)絡(luò)層面，PD 患者的皮層下網(wǎng)絡(luò)、顯著網(wǎng)絡(luò)和視覺網(wǎng)絡(luò)的網(wǎng)絡(luò)內(nèi)變異性更大，網(wǎng)絡(luò)間變異性分布在多個(gè)亞網(wǎng)絡(luò)對(duì)之間。

4 結(jié)語

大腦的動(dòng)態(tài)功能連接研究提供了一種新的視角和手段去觀察和探索大腦神經(jīng)活動(dòng)在時(shí)間及空間不同層次上的變化特性，如大腦亞穩(wěn)態(tài)動(dòng)力學(xué)的研究，這是靜態(tài)功能連接研究所不能做到的。STW 算法、小波變換分析、SL 算法3 個(gè)主要的動(dòng)態(tài)腦功能連接分析方法適用于處理不同的神經(jīng)功能信號(hào)，STW 算法在fMRI 上應(yīng)用廣泛，小波變換分析和SL 算法對(duì)于MEG、EEG 信號(hào)分別有著優(yōu)良的降噪性能和追蹤復(fù)雜神經(jīng)系統(tǒng)活動(dòng)信號(hào)周期性變化的獨(dú)特優(yōu)勢(shì)。當(dāng)然，目前的動(dòng)態(tài)腦功能連接研究尚存在一些爭議或局限性：一是現(xiàn)有的動(dòng)態(tài)腦功能連接分析手段主要是依據(jù)體現(xiàn)腦部電磁信號(hào)的EEG、MEG 以及體現(xiàn)生理代謝信息的fMRI的BOLD 信號(hào)，但這些其實(shí)都不是神經(jīng)元活動(dòng)的直接表現(xiàn)，數(shù)據(jù)的真實(shí)科學(xué)性還有待理論驗(yàn)證。此外MEG 信號(hào)主要集中在大腦表面皮層，對(duì)于深部腦區(qū)，如杏仁核、丘腦等腦區(qū)難以采集到完整的信號(hào)信息，可結(jié)合fMRI 等信號(hào)進(jìn)行多模態(tài)影像分析。二是在動(dòng)態(tài)腦功能連接分析中，新的模型和方法層出不窮，對(duì)各種神經(jīng)精神疾病研究的結(jié)果也呈現(xiàn)整體相似、局部相悖的特點(diǎn)，但對(duì)各結(jié)果目前還沒有統(tǒng)一比較的方案。因此，基于科學(xué)的假設(shè)和模型，選擇有效的流程，得出可靠、重復(fù)性較高的結(jié)果，才能體現(xiàn)不同數(shù)據(jù)來源及不同分析方法的研究工作之間得出的各結(jié)論的可信度和可解釋度。三是目前對(duì)多個(gè)腦網(wǎng)絡(luò)間動(dòng)態(tài)交互模式的研究大多停留在定義和分辨各個(gè)模式上，模塊之間動(dòng)態(tài)交互模式的定義方法層出不窮，但并未歸納出這些模式在出現(xiàn)、消失、周期性變化中的規(guī)律，不能科學(xué)有據(jù)地分析這些模式在臨床上代表的生理意義。綜上所述，動(dòng)態(tài)腦功能連接分析在神經(jīng)精神疾病的病理研究、生理機(jī)制、臨床應(yīng)用上展現(xiàn)出了蓬勃的發(fā)展勢(shì)頭，結(jié)合可靠性檢驗(yàn)、機(jī)器學(xué)習(xí)等方法，將大大開拓其對(duì)于神經(jīng)精神疾病的研究。