关键词：dynamicfunctionalconnectivity，动态功能连接性；spatiallydynamic，空间动态；temporallydynamic，时间动态;spatiotemporallydynamic，时空动态;fMRI，功能磁共振成像。
动态功能连接
有人认为，认知和许多心理活动是分布式大脑区域相互作用的结果。局部神经成分有其固有的功能，在全局水平上与大脑的其他部分相互作用。然而，从这个角度研究大脑的一个主要挑战是如何最好地捕捉整个大脑的功能相互作用。理想的解决方案是在神经水平上评估全脑动态相互作用；然而，目前不可能在人类身上进行如此大规模的成像。相反，功能成像技术可以用于以宏观分辨率评估整个大脑的功能相互作用，并产生了非常有价值的信息。
功能性磁共振成像测量血氧水平相关信号，这是平均神经活动的宏观表示，允许同时研究大脑区域之间的功能定位和相互作用。最常见的是将整个功能磁共振扫描用于计算平均功能连接性，这种方法称为静态功能连接性。然而，自发的大脑活动具有丰富的动态特性，这种方法忽略了这些特性。自该主题的初步研究以来，全脑动态功能连接的研究已成为一个新兴的研究领域。虽然利用时变信号的方法和更明确地建模/捕获随时间变化的动态的方法是不同的，但为了方便起见，我们将两者都称为dFC。dFC定义为时变FC，包含有关功能实体的时间重新配置的信息。dFC研究旨在评估功能源之间的交互如何随时间变化。我们可以将功能源定义为一组在时间上同步的神经组件，这些神经组件在给定数据集中呈现类似的功能。假设预定义解剖位置内的所有体素具有相同的功能信息，并且在个体之间相同，则固定解剖位置是这些源的方便表示。更先进的方法，如动态功能网络连接，利用数据本身来估计源并研究dFC。
与脑功能和神经活动的潜在关系
值得注意的是，由于功能磁共振成像是对神经活动的间接测量，因此功能磁共振成像估计的FC波动也只是dFC的间接表示。关于这些波动是否能很好地捕捉到潜在的大脑动力学，目前正在进行讨论，但之前的研究提供了大量证据，支持从功能磁共振成像获得的FC波动与大脑神经动力学之间的存在潜在关联。例如，同时进行的功能磁共振成像和脑电成像研究表明，从静息状态功能磁共振成像获得的FC波动与脑电的电生理特征有关。血液动力学信号和神经元钙信号之间的比较也提供了强有力的证据，表明血液动力学FC的时间波动与大脑动力学有关。为了简化本文其余部分中的符号，我们将功能磁共振成像的时变FC估计称为dFC。
可靠性和认知相关性的证据
研究还评估了功能磁共振成像捕获的dFC特性的可重复性和可靠性。以前的研究人员使用了一个大型数据集(∼7500名受试者），并确定了可重复的dFC模式，该模式对数据质量和分析方法的变化具有鲁棒性。重测信度分析表明存在可靠的动态模式。类似研究还确定了可靠且可重复的间期dFC模式。Shi等人在两个独立的数据集和不同的分析参数中报告了dFC与主观幸福感之间的关联的稳健发现，这表明dFC涉及自我聚焦处理、情绪调节和认知控制过程。
dFC还有助于索引由多任务范式决定的心理状态，并可以区分任务诱导的认知过程。突显网络和后内侧皮质的dFC模式与认知灵活性和分类能力的个体差异有关。
Sadaghiani等人使用连续听觉检测任务表明，听觉刺激前的dFC特征可以预测音频是否被识别，并且刺激后的dFC模式在两种场景之间也存在显著差异。Madhyastha等人表明，背侧注意力网络和额顶叶网络内的dFC可以预测注意力任务的表现。默认模式网络和FPN之间的dFC可变性与认知表现有关。与低正念特质个体相比，高正念特质个体在大脑dFC状态之间表现出更高水平的转换，并在与任务准备相关的一种dFC状态中花费更多时间。Marusak等人同样发现，dFC与青年人的正念相关，因此更多正念训练的青年人在dFC状态之间的转换水平更高。此外，Cabral等人报告了老年人的认知表现与dFC状态之间的缓慢转换之间的关系。dFC特性似乎也与早期的年龄有关。
有趣的是，具有不同认知和加工需求的区域代表了不同的动态水平。已知参与高级认知加工的大脑网络/区域显示出比参与初级加工的网络/区域更高的动态性水平。在网络层面，参与广泛认知功能的网络，如FPN，似乎具有最高的动态性。dFC的相关性也得到了其他研究的支持，这些研究评估了dFC特性与生物特征之间的关系。
前面提到的研究结果支持dFC的潜在神经生理学相关性，以及研究dFC特性可能阐明大脑功能。未来的一个关键研究方向是使用认知/情感任务来确定与某些认知加工和心理状态相关的网络/区域的特定dFC属性。
表dFC指标列表
对于无状态方法的动态指标：
dFC可变性：它表示dFC随时间的变化量，通常计算为dFC值跨时间/时间窗口的标准差。
耦合可变性：它是给定源/网络的dFC随时间变化量的空间，通过使用L1范数距离计算源dFC中的体素变化来估计。
时空转换矩阵：它将给定源的整个大脑dFC总结为一个矩阵，其中矩阵的每个元素是dFC值从一个FC范围变化到另一个FC范围的次数。可以从时空转换矩阵估计几个全局指标，包括能量、熵和同质性。
对于基于状态的方法的动态指标：
dFC强度：FC在给定状态中的强度。
停留时间：受试在每个状态中停留的平均时间。
占用率：扫描期间每个状态发生的时间百分比。
转换概率矩阵：从一种状态转换到另一种状态的概率。
平均可变性指数：它表示功能源的整体动态水平。可变性指数定义为二项分布的标准差，并估计一个区域与给定源的关联中的可变性水平。
功能状态连接：当一种技术分别估计每个源的动态状态时，它可以捕捉不同源状态之间的并发性。
对于元状态方法的动态指标：
已实现的元状态数：受试在扫描期间实现的不同元状态数。
元状态切换：扫描期间单个元状态从一个元状态切换到另一个元状态的次数。
元状态跨度：给定受试实现的最大不同元状态。
元状态总轨迹长度：在状态空间中移动的总距离，即每个受试的连续元状态之间的L1距离之和。
Level-khub元状态：一个人在扫描期间至少访问k次的元状态。
k级瞬态元状态：扫描期间个人访问少于k次的元状态。
神经和精神障碍
在各种脑部疾病中，精神分裂症是通过dFC研究最广泛的疾病之SZ患者在连接性强的dFC状态下花费的时间较少，这些患者皮层下和感觉网络之间的dFC强度较弱。空间动态研究表明，SZ中特定网络内的dFC强度较弱。研究表明，在SZ患者中，dFC强度的下降伴随着大脑区域之间以及某些脑网络内部和之间dFC的更高波动。研究还显示SZ患者的频率特异性dFC改变。SZ患者的非典型dFC模式可能与疾病特征有关。
在另一种临床情况下，一项研究发现，重度抑郁障碍患者在与自我专注思维相关的整个大脑FC强度较弱的状态中花费更多时间。非典型dFC模式与抑郁症状和认知表现显著相关。邱等人研究了未经治疗的首发MDD患者杏仁核亚区的dFC，发现特定杏仁核亚区与边缘-皮层-纹状体-苍白球-丘脑回路内几个区域之间的dFC强度降低。此外，他们还表明，MDD发病年龄与杏仁核左侧中央内侧亚区和脑干之间的dFC强度相关。在另一项研究中，MDD患者显示DMN和PFN之间dFC的变异性降低。
在痴呆患者中也观察到dFC特征的改变。大脑前-后部dFC的变化与老年人的情景记忆表现下降有关。阿尔茨海默病患者在前DMN和后DMN分别较强的dFC状态下表现出较高和较低的停留时间。AD患者的全脑dFC也发生改变，并在弱连接dFC状态下花费更多时间。AD患者与皮层下缺血性血管病患者表现出共同和不同的dFC模式，而这两种疾病之间的临床特征和症状有时很难区分。
在自闭症谱系障碍中，观察到DMN内以及DMN与涉及高级认知处理的网络之间dFC模式的改变。Fu等人发现，自闭症患者的下丘脑/底丘脑和感觉网络之间的dFC强度短暂增加，以及一些元状态指标的改变，包括元状态数和总轨迹长度。有趣的是，这些非典型dFC模式与自闭症诊断观察总评分显著相关。自闭症患者右前岛叶与DMN相关区域之间的dFC强度降低，包括腹内侧前额叶皮质和后扣带回皮质dFC。有人认为，PCC的dFC变异性降低与DMN在自闭症社会认知缺陷中的作用有关。PCC和感觉运动皮层之间较低的dFC变异性与自闭症患者的社会动机和社会关系缺陷相关。Harlalka等人报告了自闭症诊断观察分数与dFC变异性之间的正相关，尤其是在DMN连接中。
DMN及其相关区域的dFC也与其他人群的认知相关。在颞叶癫痫中，PCC的dFC变异性较低与言语记忆功能紊乱有关。帕金森病患者DMN的dFC与记忆功能呈正相关。帕金森病患者还表现出壳核亚单位dFC的特异性丧失，但额中回尾侧除外。壳核亚单位的dFC强度变化与统一帕金森病评定量表III相关，联合dFC特征能够预测UPDRSIII和蒙特利尔认知评估分数。
在轻度创伤性脑损伤患者中也观察到dFC状态的改变，并且比sFC具有更好的辨别力。在复发缓解型多发性硬化中，背侧和腹侧注意网络在网络dFC内显示较低，在网络dFC之间显示较高，并且dFC的改变与白质损伤有关。复发缓解型多发性硬化患者更好的执行功能与更高的dFC相关。其他队列和脑部疾病中存在非典型dFC模式，包括偏头痛、卒中、癫痫、注意力缺陷多动障碍、创伤后应激障碍，额颞痴呆和路易体痴呆。
尽管dFC在各种情况下的兴趣和潜力不断增加，但dFC的应用仍然不是神经科学家的基础工具。一个主要原因是分析方法库的快速增长。在以下几节中，我们提供了最常见的分析方法的基本总结，以及研究dFC的简单工具。
研究dFC的分析方法
总的来说，dFC研究通过估计FC随时间的变化来探索大脑的动态特性。dFC研究可以评估功能源的空间模式随时间的变化和/或其活动模式随时间的变化。已经提出了几种分析技术来使用功能磁共振数据捕获和评估dFC。在这里，我们回顾了两个主要非排他性类别背后的基本概念和术语，“基于窗口的方法”和“事件检测方法”。关于这两类技术的不同方法以及其他类型的方法，例如使用动态建模技术或时序信息的方法，有一些技术综述。
FC是通过计算测量的大脑信号之间的统计关联来估计的，通常在不同的空间位置之间。节点可以是体素、解剖区域/种子或从功能磁共振成像数据本身计算得出的，例如内在连接性网络。节点内的功能同质性是定义节点的关键因素。例如，当我们使用解剖区域作为节点时，我们应该验证节点内的体素必须比来自不同节点的体素具有更相似的时间序列。为了确保功能同质性，我们可以使用数据驱动的方法，如独立成分分析，将ICN估计为节点。独立成分分析是一种多变量方法，可以同时估计ICN的空间模式和活动模式。为了简单起见，我们假设使用Pearson相关计算FC，但其他指标同样有效，可以用于捕获额外信息。
1时间、空间和时空动力学的示例，假设大脑只有两个功能源。如果源的时间活动之间的时间耦合随时间变化，则大脑是时间动态的。如果源的空间属性随时间变化，则大脑是空间动态的。如果功能源同时具有空间和时间动态特性，则它是时空动态的。
2dFC分析流程的示例。
我们首先选择节点来计算感兴趣的源之间的功能连接。
我们使用dFC估计方法来计算选定节点之间的dFC。不同的估计方法测量不同的动态特性。WBA：基于窗口的方法，EDA：事件检测方法。
在估计dFC后，可以使用各种技术来量化dFC和评估动态特性。
基于窗口的方法
WBA与传统的FC方法有很大的相似性，并且易于使用，这使得WBA在研究dFC和解释其发现方面的应用变得简单明了。简单来说，基于窗口的方法估计传统FC的持续时间大于采集数据的采样率。将时间序列划分为短的片段，并为每个时间窗口计算FC。这会产生一系列随时间变化的带窗FC，其中包含dFC信息。WBA需要在计算带窗FC之前定义时间窗口和感兴趣的节点。
时间窗口可以有不同的大小、形状和窗口重叠，但在整个研究过程中，这些参数通常保持不变。这些参数的最佳选择未知，根据可用数据和研究目标可能有所不同。然而，我们可以从以前的文献中提出一般性建议。对于窗形状，最常见的选择是锥形窗。对于窗口重叠，零重叠或最大重叠是两种最常见的选择。捕获dFC的时间窗口最重要的方面是窗口大小。非常小的窗口可能没有足够的信息来稳健地估计dFC，从而引入虚假波动，而较大的窗口大小可能会平滑动态特性，并无法捕捉动态特性。理想情况下，我们应该选择与潜在大脑动态的时间尺度相匹配的窗口大小；然而，没有关于dFC模式的先验信息。研究表明，即使使用与潜在认知过程持续时间显著不同的窗口大小，WBAs也可以区分潜在的心理状态。例如，GonzalezCastillo等人使用一系列定义明确的认知任务调节心理状态。虽然匹配心理状态之间转换的最佳窗口大小为180秒，但短至25秒的窗口大小可以准确跟踪心理状态。建议的窗口大小在30到60秒之间。
事件检测方法
简而言之，EDA通过基于来自大脑区域子集或整个大脑的BOLD信号幅度的相似性对时间点进行分组来识别动态状态。EDA背后的思想可以解释为：一组功能上相互连接的区域一起激活，以响应内部或外部事件，从而导致其信号幅度瞬时增加。假设每个动态状态代表自发事件的不同模式，我们可以通过识别时间序列中的不同激活模式来获得大脑动态状态。注意，这是对EDA背后的思想及其与dFC状态关系的简化。EDA最初是基于以下假设开发的，即自发BOLD信号源于不频繁的神经元事件，例如大规模神经元雪崩活动。EDA通常由三个步骤组成：
检测神经相关事件发生的时间点;
将选定的时间点分类以识别不同的动态状态;
使用不同的指标量化动态特性。
已经开发了几种方法来检测自发、不频繁事件发生的时间点。最简单和最常见的时间点检测方法利用了BOLD信号的幅度。点过程分析和CAPs通常使用这类时间点检测方法。从BOLD信号幅度中选择时间点的两个常见流程是：选择超过阈值的时间点和选择时间序列局部最大值/最小值的时间点。另一类时间点检测方法使用反卷积技术，该技术以前应用于基于任务的功能磁共振成像研究。血液动力学模型用于反卷积BOLD信号，并将其分解为一组稀疏的事件相关时间点。无范式映射和总激活是使用血流动力学反卷积技术的时间点检测方法的一些示例。在同一类别中，innovation驱动的CAPs方法建议对去卷积的BOLD信号应用时间导数来捕捉瞬时信息。虽然标准EDA的假设是基于稀疏事件的，但研究可能会忽略这一基本假设，并在分析的第二步考虑所有时间点。
在第二步中，我们根据所选时间点的空间模式之间的相似性将其划分为多个组。每个组代表一个动态状态，由具有类似共激活模式的时间点组成，这与其他组不同。后续取阈值通常用于识别与每个状态相关的区域。第二步类似于WBA识别动态状态的方法，但EDA使用共激活模式之间的相似性，而不是使用连接模式之间的相似性。有趣的是，EDA的结果类似于众所周知的FC模式的空间模式，例如大规模网络，这进一步突出了共激活模式和FC模式之间的相似性。这种相似性在某种程度上是意料之中的，因为当两个区域共同激活时，它们也会随着时间的推移而共同变化，这符合统计相关性和FC的定义。与WBAs的第三步一样，可以使用各种指标来量化动态特性和动态状态的发生时间。
一些EDA没有识别重复出现的时间点，而是专注于识别时间点序列的重复模式。换句话说，这些方法感兴趣的是找到随时间重复的特定时间序列。例如，准周期模式是扫描期间重复出现的一系列连续时间点。值得一提的是，这些方法背后的想法与在其他成像模式中观察到的传播波动密切相关。还有其他方法通过表征时间序列信息来检测动态状态，但需要额外的计算和更严格的假设，例如特定的状态空间模型。
虽然EDA可以像任何其他方法一样用于评估dFC特性，但EDA方法也有假设和局限性。例如，阈值或去卷积参数的选择会显著影响EDA检测事件时间点的灵敏度，从而改变结果。另一个主要问题是对噪声的敏感性。由于功能磁共振信号的噪声对比度比较低，使用单个时间点使得EDA明显易受噪声影响。由于低信噪比，检测时间点和将时间点分配给动态状态可能不准确。例如，噪声污染可能会影响局部最大值/最小值或改变阈值化后的时间点，从而使事件相关时间点的选择不准确。去卷积技术本身也对噪声敏感，并受其HRF模型的特定假设的约束。当我们研究离散傅立叶变换的时间模式时，对噪声的敏感性变得更加重要。例如，当我们使用时间排序信息来识别动态状态时，或者当我们使用停留时间、出现率等时间相关度量来量化dFC时。此外，EDA通常使用解剖区域作为节点来检测事件。这需要额外的预先指定参数。使用固定的解剖区域使EDA易受节点内功能不均匀性的影响，并忽略受试者间和受试者内部的空间变异性。
需要考虑的因素和注意事项
dFC可以在不同的时间尺度上发生，从毫秒到整个生命周期，功能磁共振成像为同时以空间和时间分辨率非侵入性地研究全脑动力学提供了极好的机会，这是目前使用其他成像方式无法实现的。更具体地说，功能磁共振成像可以捕捉发生在秒级的血流动力学dFC，空间分辨率为毫米级。虽然缓慢的血流动力学反应限制了功能磁共振成像捕获的dFC时间分辨率的上限，但较高的采样率和亚秒分辨率具有以下优点：
捕获dFC的高频信息；
通过为任何给定的时间尺度提供更多数据，提高发现的特异性和稳健性；
提高识别动态状态及状态开始的灵敏度，这对EDA尤其重要；
更准确地量化dFC特性；
提高降噪技术的效率，例如减少混叠的影响。虽然缓慢的血流动力学反应是功能磁共振信号中神经相关变化的主要原因，但在较高频率内的其他神经相关特性也有研究报告。可以捕获比传统的0.01-0.15Hz频段更高的时间分辨率。
dFC与许多时间因素交织在一起，如警觉、睡眠状态和觉醒状态、成熟、衰老和学习经历。虽然大量证据支持dFC与神经通信之间的关系，但生理学、代谢、自主活动和神经血管耦合等其他机制也会调节dFC模式。当我们使用BOLD信号评估dFC时，这些是需要考虑的重要因素。有大量研究表明，在BOLD信号中测得的FC变化中哪些部分与大脑动态有关，并且已经开发了几种方法来评估针对不同零假设的各种FC测量的重要性。然而，应记住，任何零模型仅测试特定类型dFC属性的存在，统计测试的结果不能保证dFC的存在或不存在。应该进行假设驱动的研究，以了解功能磁共振成像估计的dFC的神经基础和机制。
此外，WBA和EDA既不是相互排斥的也不是全无遗漏的，因为一些分析方法可以同时归类为这两种方法，并且有一些方法不适合这两种类型中的任何一种。然而，WBA和EDA是最为成熟和可靠的类别，在临床和研究环境中有着直接的应用。其他分类，如空间与时间动态方法、基于模型与数据驱动的技术以及单变量与多变量分析，可以提供现有方法的更完整景。
BOLD信号是对神经活动的间接测量，并被许多所谓的非神经信号严重污染。采取措施消除或模拟BOLD信号中的虚假波动和混杂因素非常重要。其中一些信号，如心率和运动，是与神经过程相关的生理变化。这会影响以最大限度地减少虚假波动的降噪方法的有效性，尤其是在缺乏了解真正的事实的情况下。在执行降噪技术和清洗程序时需要格外小心，以避免删除有意义的神经相关信息。例如，尽管全脑信号回归是一种预处理过程，但可以提升BOLD信号的dFC与同时记录的局部场电位的动态变化之间的关系，这可能会对dFC分析的可靠性产生负面影响，并导致整个大脑的dFC发生异质性变化。尽管存在这些争论，但还是推荐了几种前后处理程序，包括削峰、过滤和回归无意义变量等，作为尽量减少虚假波动和统计不确定性的影响的权衡措施。然而，仍有许多选择需要优化。
虽然dFC分析解释了sFC发现中的具体不一致性，但添加时变特性也有其自身的复杂性。此外，不同的分析方法使用不同的建模技术，因此可能捕获dFC的不同方面。分析框架的一些假设和局限性，例如忽略受试者间和受试者内的空间变化，也会导致不一致，并显著影响结果的有效性。采集参数和数据质量，如低SNR、低时间分辨率或收集短数据段是导致dFC结果异质性的其他因素。此外，大脑动态在本质上是不受约束的，扫描过程中受试者会报告各种不同的心理活动，如白日梦、回忆事件、规划、做梦等。在尝试重复dFN结果时，考虑这一点很重要，例如，不太可能重读早期事件的相同时间；然而，这可能不是dFC重复研究的理想目标。
结论：
使用功能磁共振成像进行dFC分析仍然是一个非常活跃的发展领域，但它正迅速成为大脑研究的关键元素，因为它为研究大脑动态及其与不同精神状态、认知条件和障碍的关系提供了难得的机会。本文章中，我们回顾了功能磁共振成像dFC与认知需求和行为表现之间潜在联系的一些研究。我们还举例说明了dFC模式如何在各种大脑疾病中被破坏，以及非典型dFC模式与认知障碍和疾病结局的关系。即使在没有sFC差异的情况下，也观察到dFC模式在各种条件下的变化。一个观点是，每个sFC模式是一组dFC模式的平均值，因此可以消除细微差异。dFC模式能够编码比传统sFC分析捕获的更瞬时的条件下的变化。考虑到大脑的动态性质，从功能磁共振成像中获得的dFC信息可能是更深入了解大脑功能和神经和精神疾病特征的关键。量化大脑的时空动态为通过动态研究大脑提供了更多机会，并有助于回答认知和情感神经科学中一些最引人注目的问题。然而，这一目标需要假设驱动、精心设计的研究和神经科学家的贡献。展望未来，dFC研究会受益于精心设计的研究，这使研究人员能够理解动力机制的潜在机制，识别神经病因学，阐明健康认知的机制，调查认知的个体差异，并探索脑部疾病中的dFC改变和破坏。这可能可以识别基于成像的临床生物标记物，用于早期诊断和疾病治疗。我们鼓励刚接触dFC分析的研究人员更加熟悉不同的分析步骤和每个步骤中技术的局限性。我们还强调了受试者之间和内部可变性的重要性，以及在未来研究中考虑空间动态特性的必要性。
附录：
实施dFC研究：GIFT演练
时间动态分析通过源时间模式的变化来研究dFC，通常通过研究其统计相关性随时间的变化来实现。空间动态分析侧重于源的空间模式随时间的变化。表1列出了GIFT中量化dFC特性的可用指标。
3左：GIFT工具包；右：dFC工具包
时间dFC
时间dFNC工具包
它是一种计算全脑dFC的WBA方法。它使用GIFT工具箱中的ICA来估计节点/源及其相关的时间序列。要进行时间dFNC分析，请单击TemporaldFC选项下的“TemporaldFNC”按钮。简而言之，这些步骤包括以下内容：
时间dFNC工具箱
“Setup/RunAnalysis”面板，其中我们输入实验的重复时间，并按功能域/网络组织成分，这将有助于在分析结束时绘制FNC矩阵。dFNC默认菜单允许用户选择不同的预处理选项和dFC参数。对于预处理，选项包括去势、去噪、低通/带通滤波和从时间序列中回归掉混杂的协变量。dFNC参数包括与窗口相关的参数和正则化方法。完成参数选择后，使用Run按钮运行动态FNC。为每个受试保存窗口dFNC矩阵。
时间dFNC设置和运行分析
dFNC后处理
“Display”选项允许我们可视化状态的结果，例如状态dFNC、元状态dFNC的连接模式和connectogrom。
其中一个团块表示为连接组。
“Stats”选项提供了各种统计分析选择，例如对每个状态和状态的dFNC强度的各种参数进行单样本t检验、双样本t检验和配对t检验。
TemporaldFNC工具箱还包括“Task-baseddFNC”选项，该选项使用实验设计信息作为输入。回归因子是通过将启动与血流动力学响应函数卷积得到的。要计算基于任务的dFNC，请单击“Setup/RunAnalysis”面板中的“ImportDesign”菜单。滑动窗口方法被应用于基于任务的回归因子和ICA成分的时间序列。可以计算窗口FC和窗口任务负荷函数之间的相关性。通过计算每个窗口的模型时间序列的平均值来获得任务负荷函数。还提供了将统计测试应用于相关性的选项。
TemporaldFC工具箱
与时间dFNC不同，“TemporaldFC”使用预定义的感兴趣区域，ROI内的平均BOLD信号用于计算每个窗口的dFC模式。应该注意的是，我们不建议使用预定义的ROI来研究dFC，因为它们不考虑受试者之间和受试者内部的差异。此工具箱中有两个选项。第一种是ROI-ROIdFC，其中用户输入ROImask，WBA用于估计ROI之间的dFC。另一种选择是估计ROI到体素的dFC，在每个ROI的平均BOLD信号和大脑中每个体素的BOLD信号之间计算窗口FC。在计算加窗FC后，其余的分析将类似于时间dFC分析。例如，k-均值聚类可以用于估计dFC状态，我们可以以相同的方式执行元状态分析。
“Dynamiccoherence”将复Morlet小波应用于ICN的时间过程，以在增强的时间和频率空间中捕获dFNC。换句话说，它估计不同频率和相位滞后下的dFC。Dynamiccoherence工具箱分为两部分：
动态一致性工具包
“Setup/RunAnalysis”允许我们输入分析参数。提供了按网络名称对成分进行分组的选项，以及以秒为单位输入实验TR和复杂的k-均值特定设置，如团块和k-均值重复的数量。单击“DynamicCoherenceDefaults”菜单时，可以选择时间序列的预处理措施，如去势、去噪、滤波和回归掉与时间过程中的噪声相关的方差。分析完成后，团块状态信息会保存到磁盘。
动态一致性设置分析
“Display”选项显示分析结果，包括估计的dFC状态和相关的频率和相位直方。
动态一致性结果
WindowlessFC工具箱
“WindowlessFC”通过直接测量样本空间中的线性相关性绕过窗口操作。该方法将dFNC状态计算为使用K-SVD估计的子空间基之间的外积。它可以检测具有任意变化率的dFC模式。工具箱由两个面板组成：
1无窗FC工具箱
“Setup/RunAnalysis”面板提供了用于预处理ICN时间序列、选择字典元素数量和最大迭代次数的选项。分析后，字典元素和混合系数保存到磁盘空间。
“Display”面板允许用户使用矩阵或连接按网络来组织成分进行展示。
1dFC状态的一个例子
空间dFC
SpatialdFNC工具箱
“SpatialdFNC”将来自每个时间窗口的数据视为独立向量分析的单独数据集，以捕捉每个源的空间模式随时间的变化。空间dFNC的步骤包括：
1空间dFNC工具包
“Setup/RunAnalysis”，其中我们输入窗口大小、IVA成分的数量和IVA运行的次数。我们还将受试者分配到该面板中的不同组。
1空间dFNC设置/运行分析
“Post-processing”，其中我们插入了马尔可夫链分析的参数和t检验的阈值。
1空间dFNC后处理形用户交互界面。
“Display”，其中所有空间dFNC结果汇总在HTML页面中，并显示在web浏览器中。
1空间dFNC结果的一个示例。Kullback–Leibler散度是在成对窗口之间计算的。
“SpatialChronnectome”捕捉随时间变化的源空间模式的体素水平的变化。虽然原始研究使用成对相关来计算每个体素与给定源/网络的关联，而不管其对其他源的贡献如何，但在GIFT中也实现了偏相关，以评估每个源的空间动态，同时控制其他源的贡献。工具箱使用来自GIFT工具箱的ICA结果来选择感兴趣的源及其相关的时间过程。
工具箱分为三个步骤：
1空间连接组工具箱
“Setup/RunAnalysis”，我们可以在其中输入分析参数。当您单击Setup/Run时，将打开一个形窗口，以选择感兴趣的源，并在几秒钟内输入实验TR。“SpatialChronnectomeDefaults”菜单包含用于预处理BOLD和ICA时间序列的选项，以及用于计算“DynamicCouplingPrefs”条目中的动态耦合的选项。在计算dFC映射之前，对BOLD信号和ICA成分的时间序列进行预处理。滑动窗口程序的参数可以输入到“DynamicCouplingPrefs”中。
1空间连接组设置分析
1空间连接组默认菜单。左：预处理选项；右：动态耦合优先选项。
“Post-processing”，其中我们量化了dFC属性。该步骤计算与每个源相关的耦合可变性、时空转换矩阵和空间状态及其特性，例如停留时间、出现率和转换矩阵。这里可以选择k-均值聚类的参数，如聚类数、最大迭代次数和距离度量。我们还可以使用各种算法来估计聚类的数量，例如Gap统计量、Akaike/贝叶斯信息标准、Dunns索引和轮廓系数算法，这些算法可在“clusteroptions”面板中找到。最近的一项研究比较了许多聚类验证指标。
20：空间连接组后处理
“Display”，其中将显示每个感兴趣的源的空间连接组分析结果。
2空间连接组结果示例。状态表示为垂直堆叠的正交切片。
空间动态梯度模型研究大脑梯度模型内的动态特性。在当前版本的GIFT中提出的方法假设梯度模型内的元素之间的具有固定的分配类别，并捕捉功能域内的空间动态以及功能域内和功能域之间的时间动态。未来版本将允许分配类别随时间变化。该工具箱分为三个部分：
2空间动态梯度工具箱
“Setup/RunAnalysis”面板，我们在其中输入分析参数。我们将成分分配到功能域并选择聚类参数。与其他工具箱一样，我们可以使用“clusteroptions”菜单中提供的各种算法来估计团块的数量。我们还可以选择参数来预处理或清洗ICA成分的时间序列，包括去噪、低通或带通滤波以及回归掉协变量。
2空间动力学等级设置分析。
“Post-processing”，其中我们量化了dFC属性。该步骤计算与每个功能域相关的dFC状态及其属性，如停留时间、出现率和转换矩阵。它还计算功能状态连接性和相关功能模块。
“Display”，其中显示空间动态等级分析的结果，例如与每个功能域相关的状态。
2默认模式的空间状态示例。
值得一提的是，我们开发了其他工具箱，以促进神经成像研究的进步。例如，fusionICA工具箱包含多种分析技术，例如联合ICA、平行ICA和CCA-jointICA、多集典型相关分析、转置独立向量分析、平行-组ICA + ICA和深度融合以分析多模态数据。
联合ICA可应用于不同的模式，以提取通过共享负荷参数耦合在一起的每个模式的最大空间独立。
平行ICA是ICA的扩展，允许在多种模式上同时运行ICA。例如，对于两种模式，它从两种模式以及它们之间的联系中提取源。与联合ICA相比，平行ICA假设两个数据集以相似的模式混合，但参数不相同。
CCA+ 联合ICA使用典型相关分析和ICA来提取跨特征和混合系数的共同的和不同的源。
MCCA利用不同模式之间混合系数的相似性估计源。转置IVA将高阶统计量纳入MCCA模型，以提取不同模式的共同特征。
PGICA将来自一阶组ICA的时间信息用于平行ICA框架。当使用一阶功能磁共振成像和结构磁共振成像数据集时，PGICA可以检测成分中的相关的FNC和结构协变。
深度融合使用神经网络查找功能磁共振成像和结构磁共振成像数据集之间的关联。
COINSTAC是另一个有用的工具箱，旨在以有效且易于使用的方式解决共享和协作的需求。COINSTAC提供了执行去中心、保护隐私分析的工具。我们在COINSTAC中实现了许多算法，包括：功能磁共振成像、结构磁共振成像、扩散磁共振成像数据的预处理以及回归、组ICA、动态连接性、支持向量机分类等。
文章为作者独立观点，不代表股票交易接口观点
相关文章
股民评论