脑静息功能连接自发波动的可变性分析

王英杰 沈 辉

1(河北科技师范学院，河北 秦皇岛 066004)2(国防科学技术大学机电工程与自动化学院，长沙 410073)

脑静息功能连接自发波动的可变性分析

王英杰1沈 辉2*

1(河北科技师范学院，河北 秦皇岛 066004)2(国防科学技术大学机电工程与自动化学院，长沙 410073)

静息脑功能连接的动态性被认为能够反映大尺度功能脑网络的基本性质，近年来受到越来越多的关注。过去很少有研究分析静息脑连接自发波动的空间分布特点。采用远程功能连接度结合滑动窗口方法，分析一组大样本(n=396)年轻成年人脑静息功能连接低频自发波动的可变性。首先采用36 s滑动窗，计算全脑动态连接时间序列；然后在每个窗口内，以半径为14 mm的球形邻域计算每个体素的远程连接度；最后引入低频振荡幅值(ALFF)指标，评估各体素连接度波动的大小。研究结果表明: 默认网络具有最小的波动性(ALFF=402.3±79.9)，暗示该网络在稳定脑自发神经活动中起主要作用。与之对比，感觉运动网络相关连接波动呈现出最大的可变性(ALFF=551.2±74.7)，可能与被试在无任务状态下不定期感知外界环境有关。首次揭示静息态认知网络与感觉运动网络在静息功能连接波动性方面存在显著差异(双样本t检验:t=-6.38,P<0.000 1)，有助于进一步理解无任务状态下脑功能的动态组织方式, 并为研究神经心理疾病提供新的方法。

动态连通性；静息脑网络；功能连接度；可变性

引言

采用基于血氧水平依赖(blood oxygenation level dependent, BOLD)信号的功能磁共振成像(fMRI)技术来研究大尺度脑功能网络，往往遵循被试在整个扫描期间其功能网络保持不变的静态连接假设。然而，近年来有关人脑与猴脑静息功能连接动态性的研究结果表明，脑网络之间的静息连接在数十秒到几分钟的时间尺度上表现出自发波动性[1-3]。静息脑网络(resting-state network, RSN)的这种时变过程被暗示与被动思想漫游(passive mind wandering)、记忆形成(memory formation)、注意的改变或唤醒等各种形式的意识处理自发切换有关[4-5]。因此，研究静息脑连接网络的时变特征、动态组织方式及自发波动成因，对于理解人脑信息处理的工作方式具有特殊意义。

神经科学领域的一个基本问题是：探索神经活动所代表的信息是如何被处理，并在不同脑区间传输，最终形成个体的精神体验和意识。在认知和主观体验形成过程中，局部和远程功能连接被认为扮演了不同的角色[6]。其中，局部功能连接产生具有不同时间周期的瞬态神经活动，而具有连续分布时空模式的局部功能活动通过远程连接组织成为大尺度脑功能网络。这种功能连接的神经生理学概念也隐含了脑的串-并联信息处理模型，即各个功能脑区并行且独立完成各自的功能信息处理，而半稳定脑状态的形成及不同意识状态的自发切换则通过串行方式完成。

尽管静息功能连接的动态性有助于进一步理解大尺度脑网络的功能属性，但过去很少有研究分析静息态脑连接波动性的皮层分布特点。假定静息态条件下人脑具有各种类型的自发意识处理状态，上述有关人脑的分层处理模型则暗示不同脑区的功能连接可能具有特异性的时间可变性。在本研究中，采用远程功能连接度(distant functional connectivity degree, dFCD)的可变性来评估不同脑区远程功能连接随时间波动的大小。推测远程功能连接度的可变性可提供特定脑区与全脑其他脑区通信的时变情况，其波动性的皮层分布也为进一步理解静息脑的动态功能组织方式提供新线索。

1 材料和方法

1.1 数据及预处理

本研究使用的被试数据来源于FCP1000数据库(http://www.nitrc.org/projects/fcon_1000)，包括多个站点独立收集的不同静息fMRI数据集，下面主要报道基于单个数据集 (Beijing_Zang) 的结果。该数据集的扫描参数如下：被试数n=198, 其中男性76人；年龄18～26周岁；TR=2 s；层数=33；时间点数目225。

图像预处理采用SPM8(http://www.fil.ion.ucl.ac.uk/spm)软件进行。预处理步骤包括头动校正、MNI空间标准化、空间重采样(3 mm×3 mm×3 mm)、空间高斯平滑(FWHM=8 mm)以及时间带通滤波(0.01～0.08 Hz)。为了避免滑动窗口方法引入伪信号[7]，对原始BOLD信号进行截止频率为1/w的高通滤波，其中w为滑动窗口长度。研究发现，在功能连接分析中加入全脑平均信号回归，能够进一步提高神经生理信号的信噪比[8]。因此，在对BOLD信号进行头动回归的基础上，还进行全脑平均信号、脑脊液(cerebrospinal fluid, CSF)以及白质(white matter, WM)信号回归，以进一步消除生理噪声影响。在回归这些噪声项之前，作为回归变量的WM以及CSF信号也进行与原始BOLD信号同频率段的时间滤波预处理(包括带通滤波和高通滤波)，以避免引入不期望的频率信号[9]。对回归后的BOLD信号，进行后续的功能连接度分析。

1.2 计算功能连接度的时间序列

采用滑动窗口方法对各个体素的静息fMRI信号进行时间分割[1]，窗口宽度为18个时间点(36 s)。对于单个被试，采用Pearson相关系数计算每个窗口内各个体素间的功能连接系数，得到n×n维功能连接矩阵。所有窗口的连接矩阵组成该被试的动态相关系数时间序列，反映了个体脑网络拓扑随时间变化的波动性，如图1所示。

图1 计算远程和局部功能连接度的动态波动。(a) 采用滑动窗口计算动态功能连接; (b) 通过计算窗口内连接矩阵，构建相关性系数的时间序列; (c) 在每个窗口内分别计算局部和远程功能连接度Fig.1 Dynamic fluctuation in local and distant degree of functional connectivity time series. (a) A sliding time window approach was used to calculate dynamic functional connectivity; (b) Construction of correlation coefficient time courses by computing connectivity matrix within each window; (c) In each window, local and distant functional connectivity degrees were computed, respectively

采用基于图论的计算方法来映射个体脑在体素水平的功能连接度。针对体素间的空间距离，分别计算每个滑动窗口下的局部和远程功能连接度映射。考虑到负相关的生理成因尚不明确，这里只计算正的功能连接。为了过滤噪声的影响，将相关性P值大于统计阈值(P>0.05, Bonferroni校正)的连接设为零。对于单个体素，选择以该体素作为球心、半径为14 mm的球作为该体素的邻域[10]，并计算全脑灰质中与该体素有连接的邻域外体素个数，即远程连接度(distant functional connectivity degree, dFCD)。为了对比研究，同时也计算该体素的局部连接度(local functional connectivity degree, lFCD)，即与该体素有连接的邻域内灰质体素个数。在3 mm×3 mm×3 mm空间分辨率情况下，全脑共有369个体素，其邻域内灰质体素个数达到最大值(436个体素)。最后，得到每个被试远程连接度映射动态变化的时间序列。对于每个被试，其连接度值采用z-score变换进行标准化，以便不同被试的连接度值能够进行比较和组水平的平均[11]。

1.3 评估动态功能连接度的可变性

采用全局映射非相似性(global map dissimilarity, GMD)测度来评估远程连接度映射随时间的拓扑变化情况，定义为

(1)

可见， GMD 指标实质上等价于连接度映射之间的空间Pearson相关系数，用来比较相邻两个时间点之间连接度映射的拓扑相似性。

下面采用dFCD时间序列的低频振动幅值(amplitude of low-frequency fluctuation, ALFF)定量研究dFCD的可变性。对于单个被试，对其每个体素的dFCD时间序列进行傅里叶变换(FFT)；然后将0～1/wHz频段内(w为滑动窗口厚度)的FFT系数相加，得到每个体素的ALFF指标。需要说明的是，滑动窗口方法对于功能连接时间序列会产生低通滤波效应，所以动态功能连接波动中的有效信号仅分布在0～1/wHz的频段内[9]，因此计算ALFF指标时只计算低通频段而不考虑整个频段。

接下来估计dFCD可变性的皮层分布。首先，通过计算所有体素的ALFF值分别获得单个被试的ALFF映射；然后，采用z-score标准化方法对单个被试的ALFF映射进行归一化，并计算所有被试的平均ALFF映射。这些得到的平均ALFF映射反映了dFCD可变性在组水平的皮层分布。另外，为了考察dFCD可变性在不同功能网络上的特异性，也计算了ALFF映射在7个静息功能网络[12]内的所有被试平均值。

不同皮层连接度的可变性差异能够反映该脑区在静息功能连接自发波动过程中的功能组织情况，这对于理解静息条件下脑区间的功能交互特点提供了新的线索。根据单个体素dFCD可变性大小，将大脑皮层分为3个区域，包括具有相对更高的功能连接可变性区域(zone of instability, ZOI)、具有较为稳定的功能连接区域(zone of stability, ZOS)以及可变性介于二者之间的区域。采用Bootstrap方法来获得上述区域的可靠划分(排除某些被试偶然性的因素影响): 首先，对所有被试数据进行1 000次Bootstrap重采样，针对每次采样数据计算所有被试平均的可变性映射；然后，将每个体素的 Bootstrap可变性均值除以1 000次采样数据的方差，得到该体素的Bootstrap Ratio (BR)值[13]; 最后，Bootstrap ratio值大于3.0和小于-3.0 (近似99%的置信区间)的体素分别划分为ZOI和ZOS区域，并将Bootstrap ratio值的绝对值设定为该体素的ZOI(或ZOS)分值。该分值定量反映了每个体素dFCD自发波动性的强度。

1.4 可重复性分析

基于另一组不同站点(Cambridge_Buckner)的数据，检验本研究结果的可重复性(n=198(75个男性，123个女性)，年龄18～30岁，TR=3 s，层数=47，时间点=119)。窗口大小被设置成12时间点(36 s)，以便在相等滑动时间条件下比较两组数据结果。

2 结果

图2显示某个被试的远程功能连接度映射随时间的变化情况。对比(a)和(b)可以发现，相对于局部功能连接度，远程功能连接度的皮层分布表现出强烈的随时间波动性，即在不同时刻其全脑功能远程连接度映射具有显著不同的皮层分布(如(a)显示的80 s和180 s时刻)。采用GMD指标进行分析，表明在一些特定时刻，远程功能连接度在大脑皮层的拓扑分布可能出现剧烈的变化(见图2(c))。

图2 以某个被试为例，展示功能连接度(FCD)映射随时间的波动性。 (a) 局部功能连接度(lFCD)映射随时间的变化; (b) 远程功能连接度(dFCD)映射随时间变化的情况，其中显示了80 s和180 s两个典型窗口下的dFCD映射皮层分布，颜色代表归一化后的连接度强度(z值)； (c) dFCD时间序列的全局非相似性(global map dissimilarity, GMD)度量时间序列，其中星号(*)表示该时刻dFCD映射的皮层分布发生了突然改变Fig.2 Illustration of the oscillations in the degrees of functional connectivity (FCD) for an exemplar subject. (a) Temporal changes of local functional connectivity degree (lFCD) maps over time; (b) Temporal changes of the distant functional connectivity degree (dFCD) maps, with display of the dFCD maps in two typical time windows (80-115 s and 180-215 s). The color bar represents the normalized connectivity degree intensity (z-score); (c) The global map dissimilarity (GMD) measure is displayed for the selected subject. Red stars highlight abrupt changes in the topography of the dFCD maps over time

进一步通过ALFF指标评估远程功能连接度的可变性，并且比较了不同脑网络内平均波动大小的差异。表1列出了所有被试在不同静息功能脑网络内连接波动大小的均值和方差。其中，前两列显示原始ALFF值与归一化ALFF值的情况，反映出不同脑网络的动态功能连接波动的大小存在显著区别。为了评估被试个体差异带来的影响，表1也统计了1 000次Bootstrap重采样的BR值情况。BR值越大，表明功能连接的波动性越强。在不同脑网络波动性的差异方面，BR值的统计结果与所有被试的单次统计结果具有很好的一致性，表明被试间的个体差异对分析结果的影响是有限的。

表1 静息功能网络的功能连接波动可变性大小

Tab.1 Variability of functional connectivity fluctuation within different resting-state functional networks

静息功能网络原始ALFF(均值±标准差)归一化ALFF(均值±标准差)平均BR值默认网络402．3±79．9-0．212±0．220-3．15额顶控制网络422．1±69．8-0．172±0．185-2．78背侧注意网络467．3±65．2-0．023±0．178-2．09视觉网络495．7±102．20．040±0．2802．25腹侧注意网络501．4±67．80．050±0．1802．41边缘网络543．6±58．30．180±0．1652．85感觉运动网络551．2±74．70．192±0．2183．23

将计算得到的ALFF映射投射到全脑皮层，可以进一步观察静息功能连接自发波动的皮层分布(见图3(a))。从具体波动值的分布来看，其ALFF值近似服从正态分布(见图3(b))。从波动能量的角度来看，波动最强的脑区主要分布在感觉和运动皮层，包括运动皮层、躯体感觉皮层、听觉皮层以及一部分视觉皮层。采用1 000次Bootstrap重采样数据，按照波动性大小对脑区进行分类，也证实最不稳定脑区(ZOI)主要位于BA4区、体感区(BA1,2,3)、听觉区(BA42、BA22)以及高级视皮层(V3、V3a和V4)(见图3(c))。

图3 远程功能连接度可变性在脑皮层上的分布。 (a)所有被试的dFCD振荡平均振幅在皮层上的映射; (b)某个被试的ALFF值分布及其正态拟合曲线; (c)～(d) 采用1 000次Bootstrap重采样方法得到的ZOS分数和ZOI分数在皮层上的分布(可见，躯体感觉及运动皮层、听觉皮层以及部分高级视皮层呈现出相对更强的远程连接波动(c)；相反，默认网络以及相邻的部分额顶控制网络(FPN)显示了相对稳定的远程连接(d)Fig.3 Assessment of the distant functional connectivity degree (dFCD) variability across cortices. (a)The amplitude of the dFCD oscillations averaged over subjects is projected on the left cerebral cortex. (b) The histogram of AFLL values for a selected subject with the normal fitting curve; (c)-(d) Cortical distribution of ZOS scores and ZOI scores derived from the 1000 bootstrap resampling data. It is notable that the somatosensory and motor cortex, auditory cortex, and part of the high-level visual cortex exhibit a relatively more variable distant degree of connectivity (c). In contrast, the default mode network (DMN) and parts of the adjacent frontoparietal control network (FPN) display stable distant degrees of connectivity (d)

同时，也观察到一些脑区在整个扫描期内表现出相对稳定的功能连接。这些脑区主要分为两个部分：一部分位于后扣带(posterior cingulate cortex, PCC)，并扩展到相邻的腹侧楔前叶(precuneus)和下顶回(inferior parietal lobule, IPL)以及中颞回的少数脑区(见图3(d))，属于默认网络(default modal network, DMN)的核心节点；另一部分由中额回和前下顶回(anterior inferior parietal lobule, aIPL)组成，属于联合皮层网络之一的额顶控制网络。这些稳定区域(ZOS)反映出一些特定的大尺度脑网络在无任务状态下能够完成大脑自发的意识处理过程，如思想漫游(mind-wandering)。

图4显示默认网络和额顶控制网络呈现相对低的波动幅值。与之对比，感觉运动网络(somatomotor network, STN)的远程连接度具有最强的波动性。采用双样本t检验，发现默认网路与感觉运动网络在静息功能连接波动性方面存在显著差异 (t=-6.38,P<0.000 1)。另外，腹侧和背侧注意网络以及视觉网络具有中等强度的波动，特别是视觉网络显示出高的被试个体差异性。

图4 7个功能网络内的所有被试平均ALFF值及其标准差Fig.4 Mean amplitude of the ALFF and the corresponding standard derivation within the seven cortical networks for all the subjects

个体差异、扫描周期以及实验参数对于功能连接的动态属性有潜在的影响。在本研究结果的基础上，也选择了另一组数据集(Cambridge_Buckner，n=198) 来验证结果的可靠性。两个数据集的采样周期(TR)不相同，以便评估采样周期对结果的影响。研究发现，两组数据在ALFF映射的皮层分布方面显示了很高的相似性(见图5)。其中，(b)显示两组数据的组内平均ALFF映射具有高的空间相关性 (r=0.86)。

图5 显示两组不同站点数据的结果可重复性(数据集I: Beijing_Zang站点数据(n=198); 数据集II: Cambridge_Buckner站点数据(n=198))。(a) 第II组数据具有不同的成像周期(TR), 却呈现出与第I组类似的ALFF皮层分布(见图3(a)); (b)两组数据的组内平均ALFF映射具有高的空间相关性 (r=0.86)Fig.5 Reproducibility assessment of the results based on the datasets from the two separate sites of the 1000 Functional Connectomes Projects. Dataset I: 198 subjects from the Beijing_Zang site; Dataset II: 198 subjects from the Cambridge_Buckner site. (a) Although the second dataset has different repetition times (TR), the results indicate a high similarity of the ALFF distribution with the dataset I (Fig.3a); (b) The group-mean ALFF maps of dataset I and II have the high spatial correlation (r=0.86)

3 讨论

笔者主要研究人脑静息态条件下远程功能连接的动态可变性，结果发现动态远程连接具有特异性的皮层分布。其中，作为主要静息脑网络之一的默认网络具有最稳定的功能连接，而感觉和运动皮层显示出最强烈的波动性。

按照远程连接度动态可变性的大小，本研究将大脑皮层分为波动显著区域(ZOI)和稳定连接区域(ZOS)。结果显示，躯体感觉区、听觉皮层、运动皮层和部分视觉皮层属于ZOI区域。有趣的是，这些区域大部分与具有高局部连通性的皮层区域重合[10]。在人脑的神经认知网络模型中，这些具有高度模块化组织的初级感觉皮层提供了感觉事件进入皮层处理回路的入口。外部感觉信息通过分布式解剖连接被迅速传递到更高层次的联合皮层、旁边缘 (paralimbic) 和边缘 (limbic) 皮层，并进一步形成意识、情感和其他主观体验。因此，体感区dFCD波动的高度可变性可能反映了不同皮层脑区间大尺度脑网络对于外部感觉刺激处理的快速切换，这也暗示与外部环境感知相关的脑状态具有明显的动态性。例如，处于无任务状态下的被试在整个扫描期间会时不时地监测外部环境。

一个有趣的现象是默认网络显示出相对较弱的dFCD波动性。作为核心功能网络之一，默认网络主要参与内部思想活动[14]、未来想象[15]以及思想漫游[16]等。进一步的证据显示，默认网络的活动不是简单地反映持续的意识精神活动，而是表现为一种复杂系统中典型的网络动态性[17-18]。

一小部分ZOS落在额顶控制网络，主要包括嘴外侧前额叶、中额叶、前脑岛、腹侧前扣带、楔前叶以及前下顶回。该网络的解剖位置位于默认网络和背侧注意网络之间，功能上作为这两个脑网络的协调器，能够灵活地访问上述两个网络之一的信息。研究结果显示，额顶控制网络的稳定区域(包含中额回、楔前叶以及前下顶回，见图3(c))解剖上与默认网络的低可变性区域相邻，暗示这些脑区能够持续地整合来自DMN网络的信息，从而导致这部分网络具有相对高的通信频率。

与默认网络中的后扣带、相邻的腹侧楔前叶和部分中颞回等稳定区域不同，默认网络的内侧前额叶显示了相对高的dFCD可变性(见图3(c))。这暗示默认网络在无任务条件下能够进一步组织成不同的功能子系统[19]。已有研究发现，默认网络的子系统至少包含参与记忆的中颞回[19]、与思考和决策有关的内侧前额叶皮层以及负责信息整合的后扣带[20-21]。后扣带皮层dFCD的弱波动性反映了该区域的高通信频度，与后扣带皮层充当不同脑网络间信息整合的角色相一致。这些发现也暗示，后扣带和内侧前额叶作为默认网络的两个核心节点，具有不同的功能作用。例如，使用成组独立成分分析，研究人员已经发现静息态条件下默认网络可以进一步划分为前部(以内侧前额叶皮层作为核心节点)和后部(以后扣带、楔前叶作为核心脑区)功能子网络，甚至更多的功能子系统[22]。基于图论和聚类算法的动态功能连接模块性分析也辨识出多个不同的默认网络子系统，这些子网络在阿尔茨海默症中显示出不同的驻留时间(dwell time)[2]。

研究动态功能连接的可变性对于神经精神类疾病(如阿尔茨海默病、癫痫和精神分裂症)研究具有潜在的价值[23]。已有研究表明，阿尔茨海默病的脑连接在Hub脑区的长程连接受到损伤，从而导致该病患者认知能力的损伤[24]。相对于正常对照组，特发性全身性癫痫(Idiopathic generalized epilepsy, IGE)患者表现出默认网络节点的拓扑属性改变，包括后扣带皮层以及下颞回等。本研究结果显示，功能Hub区域表现出最弱的远程连接波动，暗示着该脑区相对高的通信频率，而这些Hub区域长程连接的神经退化可能会影响与这些脑区有关的动态连接波动强度。因此，能够基于患者动态连接波动的异常幅值来确定对于神经精神类疾病敏感的脑区，可能为这类疾病的诊断和评估提供潜在的影像学标记。

需要讨论一些实验和方法学参数。首先，窗口宽度是滑动窗口方法的一个重要参数。理论上，窗口宽度应该充分小，以便能够检测功能连接的低频波动中潜在的瞬态时空活动[25]。然而，过小的窗口宽度将导致过少的时间点，从而减少被估计功能连接的信噪比[26]。笔者基于以往研究，选择36 s作为滑动窗口宽度。已有研究表明，认知状态最有可能在30～60 s时间周期内被估计出来[27]，而且脑网络的模块性指标也在近似30 s附近趋向稳定[2]。另外，44 s的窗口被显示能够在动态性保持和协方差矩阵估计之间取得良好的平衡[1]。然而，更高的fMRI采样频率和更长的扫描时间能够更加有利于检测功能连接波动中的微小瞬时改变。

另外，头动以及被试呼吸、心跳等时变噪声对于连接动态性的影响也不容忽视。在研究中，已经在预处理阶段通过线性回归以及低频滤波最大限度地减少其影响。研究发现，低可变性区域具有特异性的皮层分布(如默认网络的一些Hub功能区域)也暗示这些波动至少与某些特定的认知活动有关，而不仅仅由生理噪声驱动。然而，这些认知或心理活动的确切含义还需要做进一步的实验研究。

4 结论

笔者采用远程功能连接度结合滑动窗口方法，研究脑静息功能连接低频自发波动的可变性，首次揭示静息态认知网络与感觉运动网络在静息功能连接波动性方面存在的显著差异，这有助于进一步理解无任务状态下脑功能的动态组织方式，也可进一步用于研究动态功能连接在精神类疾病下的病理改变。

[1] Allen EA, Damaraju E, Plis SM, et al. Tracking whole-brain connectivity dynamics in the resting state [J]. Cerebral Cortex, 2014, 24: 663-676.

[2] Jones DT, Vemuri P, Murphy MC, et al. Non-stationarity in the “resting brain′s” modular architecture [J]. PLoS ONE, 2012, 7:e39731.

[3] Vincent J, Patel G., Fox M, et al. Intrinsic functional architecture in the anaesthetized monkey brain [J]. Nature, 2007, 447: 83-86.

[4] Hutchison RM, Womelsdorf T, Gati JS, et al. Resting-state networks show dynamic functional connectivity in awake humans and anesthetized macaques [J]. Human Brain Mapping, 2013, 34:2154-2177.

[5] Liu X, Duyn JH. Time-varying functional network information extracted from brief instances of spontaneous brain activity [J]. Proceedings of the National Academy of Sciences of the United States of America, 2013, 110: 4392-4397.

[6] Fingelkurts AA, Fingelkurts AA, Kähkönen S. Functional connectivity in the brain—is it an elusive concept [J]. Neuroscience & Biobehavioral Reviews, 2005, 28:827-836.

[7] Leonardi N, Van De Ville D. On spurious and real fluctuations of dynamic functional connectivity during rest [J]. NeuroImage, 2015, 104:430-436.

[8] Fox MD, Zhang D, Snyder AZ, et al. The global signal and observed anticorrelated resting state brain networks [J]. Journal of Neurophysiology, 2009, 101:3270-3283.

[9] Hallquist MN, Hwang K, Luna B. The nuisance of nuisance regression: spectral misspecification in a common approach to resting-state fMRI preprocessing reintroduces noise and obscures functional connectivity [J]. NeuroImage, 2013: 82:208-225.

[10] Sepulcre J, Liu H, Talukdar T, et al. The organization of local and distant functional connectivity in the human brain [J]. PLoS Computational Biology, 2010, 6: e1000808.

[11] Buckner RL, Sepulcre J, Talukdar T, et al. Cortical hubs revealed by intrinsic functional connectivity: mapping, assessment of stability, and relation to Alzheimer's disease [J]. The Journal of Neuroscience, 2009, 29:1860-1873.

[12] Yeo BT, Krienen F.M, Sepulcre J, et al. The organization of the human cerebral cortex estimated by intrinsic functional connectivity [J]. Journal of Neurophysiology, 2011, 106:1125-1165.

[13] Qin Jian, Chen Shanguang, Hu Dewen, et al. Predicting individual brain maturity using dynamic functional connectivity [J]. Frontiers in Human Neuroscience, 2015, 9:418-454.

[14] Svoboda E, McKinnon MC, Levine B. The functional neuroanatomy of autobiographical memory: a meta-analysis [J]. Neuropsychologia, 2006, 44:2189-2208.

[15] Schacter DL, Addis DR, Buckner RL. Remembering the past to imagine the future: the prospective brain [J]. Nature Reviews Neuroscience, 2007, 8:657-661.

[16] Mason MF, Norton MI, Van Horn JD, et al. Wandering minds: the default network and stimulus-independent thought [J]. Science, 2007, 315: 393-395.

[17] 杨剑，陈书燊，皇甫浩然，等. 静息态EEG动态功能连接分析[J]. 物理学报, 2015,64(5):374-383.

[18] Horovitz SG, Braun AR, Carr WS. et al. Decoupling of the brain's default mode network during deep sleep [J]. Proceedings of the National Academy of Sciences, 2009, 106:11376-11381.

[19] Buckner RL, Andrews-Hanna JR, Schacter DL. The brain's default network [J]. Annals of the New York Academy of Sciences, 2008: 1124:1-38.

[20] Fransson P, Marrelec G. The precuneus/posterior cingulate cortex plays a pivotal role in the default mode network: Evidence from a partial correlation network analysis [J]. NeuroImage, 2008, 42:1178-1184.

[21] Andrews-Hanna JR, Reidler JS, Sepulcre J, et al. Functional-anatomic fractionation of the brain’s default network [J]. Neuron, 2010, 65:550-562.

[22] Van De Ville D, Jhooti P, Haas T, et al. Recovery of the default mode network after demanding neurofeedback training occurs in spatio-temporally segregated subnetworks [J]. NeuroImage, 2012: 63: 1775-1781.

[23] 施若洋,周滟. 动态静息态脑功能连接在神经精神疾病中的应用[J]. 中国医学影像学杂志, 2016,24(1):49-51.

[24] Liu Y, Yu C, Zhang X, et al. Impaired long distance functional connectivity and weighted network architecture in Alzheimer’s disease [J]. Cerebral Cortex, 2013, 24: 1422-1435,

[26] Hutchison RM, Womelsdorf T, Allen EA, et al. Dynamic functional connectivity: Promises, issues, and interpretations [J]. Neuro Image, 2013, 80:360-378.

[27] Shirer W, Ryali S, Rykhlevskaia E, et al. Decoding subject-driven cognitive states with whole-brain connectivity patterns [J]. Cerebral Cortex, 2012, 22: 158-165.

Variability of Spontaneous Fluctuationin Resting-State Functional Connectivity of Human Brains

Wang Yingjie1Shen Hui2*

1(HebeiNormalUniversityofScience&Technoloty,Qinhuangdao066004,Hebei,China)2(CollegeofMechatronicsandAutomation,NationalUniversityofDefenseTechnology,Changsha410073,China)

The dynamics of the resting-state functional connectivity is believed to provide greater insight into fundamental properties of large-scale functional brain networks and has received increasing attention in recent years. However, few previous studies have characterized cortical distribution of resting-state connectivity fluctuation. The present work investigated the variability of resting-state brains’ low-frequency fluctuation in a cohort of young adults (n=396), using a sliding window approach and distant functional connectivity degree (dFCD). First, we used sliding windows with the size of 36 s to generate time courses of the whole brain’s dynamic connectivity. Second, taking the sphere of radius 14 mm as the neighboring region, we calculated the dFCD of each voxel within an individual window. Finally, the amplitude of low-frequency fluctuation (ALFF) was used to evaluate variability of connectivity degree at each voxel. We observed that regions within the default mode network exhibited the least variability (ALFF=402.3±79.9), implying a possible role of this network in stabilizing the spontaneous activity in the human brain. In contrast, the sensory and motor networks exhibited the greatest variability in their distant connectivity (ALFF=551.2±74.7), possibly due to subjects’ occasionally monitoring the external environment during the task-free scanning. Taken together, the present study for the first time demonstrated a significant difference (two-samplet-test:t=-6.38,P<0.0001) between the cognitive and sensorimotor networks in terms of dynamics of the spontaneous activity, providing new insights into the dynamics of resting-state connectivity and possible new means for ascertaining neuropsychiatric disorders.

non-stationary connectivity; resting-state network; functional connectivity degree; variability

10.3969/j.issn.0258-8021. 2017. 01.003

2016-05-12， 录用日期:2016-08-10

国家自然科学基金(61351111)

R318

A

0258-8021(2017) 01-0020-08

*通信作者(Corresponding author)， E-mail: shenhui_nudt@126.com