摘要
靜息態(tài)網(wǎng)絡(RSN)的電生理基礎(chǔ)仍存在爭議奥邮。特別是心铃，尚未確定一個能夠同樣有效解釋所有靜息態(tài)網(wǎng)絡的原理性機制妓柜。雖然腦磁圖(MEG)和腦電圖(EEG)是確定RSN電生理基礎(chǔ)的首選方法性湿，但目前沒有標準的RSN分析流程瓢谢。本文比較了從MEG數(shù)據(jù)中提取RSNs的兩種現(xiàn)有數(shù)據(jù)驅(qū)動分析方法兼呵，并介紹了第三種方法兔辅。第一種方法利用相位-幅值耦合來確定RSN。第二種方法通過對不同頻段的希爾伯特包絡進行獨立成分分析來提取RSN击喂，而第三種新方法則使用奇異值分解(SVD)來確定RSN维苔。為了評估這些方法，本研究將MEG-RSN與相同被試的fMRI-RSN進行了比較懂昂〗槭保總體而言，使用這三種技術(shù)都可以提取出與fMRI-RSN相匹配的MEG靜息態(tài)網(wǎng)絡凌彬。有趣的是沸柔，與兩種現(xiàn)有方法相比，基于SVD的方法與七個fMRI-RSN中的五個具有顯著更高的對應關(guān)系铲敛。因此褐澎，本研究為fMRI-RSNs的電生理基礎(chǔ)提供了進一步的見解。這些見解對于電生理連接組的分析非常重要伐蒋。
引言
在過去的十年中乱凿，已使用fMRI對健康人群在休息時的大腦活動進行了深入研究顽素，并確定了一個再現(xiàn)性良好的連接圖。靜息態(tài)分析在神經(jīng)科學領(lǐng)域越來越受歡迎徒蟆，因為數(shù)據(jù)相對容易獲得且不依賴于任務胁出。最近的研究開始利用腦磁圖(MEG)技術(shù)來探究靜息態(tài)網(wǎng)絡(RSN)的時間動態(tài)。然而段审，盡管取得了一些進展全蝶，但正如Sadaghiani等人(2022)所討論的那樣，典型fMRI-RSN的電生理基礎(chǔ)仍未被完全理解寺枉。
本文旨在對從MEG數(shù)據(jù)中提取這些典型fMRI-RSN的不同方法進行嚴格比較抑淫。為此，本研究比較了從相同被試的MEG和fMRI靜息態(tài)記錄中提取的RSN姥闪。使用來自相同被試的RSN可消除由于fMRI RSN變異性而產(chǎn)生的潛在偏差始苇。由于文獻將從fMRI中提取的網(wǎng)絡作為黃金標準，因此本研究以這些神經(jīng)網(wǎng)絡為基準筐喳，評估MEG方法在相同被試中與fMRI結(jié)果匹配的能力催式。本研究側(cè)重于數(shù)據(jù)驅(qū)動方法，并提供了包絡獨立成分分析(ICA)方法的進一步拓展避归。最終目標是為研究人員提供如何以數(shù)據(jù)驅(qū)動的方式從MEG數(shù)據(jù)中提取經(jīng)典RSN的指導荣月。
MEG-RSN文獻對個體RSN的主頻率提供了不一致的研究結(jié)果。例如梳毙，基于種子點的包絡相關(guān)性將默認模式網(wǎng)絡(DMN)的主導頻率范圍歸于theta和alpha哺窄，而將背側(cè)注意網(wǎng)絡(DAN)的主導頻率范圍歸于alpha和beta。相比之下账锹，基于特定頻率包絡的ICA數(shù)據(jù)驅(qū)動方法(包絡-ICA方法)獲得了DMN在alpha頻段和DAN在beta頻段的最佳對應關(guān)系萌业。在這里，本研究考察了RSN提取技術(shù)在解釋這些差異方面的作用奸柬。
基于相同被試的MEG和fMRI靜息態(tài)數(shù)據(jù)咽白，本文比較了從MEG數(shù)據(jù)中提取RSN的不同數(shù)據(jù)驅(qū)動方法。它們的優(yōu)點是無需對特定的種子位置進行先驗假設(shè)鸟缕。從這些數(shù)據(jù)驅(qū)動方法中獲得的與fMRI-RSN對應的結(jié)果可推廣到未來的MEG研究中，同時這些發(fā)現(xiàn)也為fMRI-RSN的電生理基礎(chǔ)提供了重要的見解排抬。
材料與方法
本研究包含26名健康右利手男性被試懂从。其中三名被試由于運動偽影或數(shù)據(jù)采集過程中的技術(shù)問題而被排除(23名被試年齡：26.7±3.9；愛丁堡利手指數(shù)：88.6±20.7蹲蒲；簡易精神狀態(tài)測試：29.8±0.5)番甩。在數(shù)據(jù)采集之前，所有被試均簽署知情同意書届搁，并按照《赫爾辛基宣言》的倫理準則進行實驗(Ethics committee Cologne: 14-264, Ethics committee Düsseldorf: 5608R)缘薛∏嫌總的分析流程如圖1所示。!
圖1.分析流程圖宴胧。
MEG數(shù)據(jù)采集與預處理
使用306通道Elekta-Neuromag系統(tǒng)采集MEG靜息態(tài)數(shù)據(jù)漱抓，采樣率為2400Hz，使用800Hz抗混疊濾波器恕齐。共記錄了30分鐘的MEG靜息態(tài)活動乞娄。要求被試睜眼休息，并注視十字架以減少眼動显歧。注視十字架印在紙上并放置在被試前面仪或。這種設(shè)置是為了排除投影儀的刷新率可能造成的影響。MEG數(shù)據(jù)以10分鐘的block進行采集士骤，以便被試在blocks之間可以活動范删。為了監(jiān)測被試的頭部位置，將四個頭部定位線圈貼在被試的頭皮上拷肌。使用3D數(shù)字化系統(tǒng)(Polhemus Isotrack)測量線圈相對于被試頭部的位置到旦。為了與MRI進行解剖學配準，還對被試頭皮上約100個額外點進行了數(shù)字化廓块。除了MEG外厢绝，同時記錄被試的心電(ECG)和眼電(EOG)。
數(shù)據(jù)采集完成后带猴，使用brainstorm中實施的標準流程對MEG數(shù)據(jù)進行預處理(https://neuroimage.usc.edu/brainstorm/昔汉，預處理和源重建使用brainstorm版本10.08.2018)。采用匹配的正弦波去除線噪聲及其諧波(50拴清、100靶病、150、200口予、250Hz)娄周，并排除高噪聲水平的傳感器(基于其功率譜)。心電圖(ECG)和眼電圖(EOG)用于自動檢測眨眼和心跳沪停，然后使用信號空間投影將其去除煤辨。然后目測檢查數(shù)據(jù)的偽影(肌肉偽影、頭部運動)木张，將有問題的時間段從進一步分析中排除众辨，并將處理后的MEG數(shù)據(jù)降采樣至1000Hz。
在每個記錄日進行5分鐘的空室記錄(磁屏蔽室中沒有被試)舷礼，同樣使用2400Hz的采樣率和800Hz的抗混疊濾波器鹃彻。這樣做的目的是捕獲傳感器和環(huán)境噪聲統(tǒng)計數(shù)據(jù)∑尴祝基于這些記錄計算噪聲協(xié)方差矩陣蛛株，用于源估計過程团赁。
采用brainstorm中實施的重疊球技術(shù)進行神經(jīng)磁場的正演建模。對于基于皮層約束的加權(quán)最小范數(shù)估計(wMNE)谨履，導向場可從分布在垂直于個體皮層表面的基本電流偶極子計算得出欢摄。使用Freesurfer(版本5.3.0)提取表面。本節(jié)描述的MEG數(shù)據(jù)制備對于兩種比較方法都是通用的屉符。
提取MEG RSNs
源水平數(shù)據(jù)構(gòu)建完成后剧浸，提取MEG的RSNs。本研究使用了Florin和Baillet(2015)中描述的megPAC方法矗钟，以及Brookes等人(2011)提出的包絡-ICA方法唆香。這兩種RSN提取方法首先對個體源重建的MEG數(shù)據(jù)進行操作。為了將個體數(shù)據(jù)投影到皮層源模型的標準解剖結(jié)構(gòu)中吨艇，本研究在brainstorm中使用了Freesurfer的球形配準躬它。
包絡-SVD方法
除了使用ICA從包絡數(shù)據(jù)中提取RSNs外，本研究還測試了一種類似于megPAC方法的SVD方法东涡。這種包絡-SVD使用了與包絡-ICA相同的方法來提取希爾伯特包絡冯吓，包括降采樣至1Hz和投影到標準大腦。然而疮跑，為了從希爾伯特包絡數(shù)據(jù)中提取RSN组贺，還采用了megPAC中的方法：計算給定頻段內(nèi)所有包絡之間的時間相關(guān)性，得到了一個15002×15002的相關(guān)矩陣祖娘。將該矩陣的維度降至1175個patch失尖。根據(jù)SVD，從每個頻段的相關(guān)矩陣中提取RSNs的主要模態(tài)渐苏。本研究還根據(jù)Florin和Baillet(2015)中所述的方法掀潮，對每個頻段單獨進行了基于i.i.d.傳感器數(shù)據(jù)的降噪。
MRI數(shù)據(jù)采集和RSNs提取
使用西門子3T PRISMA掃描儀和64通道頭線圈收集磁共振成像數(shù)據(jù)琼富。采用3D MPRAGE序列 (TR=2300ms仪吧，TE=2.32ms，ES=7.2ms鞠眉，F(xiàn)A=8°薯鼠，F(xiàn)OV=230mm×230mm，各向同性分辨率為0.9×0.9×0.9mm械蹋，層厚0.9mm出皇，共192層)采集高分辨率T1加權(quán)圖像。采用回波平面成像(EPI)(TR=776ms朝蜘，加速度為8，TE=37.4ms涩金，F(xiàn)A =55°谱醇，分辨率2.0×2.0×2.0mm暇仲，層厚2.0mm，72層)采集靜息態(tài)fMRI數(shù)據(jù)副渴。靜息態(tài)fMRI掃描持續(xù)30分鐘奈附。要求被試睜眼休息，并注視一個印在紙上的十字架以減少眼動煮剧。
使用Freesurfer 5.3.0(recon-all)對 T1加權(quán)圖像進行自動預處理斥滤，以提取大腦和皮層表面；與FSL-BET相比勉盅，F(xiàn)reesurfer進行的腦提取在區(qū)分皮質(zhì)區(qū)域與顱骨方面取得了更好的結(jié)果佑颇。使用FSL 5.0中的配準工具FLIRT對標準MNI 2mm空間進行仿射配準后，將得到的顱骨剝離T1加權(quán)數(shù)據(jù)集作為MELODIC 3.0(https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/MELODIC)中的參考圖像草娜。
使用FSL進一步對fMRI 4D圖像進行數(shù)據(jù)預處理挑胸，并對結(jié)果進行目視檢查。使用MELODIC的Pre-Stats功能對每個被試進行以下預處理：通過MCFLIRT進行頭動校正宰闰；使用BET去除非腦區(qū)域茬贵；采用4mm的半高全寬高斯核進行空間平滑；通過單一乘積因子對整個4D數(shù)據(jù)集進行總平均強度歸一化移袍；100s的高通時域濾波解藻。
使用FLIRT對每個被試的fMRI數(shù)據(jù)與其高分辨率結(jié)構(gòu)圖像進行配準。通過FLIRT仿射配準技術(shù)葡盗，將其配準到高分辨率結(jié)構(gòu)MNI-152-2-mm標準空間螟左。對于皮質(zhì)約束分析，使用從 Freesurfer獲得的二值化皮質(zhì)掩模戳粒，將fMRI ICA分析限制在這些皮質(zhì)區(qū)域路狮。選擇方差歸一化時間序列，以確保體素標準差的差異不會使PCA和ICA成本函數(shù)產(chǎn)生偏差蔚约。此外奄妨，為了比較fMRI的RSNs和MEG的RSNs，本研究最終將位于MNI-152-2mm標準空間中的IC成分配準到Colin27模板上苹祟。
fMRI和MEG RSNs的比較
為了使不同網(wǎng)絡和方法的取值范圍可以進行比較砸抛，本研究為MEG網(wǎng)絡中的15002個頂點分配其值的累積概率，即給定網(wǎng)絡向量中各自頂點值至少與其當前值一樣大的可能性树枫。對于megPAC和包絡-SVD直焙，計算累積分布函數(shù)(CDF)時會排除自然存在的數(shù)值為0的點。為了確定megPAC和包絡-ICA方法中與fMRI地圖最匹配的MEG地圖砂轻，需要依賴于MEG和fMRI RSN之間的空間相關(guān)性奔誓。由于fMRI地圖以nifti格式提供，研究人員需要將基于頂點的MEG結(jié)果轉(zhuǎn)換為與fMRI網(wǎng)絡具有相同分辨率的nifti文件搔涝，以便進行比較厨喂。本研究計算了兩種模態(tài)的RSN在與皮質(zhì)掩模匹配的所有體素之間的相關(guān)性和措。對于每個fMRI RSN，選擇具有最高空間相關(guān)性的最佳匹配MEG成分蜕煌。在這種情況下派阱，fMRI和MEG都沒有進行閾值化處理。
結(jié)果
本研究總共從fMRI和MEG數(shù)據(jù)中提取了20個ICs斜纪。從fMRI數(shù)據(jù)中贫母，選取了七個RSNs進行進一步的比較：額葉、頂葉盒刚、左右額-頂葉腺劣、運動、視覺和DMN(圖2)伪冰。雖然運動誓酒、視覺、DMN以及額頂網(wǎng)絡與RSN的經(jīng)典定義相匹配贮聂，但額頂網(wǎng)絡是基于其解剖位置命名的靠柑，因為與Yeo等人(2011)的定義沒有明確的對應關(guān)系。值得注意的是吓懈，在本研究的分析中歼冰，額頂網(wǎng)絡被分為左右兩個部分，視覺網(wǎng)絡不包含V1耻警，主要位于V2和V3隔嫡。這種變化與樣本選擇以及選擇的ICs數(shù)量有關(guān)。這也是本研究為什么選擇從相同被試群體中提取fMRI和MEG RSN的原因甘穿。
圖2.使用三種不同方法從MEG和fMRI記錄中獲得最高對應的靜息態(tài)網(wǎng)絡腮恩。
基于包絡方法的濾波器選擇
在采用包絡-ICA和包絡-SVD方法提取希爾伯特包絡時，可以選擇不同的濾波器設(shè)置温兼。本研究測試了四種不同的濾波器設(shè)置秸滴，通過方差分析發(fā)現(xiàn)，在包絡-SVD情況下募判，濾波器類型對所有網(wǎng)絡的空間相關(guān)性具有中等效應大小的影響荡含。濾波器類型與所選頻段存在顯著的交互作用。而在包絡-ICA情況下届垫，濾波器類型僅在三種情況下有顯著但相對較弱的影響(相應的F值和效應大小見表1)释液。
表1.濾波器類型對網(wǎng)絡識別的影響。
接下來装处，進行事后分析以確定與fMRI網(wǎng)絡對應程度最高的濾波器組合误债。值得注意的是，這只是對相關(guān)值的絕對評估，并非基于顯著性檢驗寝蹈，即對應程度最高的濾波器設(shè)置不一定是最顯著的糟袁。該分析顯示，寬帶濾波器與SVD情況下的六個網(wǎng)絡和ICA情況下的五個網(wǎng)絡的fMRI靜息態(tài)圖具有更高的對應關(guān)系躺盛。在使用IIR或FIR濾波器時，IIR濾波器與七個fMRI網(wǎng)絡中的四個網(wǎng)絡具有更好的對應關(guān)系形帮〔郾梗基于此，所有后續(xù)結(jié)果將基于寬帶IIR濾波器進行呈現(xiàn)辩撑。
不同RSN提取技術(shù)的比較
作為RSNs的示例界斜，本研究在圖2中展示了四個網(wǎng)絡，其中包括包絡-ICA和包絡-SVD方法在每個頻段內(nèi)的網(wǎng)絡合冀。圖2左列顯示了fMRI網(wǎng)絡各薇，右側(cè)三列是每個方法根據(jù)空間相關(guān)性匹配的MEG網(wǎng)絡。請注意君躺，在包絡-ICA和包絡-SVD方法中峭判，顯示的網(wǎng)絡是與fMRI網(wǎng)絡具有最佳對應關(guān)系的頻段，如圖3所示棕叫×煮Γ總體而言，有三個值得注意的點俺泣。首先疗认，所有三種方法的MEG網(wǎng)絡類似于fMRI網(wǎng)絡。其次伏钠，包絡-ICA方法的網(wǎng)絡空間范圍最大横漏。第三，megPAC和包絡-SVD產(chǎn)生的網(wǎng)絡具有相似的空間范圍熟掂，但后者更好地匹配fMRI數(shù)據(jù)缎浇。這在運動、視覺和頂葉網(wǎng)絡中尤為明顯打掘。
圖3.fMRI和MEG靜息態(tài)網(wǎng)絡(RSN)之間的空間相關(guān)性华畏。
為了更正式地量化不同方法下fMRI和MEG網(wǎng)絡之間的對應關(guān)系，本研究計算了它們的空間相關(guān)性(圖3)。因此钳枕，首先評估了這三種方法的性能。為了獲得量化的性能標準仑乌，本研究計算了每種方法在所有七個網(wǎng)絡中的平均相關(guān)性。對于每個網(wǎng)絡，我們使用與fMRI網(wǎng)絡具有最高平均空間相關(guān)性的頻率晰甚⊙么基于單因素方差分析和事后檢驗，包絡-SVD方法產(chǎn)生的空間相關(guān)性顯著高于其他兩種方法厕九，而megPAC的空間相關(guān)性也顯著高于包絡-ICA方法蓖捶。此外，對于所有網(wǎng)絡扁远，所選擇的方法都有顯著的主效應(表2)俊鱼。
表2.寬IIR濾波器選擇方法及頻率對網(wǎng)絡的影響。
為了進一步確定每個RSN的頻率貢獻畅买，本研究還執(zhí)行了線性回歸模型并闲，詳見表3。不同頻率分量的估計系數(shù)與空間相關(guān)性結(jié)果一致谷羞，即平均相關(guān)性最高的頻率也具有最高的回歸系數(shù)帝火。此外，線性回歸的R2值也反映了哪些網(wǎng)絡與fMRI RSNs有更好或更差對應性的直觀印象湃缎。
表3.線性回歸模型犀填。
包絡ICA的ICASSO
包絡-ICA方法需要識別每個頻段的獨立成分。然而嗓违，由于ICA是一個高維優(yōu)化問題宏浩，單次ICA運行的可靠性是未知的，因為這取決于初始種子的選擇靠瞎。因此比庄，本研究對每個頻段運行了四次ICASSO算法。然后乏盐，考察了表征各個網(wǎng)絡的頻率分量是否在重復中始終相同佳窑。當確定與fMRI圖最匹配的IC圖時，空間相關(guān)值會有所變化父能，導致不同頻段的ICs與特定fMRI RSN表現(xiàn)出最佳(定性)對應關(guān)系神凑。圖4提供了使用寬帶IIR濾波器設(shè)置時的四個RSNs示例。在該圖中何吝，繪制了fMRI RSNs與使用包絡-ICA得到的五個頻段的四個RSNs之間的空間相關(guān)性溉委。對于每個RSN，提供了四個ICASSO的空間相關(guān)值爱榕。從圖中可以看出瓣喊，這些值在四次ICASSO中是高度可變的。
圖4.四種RSNs(按顏色編碼)在包絡-ICA方法中的空間相關(guān)性變化黔酥。
結(jié)論
綜上所述藻三，新的包絡-SVD方法成功地從電生理記錄中提取了RSN洪橘。與理論一致，該方法識別出了RSNs的主頻率分量棵帽。對于五種RSNs熄求，尤其是那些在解剖學上受限的RSNs，包絡-SVD方法與fMRI-RSNs之間的對應性顯著高于其他數(shù)據(jù)驅(qū)動方法逗概。但DMN和右側(cè)額頂網(wǎng)絡例外弟晚，其中megPAC通過結(jié)合長程和短程通信的原則實現(xiàn)了類似的對應關(guān)系∮馍唬總的來說指巡，這些發(fā)現(xiàn)增強了我們對fMRI-RSN電生理基礎(chǔ)的理解。
參考文獻：Pelzer, E. A., Sharma, A., & Florin, E. (2024). Data-driven MEG analysis to extract fMRI resting-state networks. Human Brain Mapping, 45(4), e26644. https://doi.org/10.1002/hbm.26644
茗創(chuàng)科技專注于腦科學數(shù)據(jù)處理隶垮，歡迎關(guān)注公眾號，有任何相關(guān)的疑問和咨詢秘噪，可添加我們的工程師（MCKJ-zhouyi或17373158786）進行咨詢~
