任务态和静息态的动态功能连接预测个体注意差异
关注上方“功能磁共振”即可查看更多原创文章，文末浏览近期脑影像相关课程及服务。
文末阅读原文，即可获得文献英文原文。
研究背景
对大脑不同体素、区域以及网络间信号时间依赖性进行定量计算，得到了能够反映人脑网络组织模式的功能连接，传统的功能分析方法着重于解释病患和健康人群间大脑组织模式的差异，以及认知状态与fMRI数据信号之间的关系，在这些情况下被试与被试间的差异通常被认为是噪音。然而，个体存在稳定而独特的功能连接模式，无论是在任务态还是静息态，就像是神经“指纹”，这种功能连接模式能够预测个体的人格、倾向、临床症状以及治疗结果。
功能连接可以说是静态的，而动态功能连接(Dynamic functional connectivity, DFC)能够体现功能连接在时间上的波动情况，众多研究表明其在统计上有意义且能够提供生理上的信息。应用最为广泛的动态功能连接方法，是对不同时间点的影像设置一个滑动时间窗，从而得到功能连接矩阵的三维数据，但对于DFC方法是否具有真正意义存在很大争议，在本研究中，研究者使用了新的个体DFC评估及行为预测方法：connectome-based predictive modeling(CPM)，对任务或静息态fMRI的个体数据集训练脑行为回归模型，并拟合新个体的脑数据以预测行为得分，该方法的输入为全脑静态功能连接，能够准确预测个体差异，本研究通过得到动态功能连接，即三维的功能连接数据作为CPM的输入。
研究假设：对个体而言，对某项特定任务需要控制胡思乱想以及外界的分心物，该过程很可能通过功能连接波动调节。因此，持续注意很可能与以下功能网络的时间变异性降低相关：执行功能、工作记忆、感知、内在认知等网络。即：更高的注意很可能依赖于不同区域任务加工中更稳定的信息流动，并且动态网络为注意的个体差异识别提供补充信息。
材料与方法
数据：包含三个不同的数据集，三个不同的数据集均是需要持续注意的任务，但任务范式不同，分别是内部验证集：gradual-onset continuous performance task (gradCPT)；外部验证集1：Attention Network Task (ANT)；外部验证集2：stop-signal task (SST)。详细任务以及被试情况参见原文。gradCPT注意得分通过d'衡量（命中和虚报的标准正态分布函数倒数之差）；ANT注意得分通过RT的变异性衡量；SST通过Go比率衡量。
分析方法：
1.建构静态和动态功能连接组
功能网络节点选取268节点功能连接，将MNI空间转换为个体空间，对每一个被试得到静态功能网络矩阵（每个节点对之间时间序列相关矩阵，并转换为z值），以及动态网络矩阵（设置锥形滑动时间窗口，得到每个静息态条件或者任务条件的功能连接三维矩阵，再将静息态两个run或者任务态12个block矩阵集对应连结，最后计算连结矩阵的边强度的时间变异性，研究里使用了6种不同大小的时间窗口），具体如下图所示。
图1 静态功能网络以及动态功能网络的构建
2.预测模型
使用偏最小二乘回归(Partial least squares regression, PLSR)以及leave-one-out-cross-validation（将数据集分为一个数据组成的测试集以及其余的训练集），训练集通过静态功能连接矩阵、动态功能连接矩阵以及二者结合预测灵敏度d'，得到预测模型后通过验证集验证，运用斯皮尔曼等级相关计算预测d'和真实d'（或其他注意衡量手段）之间的相关，用来评价预测模型的表现好坏，方法如下图所示。
图2 预测模型以及交叉验证过程
内部验证：训练集和测试集均来源于内部验证数据集(gradCPT)；外部验证：训练集来源于内部验证数据集，测试集来源于外部验证集(SST、ANT)。
研究结果
不同数据集下动态模型对注意的预测
共有36个PLSR预测模型：3种功能连接特征（静态功能连接/动态功能连接/组合）*3组数据集*2种训练条件（静息/任务态）*2种测试条件（静息/任务态）。
三个数据预测模型发现，通过静息态的动态功能连接得到的预测模型，其余测试被试任务态动态功能连接作为输入，可以很好地预测注意表现；但通过基任务态动态功能连接训练得到的模型，对于其余测试被试静息态以及任务态动态功能连接作为输入，均能很好地预测注意表现，具体结果如下图所示。
图3 跨数据集跨任务态静态、动态和组合功能连接模型的预测能力。
条形图表示模型预测d'和观察到的注意行为评分之间的Spearman ρ，1000次迭代置换检验。
被试内功能连接测量方法的相似性
图a 所有被试的平均静态和动态功能连接矩阵。在两个图中，上部分三角形为静态功能连接矩阵（Fisher-z变换的Pearson的r值）；下部三角形为平均动态功能连接矩阵（它们是跨越滑动窗口Fisher-z变换的Pearson r值的方差(σ2)），左侧为静息态，右侧为任务态。
图b 被试内两种功能连接测量值之间的平均相似度，相似性通过Pearson's r量化，boxplot显示个体间相似性的分布。从左至右分别为：1.不同次扫描的任务态静态功能连接(SFC)矩阵之间的相似性；2.不同次扫描静息态静态功能连接(SFC)矩阵之间；3.不同扫描任务态动态功能连接(DFC)矩阵之间；4.不同次扫描静息态动态功能连接(DFC)矩阵之间；5.任务态和静止态的SFC矩阵之间；6.任务态和静息态DFC矩阵之间；7.静息状态SFC和DFC矩阵之间；8.任务态的SFC和DFC矩阵之间。
动态功能连接注意模型中预测网络的功能解剖
图5. DFC注意模型中预测网络的功能解剖
正负变异指的是在预测模型中两条连接边时间维度的方差对注意分数预测具有显著的正负相关系数（“正变异性网络”，蓝色；“负变异性网络”，红色），正变异性的边（蓝色，即随时间变化越大注意表现越好）明显小于负变异的边（红色，即随时间变化越小注意表现越好），这表明持续注意通常由跨越大脑区域的更稳定的连接支持。
图a 跨宏观大脑区域正负变异性网络边的分布。
图b 经典网络内部和之间正负变异性网络边的数量分布。
图c 经典网络内部和之间正负变异性网络边相关系数总和的分布。
经典网络包括：皮质-小脑(SubC)，运动(MT)，内侧额叶(MF)，视觉I(VI)，视觉II(VII)，视觉关联(VA)，默认网络(DM)，额顶网络(FP)
参考文献
Fong, A. H. C., Yoo, K., Rosenberg, M. D., Zhang, S., Li, C.-S. R., Scheinost, D., … Chun, M. M. (2019). Dynamic functional connectivity during task performance and rest predicts individual differences in attention across studies. NeuroImage，188, 14–25.
培训信息
科研服务
灌注数据处理服务
EEG/ERP数据处理服务
脑电数据预处理：使用EEGLAB对Neuroscan、Brain Products、EGI、ANT、Biosemi等主流脑电设备采集的脑电数据进行预处理。
ERP成分统计分析：提取ERP成分的波幅和潜伏期，并进行统计分析。
EEG频谱分析：使用傅里叶变换的方法计算脑电各个频段的功率，并进行统计分析；使用短时傅里叶变换、小波变换和希尔伯特变换的方法进行脑电时频分析（如ERD/ERS分析、试次间相位同步分析）。
基于sLORETA的脑电源分析：ERP成分源定位；特定频段EEG源定位；源空间的脑功能连通性分析。
功能连通性分析：使用相关、相干、相位锁定值和格兰杰因果分析研究电极之间功能连通性。
近红外数据处理服务
PET数据处理服务
功能磁共振数据处理
任务态激活脑区分析
任务态E-prime实验实
功能连接分析
局部一致性（ReHo）分析
低频振幅（ALFF/fALFF）分析
基于图论及ICA的脑网络分析
结构磁共振数据处理
基于VBM的灰白质分析
基于Freesurfer的皮层厚度分析
基于FSL的纤维束追踪
详情联系：13381109780（杨老师）