静息态功能连接以及脑网络

我们的大脑是一个由不同的脑区组成的网络，每个区域都有自己的任务和功能，它们不断地相互共享信息。 功能连接被定义为解剖学分离的脑区间神经元活动模式的时间依赖性

如何处理静息态fMRI数据

已经提出了几种处理静息态状态fMRI数据，检查脑区之间功能连接的存在和程度的方法
包括基于种子点方法（seed-based）、主成分分析(PCA)，独立成分分析和聚类

1 种子点方法（seed-based）

获得特定脑区的功能连接的最直接方法是将该脑区的静息态时间序列与所有其他区域的时间序列做相关，从而产生功能连接图
种子点可以是先验定义的区域，或者可以从任务态fMRI实验中获得的激活图中选择，确定特定的感兴趣区域。如果我们感兴趣的是检查左侧初级运动皮层的功能连接，则可以使用任务态fMRI实验，（指示被试移动他们的右手），沿着左侧中央前回选择最激活的体素作为种子点。 接下来，将所选种子点的静息态时间序列与所有其他体素的静息态时间序列做相关。

然而，种子点方法仅能得到所选种子点的功能连接，而难以在得到全脑的功能连接模式。

2 ICA方法

为了检查全脑连接模式，已经引入了无模型方法，可以探索连接模式，而无需定义先验种子区域。 与基于种子的方法相比，无模型方法旨在寻找跨脑区连接的一般模式。
其中基于ICA的方法可能是最常用的，并且已经报道显示了高水平的一致性。
ICA方法是一种盲源分离方法，旨在从静息态中分离出相互独立的源。

X是混合信号，s即是我们的源信号

假设我们的fMRI数据包含v个体素，时间点为t个，该数据包含k个相互独立源信号，我们的四维fMRI数据就可以表示成一个tv的二维矩阵， 在ICA中，这也是我们的观测信号矩阵x；
而我们要求解的源信号s矩阵则为源信号成分空间的kv的矩阵，即每个成分的空间分布图；而每个成分的时间序列，混合矩阵A即时间源信号成分的t*k的矩阵
A：表示该空间成分的时间序列
S: 每个体素的值表示该点的时间序列与该空间成分相应的时间成分的相似性
以上是在个体水平上进行ICA的分析。以上是在个体水平上进行ICA的分析。为了找到一组人共同的成分，并在组水平上进行统计比较，我们往往对一整组被试的标准化数据进行时间上的拼接后再进行group ICA的分析

用于静息态fMRI的ICA方法是强大的方法，因为它们可以应用于全脑功能连接，ICA方法的缺点是比传统的seed-based FC更难以理解。
空间ICA可以将fMRI分离出大尺度脑网络

3 静息态脑网络

这些静息态大尺度网络由解剖学上分离但功能连接的大脑区域组成，在休息期间表现出高水平的持续功能连接。
以下是最常报道的脑网络

4 脑网络图论分析

到目前为止，主要重点一直是检查特定区域之间的特定功能联系。 然而，使用图论分析方法可以检查大脑网络的整体结构。
除了形成多个静息态网络外，人脑形成一个集成的复杂网络，将所有脑区和子网络连接到一个复杂的系统中。 研究该网络的整体组织可以为人脑的运作方式提供新的有价值的见解。 大脑区域之间的功能连接是怎么样的？ 大脑如何有效地整合不同子系统之间的信息？ 是否有脑区在这种高效的沟通中发挥着特殊作用？ 图论提供了一个理论框架，其中可以检查复杂网络的拓扑，并且可以揭示有关功能脑网络局部和全局的信息

使用图论，功能性脑网络可以定义为图G=（V，E），其中V是反映脑区域的节点集合，E是这些脑区域之间的功能连接（也称为边）。
功能连接的脑网络可以表示为上图，由节点和边（脑区间的功能连接）组成。 首先，定义节点的集合。 节点可以是模板定义的脑区，例如Brodmann atlas（A图）。 其次，需要定义网络中节点之间功能连接的存在，表示网络节点之间的相关水平。 在图论方法中，计算网络中每个可能的节点对之间的功能连接水平（即所有可能的区域或体素对之间），从而产生连接矩阵（B图）。最后，可以将两个点之间的连接的存在定义为它们的功能连接水平是否超过某个预定义的阈值，将大脑建模为功能网络，在功能上相关的区域之间具有连接（C图）

4.1 基本网络度量

（1）：Clustering-coefficient（聚类系数，b图）：
节点i的聚类系数提供了关于图中局部连接水平的信息，由节点i的直接邻居之间的连接数与节点i的邻居之间的最大可能连接数的比率求出。聚类系数表示脑网络的局部连通性水平。

（2）Characteristic path length（特征路径长度、C图）：
节点i的特征路径长度提供有关节点i与网络中所有其他节点连接的距离的信息，由网络中所有可能的节点对的平均距离给出。 路径长度L提供有关网络的全局通信效率水平的重要信息。

（3）Centrality（中心性）（d图）：
表示网络节点之间通过节点i的最短路径的数量。 中心性越高，表示此节点在网络中很重要，标志着此节点在整个网络中的中枢作用。

（4）degree （度，e图）
节点i的度定义为其与其他节点的连接总数，是网络中节点重要性的度量

（5）模块化（f图)
图的模块化描述了网络中社区的可能形成，表明节点组如何在整个网络中形成相对分离的子网络

4.2 网络拓扑属性

网络拓扑：规则、随机、小世界、无标度和模块化网络
1 规则网络 (a, left) 具有相当局部的特征，其特征是高聚类系数 C 和高路径长度 L ，从特定节点到另一端的节点需要大量步骤
2 然而，在网络中随机分布所有连接会产生一个具有随机组织的图（面板 a，右）。 与常规网络的局部特征相反，随机网络具有更全局的特征，比常规网络具有更低的 C 和更短的路径长度 L。
3 当在常规网络中随机重新连接连接的概率 p 较低时，会出现所谓的小世界组织，同时具有高 C 和低 L。小世界网络标志着一种特殊的拓扑结构，因为它们被证明是非常健壮的，同时具有高水平的局部和全局效率。
4 无标度网络的特征是遵循幂律函数的程度概率分布。表明平均而言，一个节点只有少量连接，但有少数节点是紧密连接的(图b)。这些节点通常被称为枢纽节点，它们在网络的效率水平中发挥着核心作用，由于这些枢纽节点在网络组织中起着关键作用，无标度网络容易受到针对枢纽节点的专门攻击。 5 节点大部分连接到其社区中的直接邻居，向网络中的其他节点连接较少。这种网络被称为模块化网络(图c)，其特征是节点的高度模块化。