Nature Communications:人类大脑的皮层下

摘要

控制大脑自发活动中的动态模式的机制尚不清楚。在这里，我们提供的证据表明，在超低频率范围内（

1.引言

在健康的大脑中，神经元群在多个时间尺度上相互作用，从几百毫秒到几十秒。虽然神经科学传统上关注于快速的神经峰值活动，但最近的理论工作和同时来自数千个神经元的记录表明，在低频频率范围（

在这项工作中，我们分析了一个在不同临床阶段的首次中风患者的dFC模式（“动态功能状态”或DFSs）。我们的研究有三个目的。首先，我们希望在皮层和皮层下水平上描述DFSs，并确定皮层和皮层下状态动力学是否存在联系。其次，我们根据DFSs的分数时间和逗留时间来研究结构病变和FC动力学改变之间的关系。我们使用机器学习方法来解释动态FC的异常，病变位置和结构断开模式，无论是在皮层或皮层下水平还是在皮层-皮层下通路。最后，在先前关于病变位置、结构断开和静态FC异常的行为相关性的研究结果的指导下，我们测试了关于FC动力学的信息是否增强了对行为缺陷的解释和对行为恢复的急性到慢性解释。

2.结果

2.1 动态功能状态的定义

对照组和中风被试来自华盛顿大学中风数据集。为了在个体水平上获得可靠的dFC估计数，我们只分析了经过预处理和筛查后至少有300个TR（600 s）有效信号的被试。该标准确定了20个对照组，间隔3个月进行两次扫描，以及47个首次中风患者，在3个时间点（2周、3个月、12个月）进行扫描的时间。脑卒中组病变频率图显示，多数病变涉及大脑中动脉深部分布，基底节和皮层下白质损伤且皮层病变少于20%。

我们通过最直接的方法分析dFC（图1）：滑动窗口时间相关（窗口宽度= 60秒，窗口步骤= 2 s）紧随其后的是特征向量分解和聚类定义一组不断激活且随时间变换的连接状态（DFSs）。所有来自对照组和患者（在所有时间点）的数据都在时间上被连接和聚类（使用K-means算法），产生有限数量的DFSs。我们在K = 2和K = 10之间运行K-均值。通过轮廓系数和-指数选择最优解为K = 5。我们进行了几次控制分析，以确保它们在用于计算的时间窗口的大小和状态的数量方面的稳健性。我们还表明，在每个窗口中，DFSs都代表了它们被派生出来的动态FC。

图1. 方法（动态功能状态）。（a）动态功能状态（DFSs）的定义：(i)首先，将每个被试的时间过程分为270个宽度为30 TR（600 s）和步长为 1 TR。在每个滑动窗口处计算区域间皮尔逊相关系数的z-变换，以估计动态功能连通性（DFC）。然后，（ii）每个DFC矩阵通过投影到由第一个特征向量vi定义的前导特征空间上来近似。由于特征向量的定义小于符号，我们通过重构方阵vi×viT来避免了这个问题。然后，（iii）对这些一级DFC矩阵的上三角部分进行向量化，最终应用K-means聚类算法（iv）来定义一组K个空间DFSs。使用轮廓系数和-指数来搜索DFSs的最优数量。（b）K-means聚类将每个滑动窗口与特定的DFS相关联，因此每个被试获得了离散时间序列x(n)，n=1，…，270，其中每个离散值（1和K之间）表示该时间点的活动状态。从这些时间过程中，可以评估每种状态的三种不同的动态度量，即时间分数、停留时间和转移概率。为了分析健康条件下动态测量值之间的关系，我们对所有动态测量值进行了主成分分析（PCA）。（c）将患者的动态测量投影到pc空间，并将解剖性脑损伤作为岭回归算法的输入，旨在识别病变的位置，更好地描述特定动态损伤的特征。

2.2 动态功能状态（DFSs）捕获了皮层和皮层下的相互作用

5个DFS描述了健康对照组和中风患者的动态功能连接变化。我们使用了几种表征来说明皮层和皮层下区域的这些功能状态。

图2显示了动态功能连接的矩阵形式（图2a)和通过圆形图表示（图2b)。正权重表示正共调节，而负权重表示大脑区域之间的负共调节。我们描述DFSs的最常见的静态FC生物标志物观察中风，即：(1)平均同半球间连接；(2)平均半球内任务激活网络（DAN）和任务抑制网络（DMN）脑区之间的连接，用来评估网络整合；(3)整体皮层网络的模块化系数用来测量网络分离（图2c）。

图2. 动态功能状态（DFSs）。（a）5个DFS以矩阵形式表示（正权值和负权值分别为红色和蓝色）。（b）相同的DFSs通过一个圆形图表示来描述。在每一列中，都表示了每个状态的正（红色）和负（蓝色）最强的链接。网络的归属是用颜色编码的。（C）（左）每个网络内平均同伦半球间连接的平均值和标准误差；（中）背侧注意网络（DAN）和默认模式网络（DMN）区域之间的平均连通性，作为任务激活和任务抑制网络整合的衡量标准；（右）皮层网络之间的整体模块化指数。

图3关注皮层-皮层下的相互作用，以皮层下区域和皮层网络（图3a），或以脑表面/体积图（分别为皮层/皮层下区域）绘制每个DFS的第一个特征向量（图3b）。为了便于分析皮层-皮层下的相互作用，我们对皮层下连接的主要特征向量进行了主成分分析（PCA），确定了两个主要的皮层下成分（SCs）：SC1负载于小脑和皮层下核：丘脑、尾状核、壳核、伏隔核和苍白球。SC2负载于杏仁核和海马体等“边缘”区域。这两个组成部分是不相关的。此外，它们总是与不同的皮层网络以相反的方向相关联。

图3. 动态功能状态（DFSs）下的皮层-皮层下相互作用。（a）皮层-皮层下相互作用的矩阵表示。这是图2a的缩放。正值和负值分别用红色和蓝色表示。（b）每个DFS的第一特征向量的表面和体积投影。皮层区域显示在表面（顶部），而皮层下区域显示在体积（底部）。（c）在两个主要的皮层下成分中显示每个皮层下区域的负载，使用了0.2的阈值。（d）不同DFSs中每个皮层下成分（SC1和SC2）与每个皮层网络之间的平均连通性。

每个DFS的特征是一组不同的皮层和皮层-皮层下的相互作用。在此，我们基于这些标准提供了对每个状态的描述。DFS1与健康静态FC非常相似，具有高同伦连通性（ρz = 0.45 ± 0.0013，其中ρz表示z-变换后的相关系数），大的负DAN-DMN连通性（ρz =-0.25 ± 0.002）和高模块化（0.22 ± 0.0006）。感觉-运动-注意网络（视觉：VIS、感觉运动：SMN，听觉：AUD；控制：CON，背侧注意：DAN)呈正相关，与默认模式网络（DMN）呈负相关（图2a)。这些模式对应于众所周知的任务激活网络和任务抑制网络之间的分离。高水平认知网络，如腹侧注意（VAN）和额顶叶网络（FPN）与任务激活或任务抑制网络弱相关，预计将表现出更灵活的交互作用和更多的个体变异性。当我们考虑皮层-皮层下的相互作用时，DFS1的特征是DMN与边缘核SC2呈正相关（图3a，b），进而与感觉-运动-注意网络呈负相关。

DFS2与卒中中观察到的“病理”静态FC非常相似，具有低同位连通性（ρz = 0.37 ± 0.002），几乎为零的DAN-DMN连通性（ρz =-0.07 ± 0.002）和低模块性（0.21 ± 0.0007）。这种状态的特征是认知网络（DAN、VAN、CON、FPN）的强整合和VIS网络与其他网络的强负耦合。AUD、SMN和DMN保持着较强的内部相关性，但仍保持相对独立。

DFS3的特点是具有较高的同伦连通性（ρz = 0.47 ± 0.0014）和较高的模块性（0.24 ± 0.0006），与DFS1类似。然而，它在DAN和DMN之间并没有显示出很强的（负）相关性（ρz =-0.09 ± 0.002）。相反，它捕捉到了感觉-运动簇（VIS、SMN、AUD）和认知簇（FPN、DMN、DAN、VAN）之间的负相关关系。与DFS1一样，DFS3的皮层特征是众所周知的感觉-运动网络（VIS-AUD-SMN）和DMN之间的分离。然而，这两种状态下的皮层-皮层下相互作用非常不同：SC1-SC2和感觉运动/DMN之间的耦合模式是相反的。SC2（边缘）在DFS1中与DMN呈正相关，而在DFS3中呈负相关。相应地，SC2在DFS1中与感觉运动网络不相关，而在DFS3中呈正相关。DFS1中SC1（核）与DFS1中的DMN无相关，而DFS3中与DMN呈正相关，与感觉运动网络呈负相关（图3c，d）。

DFS4显示了同伦连通性（ρz = 0.42 ± 0.0014）、DAN-DMN连通性（ρz = 0.14 ± 0.002）和模块化（0.22 ± 0.0006）的中间值。在这种状态下，我们观察到VIS-DAN-FPN簇和SMN-AUD--DMN簇之间的反相关性。有趣的是，在DFS4中，所有皮层下区域均表现出正相关，且与皮层强烈不相关。

最后，DFS5显示了同伦（ρz = 0：42 ± 0：0015）和DAN-DMN（ρz= 0.09 ± 0.002）连接的中间值，以及非常低的模块化值（0.20 ± 0.0007）。实际上，它反映了几乎所有网络（如DFS2）之间的另一种集成状态，除了VIS和DMN仍然更加隔离。DFS5与DFS2的区别在于VIS与所有其他网络之间没有负相关。

综上所述，我们确定了一组区域间相关的空间地图（DFSs）的皮层和皮层下的连接模式。一个重要的观点是，在每个DFS中，不同的皮层簇与一组特定的皮层下核相连（图3a，b）。事实上，皮层状态的变化与皮层下连通性的变化在时间上是一致的。图4a显示了在DFSs之间切换过程中，投射到不同网络上的主要特征向量（上）和皮层下连接的主要特征向量的两个主成分（下）。同时的皮层皮层下重组是明显的。重要的是，无论DFS开关的定义如何，皮层下和皮层模式的重组通常都是同步的。事实上，我们分别评估了皮层和皮层下区域的连接转移，即定义为连续滑动窗口对之间的连接差异。我们发现皮层下转换与网络皮层转换呈正相关（所有相关性>0.5）。皮层和皮层下的连通性变化（绝对值）显示出类似的分布（图4b左）。因此，我们定义当发生较大的连接差异时为跳跃（0.29，对应于前5%的值）。然后，我们测试了皮层和皮层下重组通过比较皮层和皮层下跳跃同时发生的概率（估计为P(皮层下变化∣皮层变化）)零假设的独立过程。我们评估了每个被试的这些测量值，并通过秩和检验比较了这两种分布。对于所有的网络，我们发现观察到的条件概率显著大于零假设下的概率（所有p

图4. 皮层和皮层下的动力学。（a）皮层网络（上）和皮层下簇（下）在一段时间内的平均连通性的两个例子。垂直虚线表示动态功能状态（DFSs）之间的切换。（b）（左）连续滑动窗口之间连通性差异的绝对值的概率分布。每一行代表一个不同的网络。(右)皮层下连接重组的条件概率的累积密度函数。每条彩色的线都与一个不同的皮层网络有关。黑线表示在皮层和皮层下变化之间独立的零假设下的累积密度函数。

重要的是，观察到的皮层和皮层下动力学之间的协调并不依赖于所使用的特定的皮层下分割。我们复制了我们最初的分析，并使用了最近的皮层下分割模板。Tian等人开发了4个分辨率不断提高的皮层下分割区（分别为16、32、50或54个区域）。我们将我们的分析限制在最低（16个区域）和最高（54个区域）的分辨率分割。分割的选择并不影响我们的三个主要发现：(1)基底节区与边缘区的“拮抗”动态，以皮层下动态FC的两个反相关的主成分为代表；(2)观察到不同的DFS与皮层/皮层下相互作用的不同模式有关，主要皮层下簇与皮层网络之间的连接模式不同；(3)皮层和皮层下动力学之间的协调，如皮层/皮层下FC同时变化。定性地说，这两个结果之间的主要区别与丘脑有关。而在最初分析中使用的分割模板中，丘脑基本上与基底神经节分组，新的分割模板产生更多微妙的结果，暗示了丘脑不同部分之间的功能分裂：丘脑的前部与基底节组，而后部不能明确地隶属于两个簇中的任何一个（基底节/边缘）。对丘脑核与DFS之间关系有待于进一步的研究。

2.3 亚急性中风导致DFS不平衡，并倾向于整合并随着时间的推移而恢复

接下来，我们采用与DFS交替相关的动态测量方法来研究脑卒中病变如何影响这些动态特征。在每个滑动窗口中只能激活一个DFS, 因此，功能连接的动态可以用一个离散值的单一时间序列（从1到5）来描述，每个值都与一个DFS相关联。提取三个措施来描述的动态，即时间分数(f)，逗留时间（）和转换概率（例如，从DFS1到DFS2：DFS1>2），来描述每个状态活跃的次数，每个状态的持续时间和从一个状态切换到另一个状态的概率。

根据最常见的静态FC卒中生物标志物对DFSs的描述表明，在更严重的静态FC损伤患者中，DFSs的改变可能更敏感地检测到。因此，我们将2周时患有严重或轻度静态（平均）FC损伤的中风患者进行了分组，并对三组进行了所有的动态分析：健康对照组、2周时患有严重或轻度FC损伤的中风患者。为此，我们进行了空间PCA分析，以找到一个总结静态FC异常的成分，它解释了患者中最大的方差部分。为了避免患者选择上的偏差，该PCA是在67名不适合进行动态分析的亚急性患者中进行的独立样本中运行的。该汇总成分（ST）的权重确定了两组患者：更严重的（ST > 0）（n = 18）或较轻的（ST < 0）（n = 29）)静态FC变化。接下来，我们将这两组称为“重度”和“轻度”患者，因为ST > 0患者的神经损伤总体上比ST < 0患者更严重（平均NIHSS评分：7.23（ST > 0）vs 2.37（ST < 0）；t检验：T = 4.02，p = 2.6×10−4）。对照组和亚急性患者之间的主要动态差异是不同DFSs的分数时间(f)（图5a顶部图）。除了DFS5，通过非参数置换检验评估，DFS5明显低于除DFS4之外的其他状态的频率分布（平均±标准误差：f 1 = 0.25 ± 0.03；f 2= 0.22 ± 0.03；f3=0.23±0. 02；f4 = 0.18 ± 0.02；f5 = 0.11 ± 0.01；f5 5，t=3.23，p=0.02）（平均±标准误差：ι1=13.97±1.44 TR；ι2=12.16±1.46 TR；ι3=12.59±1.13 TR；ι4=12.47±1.24 TR；ι5=8.40±0.89 TR）。

图5. 结果。（a）该图代表了与动态功能连接状态（DFSs）相关的两个动态度量，即时间分数（顶部）和平均逗留时间（底部）。对不同条件下的健康对照组和中风患者进行了比较。需要注意的是：(i)时间分数和逗留时间表现出相似的模式，但时间分数对识别组间差异更为敏感，以及（ii）在亚急性阶段识别的所有动态损伤，在慢性阶段恢复。通过非参数置换检验和错误发现率（FDR）校正，对5个DFSs中的每个组之间的显著性进行了独立检验。符号*表示经过FDR校正后的p值4：t = 3.16，p = 0.004；DFS 4>2：t = 3.20，p = 0.004，FDR校正），从DFS4到DFS3的转换更少（DFS 4>3：t = 3.27，p = 0.004，FDR校正）。此外，在轻度患者的DFS1和DFS5之间发现了双向转换异常（增加的DFS 1>5：t = 2.25，p = 0.05和DFS 5>1：t = 2.50，p = 0.03，FDR校正）。综上所述，转换概率的分析显示多/少的状态中风的就诊次数也更少，如重症患者的DFS2和轻症患者的DFS5。值得注意的是，在亚急性期观察到的时间分数、逗留时间和转换概率方面的所有动态异常在3个月和12个月时均随时间恢复（图5）。综上所述，更严重的脑卒中患者的特征是网络整合状态更频繁（DFS2,4），向它们的转换更多，网络分离状态相应减少（DFS1,3）。此外，伴有严重或轻度FC异常的脑卒中患者之间存在明显差异，后者倾向于使用DFS5的时间多于DFS2。重要的是，状态动态的亚急性改变在卒中后3个月和12个月恢复。

在一个对照分析中，我们验证了这些结果不是头动擦洗的结果。我们考虑了一个更严格的和一个更宽松的擦洗阈值（分别对应于一个更高的数量和一个更低数量的截尾帧数），我们没有观察到对结果的定性影响。

2.4 皮层下病变和皮层-皮层下断开解释了异常的FC连接动态

在确定了中风患者的动态连接异常发生在急性期并随着时间的推移而恢复后，我们有兴趣从病变位置和结构断开两方面建立这些改变的解剖学基础。我们采用机器学习策略（岭回归）来解释病变位置的动态FC损伤程度以及白质通路的相关结构断开（图1）。

考虑到个体的动态测量是相关的，我们使用PCA来总结主要的动态特征异常。我们对时间分数、逗留时间和转移概率进行了主成分分析。三个动态pc（Dyn-PC）解释了不同被试之间约43%的可变性。我们关注这些成分，因为每个后续的主成分（从第四个开始）只解释了总方差的一小部分（

岭回归模型建立了病变位置/体积或结构断开对Dyn-PC评分所捕获的动态损伤模式的个体贡献模型(图1和6）。具体来说，我们使用（i）病变图或（ii）每个被试的断开矩阵作为回归因子，分别估计每个动态PC。就像一个常见的回归模型一样，岭回归的目的是为每个体素（或链接）分配一个权重，表明它在解释一个特定的Dyn-PC值方面的贡献。例如，一个正的权重表明该体素中的一个损伤（或该结构链接的断开）在统计学上与该动态PC中的一个正的值相关，反之亦然。

病变的地形图与动态FC特征的变异性显著相关显示在图6a中。

Dyn-PC1评分在皮层病变患者中较高（阳性，分离较多），但在白质病变患者中较低（阴性，分离较少）——通常是严重的患者，往往有皮层下病变。因此，与Dyn-PC1相关的体素被分组为几个独立的簇，反映了皮层病变的异质性（R2 = 0.51，Dyn-PC1的p = 0.02）。皮层下白质和基底神经节病变的Dyn-PC2评分较低（阴性，分离程度较少）（R2 = 0.36，Dyn-PC2的p = 0.03）。没有显著的模型可以解释Dyn-PC3分数。

结构断开分析显示，与Dyn-PC2有显著关系（R2 = 0.13，p = 0.049）（图6b）。这个相应的散点图、图和断开矩阵显示，脑干/苍白球/壳核/丘脑与多个皮质区域（DMN、DAN、CON、SMN）之间的结构断开与较低的Dyn-PC2值相关，从而具有更强的网络整合。

值得注意的是，多模态关联皮层的损伤和长期关联皮层-皮层通路与皮层动力学异常或皮层状态之间的转换都没有显著相关。虽然考虑到每个皮层位置的病变数量较低，这一阴性结果是初步的，但我们的研究结果支持了皮层下活动和基底神经节/丘脑-皮层通信在0.1 Hz时间尺度上控制皮层动力学方面的重要性。这也与上述皮层-皮层下状态的时间同步性相一致。

图6.动态主成分（Dyn-PCs）与病变或断开连接之间的关系。（a）岭回归（RR）算法的结果，旨在识别动态pc的分数和解剖病变之间可能存在的关系。在左边，显示了3个Dyn-PC的真实值和估计值之间的散点图。每个点都是一个患者，其中风的严重程度（严重或轻微）用颜色编码，其病变的大小用点的尺寸来描述。r2为每个模型解释的方差量，p为模型的显著性。只有Dyn-PC1和Dyn-PC2被RR模型显著描述。（b）岭回归（RR）算法的结果，旨在识别Dyn-PC2和结构断开之间可能存在的关系。在左边，显示了真实值和估计值之间的散点图。在右边，显著的断开权重以矩阵形式表示（右），也投射到大脑（左）。

2.5 2周时异常的网络动态与多个认知领域的行为缺陷和恢复相关

最后，我们希望确定动态FC测量是否与行为缺陷有关，以及从临床角度来看，亚急性动态状态测量是否可以改善对静态FC的临床结果解释。

正如之前的研究结果所预期的那样，静态FC损伤部分解释了亚急性期（2周）的被试间行为缺陷的差异。我们通过一个考虑了回归变量数量的似然比检验，验证了在静态FC中添加动态功能信息是否显著增加了用广义线性模型（GLM）解释行为缺陷的能力。然后，在有显著增加的情况下，我们应用相同的测试来检验静态和动态回归变量的组合是否也比只有动态回归变量的模型有所改进。第二步旨在测试是否需要静态贡献和动态贡献来解释行为。

第一个分析使用静态和动态PC评分来解释用NIH中风量表（NIHSS）测量的整体中风损伤。动态pc的加入显著增加了对行为变异性的解释（R2从0.38增加到0.52，χ2 = 10.09，df = 3，p = 0.018）（图7左）。同时，组合模型也优于仅使用动态回归变量（R2 = 0.39，χ2 = 9.31，df = 1，p = 0.002）的模型，表明这两种贡献都是显著重要的，具有相似的R2。散点图显示了组合模型的关系（图7a)。

第二项分析检验了亚急性静态或动态FC是否解释了行为恢复，以1年与2周时行为评分的差异与2周时行为评分的绝对值之间的比值来衡量。动态FC的贡献在几个领域中都是相关的。具体来说，2周Dyn-PC提高了语言恢复模型性能（R2从0.004到0.23，χ2 = 10.71，df = 3，p = 0.013；b1=0.91，p = n.s; b2 = 0.78, p=n.s；b3 = 1.13，p = 0.018）和语言记忆恢复（R2从0.001到0.31，χ2=12.81，df =3, p = 0.005；b1 = 0.74, p = n,s; b2 = 0.29，p = n.s; b3 = 0.71，p = 0.012），而2周静态PC因素几乎是无关的（图7b）。

综上所述，动态指标改善了静态FC以上的整体损伤（NIHSS）的亚急性解释。此外，动态功能度量适合于解释某些个体域功能的未来恢复。相比之下，静态措施对解释复苏的作用较弱。

图7.动态测量与行为之间的关系。比值似然检验用于检验在静态测量中添加动态信息是否会显著增加广义线性模型描述行为缺陷的能力（在已解释的方差方面）。静态度量用静态主成分（ST）值表示，动态信息用动态主成分表示。（a）首先考虑亚急性患者的行为评分。当动态pc作为动态回归变量时，只有行为损伤的全局测量（）通过静态和动态回归变量的组合比静态回归变量更好地估计。条形图显示了简化（仅静态ST）模型的R2，未简化（静态和动态ST+DYN）的模型和简化模型（仅动态DYN）的R2。（b）作为第二步，我们在亚急性期使用静态和动态测量，来解释从2周到1年的行为评分的差异。当使用动态pc作为动态回归变量时，对语言和视觉记忆任务得分变化的解释明显更好。

3.讨论

健康被试的FC是一组动态功能状态（DFSs）之间的一系列转换的结果。特征是在皮层网络和皮层下相互作用之间存在特定的相关/反相关模式。在皮层水平，不同的DFSs反映不同网络沿着功能组织的单一主梯度的灵活排列，在其极端值处，我们分别发现了视觉网络和DMN。DFS1是健康被试中最常见的状态，它捕获了标准的“静态”（时间平均）任务积极/任务消极模式，将感觉-运动-注意网络与默认/边缘网络分开。DFS2-5代表了这一主要模式的变化，一些网络沿着主梯度发生了变化。例如，DFS2显示感觉运动与认知网络（DAN、VAN、CON、FPN）呈正相关，但这两个极端（视觉、DMN）存在相对分离。DFS3与视觉、感觉运动和听觉网络呈正相关，与FPN和DMN的相关无关，在相关空间中存在的网络（DAN、VAN、CON）相对独立。这种灵活的安排决定了网络分离和整合之间不断变化的平衡。时间分辨的FC模式在强集成状态（DFS2和DFS5）和强分离状态（DFS1和DFS3）之间交替。整合/分离平衡可以被静态FC指标很好地捕获：平均半球间FC和全脑模块化反映了更高的网络分离，而异常强的DAN-DMN FC反映了更高的网络整合。

重要的是，我们发现皮层网络可以灵活地与两组皮层下区域同步（图3）。其中一组包括纹状体（尾状体、壳核、伏隔核）和解剖学上连接的苍白球和丘脑。另一组包括海马体和杏仁核，它们是边缘系统的一部分。皮层-皮层下协调并不局限于不同DFS之间的切换，而且是不断发挥作用，因为皮层和皮层下区域表现出普遍的动态变化的同时性（图4）。最有趣的是，基底神经节/丘脑和边缘核之间的关系似乎是竞争性的：皮层网络与两组同步，但不是同时同步。例如，在DFS1中，DMN与边缘区呈正相关，与基底神经节/丘脑呈负相关，而在DFS3中则相反（图3）。纹状体/海马体的竞争也与这些区域作为全脑水平上功能整合或分离的路径点的新作用相一致。事实上，纹状体、海马体和丘脑是拓扑富人俱乐部的一部分，其作用是连接专门的大规模功能系统，以确保信息传输的高效率。根据之前的研究，将海马作为静止时皮层网络协调区域的主要协调区域，我们推测海马可能在促进不同皮层激活模式之间的转换中发挥了功能。

总的来说，这些发现强调了皮层下状态在皮层动力学协调以及大规模网络通信和组织中的重要性。因此，我们建议，旨在理解大脑的大规模功能组织的数学模型应该包括皮层下区域和皮层-皮层下的相互作用。

最近的一些研究调查了中风中FC的动态变化。关注FC连接的变化，Chen等表明，运动网络内的连接变异减少中风，而Hu等的研究结果显示几个网络的连接变异在急性中风阶段减少，并在慢性阶段恢复。其他研究采用类似于本研究中采用的DFS方法来观察动态FC模式。等人对运动网络中的DFS进行了描述，表明重症患者/轻症患者/对照组的DFS分数时间是不同的。和Small发现了与卒中后失语症严重程度相关的DFS。Wang等人比较了健康被试和伴有中脑病变的中风患者，发现患者的DFSs分数次数发生了改变。最后，等人对卒中后的DFS进行了纵向研究：他们发现重症和轻度患者的DFS时间分数不同，他们表明卒中后前3个月症状严重程度的变化（NIHSS变化）与涉及DMN成分的动态连接有关。

总之，先前的研究表明，（i）中风患者可能对特定的DFSs表现出异常的偏好，（ii）动态FC异常往往随着恢复而消失。我们的工作证实并概括了这些发现，通过系统地分析在一个相对较大的中风患者队列中动态FC的纵向变化，包括可变的病变部位和多个行为领域的缺陷。此外，通过深入分析皮层-皮层下的相互作用，以及将FC与病变地形图的动态变化联系起来，我们的工作表明，皮层下区域在中风后大脑动态平衡的改变中起着关键作用。

重要的是，我们的分析强调了静态和动态FC变化之间的关系。静态FC分析确定了在同源连通性、网络模块化和DAN-DMN半球内连通性的相对耦合方面已确定的中风异常。动态FC分析表明，这种静态的描述是异常失衡的结果动态状态的病人，长时间和更多的转变状态整合在皮层网络（DFS2、4），更少的分离和强同伦连接（DFS1和DFS3）（图5）。这些结果与以前的发现基本一致。Wang 等人发现了4个DFSs，并显示患者过表达（高时间分数）具有高整合但弱相关的状态（类似于我们研究中的DFS4）和低表达DMN和视觉感觉运动注意之间负相关的分离状态（类似于我们的研究中的DFS1）。等人鉴定了三个DFS，一个与其他网络中VIS和SMN的强分离（类似于本研究中的DFS2），一个与弱相关性（类似于DFS4），另一个与视觉-感觉运动网络和DMN之间的反相关关系（类似于DFS1）。中风患者过度表达了第一种状态，尽管等人将这种状态描述为一种异常分离的状态，但分离主要发生在视觉/SMN网络中，而认知网络则相当整合（如我们的DFS2）。

静态和动态FC代表了对不同时间尺度下的同一现象的描述，这在三个主要结果中都很明显。首先，动态FC变化在静态损伤更强的脑卒中患者亚组中更为明显。这一结果不会通过抽样同一组被试而产生偏差，因为强/弱损伤的分界点是在一个单独的样本中确定的。第二，与基底神经节和丘脑分离的患者的静态和动态FC缺陷更明显（图6），而动态FC缺陷较轻的患者有更多的皮层病变（图6a）。第三，DFSs的精确分布和地形图是由静态FC异常调节的（反之亦然）。事实上，尽管我们的描述强调了健康对照组和患者之间DFS动态特性的定量变化，但很明显，当我们分别对两组进行分析时，出现了一些SI-差异。具体来说，更综合的状态DFS2在高度受损的患者中更为常见，但在对照组和亚急性患者中看起来不同。主要的区别是大脑半球间连接的丧失，这是亚急性期静态FC最常见的异常。

动态FC的变化明显与行为相关，因为它们改善了NIHSS所测量的亚急性损伤的解释，高于静态FC所提供的解释。更有趣的是，与静态FC相比，动态FC允许对语言和记忆分数恢复的急性到慢性的解释（图7）。这些发现明确地表明了动态FC在解释防御能力方面的潜力，特别是在认知功能方面。这与大脑网络的功能改变对于依赖于分布式网络的认知功能（如记忆、注意力、语言）非常重要的概念是一致的，而视觉和运动功能的结构损伤更为敏感。

动态FC随着时间的推移与行为并行恢复，正如之前报道的静态FC。行为恢复与动态测量的正常化有关，即使不同程度的脑卒中患者，表现出不同的亚急性动态损伤。我们的研究结果支持了这样的假设，即中风后大脑连接的功能重组倾向于恢复健康的共同目标，而不是建立在代偿机制之上。

我们的工作也有潜在的局限性。首先，动态FC研究的一些方法，包括时间变异的相关模式，区域瞬时相干，时间独立成分或模式（TFM），空间模式瞬时大胆活动峰值或“激活模式”，隐马尔科夫模型的大脑状态定义，以及最近的连边为中心的功能连接方法。我们选择了最直接的滑动窗口时间相关性方法，然后是特征向量分解和聚类，以定义一组空间连接状态，随着时间的推移不断激活和停用。更复杂的定义连接的方法可以允许观察更丰富的动态状态。然而，滑动窗口方法是相当标准的，可以很容易地由不同的研究人员群体来实施，从而促进了跨研究的可复制性和比较。其次，我们并没有只在患者中观察到一种特定的“中风状态”被激活。然而，这可能是由于我们的方法选择：在应用聚类算法之前连接所有的被试和条件可能会降低亚急性患者贡献的特异性。我们使用了单一的连接，因为对每个不同的条件有不同的聚类会使对照/患者的比较相当困难。事实上，当我们在不同组（对照组、亚急性、慢性、轻度和重度患者）中分别定义DFSs时，尽管总体上相似，但我们确实注意到在DFS2中对照组和亚急性患者之间的一些差异。导致“中风状态”缺失的另一个可能原因可能是患者在病变和行为缺陷方面的高度异质性，这被较重和较轻中风患者之间的显著动态差异所增强。第三，为了研究FC/dFC与病变/行为之间的关系，我们做了一个降维步骤：关于FC/dFC的多元信息被有效地压缩成一个短标量组：三个动态主成分，总结不同dFs的时间分数、停留时间和转移概率；一个静态主成分，总结了脑卒中患者最常见的异常FC模式。不能假设这些标量完全地表示FC和dFC的所有可能的相关方面。原则上，这种降维的一个可能的选择是使用双多元方法，如偏最小二乘或正则相关分析，但我们不确定这是否会导致容易解释的结果。此外，我们没有测试岭回归结果的泛化到新的样本，因此目前的岭回归分析的结果可能是特定于所使用的被试的样本。虽然进行嵌套交叉验证可能会增强这些发现的稳健性，但我们认为，只有通过在一个独立的被试队列中复制这些发现，才能获得确凿的证据。最后，由于TR较长和头动擦洗的巨大影响（平均有25%的数据点被丢弃），每个被试的可用数据量有限，这限制了动态FC指标的单个估计的可靠性。因此，虽然我们的组结果表明动态FC指标与中风严重程度相关，但它们作为个体生物标志物的使用目前有限。

卒中研究的一个关键目标是在药物治疗、康复、非创脑刺激的基础上设计新的治疗策略。这个目的，识别一个合适的大脑动力学的数学模型将非常有用，不仅解释和探索患者的经验数据，也预测和应用最优策略来提高行为性能的恢复，这通常与规范化FC并行。我们的工作通过发现皮层下区域在皮层状态动力学中的基本作用，并提出大脑状态的定义和一套用于识别功能异常的措施，向这一方向迈出了一步。

4.方法

本研究符合所有相关的伦理法规。根据《赫尔辛基宣言》和华盛顿大学在圣路易斯机构审查委员会制定的程序，获得了所有被试的书面知情同意。所有被试都得到了报酬。本研究的所有方面都得到了华盛顿大学医学院（WUSM）内部审查委员会的批准。

4.1 影像

在这些分析中使用的数据是华盛顿中风队列的一部分。该数据库包括首次卒中患者，研究时间为1-2周（平均= 13.4天，SD = 4.8天）、中风发病后3个月和12个月。一组30名年龄匹配的对照组被试以3个月为间隔进行了两次研究。所有成像均使用华盛顿大学医学院（WUSM）的西门子3T Tim-Trio扫描仪和标准的12通道头线圈进行。成像方案包括结构性MRI、静息状态血氧依赖水平（BOLD）MRI、弥散性MRI和动脉自旋标记。结构扫描包括：(1)矢状面T1加权MP-RAGE（TR = 1950 ms，TE = 2.26 ms，翻转角度=90°，体素大小= 1.0×1.0×1.0 mm）；(2)横向T2加权涡轮自旋回波（TR = 2500 ms，TE = 435 ms，体素大小= 1.0×1.0×1.0×1.0 mm）。静息态功能扫描使用梯度回波EPI序列（TR = 2000 ms，TE = 27 ms，32层4mm的切片，分辨率为4×4mm），扫描期间被试被指示关注一个小白色十字集中在屏幕上黑色背景在一个低亮度的环境。获得了6到8次静息态（RS）fMRI运行，每次运行包括128卷（共30 min）。静息态fMRI预处理包括（i）头部运动回归、脑室和脑脊液信号、白质信号、全局信号（ii）0.009–0.08 Hz波段的时间滤波保留频率。最后，将得到的剩余时间序列投射到每个被试的皮质层表面，分为等人开发的324个ROI，以及90个来自的皮层下图谱的19个ROI。只有至少有180个覆盖完整被试被考虑进行分析。由于预处理，114名受试者在2周（亚急性）时可用，3个月为80名，12个月为65名，第一次和第二次采集时分别有24名和20名对照组。

4.2 动态功能状态（DFSs）

4.2.1 DFSs定义

动态功能状态（DFSs）的定义需要几个相邻的帧，因此只有至少300 TR（600 s）有效信号才被认为是有效记录。只有在所有三个时间点（2周、3个月、12个月）进行有效记录的患者是在分析中考虑。因此，我们考虑了第一次试验的20个对照，第二次试验的20个对照，以及3个时间点的47例患者——总共20 + 20 + 47×3 = 181个。通过排除高运动帧并保留前300个良好的帧，每个扫描序列都被缩短到300 TR。对于聚类步骤，我们连接了所有181个序列。DFSs定义的基于包括4个步骤（图2）：（i）每个被试的BOLD信号的时间过程被分为270个重叠的时间窗，30个TR（60秒）长，每1个TR（2秒）步进一次。我们比较了不同宽度（20、40和50 TR）得到的结果。在每个滑动窗口中计算所有区域对间的皮尔逊相关系数的-z变换，以估计动态功能连接（DFC）；（ii）每个DFC矩阵通过将其投影到由第一个特征向量vi定义的领先特征空间上来近似，即用矩阵vi×viT逼近原始DFC矩阵；（iii）将DFC矩阵的上三角部分向量化，并在窗口、主题和时间点进行连接（获得维数48,870×4005、48,470和4005分别为总滑动窗口的数量，连接对的数量），最终应用皮尔逊相关和20个重复的时间K均值聚类算法；（iv）使用-算法搜索最优的DFSs数。

对于每个DFS，我们评估了代表中风中最常见观察到的静态FC生物标志物的三个指标，即：(1)每个网络内的平均同位半球间连通性；(2)DAN和DMN区域之间的平均半球内连通性，作为网络整合的衡量标准；(3)皮层网络之间的整体模块性。

在每个滑动窗口中计算所有这三个指标，然后对DFS进行排序。

4.2.2 动态功能状态动力学

K-means聚类将每个滑动窗口与特定的DFS相关联，因此每个被试获得离散时间序列x（n），n=1，…，270，其中每个离散值（1和K之间）表示该时间窗口的活动状态。从这些时间过程中，可以对每种状态进行三种不同的动态度量的评估，即时间分数、逗留时间和转换概率（图1）。每个DFS的时间分数fk由状态活动的时间百分比给出：

其中，#(a)表示条件a被验证的次数。

每个DFS的停留时间k测量每个状态保持持续活动的周期的平均长度。在形式上，它被定义为:

其中，Lk为基数为∣Lk∣的集合，其元素Lk [i]表示状态k连续活动的每个周期的持续时间：

最后，从DFS i到DFS j、DFSi > j的转换概率由如下式可知：

它反映了从DFS i到DFS j的跳跃次数与跳跃总数之间的比率。

通过广义线性混合效应模型（GLME）、非参数置换检验的显著差异，以确定亚急性中风状态动态的异常模式，及可能在3或12个月后的恢复情况。

4.3 皮层和皮层下的模式重组

我们使用每个滑动窗口中DFC矩阵的主要特征向量来定义来量化皮层下核和皮层网络在一段时间内的模式重组。具体来说，我们考虑了主向量vi的（19个×1）子向量vsub，它从皮层下区域对应的19个条目中获得。

在不同滑动窗口中获得的向量vsub作为空间PCA的输入，目的是识别一致进化的皮层下区域簇。因此，我们有vsub(t)=Pwsub(t)，其中P是主成分负载的矩阵。

作为每个皮层网络的整体连接的度量，我们考虑了在每个滑动窗口中，从与网络区域相关的vi条目中获得的子向量vnet的平均值。

对于每个DFS，我们计算了皮层下网络和皮层网络之间的连接（见图3d）。为此，我们考虑了vi×viT的子矩阵vnet×vsubT，并将其投影到取vi×viT的主成分空间上。

此外，我们通过计算两个连续滑动窗口之间的vnet（皮层网络）或Pvsub（皮层下主成分）差值的绝对值来定义连接的网络变化。因此，我们将皮层下成分和每个网络的变异性时间过程（使用0.29的阈值，对应于第95个百分位数）进行了二值化。

为了测试皮层下和皮层移位是否同时发生，对于每个被试，我们分别评估了观察到的在特定滑动窗口中，皮层下转换发生在同一滑动窗口的概率，如下：

然后，我们将这个观察到的概率与在独立过程的零假设下得到的条件概率进行了比较。具体来说，对于每个被试，我们估计了转换概率为二值化时间过程中转换的百分比，包括皮层下成分（psub）和所有皮层网络（pnet）。在独立过程的假设下，我们评估了条件概率如下：

最后，通过非参数秩和检验来评估这些概率分布在被试者之间是否存在显著差异。

4.4 与解剖性病变和结构性断开的关系

从47例亚急性卒中用于DFS分析的患者中获得的结构性MRI数据被用于测量每个病变在体素水平上的解剖影响。使用分析软件包在每个患者的结构性MRI扫描上手动分割病变。t1加权、t2加权和t2-FLAIR扫描联合使用，以确保病变的完整轮廓。如果存在，周围的血管源性水肿被包括在所有患者的病变定义中。所有的分割都由两名委员会认证的神经学家进行审查，并由MC进行第二次审查。最后的分割被用作后续处理和分析步骤的二元病变mask。利用线性变换和非线性扭曲的组合将病变掩模转换为MNI图谱空间。

使用相同的324皮层分区和35个皮层下和小脑区域。具体来说，对于每个患者，矩阵被定义为一个尺寸为359×359的方阵，其中ij位置的每个条目代表被病变断开的流线连接区域i和j的百分比。模板结构连接体来自于一个公开的扩散MRI流线束状图谱，使用来自842名HCP项目被试的数据构建。

在这一点上，我们想要测试（i）解剖学病变的位置和（ii）结构脱节与动态测量（由动态PC描述）之间的关系。因此，我们实现了两次岭回归算法（RR）：第一次（i）将体素级病变图（回归变量）与动态PC分数（因变量）联系起来，第二次（ii）将断开矩阵（回归变量）与动态PC分数（因变量）联系起来。

由于计算问题，在应用RR之前，需要对矩阵X进行降维。因此，我们对147,465 3mm3脑体素应用了PCA，我们考虑了第一个解释至少97%原始方差的pc作为我们的RR模型的回归变量X。除了解决维数问题外，主成分分析步骤还旨在将原始的二进制矩阵转换为一组连续的回归变量。然后用X对整个矩阵进行z分数变换。

对于三种RR模型中的每一种（每个动态PC对应一个模型），正则化参数λ通过识别[10-5,105]内的值进行优化。具体来说，对于λ的每个值，每个RR模型都使用留一法交叉验证循环（LOOCV）进行训练和测试，该循环使用47 - 1 = 46个训练数据来估计模型的权重，并将其应用于被遗漏的患者来解释他的行为得分。最优λ（λopt）值是在训练集上预测误差最小的值，并将λopt得到的预测作为模型回归变量。

为了获得最优的RR模型权值β的集，从λopt处的每个LOOCV循环得到的权值在Ns循环中取平均值。将置换检验得到的权值分布作为零分布，选择统计上显著的权值。只有落在零分布的左端或右端（2.5%）尾部的β被认为是显著的。这些被选择的权重被反向投影到大脑中，以显示出最具预测性的损伤体素的地图。

4.5 与行为的关系

同样的被试（对照组和患者）也在每个时间点都进行了一系列的神经心理学测试，这些测试涵盖了不同的认知领域，如运动、注意力、语言、视觉和记忆功能。成像和行为测试通常在同一天进行。分数只记录了被试能够完成的任务。使用主成分分析对性能数据进行了降维。接下来，对每个类别运行一个PCA，并将第一个组件用作得分。

除了这些领域的分数，患者的临床严重程度评估通过美国国立卫生研究院中风测量（NIHSS），其中包括15子测试解决：意识水平（LOC），凝视和视野缺陷，面瘫，上和下运动缺陷，肢体共济失调、感觉障碍、注意力不集中、构音障碍和语言缺陷。总NIHSS被用作每个患者临床严重程度的平均测量值。该评分适用于40例亚急性期患者，在3个月和12个月时分别为42例和47例。

为了检验动态测量是否在描述行为结果时为静态FC添加了一些重要的信息，对于每个领域得分和总NIHSS得分，我们应用了嵌套模型的比较检验。具体来说，我们首先以ST为回归变量，以每个行为分数为输出，估计了广义线性模型（GLM）的参数。然后，我们估计了相同输出的另一个GLM，以ST和三个动态pc分数作为回归变量。最后，使用似然比检验来检验动态测量的添加是否对描述行为得分显著有用。

在性能显著提高的情况下，我们还测试了完整的（静态+动态）模型是否优于仅使用动态回归变量的模型，以验证所有的贡献是否相关。我们使用亚急性期的回归变量（静态和动态）来估计亚急性期的行为评分和行为恢复。以1年和2周时行为得分的差异与2周时得分的绝对值之比来评价恢复情况。

4.6 统计和重复性分析

我们的统计分析是基于常见的参数检验（秩、t检验、广义线性混合效应模型的f检验、似然比检验）或简单的基于非参数置换检验，这是我们用定制代码实现的。我们的代码基于 2021a。当同时检验多个假设时，我们进行多重比较校正。

参考文献：- of the human brain and their in