探索MEG脑指纹：评估、陷阱和解释
基于受试者的功能性连接组(FC)的个体特征(即“FC指纹”)已经成为当代神经科学研究的一个非常热门的目标，但脑磁图(MEG)数据中的FC指纹还没有得到广泛的研究。本研究中，我们研究来自人类连接组计划(HCP)的静息状态的MEG数据，以评估脑磁图FC指纹及其与包括振幅和相位耦合的功能连接指标、空间渗漏校正、频带和行为意义在内的几个因素的关系。为此，我们首先使用两种识别评分方法，区分识别率和成功率，为每个FC测量提供定量指纹评分。其次，我们探索了横跨不同频段(δ、θ、α、β和γ)的边缘和节点的MEG指纹模式。最后，我们研究了从同一受试者的MEG和fMRI记录中获得的跨模态指纹模式。我们的结果表明，指纹识别的性能在很大程度上取决于功能连接指标、频带、识别评分方法和空间渗漏校正。本研究初步提供了MEG指纹与不同方法学和电生理因素相关的第一个特征，并有助于理解指纹的跨模态关系。
1、背景
公共神经影像数据的可用性越来越高已经引起了越来越多的研究，旨在绘制跨多个时间和空间尺度的人脑结构和功能。为此，一个新的研究方向诞生了，它将大脑建模为一个相互连接的功能性或结构性元素的网络，也称为脑连接组学。该网络通过两种类型相互连接：(1)结构连接，代表不同大脑区域之间的物理连接，称为结构性连接组；(2)功能连接，代表当受试者处于休息或执行任务时大脑区域信号之间的统计相互依赖性，称为功能性连接组(FC)。fMRI的研究表明，FC可以作为个体受试者的“指纹”。事实上，FC本质上是大脑活动的二阶统计总结，包含可用于预测和建模个体行为和临床评分的特定信息。
本研究中，我们全面研究脑磁图FC的指纹特性。我们首先研究了MEG功能连接指标对指纹的影响，以及时间尺度和频带在连接组识别中的作用。此外，我们报告了MEG数据中具有最高指纹值的主要大脑区域和连接(它们对于识别一个组中的单个受试者是最重要的)。我们通过比较和分析从MEG数据中提取的指纹特征和从同一受试者的fMRI记录中获得的指纹特征，探讨它们与行为特征的关系，从而得出结论。
2、材料与方法
2.1 HCP数据
本研究使用的数据集包括来自HCP发布的1200名受试者中89名受试者(46%女性，平均年龄29.0±3.6岁)的结构和功能(静息状态MEG和fMRI)数据。在两个单独的运行(MEG)或两个单独的会话(fMRI)上为单个受试者获取的功能数据被标记为“测试”和“重测”。
2.2 皮质分割
我们使用了HCP提供的Destrieux皮质分割，它包括148个感兴趣区。此外，通过多数表决程序，每个皮层区域被分配到定义的七个静息状态网络(RSN)中的一个，即Destrieux图谱中的每个大脑区域被分配到存在程度最高的功能网络。
2.3 MEG处理
我们从HCP数据库下载了预处理后的传感器级MEG数据。通过搜索相邻相关分布中的离群值来识别坏通道；对于每个通道，通过相对于整个数据时间序列的统计特征的异常高的z得分来识别坏段。利用独立成分分析(ICA)实现伪影去除，然后将获得的独立成分(IC)自动分类为脑和非脑(人工)成分。从数据中移除识别出的伪像，并且只使用脑成分进行进一步分析。为了获得源定位的神经活动信号，我们将传感器水平的时间序列投影到与Destrieux区域的中心相对应的皮层中的148个位置(源)(图1A)。重建的时间序列被细分为33个8s的时间段(4072个样本)，并使用25阶的双向FIR滤波器将其带通滤波到5个典型频带：δ(0.5-4 Hz)、θ(4-8 Hz)、α(8-13 Hz)、β(13-30 Hz)和γ(30-48 Hz)。
图1 MEG指纹分析流程。
2.4 fMRI处理
为了进行fMRI比较，我们采用了最小限度预处理的HCP静息状态数据，并添加了以下预处理步骤。首先，我们应用了标准的一般线性模型(GLM)回归。其次，我们对0.01~0.15Hz范围内的时间序列进行带通滤波，并在148个Destrieux大脑皮层区域中的每个体素上对它们进行平均。最后，对区域时间序列进行了Z评分。
2.5 功能连接指标
在本研究中，我们根据MEG时间序列之间的振幅或相位耦合，以及对空间渗漏伪影敏感或不敏感的6种不同的功能连接指标进行了评估(表1)。
表1 功能连接指标列表。
对于我们研究中的MEG数据，我们考虑了两个基于幅度的功能连接指标：(1)幅度包络相关(AEC)；(2)在时域中对MEG数据进行成对对称正交化后计算的校正幅度包络相关(AECc)。此外，我们考虑了四个基于相位的指标：(1)相位锁定值(PLV)，评估两个大脑信号之间的时变相位差；(2)相位滞后指数(PLI)，估计两个信号之间相位差分布在零附近的不对称性；(3)加权相位滞后指数(wPLI)，通过交叉虚部的大小来加权PLI；(4)相位线性度量(PLM)，通过监测脑区在时间上的相位差来测量它们之间的同步性，同时考虑两个信号的主频率分量之间的微小差异。
对于基于MEG幅度的指标，在MEG数据的每个时期，原始的和成对的正交化带通时间序列通过希尔伯特变换以获得它们的幅度包络。然后计算AEC/AECc，作为幅度包络之间的皮尔逊相关系数，并在各时间段上求平均值。对于基于相位的指标，对于每个时间段，带通时间序列通过希尔伯特变换以得到瞬时相位信号，该瞬时相位信号用于计算PLV、PLI、wPLI和PLM值。最后，对于每个受试者和每个FC指标，功能连接值在所有时间段被平均，以获得维度为148×148的每个受试者10个测试/重测平均功能连接矩阵，5个频带中的每一个都有2个(图1B)。在本研究中，我们使用广泛使用的皮尔逊相关(PC)指标来计算fMRI数据中的功能连接。
2.6 MEG连接组指纹
我们探讨了功能连接指标和频带对MEG连接组指纹的影响。此外，我们根据连接组边缘和静息状态网络对整体MEG指纹水平的贡献进行了评估。
2.6.1 MEG连接组指纹：全网络水平
我们通过定义“可识别性”矩阵(见图1C)，研究了MEG连接组的个体间可识别性。该矩阵编码关于每个受试者在整个测试/重测过程中与自己的自相似性的信息(Iself，主对角线元素)，以及其他受试者的相似性(Iothers，非对角线元素)。两个功能连接体之间的相似性被量化为测试/重测连接性矩阵之间的皮尔逊相关系数。Iself和Iothers之间的差异(Idiff)提供了特定数据集指纹级别的可靠分数。此外，我们还采用了一种名为成功率(SR)的二元识别评分方法。鉴于指纹的非对称性质，我们报告了会话1-2和会话2-1之间的平均成功率。通过研究成功率和差异可识别性，我们的目标是对识别分数及其在连接组指纹中的关键作用有一个全面的理解。我们使用ANOVA进一步考察了功能连接度量和频带等因素对个体可区分性(即受试者的Idiff)和可靠性(即受试者的Iself)的影响(主效应和交互效应)。
为了评估观察到的差异可识别性和成功率的统计学意义，我们采用了如下排列测试框架。在排列测试的每一次迭代中，受试者的测试-重测连接组被随机洗牌，然后在随机识别矩阵上计算差别可识别性和成功率。此外，为了校正多重比较，我们合并了所有6个FC指标和5个频带的零分布。然后将观察到的(真)差别可识别性和成功率得分与其相应的零分布进行比较，以确定p值。
2.6.2 个体功能连接的贡献
我们利用类内相关系数来量化连接组个体边缘的可靠性，称为ICC。ICC越高，边缘连接性的“指纹值”就越高。我们生成了一个大小为N2的方形对称ICC矩阵，其中N是大脑区域的数量。此外，我们通过对网络内和网络间连接的边向ICC值进行分组平均，从而得出对应于七个网络分区的7×7 ICC指纹矩阵，来研究静息状态网络的可识别性(或指纹)。
2.6.3 节点指纹强度
我们通过按列对ICC边缘矩阵求和来探索每个大脑区域的可识别性(或指纹)强度(节点指纹强度)。我们为所有感兴趣的功能连接指标和频带生成了节点指纹强度的分布。在每个感兴趣的频段下，我们对每种方法生成的节点指纹强度分布应用了5-95个百分点的阈值。
2.6.4 跨模态指纹模式
为了得到MEG的节点指纹模式与fMRI数据之间的相似度数值，我们引入了一种称为跨模态节点相关系数(CMNCC)的相关系数度量。我们根据三个指标对CMNCC进行评估：(1)节点指纹强度(NFS)；(2)全脑水平；(3)网络水平。使用两个模态的边向ICC评分之间的Pearson相关系数计算CMNCC度量，并计算所有FC指标和频带的CMNCC度量。使用Bonferroni校正针对多重比较对显著性结果进行进一步校正。
2.7 功能性连接组与认知的多变量相关性研究
我们对功能连接值与认知分数进行了偏最小二乘相关(PLSC)分析。对于每个MEG功能连接指标和每个频段，以及基于fMRI的连接组，重复进行PLSC分析。用方差分析评估功能连接指标和频带对连接组—认知协方差的影响。
3、结果
3.1 跨FC指标的MEG连接组指纹
我们评估了四种常用的相位耦合指标(PLM、wPLI、PLI、PLV)和两种常用的幅度耦合指标(AEC、AECc)上的连接组指纹(或可识别性)(表1)。图2描述了针对α和β频段报告的不同连接指标和评分方法的识别性。对于Idiff和SR，在所有比较中，观察值(true)都高于合并零分布的最大值，因此所获得的p值是显著的，并且针对多次比较进行了校正。我们观察到FC指标和频段的可识别性度量有很大的变异性。在不同频段上，我们观察到α频段和β频段的识别率相对较高。特别是在α频段，我们观察到基于相位的指标的Idiff和SR评分高于基于幅度的指标。我们还观察到，wPLI、PLI和AECc是各频段识别水平变化最大的指标。此外，上述指标中，在中心频段(α和β)观察到可识别性得分最高。PLM似乎是连接组识别的首选连接指标，因为在不同频段观察到相对较高和一致的识别分数(图2B)。此外，我们还观察到对空间渗漏敏感的指标(AEC和PLV)的识别水平有一个特征性的变化：SR的识别分数相对较高，Idiff的识别分数较低。
图2 跨频段和指标的MEG连接组指纹。
3.2 MEG连接组指纹：边缘可识别性
图3描绘了边缘ICC矩阵(图3A、3C)、网络内和网络间可识别性模式(图3B、3D)以及跨频带的功能连接指标的节点指纹强度分布(图3E)。
图3 跨连接指标和频段的边缘指纹。
与AECc和PLM连接组相关的边缘指纹模式描述了一定程度的空间特异性，具有较高的网络内组内平均ICC得分。此外，与AECc和PLM测量相比，AEC指标中的节点指纹模式相对较少。跨频带的节点指纹强度分布如图3E所示。与其他频段相比，α频段和β频段的节点指纹强度相对较高。与其他指标相比，在PLM指标中δ、θ和γ波段的节点指纹强度相对较高。另一方面，wPLI指标中空间非特异性的边缘可识别性模式导致大多数频段的节点指纹强度相对较低；但在α频段，节点指纹强度值与在其他频段观察到的强度相当。
3.3 MEG连接组指纹：节点指纹得分
图4描述了fMRI数据的节点指纹强度和θ、α和β带的三个MEG指标(AEC、AECc和PLM)的大脑渲染图。我们在AECc和PLM指标中观察到空间局域模式。这些模式在θ和α频段中被显著观察到，并在所有指标中定位于大脑后部区域(颞区、枕区和顶区)。在AECc指标中，颞顶区的节点指纹强度较大。在PLM指标中，顶枕区具有较大节点指纹强度(图4A)。我们还观察到PLM指标的所有频段对大脑楔前区域的高度指纹特异性。在AEC测量中，我们观察到θ带中的空间特异性相对较低。
图4 MEG和fMRI的节点指纹模式。
3.4 跨模态连接组指纹
fMRI数据的节点指纹模式描述了大脑顶区显著的空间特异性，特别反映了腹侧注意、背侧注意和额顶网络对指纹的较高贡献(见图4B)。此外，CMNCC的结果，揭示了节点指纹模式之间的跨模态相似性，如图5所示。与渗漏未校正的指标(AEC和PLV)相比，渗漏校正的指标(AECc、PLM、PLI、wPLI)描述了相对较高的CMNCC得分，即更相似的跨模态指纹模式。
此外，在CMNCC得分相对较高的指标中，我们观察到较低时间尺度(δ和θ)的指纹模式与较高时间尺度(α、β和γ)的指纹模式的跨模态相似性相对较高。进一步我们发现，视觉网络通常被识别为在所有指标和频段上具有最高跨模态指纹相似性(高CMNCC得分)的网络。
图5 跨模态连接组指纹。
3.5 功能性连接组的行为学意义
我们发现，除不同频段外，所有连接指标都存在显著的连接组认知多变量相关，其中AECc和PLV在所有频段都显示显著相关，PLI仅在β频段显示显著相关(图6A)。与PLSC显著成分相关的认知突显在不同的连接指标和频带上是高度不同的，这表明来自不同连接指标和不同时间尺度的功能性连接组倾向于解释不同的认知维度(图6B)。特别是，对连接组—认知相关模式影响最大的认知维度是低频段(δ，θ)的冲动性和空间定向，中频段(α，β)的处理速度，以及β频段的情景记忆；γ频段中的连接组—认知关联对特定认知维度的特异性较低(图6C)。最后，我们发现了显著的fMRI—认知相关模式，主要涉及情景记忆、工作记忆和流体智力维度(图6B，6C)。与MEG(图6A)相比，fMRI解释的连接组—认知协方差较低(图6A)。
图6 功能性连接组的行为学意义。
4、讨论
当聚焦于AECc、wPLI和PLI指标时，我们的结果表明了α和β频带在指纹识别中的特征重要性。这一发现虽然特定于某些连接指标，但可能表明大脑振荡在人类认知中的作用与它们的指纹值之间存在联系。
空间渗漏对MEG指纹的影响是多方面的。虽然空间渗漏确实减少了个体内和个体间的连接组可变性，这可能会阻碍指纹识别；但在Iself和Iothers分布之间的狭窄但整齐的分离似乎被保存在无渗漏纠正的指标中，这可以获得良好的成功率。这表明，Idiff对识别变化比成功率更敏感，因为它解释了个体间和个体内的变异性。总体而言，这些发现表明指纹估计取决于功能连接指标的性质和估计的频带。
基于类内关系的结果显示出一定的空间特异性和功能网络(FNs)模式。我们的发现提出这样一种观点，即在重测条件下，视觉网络主要更多地参与边缘辨识性，因此在解释个体之间的变异性方面具有很大的潜力。可能进一步表明大脑振荡在人类认知中的作用与相关的指纹模式之间存在联系。
我们研究的另一个关键方面是评估节点指纹强度，以表征和可视化大脑皮层区域的指纹潜力。我们的结果强调了大脑振荡在人类认知中的作用与相关的指纹指标之间的联系。这些发现说明了特定的皮层区域(或功能网络)的测试/重测条件之间的强烈一致性，从而强调了它们在未来指纹研究中的强大潜力。
研究的另一个方面是辨别指纹模式是否在不同的神经成像模式之间是相同的。我们的分析表明，MEG和fMRI的节点指纹模式存在一定程度的相似性。来自网络级别的CMNCC指标的结果进一步揭示了视觉网络的特征出现在所有指标和频带的所有模态中是最容易识别的。我们目前的发现表明，两种成像模式的节点指纹模式之间存在一定程度的空间一致性。
进行指纹分析的一个主要动机是证明个体之间的连接在个体内是稳定的，在个体间是独特的。我们研究了跨不同功能连接指标和频带的MEG连接组的行为学意义。我们的结果表明，MEG功能性连接组捕捉到个体间认知表现的差异，并且个体之间认知差异性取决于个体连接组的连接指标和频段。这些发现突出了指纹和MEG连接组的行为学相关性之间的某种程度的对应关系。
最后，我们对成像方式和频段的PLSC分析表明，FC和认知域之间的联系可能依赖于功能性连接组的时间尺度。特别是，较慢的时间尺度(δ、θ频段)的MEG功能连接主要与自我调节/冲动和空间定向有关，而较快的时间尺度(α、β频段)与加工速度/执行功能、记忆和注意表现有关。γ频段功能连接的行为学意义似乎不太针对单一的认知域。有趣的是，MEG数据的连接组—认知协方差大于fMRI数据的协方差，提示静息状态下的大规模电生理连接模式可能比血液动力学测试具有更强的行为学相关性。
5、结论
综上所述，我们进行了一项使用MEG数据进行指纹识别的研究，探索了脑指纹与各种因素之间的关系，这些因素包括功能连接指标、频段、空间渗漏、识别评分方法、神经成像模式和行为学意义。我们研究了所有这些因素对MEG的贡献，发现准确的个体估计需要仔细考虑这些特征，特别是FC指标和选择的频段。