论文周报 | 第7期

更多技术，第一时间送达

本论文在大规模的人类ECoG记录的基础上，提出了一种基于大脑皮层区域在时空微状态下的概率共激活的功能网络分割的新方法，揭示了一种由任务和休息大脑共享的大规模皮层网络的概率和频率特异性耦合机制。

基于静息fMRI信号慢波动的相关性，已经建立了大规模的皮层网络模式。然而，皮层网络的电生理机制仍有待阐明。通过大规模的人类ECoG记录，论文中提出了一种基于大脑皮层区域在时空微状态下的概率共激活的功能网络划分的新方法。通过皮层电刺激（ECS）和体感诱发电位记录对分离的网络进行了验证，结果表明其准确性明显高于传统的长期相关方法。这为支持皮层网络的动态本质提供了直接的电生理学证据。进一步的分析表明，大脑范围内的连接可能是建立在ECoG功率包络的耦合上，其公共载频范围从alpha到低beta(8-32Hz)。而且在这个特定频率上的皮层网络模式在不同的任务中被发现是一致的，这类似于静息的网络。上述功能网络分割与功能核磁共振静息网络图谱在个体中的高度相似性也表明，自发性BOLD信号的电生理基础是带限神经振荡的慢功率-包络耦合。本论文的主要工作是关于直接人类记录的发现揭示了一种由任务和静息大脑共享的大规模皮层网络的概率和频率特异性耦合机制。

上图为随时间变化的连接模式到微观状态的时间聚类。

(A)从示范性患者的ECoG电极提取的功率包络线在时间窗口内具有不同的相关结构。

(B)短时间段(5s)有限频带ECoG信号的成对相关矩阵。

(C)将每个相关矩阵的下三角矩阵重塑为向量。所有的向量都被组装成代表大脑宽电极的时变连通性的时空模式。

(D)根据短时间片段的矢量化相关矩阵，时空模式在时间上聚集成10个电生理微状态(EMS)。

(E) 平均每个ECoG电极对在微状态下的相关性，构成平均相关矩阵，然后在空间上聚集成五个子网络。

(F)十个EMSs的平均配对相关模式，按它们与整体配对相关模式的一致性值排序。

下图为基于CAP的功能网络划分验证。

(A)使用静息ECoG的CAP方法进行皮层网络划分，并通过皮层电模拟(ECS)和体感诱发电位(SSEP)定位皮层区域。ECS/SSEP映射中的蓝点(左列)表示负电极，黄色点表示正电极。在parcellation mappings(右列)中，具有相同颜色的电极位于相同的功能网络中，黄色表示与ECS/SSEP结果相对应的网络。

(B)由S5的ECS(黄色星号表示)识别的手和舌区域的两个示例电极所播撒的co-activation probability (CAP)值。两个功能网络内外的电极分别为黄色和深蓝色。网内电极表现出较强的CAP值和相似的功率包络波动。

(C)功能网络分割的敏感性、特异性和准确性。使用ECS和SSEP评估9例ECS/SSEP定位患者的静息ECoG功能分块的准确性。CAP-parcellation的效果明显高于permutation test (*P< 0.05，***P < 10 6，单侧t检验)。

(D)使用CAP和PEC方法进行功能网络划分的准确性比较。CAP法的划分精度高于PEC法(*P < 0.01，单侧t检验)，且两种方法比permutation test更好。

(E) CAP和PEC方法的受试者可靠性是通过比较在同一患者中使用两个独立的静息时段的分割结果来测量的。CAP方法的可靠性显著高于PEC (*P < 0.001，单尾t检验)。

论文地址：

https://www.sciencedirect.com/science/article/pii/S1053811919309541