基于功能核磁成像静息态功能脑网络研究综述.docVIP

基于功能核磁成像静息态功能脑网络研究综述 　　摘要：近期研究成果表明：大脑在无特定任务状态下，各功能区之间依然会有部分功能连接并由此构成网络。且连接组网的方式、强度等可能对脑功能认知研究非常有帮助。正因为此，近年来，一大批研究人员投身其中，取得了很多很出色的成果。该文从信息分析的角度，总结了近年来脑网络研究过程中典型算法的模型构建原理、优点及不足，最后对脑网络的应用范围进行了简单的阐述。 　　关键词： 静息态；功能核磁共振成像；脑网络；主分量分析；独立分量分析 　　中图分类号：TP399 文献标识码：A 文章编号：1009-3044（2014）03-0617-04 　　大脑作为人体的重要组成器官，其复杂的结构和功能都是学者们研究的重点，神经元之间或神经元集群之间的拓扑结构构成了复杂脑网络，这个复杂的网络决定了整个大脑如何运转。随着EEG、EMG等影像技术的发展，脑网络的研究手段不仅变化出了多种多样的研究手段，在内容方面也扩展了很多，无论是从结构网络到功能网络，再到效率网络等，都有研究人员深入研究。现阶段对于脑网络的研究在脑疾病的预测和诊断方面已经取得了较多的成果，对大脑的结构性网络和功能性网络的研究也越发深入。 　　在网络类型上，基于fMRI的脑网络研究主要有三个方向：脑功能网络、脑结构网络与脑效率网络。结构网络主要研究在结构层面上，对大脑信息传输至关重要的神经纤维定向结构连接问题。效率网络主要研究大脑各区域之间的相互影响；功能连接网络主要研究脑功能区在各种状态下的协作、协同关系。具有物质基础的结构网络是大脑认知的基础，功能网络和效率网络受结构性连接的制约，有限制的完成各方面的认知工作。 　　在研究方式上，主要有任务态及静息态。前者是指大脑需要完成特定认知任务的状态，如视觉任务、听觉任务等。此时重点分析特定功能区的各种网络结构、构成等。后者是指大脑清醒且无特定任务状态。主要用来分析大脑默认网络的一些特性。 　　近年来，静息态状态下的脑功能网络研究越发受到关注[1-2]，已得到各类默认认知功能的工作网络，例如视觉网络、听觉网络、感觉网络等???该文重点对近年来的静息态脑功能网络进行综述，结构如下：第一节详细综述脑网络研究中的主要算法，第二节概括了脑网络研究在脑疾病中的应用，第三节对脑网络的发展前景进行描述，最后做出相关工作的总结。 　　1 脑功能网络研究 　　对脑功能网络的研究，本质上是对脑认知功能数据的网络建模。因此，人工智能与机器学习领域中众多优秀的建模方法理所当然的被拿来使用，很多取得了很好的结果，如独立分量分析，主成分分析等。下面，就对几种典型且效果较好的算法进行介绍。 　　1.1 种子相关分析方法 　　种子相关分析方法（seed-based correlation analysis）是根据线性相关理论来计算选定脑区与其它脑区之间的线性相关度的方法，该方法在临床精神疾病的研究中已经得到应用。在Martin[3]等人对健康被试和患有帕金森疾病被试的无任务静息态fMRI数据进行功能区域间的连通性分析，对比数据后发现，扫视的准确度和内侧颞叶和后扣带皮层之间的连接强度显著相关，实验结果表明默认模式网络中与帕金森病相关的改变与由于该病造成的扫视辨距过小，特别是垂直方向上的有关；Sureshl[4]等人利用这种方法对数据分析后发现，在一个状态下，来自共激活的两个脑网络的体素也呈现相关，说明种子相关法可以揭示脑区在特定的实验状态下的功能性连接；该方法也用于验证其他研究方法是否行之有效，例如在Lu[5]等人的研究中采用种子相关和数据驱动的聚类分析方法来计算静息态功能连通性地图，两种分析方法所得结果的一致性就进一步验证了功能性近红外光谱可以用于评估静息态功能性连接。 　　1.2 独立分量分析（ICA） 　　独立成分分析方法（independent component analysis ， ICA） 是从盲源分离技术（blind source separation ，BSS） 衍生而来的一种完全依靠数据的信号处理方法，其主要特点是能够从多道脑电信号中分离出隐含的独立源成分使其适用于静息态功能连接分析。 　　Lixia[6]等在研究中利用ICA系统的研究了与停止信号任务的停止信号时间相关的行为特性，研究表明由ICA获取的时间信息可以与空间地图所提供的信息互补，使得人们跟好的研究大脑功能；Dae [7]等人利用多级ICA的分析方法，先将ICA用于整个大脑灰质，又将二级ICA限制性的用于基底神经节和丘脑区域来确定这些区域间离散的功能从属单位；在[8-10]的研究中，都对ICA作出改进，使得数据处理得到了更准确的结果；在Nicola[11]等人的研究中，将14种公开可用的ICA算法进行对比，通过算法对目标的空间和时间相