摘要

静息态网络(RSN)的电生理基础仍存在争议。特别是，尚未确定一个能够同样有效解释所有静息态网络的原理性机制。虽然脑磁图(MEG)和脑电图(EEG)是确定RSN电生理基础的首选方法，但目前没有标准的RSN分析流程。本文比较了从MEG数据中提取RSNs的两种现有数据驱动分析方法，并介绍了第三种方法。第一种方法利用相位-幅值耦合来确定RSN。第二种方法通过对不同频段的希尔伯特包络进行独立成分分析来提取RSN，而第三种新方法则使用奇异值分解(SVD)来确定RSN。为了评估这些方法，本研究将MEG-RSN与相同被试的fMRI-RSN进行了比较。总体而言，使用这三种技术都可以提取出与fMRI-RSN相匹配的MEG静息态网络。有趣的是，与两种现有方法相比，基于SVD的方法与七个fMRI-RSN中的五个具有显著更高的对应关系。因此，本研究为fMRI-RSNs的电生理基础提供了进一步的见解。这些见解对于电生理连接组的分析非常重要。

引言

在过去的十年中，已使用fMRI对健康人群在休息时的大脑活动进行了深入研究，并确定了一个再现性良好的连接图。静息态分析在神经科学领域越来越受欢迎，因为数据相对容易获得且不依赖于任务。最近的研究开始利用脑磁图(MEG)技术来探究静息态网络(RSN)的时间动态。然而，尽管取得了一些进展，但正如Sadaghiani等人(2022)所讨论的那样，典型fMRI-RSN的电生理基础仍未被完全理解。

本文旨在对从MEG数据中提取这些典型fMRI-RSN的不同方法进行严格比较。为此，本研究比较了从相同被试的MEG和fMRI静息态记录中提取的RSN。使用来自相同被试的RSN可消除由于fMRI RSN变异性而产生的潜在偏差。由于文献将从fMRI中提取的网络作为黄金标准，因此本研究以这些神经网络为基准，评估MEG方法在相同被试中与fMRI结果匹配的能力。本研究侧重于数据驱动方法，并提供了包络独立成分分析(ICA)方法的进一步拓展。最终目标是为研究人员提供如何以数据驱动的方式从MEG数据中提取经典RSN的指导。

MEG-RSN文献对个体RSN的主频率提供了不一致的研究结果。例如，基于种子点的包络相关性将默认模式网络(DMN)的主导频率范围归于theta和alpha，而将背侧注意网络(DAN)的主导频率范围归于alpha和beta。相比之下，基于特定频率包络的ICA数据驱动方法(包络-ICA方法)获得了DMN在alpha频段和DAN在beta频段的最佳对应关系。在这里，本研究考察了RSN提取技术在解释这些差异方面的作用。

基于相同被试的MEG和fMRI静息态数据，本文比较了从MEG数据中提取RSN的不同数据驱动方法。它们的优点是无需对特定的种子位置进行先验假设。从这些数据驱动方法中获得的与fMRI-RSN对应的结果可推广到未来的MEG研究中，同时这些发现也为fMRI-RSN的电生理基础提供了重要的见解。

材料与方法

本研究包含26名健康右利手男性被试。其中三名被试由于运动伪影或数据采集过程中的技术问题而被排除(23名被试年龄：26.7±3.9；爱丁堡利手指数：88.6±20.7；简易精神状态测试：29.8±0.5)。在数据采集之前，所有被试均签署知情同意书，并按照《赫尔辛基宣言》的伦理准则进行实验(Ethics committee Cologne: 14-264, Ethics committee Düsseldorf: 5608R)。总的分析流程如图1所示。

图1.分析流程图。

MEG数据采集与预处理

使用306通道Elekta-Neuromag系统采集MEG静息态数据，采样率为2400Hz，使用800Hz抗混叠滤波器。共记录了30分钟的MEG静息态活动。要求被试睁眼休息，并注视十字架以减少眼动。注视十字架印在纸上并放置在被试前面。这种设置是为了排除投影仪的刷新率可能造成的影响。MEG数据以10分钟的block进行采集，以便被试在blocks之间可以活动。为了监测被试的头部位置，将四个头部定位线圈贴在被试的头皮上。使用3D数字化系统(Polhemus Isotrack)测量线圈相对于被试头部的位置。为了与MRI进行解剖学配准，还对被试头皮上约100个额外点进行了数字化。除了MEG外，同时记录被试的心电(ECG)和眼电(EOG)。

数据采集完成后，使用brainstorm中实施的标准流程对MEG数据进行预处理(https://neuroimage.usc.edu/brainstorm/，预处理和源重建使用brainstorm版本10.08.2018)。采用匹配的正弦波去除线噪声及其谐波(50、100、150、200、250Hz)，并排除高噪声水平的传感器(基于其功率谱)。心电图(ECG)和眼电图(EOG)用于自动检测眨眼和心跳，然后使用信号空间投影将其去除。然后目测检查数据的伪影(肌肉伪影、头部运动)，将有问题的时间段从进一步分析中排除，并将处理后的MEG数据降采样至1000Hz。

在每个记录日进行5分钟的空室记录(磁屏蔽室中没有被试)，同样使用2400Hz的采样率和800Hz的抗混叠滤波器。这样做的目的是捕获传感器和环境噪声统计数据。基于这些记录计算噪声协方差矩阵，用于源估计过程。

采用brainstorm中实施的重叠球技术进行神经磁场的正演建模。对于基于皮层约束的加权最小范数估计(wMNE)，导向场可从分布在垂直于个体皮层表面的基本电流偶极子计算得出。使用Freesurfer(版本5.3.0)提取表面。本节描述的MEG数据制备对于两种比较方法都是通用的。

提取MEG RSNs

源水平数据构建完成后，提取MEG的RSNs。本研究使用了Florin和Baillet(2015)中描述的megPAC方法，以及Brookes等人(2011)提出的包络-ICA方法。这两种RSN提取方法首先对个体源重建的MEG数据进行操作。为了将个体数据投影到皮层源模型的标准解剖结构中，本研究在brainstorm中使用了Freesurfer的球形配准。

包络-SVD方法

除了使用ICA从包络数据中提取RSNs外，本研究还测试了一种类似于megPAC方法的SVD方法。这种包络-SVD使用了与包络-ICA相同的方法来提取希尔伯特包络，包括降采样至1Hz和投影到标准大脑。然而，为了从希尔伯特包络数据中提取RSN，还采用了megPAC中的方法：计算给定频段内所有包络之间的时间相关性，得到了一个15002×15002的相关矩阵。将该矩阵的维度降至1175个patch。根据SVD，从每个频段的相关矩阵中提取RSNs的主要模态。本研究还根据Florin和Baillet(2015)中所述的方法，对每个频段单独进行了基于i.i.d.传感器数据的降噪。

MRI数据采集和RSNs提取

使用西门子3T PRISMA扫描仪和64通道头线圈收集磁共振成像数据。采用3D MPRAGE序列 (TR=2300ms，TE=2.32ms，ES=7.2ms，FA=8°，FOV=230mm×230mm，各向同性分辨率为0.9×0.9×0.9mm，层厚0.9mm，共192层)采集高分辨率T1加权图像。采用回波平面成像(EPI)(TR=776ms，加速度为8，TE=37.4ms，FA =55°，分辨率2.0×2.0×2.0mm，层厚2.0mm，72层)采集静息态fMRI数据。静息态fMRI扫描持续30分钟。要求被试睁眼休息，并注视一个印在纸上的十字架以减少眼动。

使用Freesurfer 5.3.0(recon-all)对 T1加权图像进行自动预处理，以提取大脑和皮层表面；与FSL-BET相比，Freesurfer进行的脑提取在区分皮质区域与颅骨方面取得了更好的结果。使用FSL 5.0中的配准工具FLIRT对标准MNI 2mm空间进行仿射配准后，将得到的颅骨剥离T1加权数据集作为MELODIC 3.0(https://fsl.fmrib.ox.ac.uk/fsl/fslwiki/MELODIC)中的参考图像。

使用FSL进一步对fMRI 4D图像进行数据预处理，并对结果进行目视检查。使用MELODIC的Pre-Stats功能对每个被试进行以下预处理：通过MCFLIRT进行头动校正；使用BET去除非脑区域；采用4mm的半高全宽高斯核进行空间平滑；通过单一乘积因子对整个4D数据集进行总平均强度归一化；100s的高通时域滤波。

使用FLIRT对每个被试的fMRI数据与其高分辨率结构图像进行配准。通过FLIRT仿射配准技术，将其配准到高分辨率结构MNI-152-2-mm标准空间。对于皮质约束分析，使用从 Freesurfer获得的二值化皮质掩模，将fMRI ICA分析限制在这些皮质区域。选择方差归一化时间序列，以确保体素标准差的差异不会使PCA和ICA成本函数产生偏差。此外，为了比较fMRI的RSNs和MEG的RSNs，本研究最终将位于MNI-152-2mm标准空间中的IC成分配准到Colin27模板上。

fMRI和MEG RSNs的比较

为了使不同网络和方法的取值范围可以进行比较，本研究为MEG网络中的15002个顶点分配其值的累积概率，即给定网络向量中各自顶点值至少与其当前值一样大的可能性。对于megPAC和包络-SVD，计算累积分布函数(CDF)时会排除自然存在的数值为0的点。为了确定megPAC和包络-ICA方法中与fMRI地图最匹配的MEG地图，需要依赖于MEG和fMRI RSN之间的空间相关性。由于fMRI地图以nifti格式提供，研究人员需要将基于顶点的MEG结果转换为与fMRI网络具有相同分辨率的nifti文件，以便进行比较。本研究计算了两种模态的RSN在与皮质掩模匹配的所有体素之间的相关性。对于每个fMRI RSN，选择具有最高空间相关性的最佳匹配MEG成分。在这种情况下，fMRI和MEG都没有进行阈值化处理。

结果

本研究总共从fMRI和MEG数据中提取了20个ICs。从fMRI数据中，选取了七个RSNs进行进一步的比较：额叶、顶叶、左右额-顶叶、运动、视觉和DMN(图2)。虽然运动、视觉、DMN以及额顶网络与RSN的经典定义相匹配，但额顶网络是基于其解剖位置命名的，因为与Yeo等人(2011)的定义没有明确的对应关系。值得注意的是，在本研究的分析中，额顶网络被分为左右两个部分，视觉网络不包含V1，主要位于V2和V3。这种变化与样本选择以及选择的ICs数量有关。这也是本研究为什么选择从相同被试群体中提取fMRI和MEG RSN的原因。

图2.使用三种不同方法从MEG和fMRI记录中获得最高对应的静息态网络。

基于包络方法的滤波器选择

在采用包络-ICA和包络-SVD方法提取希尔伯特包络时，可以选择不同的滤波器设置。本研究测试了四种不同的滤波器设置，通过方差分析发现，在包络-SVD情况下，滤波器类型对所有网络的空间相关性具有中等效应大小的影响。滤波器类型与所选频段存在显著的交互作用。而在包络-ICA情况下，滤波器类型仅在三种情况下有显著但相对较弱的影响(相应的F值和效应大小见表1)。

表1.滤波器类型对网络识别的影响。

接下来，进行事后分析以确定与fMRI网络对应程度最高的滤波器组合。值得注意的是，这只是对相关值的绝对评估，并非基于显著性检验，即对应程度最高的滤波器设置不一定是最显著的。该分析显示，宽带滤波器与SVD情况下的六个网络和ICA情况下的五个网络的fMRI静息态图具有更高的对应关系。在使用IIR或FIR滤波器时，IIR滤波器与七个fMRI网络中的四个网络具有更好的对应关系。基于此，所有后续结果将基于宽带IIR滤波器进行呈现。

不同RSN提取技术的比较

作为RSNs的示例，本研究在图2中展示了四个网络，其中包括包络-ICA和包络-SVD方法在每个频段内的网络。图2左列显示了fMRI网络，右侧三列是每个方法根据空间相关性匹配的MEG网络。请注意，在包络-ICA和包络-SVD方法中，显示的网络是与fMRI网络具有最佳对应关系的频段，如图3所示。总体而言，有三个值得注意的点。首先，所有三种方法的MEG网络类似于fMRI网络。其次，包络-ICA方法的网络空间范围最大。第三，megPAC和包络-SVD产生的网络具有相似的空间范围，但后者更好地匹配fMRI数据。这在运动、视觉和顶叶网络中尤为明显。

图3.fMRI和MEG静息态网络(RSN)之间的空间相关性。

为了更正式地量化不同方法下fMRI和MEG网络之间的对应关系，本研究计算了它们的空间相关性(图3)。因此，首先评估了这三种方法的性能。为了获得量化的性能标准，本研究计算了每种方法在所有七个网络中的平均相关性。对于每个网络，我们使用与fMRI网络具有最高平均空间相关性的频率。基于单因素方差分析和事后检验，包络-SVD方法产生的空间相关性显著高于其他两种方法，而megPAC的空间相关性也显著高于包络-ICA方法。此外，对于所有网络，所选择的方法都有显著的主效应(表2)。

表2.宽IIR滤波器选择方法及频率对网络的影响。

为了进一步确定每个RSN的频率贡献，本研究还执行了线性回归模型，详见表3。不同频率分量的估计系数与空间相关性结果一致，即平均相关性最高的频率也具有最高的回归系数。此外，线性回归的R2值也反映了哪些网络与fMRI RSNs有更好或更差对应性的直观印象。

表3.线性回归模型。

包络ICA的ICASSO

包络-ICA方法需要识别每个频段的独立成分。然而，由于ICA是一个高维优化问题，单次ICA运行的可靠性是未知的，因为这取决于初始种子的选择。因此，本研究对每个频段运行了四次ICASSO算法。然后，考察了表征各个网络的频率分量是否在重复中始终相同。当确定与fMRI图最匹配的IC图时，空间相关值会有所变化，导致不同频段的ICs与特定fMRI RSN表现出最佳(定性)对应关系。图4提供了使用宽带IIR滤波器设置时的四个RSNs示例。在该图中，绘制了fMRI RSNs与使用包络-ICA得到的五个频段的四个RSNs之间的空间相关性。对于每个RSN，提供了四个ICASSO的空间相关值。从图中可以看出，这些值在四次ICASSO中是高度可变的。

图4.四种RSNs(按颜色编码)在包络-ICA方法中的空间相关性变化。

结论

综上所述，新的包络-SVD方法成功地从电生理记录中提取了RSN。与理论一致，该方法识别出了RSNs的主频率分量。对于五种RSNs，尤其是那些在解剖学上受限的RSNs，包络-SVD方法与fMRI-RSNs之间的对应性显著高于其他数据驱动方法。但DMN和右侧额顶网络例外，其中megPAC通过结合长程和短程通信的原则实现了类似的对应关系。总的来说，这些发现增强了我们对fMRI-RSN电生理基础的理解。

参考文献：Pelzer, E. A., Sharma, A., & Florin, E. (2024). Data-driven MEG analysis to extract fMRI resting-state networks. Human Brain Mapping, 45(4), e26644. https://doi.org/10.1002/hbm.26644

小伙伴们关注茗创科技，将第一时间收到精彩内容推送哦～