大脑临界行为与动态功能及其在烟雾病中的应用

发布时间：2020-08-22 12:56

【摘要】：随着扫描技术和数据分析的进步,功能磁共振成像(Functional magnetic resonance imaging,fMRI)已经成为探索人脑功能的主要工具之一,同时为研究阿兹海默症、精神分裂症等神经精神疾病提供了一种非入侵式的有效方法。通过脑影像技术研究脑动态功能连接有助于理解脑内跨越时间空间维度的功能交流,而且可以应用于神经精神疾病功能异常的分析中。虽然已经有许多前人工作探究了动态连接方面的性质及其在疾病中的异常,然而功能连接模式在结构连接的制约下是如何灵活地改变的,其中机理我们知道的很少。有许多工作通过将复杂系统科学中的复杂网络以及自组织临界理论引进脑科学研究领域,作为分析方法和工具来探究脑功能活动的机制,并且取得了一定的结果。我们提出连接数目熵指标来衡量脑功能连接在时间空间上的灵活性,基于95名健康被试的静息态fMRI数据分析,我们发现熵值与表示脑活动长程时间自相关性的赫斯特指数成正比,说明人脑处于临界点附近时有最高的功能灵活性。接着我们在基于弥散张量影像的动力学模型中验证了上述结论。并且我们观察到,在临界点时熵在模型与数据中的分布最为相似,因为此时结构连接的信息可以被临界动力学所反映。我们运用临界动力学理论探索了功能灵活性背后的机制,为刻画动态功能连接提供了一种可行方法,为分析脑疾病中动态功能的异常提供了潜在应用价值。烟雾病是一种分布广泛的脑血管疾病,会对患者造成认知障碍。由于其致病机制还不清楚,所以其诊治方法还不明确。我们基于fMRI数据,数据包括26名健康被试,51名烟雾病患者,患者又分为27名有认知障碍的VCI组和24名无认知障碍的NonVCI组。首先我们检查了三组被试的静态脑网络在全局以及局部水平的差异,然后用连接数目熵来探究三组的功能灵活性在全脑、局部脑区以及静息态脑网络上的差异,接着定位了三组中的功能灵活脑区和功能特化脑区。静态网络分析表明烟雾病患者脑功能网络表现出“小世界网络”属性,但与健康被试对比发现,刻画人脑功能整合、分割能力的网络拓扑参数以及小世界性指标都发生了偏离。随后的动态分析发现三组的熵值在全脑以及静息态网络层次都存在显著性差异,在脑区分布上的差异多集中在与多种认知能力相关的脑区。进一步分析发现,功能灵活和特化的脑区在三组之间都发生了改变。以上工作不仅第一次从静态和动态两方面刻画功能连接在烟雾病中的改变,而且表明烟雾病会导致大脑临界态的偏离,为理解其病理生理学和判断诊治方向提供了一种新的方法观点。
【学位授予单位】：兰州大学
【学位级别】：硕士
【学位授予年份】：2019
【分类号】：R743;R445.2
【图文】：

过程图,神经活动,网络构建,记录方法

分别对应节点 i 与节点 j 间边的有无。由于复杂网络可以将繁杂的实际数据抽象为只有节点与边的网络形式，其在理解复杂系统的结构与功能方面有自己独特的优势，由此得到了广泛的应用。比如，互联网中的每个网页和其中的链接，电力系统中的发电站与输电线，甚至社交软件中的好友关系都可以抽象为节点和边，作为网络来分析[23,24]。2.2.2 复杂网络在神经科学中的应用神经系统的复杂性体现在各个尺度，虽然不同尺度上的数据形式，记录工具以及研究目的等都各异，但都可以通过复杂网络来分析（图 2.1）。比如微观尺度的遗传神经学，由基因间的统计关联或者分子结构的结合，得到的 DNA 转录网络；细胞尺度，神经元和突触分别对应网络的节点和边；大尺度全脑水平，神经纤维束表示的结构连接或者由 fMRI 数据得到的功能连接；甚至行为神经学中，情感性格主导的个人行为编织成的社交网络。这些层次的神经系统都可以抽象为包括节点和边的网络形式，用复杂网络中的拓扑参数分析其静态结构，或者通过动态网络传播模型探究信息交流的动力学性质[25]。

序列,构建过程,功能连接,复杂网络

兰州大学硕士学位论文大脑临界行为与动态功能及其在烟雾病中的应用越来越多基于 fMRI 数据的研究采用复杂网络分析方法来探索人脑的功能连接，形成了专门的研究方向——脑功能网络。复杂网络之所以能与 fMRI 结合，其一是因为复杂网络为处理高复杂度的脑影像数据提供一种有效方式；其二是两者之间有着很高的契合度，负责不同功能的脑区对应不同的节点，脑区间的功能连接对应网络中的边，所以网络可以很容易地由功能连接矩阵构建得到。首先将预处理过的数据，按照自己的研究目的，使用自己制作的模板或标准脑图谱提取时间序列信号（如图 2.2A）；然后采用合适的指标衡量不同时间序列之间的统计相关性，比较常用的方法有皮尔逊相关系数(Pearson Correlation)，偏相关系数，互信息，相位差，格兰杰因果分析等；由脑区两两之间的相关性得到相关矩阵，关联矩阵(图 2.2B)中的每一行或每一列对应(A)中不同的脑区，矩阵中的元素代表对应 2 个脑区间之间的功能连接；选取合适的阈值，将关联矩阵二值化，得到对称的邻接矩阵（此为构建无权无向网络的步骤）；最后得到网络形式（图 2.2C）。

生成模型,规则网络

图 2.3 小世界网络生成模型。A.WS 小世界网络生成模型，以概率随机重新连接规则网络中的边，网络逐渐过渡到随机网络。B.通过与规则网络作对比发现，即使在概率很小即网络中只存在少量长程连接时，网络的聚类系数 ( )依然较高而特征路径长度 ( )可以变得很短。图中 (0)、 (0)分别代表规则网络的聚类系数和特征路径长度[32]。小世界网络模型在不同领域都得到了应用，人们发现现实中的许多系统都存在小世界属性，比如：公共交通交通网络，电力传输网络，社交软件中的消息转发系统等[33,34]。通过将其抽象为小世界网络分析其拓扑性质和动力学传播，可以有效预防节点异常，调节负载以保障系统稳定运行。而越来越多的研究表明，不同种群不同尺度的神经系统也表现出小世界网络属性。最开始是对秀丽线虫(C. elegans)神经元结构连接的研究[35]，随后在猫和恒河猴等哺乳动物的神经纤维连接中也发现了类似的小世界拓扑性质[36,37]。2006 年，Bassett 等人借助影像数据对大尺度层次人脑网络的拓扑结构做了第一次探索，结果表明人脑结构网络也具有小世界性[38]。之后随着 EEG、MEG 和 fMRI 等神经活动记录手段的发展，对人脑情感、记忆及认知功能的探索兴趣高涨，涌现了大量针对脑功能网

【相似文献】