基于fMRI的腦功能整合數(shù)據(jù)分析方法綜述

馬園園, 鄭 罡, 周潔敏, 張志強(qiáng),鐘 元, 盧光明

1.南京航空航天大學(xué)民航學(xué)院，南京 210016；

2.南京軍區(qū)南京總醫(yī)院醫(yī)學(xué)影像科，南京 210002

引言

近20多年來(lái)，人們?cè)谌四X信息處理和認(rèn)知活動(dòng)的神經(jīng)關(guān)聯(lián)研究方面取得了突破性的進(jìn)展，其中，腦功能成像發(fā)揮了不可輕視的作用。但是，過(guò)去的大部分研究主要是關(guān)于腦功能的分離，將重點(diǎn)放在某一個(gè)特定的腦區(qū)或功能上。但是，大腦是由數(shù)億個(gè)神經(jīng)細(xì)胞組成的復(fù)雜結(jié)構(gòu)，一個(gè)完整的任務(wù)往往會(huì)由幾個(gè)腦區(qū)甚至整個(gè)大腦共同參與完成。因此，僅僅從腦功能分離的角度來(lái)探究腦活動(dòng)是不合理的，還需要從多個(gè)腦區(qū)和整個(gè)腦出發(fā)探究人的腦活動(dòng)，將大腦分離與大腦整合二者結(jié)合起來(lái)進(jìn)行研究。

90年代初，F(xiàn)riston等和Horw itz等[1]首次基于PET(positron em ission tomography)和fMRI(functional magnetic resonance imaging)數(shù)據(jù)提出了研究大腦功能整合問(wèn)題的想法，2002年，F(xiàn)riston提出了功能整合概念。Friston將大腦功能整合研究分兩大類：第一類用于分析探測(cè)空間聯(lián)系，即功能連接；第二類用于分析探測(cè)時(shí)間上的聯(lián)系，即有效連接。它們都分析表達(dá)了神經(jīng)元的交互作用。本文根據(jù)大腦功能整合的這兩個(gè)方面，將大腦功能磁共振分析方法分為兩大類，對(duì)各自的方法原理、優(yōu)缺點(diǎn)、改進(jìn)及在大腦功能整合方面的應(yīng)用進(jìn)行簡(jiǎn)要介紹。

功能連接

功能連接是指空間分離的腦區(qū)之間在神經(jīng)生理學(xué)上的聯(lián)系，即檢驗(yàn)兩個(gè)腦功能區(qū)之間是否存在聯(lián)系或有無(wú)交互信息，它強(qiáng)調(diào)神經(jīng)活性的描述形式。此類研究方法有兩種：一種是假設(shè)驅(qū)動(dòng) (hypothesis driven)方法，主要有相關(guān)分析、相干分析、一般線性模型(generalized linear model，GLM)；另一種是數(shù)據(jù)驅(qū)動(dòng) (data driven)方法，主要有獨(dú)立成分分析 (independent component analysis,ICA)、主成分分析 (principal component analysis, PCA)、聚類分析方法等。下面就其中幾種方法做簡(jiǎn)要介紹。

相關(guān)分析

相關(guān)分析法是分析腦功能連接最簡(jiǎn)單的方法，它用相關(guān)系數(shù)來(lái)衡量感興趣區(qū)與其他區(qū)域的功能連接，相關(guān)系數(shù)達(dá)到某一閾值時(shí)，就認(rèn)為這兩個(gè)腦區(qū)之間存在功能連接[2]。其計(jì)算公式如下：

它原理簡(jiǎn)單，計(jì)算方便，因此得到廣泛應(yīng)用[3,4]。

最近，Antonia等人[5]應(yīng)用相關(guān)分析方法研究發(fā)現(xiàn)，多發(fā)性硬化癥病人與正常人相比，在感覺(jué)區(qū)要有更多的激活和一些不正常的功能連接。Sarah等人[6]檢驗(yàn)到，在酒精的刺激下，焦慮與抑郁癥狀與一些大腦區(qū)域的活動(dòng)有顯著的相關(guān)性。Haupt等人[7]發(fā)現(xiàn)，聽(tīng)覺(jué)任務(wù)相關(guān)的神經(jīng)活動(dòng)區(qū)域包括前扣帶回和腹側(cè)運(yùn)動(dòng)區(qū)，且在前扣帶回的尾部區(qū)域也有激活。

但是，相關(guān)分析方法也存在一些缺點(diǎn)：相關(guān)系數(shù)的計(jì)算依賴于血液動(dòng)力響應(yīng)函數(shù)的形狀，由于受到噪聲和心跳的影響，往往會(huì)在兩個(gè)沒(méi)有血流量的腦區(qū)之間得到較高的相關(guān)系數(shù)。為了解決這個(gè)問(wèn)題，需要引入相干的概念。

相干分析

相干分析和相關(guān)分析在原理上相同，它是在頻域上描述系統(tǒng)輸入或輸出兩個(gè)信號(hào)的相關(guān)程度的實(shí)值函數(shù)，同樣，這種方法用相干系數(shù)來(lái)衡量?jī)蓚€(gè)腦區(qū)之間的功能連接。在時(shí)間延遲τ上，兩個(gè)時(shí)間序列x和y之間的典型相關(guān)系數(shù)定義[8]為：

其中，Sx,y(μ)表示時(shí)間序列x和y之間的交叉譜，Sx,x(μ)和Sy,y(μ)分別表示兩序列的功率譜。

由上可見(jiàn)，相干分析其實(shí)就是指兩個(gè)時(shí)間序列之間的交叉譜函數(shù)。目前，Chang等人[9]用基于小波分析的相干分析研究了靜息狀態(tài)下默認(rèn)網(wǎng)絡(luò)各節(jié)點(diǎn)之間的連接，并認(rèn)為靜息狀態(tài)下的功能連接并不是靜態(tài)的。Gopikrishna等人[10]介紹了一種計(jì)算局部相干性的新測(cè)量方法，并且發(fā)現(xiàn)這種方法更具敏感性。有研究發(fā)現(xiàn)，相干分析檢測(cè)的是信號(hào)中不同頻率成分對(duì)相關(guān)系數(shù)的貢獻(xiàn)，相干分析對(duì)兩個(gè)信號(hào)的振幅和相位都比較敏感。在處理fMRI數(shù)據(jù)時(shí)，還面臨著時(shí)間分辨率低的問(wèn)題。

由此可以看出，將相關(guān)的概念轉(zhuǎn)換成頻域就變成了相干，相干分析也就相當(dāng)于將相關(guān)分析做Fourier變換[11]。相關(guān)分析檢測(cè)的是在時(shí)域上兩個(gè)信號(hào)之間的相關(guān)性，而相干分析是檢測(cè)兩個(gè)信號(hào)在頻域上的相關(guān)性。

一般線性模型

Friston提出的統(tǒng)計(jì)參數(shù)映射 (statistical parametric mapping,SPM) (http://www.fil.ion. ucl.ac.uk/spm/software/)方法是目前國(guó)際上比較公認(rèn)的一種數(shù)據(jù)分析方法，并于1994年推出第一個(gè)版本的軟件，它結(jié)合了廣義線性模型和高斯場(chǎng)理論。一般線性模型 (GLM)研究的是變量之間的相關(guān)性，它檢測(cè)到兩個(gè)信號(hào)之間的線性關(guān)系后，模型建立見(jiàn)下方。假設(shè)我們所觀測(cè)的數(shù)據(jù)矩陣為

其中，ε～N(0,δ2In)，p=m+1。建立好模型后，對(duì)其中的參數(shù)進(jìn)行估計(jì)，然后用t檢驗(yàn)或f檢驗(yàn)方法對(duì)模型進(jìn)行檢驗(yàn)，根據(jù)所設(shè)置閾值，得到與閾值相對(duì)應(yīng)的大腦激活圖像，從而判定兩個(gè)腦區(qū)之間是否存在功能連接。

這種方法相對(duì)于相關(guān)分析有較高的準(zhǔn)確性，因此應(yīng)用較廣。Keisker等人[12]在5種不同等級(jí)握力的任務(wù)研究中發(fā)現(xiàn)，在初級(jí)運(yùn)動(dòng)區(qū)、軀體感覺(jué)皮層腹側(cè)運(yùn)動(dòng)區(qū)及小腦等區(qū)域有激活。張志強(qiáng)等人[13]通過(guò)對(duì)比雙側(cè)顳葉患者癲癇與正常人的靜息態(tài)fMRI數(shù)據(jù)，發(fā)現(xiàn)雙側(cè)顳葉癲癇患者大部分腦大腦區(qū)域功能連接度下降，以前額葉為著，而扣帶回后部的部分區(qū)域連接度增強(qiáng)；外在腦網(wǎng)絡(luò)系統(tǒng)腦區(qū)中，上額葉等與腦DMN負(fù)向連接度增加，而下額葉等連接度降低。Vierow等人[14]發(fā)現(xiàn)與撓癢任務(wù)相關(guān)的激活區(qū)域包括運(yùn)動(dòng)區(qū)和運(yùn)動(dòng)前區(qū)皮質(zhì)、外側(cè)額區(qū)、左內(nèi)側(cè)額區(qū)，且在對(duì)側(cè)殼核和對(duì)側(cè)小腦激活稍強(qiáng)。Wang[15]提出了一種雜交的SVM和GLM方法，并用fMRI數(shù)據(jù)證實(shí)了這種方法比傳統(tǒng)的GLM方法具有更高的敏感性。

以上介紹的功能連接方法都是基于假設(shè)的方法，基本圍繞的都是相關(guān)的概念，除了以上方法，通過(guò)計(jì)算相關(guān)系數(shù)來(lái)檢測(cè)大腦功能連接的方法還有偏相關(guān)分析[9]、互相關(guān)分析[16]、典型相關(guān)分析[17]等。其中偏相關(guān)分析是相關(guān)分析的擴(kuò)展，該方法引入了第三腦區(qū)，可以去除第三腦區(qū)對(duì)功能連接的影響。此類方法通常與ICA等方法結(jié)合來(lái)分析fMRI數(shù)據(jù)。

但是，由于這類方法在計(jì)算兩個(gè)腦區(qū)連接性時(shí)要選擇種子點(diǎn)，一般選擇不同的種子點(diǎn)會(huì)得到不同的連接結(jié)果，使得這種方法對(duì)種子點(diǎn)比較敏感。而且，這種方法往往用來(lái)探討人們感興趣的區(qū)域，對(duì)于其他區(qū)域之間的功能連接卻沒(méi)有涉及。下面介紹的幾種數(shù)據(jù)驅(qū)動(dòng)的探索腦功能連接的方法 (盲分析和聚類分析)可以用來(lái)解決這些問(wèn)題。

獨(dú)立成分分析

獨(dú)立成分分析 (ICA)方法是由盲源分離技術(shù)發(fā)展而來(lái)的一種數(shù)據(jù)分析方法，用高階統(tǒng)計(jì)量刻畫(huà)信號(hào)統(tǒng)計(jì)特性并抑制高斯噪聲，從多變量統(tǒng)計(jì)數(shù)據(jù)中尋找未知變量或成分。問(wèn)題首先在1982年的一個(gè)神經(jīng)生理學(xué)背景下提出；1986年，Herault和Jutten在國(guó)際神經(jīng)網(wǎng)絡(luò)計(jì)算會(huì)議上提出了一種基于神經(jīng)網(wǎng)絡(luò)模型和Hebb學(xué)習(xí)準(zhǔn)則的方法；1995年，Bell和Sejnowski發(fā)表了基于信息極大原理的方法，從此ICA得到廣泛的關(guān)注。M cKeown等[18]首次將ICA方法應(yīng)用于fMRI數(shù)據(jù)分析。

ICA模型寫為：

將獨(dú)立成分分析得出的成分進(jìn)行分析，除了有呼吸、心跳等噪聲，可以發(fā)現(xiàn)大腦默認(rèn)網(wǎng)絡(luò)、注意網(wǎng)絡(luò)、聽(tīng)覺(jué)和視覺(jué)等功能網(wǎng)絡(luò)，可以對(duì)這些成分進(jìn)行進(jìn)一步的研究。ICA方法與其他方法的區(qū)別在于，它可以在不需要任何有關(guān)時(shí)間的先驗(yàn)假設(shè)下，有效地分離出各種統(tǒng)計(jì)獨(dú)立且非高斯的功能信號(hào)及各類噪聲。

根據(jù)不同的分離標(biāo)準(zhǔn)，ICA方法可以分為不動(dòng)點(diǎn) (fixed-point)算法和informax算法，兩種方法都是最小化各成分間的互信息，informax算法的出發(fā)點(diǎn)是極大化信息熵，而不動(dòng)點(diǎn)方法是基于負(fù)熵的概念。快速定點(diǎn)既能估計(jì)次高斯獨(dú)立成分，又能估計(jì)超高斯獨(dú)立成分，其優(yōu)化空間相對(duì)較小，因?yàn)槊恳徊降家獙?duì)輸出去相關(guān)和單位方差標(biāo)準(zhǔn)化，但是相對(duì)于infomax有較高的時(shí)間和空間準(zhǔn)確性[19]。

根據(jù)分離出來(lái)的變量是空間獨(dú)立還是時(shí)間獨(dú)立，ICA方法還可以分為空間ICA(sICA)和時(shí)間ICA(tICA)。Petersen等對(duì)sICA和tICA進(jìn)行了比較，分別運(yùn)用sICA和tICA來(lái)分離獨(dú)立成分，結(jié)果發(fā)現(xiàn)sICA和tICA都能很好地找到跟任務(wù)時(shí)間序列相關(guān)的獨(dú)立成分。一般來(lái)說(shuō)，sICA與tICA分別是在一定程度上用時(shí)間和空間的獨(dú)立性換取的空間和時(shí)間的獨(dú)立性，相比之下，同步地獲取時(shí)間和空間的獨(dú)立性方法可能會(huì)提供一個(gè)更加真實(shí)的模型。

由于ICA可以分離出多種大腦功能網(wǎng)絡(luò)，因此有很好的應(yīng)用前景[20～22]。近期，翁曉光等人[23]對(duì)屈光參差性弱視患者靜息態(tài)視覺(jué)網(wǎng)絡(luò)進(jìn)行研究，分析此類患者大腦視覺(jué)皮層功能受到的影響。Prasanna等人[24]研究不同生長(zhǎng)階段的兒童對(duì)動(dòng)詞詞義的理解，用ICA方法發(fā)現(xiàn)7個(gè)與任務(wù)相關(guān)的成分，分別分布在顳回、海馬回、額下回、角回等區(qū)域。Escartí等人[25]發(fā)現(xiàn)精神分裂患者中，幻聽(tīng)病人要比正常人和無(wú)幻聽(tīng)病人在邊緣網(wǎng)絡(luò)有更明顯的激活區(qū)域；在情感任務(wù)下，幻聽(tīng)病人在海馬回和杏仁核的激活增加。

但是，獨(dú)立成分分析無(wú)法確定成分個(gè)數(shù)且分離出的各種成分排序不穩(wěn)定，很難從包含各種噪聲成分的獨(dú)立成分中分離出與試驗(yàn)設(shè)計(jì)相關(guān)的功能信號(hào)，并且成分缺乏生理意義，在解釋這種方法的意義時(shí)，造成很大的不便。為了解決成分的排序問(wèn)題，Youssef等以功能實(shí)驗(yàn)設(shè)計(jì)方案為先驗(yàn)信息，利用典型相關(guān)分析實(shí)現(xiàn)了對(duì)獨(dú)立成分分析的排序[26]。

模糊聚類分析

傳統(tǒng)的聚類把每個(gè)樣本嚴(yán)格地劃分到某一類。在模糊聚類中，每個(gè)樣本不再僅屬于某一類，而是以一定的隸屬度屬于每一類，通過(guò)模糊聚類分析 (fuzzy clustering analysis，F(xiàn)CA)得到樣本屬于各個(gè)類別的不確定程度，這樣就更能準(zhǔn)確地反映現(xiàn)實(shí)世界。

FCA算法于1974年由Dunn提出，由Bezdek于1981年改造。模糊聚類方法應(yīng)用最為廣泛的是模糊c均值算法[27,28]，它是基于目標(biāo)函數(shù)的一種模糊聚類分析方法，即把問(wèn)題轉(zhuǎn)化為求解一個(gè)帶約束的非線性規(guī)劃問(wèn)題，通過(guò)優(yōu)化求解獲得數(shù)據(jù)集的模糊劃分和聚類。與獨(dú)立成分分析方法相類似，屬于同一類的腦區(qū)則認(rèn)為它們之間存在功能連接。

從以上的分析方法可以看出，從大腦功能連接角度去研究大腦功能整合還存在很多問(wèn)題：相關(guān)分析原理簡(jiǎn)單，意義明顯，但是，由于這些方法依賴于種子點(diǎn)的選擇，并且是基于相關(guān)概念，信息量提取少，對(duì)涉及到多個(gè)腦區(qū)的復(fù)雜腦功能連接的研究，以及探索整個(gè)大腦的功能連接來(lái)看，還有很多不足。而對(duì)獨(dú)立成分分析方法和聚類分析方法來(lái)說(shuō)，雖然對(duì)整個(gè)大腦進(jìn)行了研究，但是又缺乏生理意義，結(jié)果很難解釋。為了解決這些問(wèn)題，研究人員從大腦功能整合的另外一個(gè)方面——有效連接入手，開(kāi)展了相關(guān)研究。

有效連接

有效連接定義為一個(gè)神經(jīng)系統(tǒng)對(duì)另外一個(gè)神經(jīng)系統(tǒng)的影響，定量地刻畫(huà)兩個(gè)腦區(qū)之間交互作用的大小[2]，也就是檢測(cè)一個(gè)腦功能區(qū)是否由于其他腦區(qū)或外界因素的改變而調(diào)整，它側(cè)重于對(duì)可能起因的解釋。此類方法根據(jù)是否包含時(shí)間信息分為兩類：不包含時(shí)間信息的有結(jié)構(gòu)方程模型 (structural equation modeling，SEM)、多變量回歸模型 (multivariate autoregressive modeling，MAR)、動(dòng)態(tài)因果模型 (dynam ic causual analysis，DCM)；包含有時(shí)間信息的有Granger因果分析等，下面對(duì)這幾種方法做簡(jiǎn)要介紹。

結(jié)構(gòu)方程模型

人腦區(qū)之間的相關(guān)關(guān)系提出以后，人們對(duì)它們之間是否存在因果關(guān)系越來(lái)越感興趣，后來(lái)人們發(fā)現(xiàn)有很多因果關(guān)系并不是直接的。為了研究這個(gè)問(wèn)題，Asher首先提出了結(jié)構(gòu)方程 (SEM)模型。在SEM模型中，定義了連接的方向，并用線性相關(guān)分析定義了連接的強(qiáng)度。M cIntosh等[29]首先介紹并使用SEM研究了神經(jīng)影像學(xué)中的連接問(wèn)題。SEM模型是神經(jīng)成像，尤其是PET的數(shù)據(jù)分析中，最為廣泛使用的連通性分析模型。

SEM模型是在先驗(yàn)假設(shè)的基礎(chǔ)上，建立推論和假設(shè)，構(gòu)建的一個(gè)關(guān)于變量間相互關(guān)系的模型。然后，通過(guò)調(diào)整連接強(qiáng)度來(lái)獲得模型與數(shù)據(jù)的最佳擬合，估計(jì)出模型中的參數(shù)，并檢驗(yàn)?zāi)Ｐ蛥?shù)的擬合程度。模型中的連接有因果意義，即一個(gè)區(qū)域A指向另一個(gè)區(qū)域B的連接，表示區(qū)域A的激活導(dǎo)致區(qū)域B的激活。

SEM模型在腦功能連接中的應(yīng)用較為廣泛，包括視覺(jué)[30]、工作記憶[31]、閱讀[32]、手動(dòng)[33]等。也有人對(duì)此方法進(jìn)行了改進(jìn)， Buchel和Friston[34]在模型中加入交互項(xiàng)和非線性項(xiàng)，檢驗(yàn)了由前額葉活動(dòng)水平引起的視覺(jué)皮層和頂后皮層的連接，Coull和Bruchel[30]把這個(gè)思想擴(kuò)展到受外部因素影響的連接。James等[35]研究了抑郁患者靜息狀態(tài)的功能連接，用SEM方法建立最佳組連接模型，將此模型應(yīng)用到個(gè)體人，發(fā)現(xiàn)這種模型效果較好。Ma等[36]應(yīng)用動(dòng)手運(yùn)動(dòng)研究了運(yùn)動(dòng)區(qū)域 (包括初級(jí)運(yùn)動(dòng)區(qū)域、輔助運(yùn)動(dòng)區(qū)、背側(cè)運(yùn)動(dòng)前區(qū)、基底神經(jīng)節(jié)、小腦及外前側(cè)額葉皮層)之間的效應(yīng)連接。

但是，SEM模型存在以下兩個(gè)缺點(diǎn)：1)它只使用了相關(guān)矩陣信息，無(wú)法建立區(qū)域間相互連接的模型，這與實(shí)際生物學(xué)約束不一致；2)它沒(méi)有用到時(shí)間序列中包含的關(guān)于時(shí)間的信息，它研究的是瞬時(shí)信息，即改變序列的時(shí)間順序，得到的結(jié)果卻是一樣的。

多變量自回歸模型

針對(duì)SEM模型的缺點(diǎn)，Harrison[37]提出用多變量自回歸模型來(lái)計(jì)算fMRI數(shù)據(jù)，正如前面所說(shuō)，多變量自回歸模型 (MAR)是基于因果分析的。在神經(jīng)科學(xué)中，MAR模型主要用于EEG(electroencephalogram)和MEG(magnetoencephalogram)數(shù)據(jù)處理，在fMRI數(shù)據(jù)處理中的應(yīng)用才剛剛開(kāi)始起步。

MAR模型與因果分析原理基本相同，只不過(guò)將其思想推廣到多元的時(shí)間序列，用N維的變量表示N個(gè)分離的功能區(qū)，它用數(shù)據(jù)表示腦區(qū)之間的獨(dú)立性，并通過(guò)預(yù)測(cè)來(lái)評(píng)定模型的優(yōu)劣。

MAR模型描述如下[38]：

可以用最大似然估計(jì)來(lái)估計(jì)模型中的參數(shù)，Penny等給出了用Bayes方法估計(jì)模型參數(shù)及確定模型最佳階數(shù)的方法，可以在Bayes方法中用最大似然估計(jì)值初始化參數(shù)。

需要用線性體系估計(jì)MAR模型中的參數(shù)，這與SEM模型不同，主要是因?yàn)樵贛AR模型中沒(méi)有涉及到腦區(qū)之間的瞬時(shí)連接。MAR模型可以用來(lái)進(jìn)行頻譜估計(jì)，它可以對(duì)相干分析、偏相干分析做簡(jiǎn)要的估計(jì)。

動(dòng)態(tài)因果模型

為了更好地在神經(jīng)元水平上測(cè)量腦活動(dòng)和結(jié)構(gòu)，F(xiàn)riston[38]提出了一種雙模型分析方法——?jiǎng)討B(tài)因果 (DCM)模型。該研究方法與SEM模型和MAR模型不同的是，該模型不直接測(cè)量?jī)蓚€(gè)時(shí)間序列之間的直接關(guān)系，而是將神經(jīng)動(dòng)力學(xué)模型與血液動(dòng)力學(xué)模型結(jié)合建立模型。目前這種方法主要用于研究MEG/EEG數(shù)據(jù)和fMRI數(shù)據(jù)等。

在研究問(wèn)題時(shí)，需要建立不同的假設(shè)模型，再對(duì)這些模型進(jìn)行比較，從而得出最優(yōu)模型。其中，血液動(dòng)力學(xué)模型由Buxton提出，并由Friston發(fā)展，最新的模型由Stephan[39]于2007年提出。

建模后，對(duì)模型中的參數(shù)進(jìn)行參數(shù)估計(jì)，最后可得到一個(gè)基于假設(shè)的模型，如果得到多種不同的模型，我們就要對(duì)這些模型進(jìn)行比較，從而得到一個(gè)最合適的模型。除了AIC (Akaike information criterion)和BIC(Bayesian information criterion)，Penny[40]提出用貝葉斯因子進(jìn)行評(píng)價(jià)。貝葉斯因子表達(dá)式為：

DCM模型要比以往的一些方法更符合實(shí)際。首先，DCM模型用雙線性的微分方程組來(lái)近似描述神經(jīng)系統(tǒng)的非線性模型，即雙線性近似；第二，它是一種因果模型，與時(shí)間有密切的關(guān)系，可以反映因改變時(shí)間序列順序所產(chǎn)生的差異。

Thomas等[41]用此方法研究了聽(tīng)覺(jué)刺激下人的情感變化；Brázdil等[42]發(fā)現(xiàn)在視覺(jué)刺激下，額葉存在一個(gè)雙向連接，前扣帶回和右額葉與右后側(cè)前額葉皮質(zhì)存在功能連接；Marreiros等[43]提出增加狀態(tài)變量，得到改良的方法并證明了其優(yōu)越性，并且發(fā)現(xiàn)V5區(qū)激活程度的增加，非常充分地反映了視覺(jué)運(yùn)動(dòng)處理中的注意調(diào)整；Schuyler等人[44]證實(shí)了DCM方法應(yīng)用于fMRI的可靠性。張艷等人[45]利用動(dòng)態(tài)因果模型研究?jī)?nèi)、外側(cè)顳葉在顳葉癲癇中的作用，得出內(nèi)側(cè)顳葉與同側(cè)和外側(cè)顳葉皮層之間的效應(yīng)連接，發(fā)現(xiàn)內(nèi)側(cè)顳葉是癲癇活動(dòng)的前級(jí)傳導(dǎo)區(qū)域。

DCM方法本身也存在局限性，首先，DCM只能建模不超過(guò)8個(gè)獨(dú)立的功能區(qū)，選擇的腦區(qū)越多，在模型中反映出來(lái)的模型先驗(yàn)參數(shù)的方差越小，也就是說(shuō)，腦區(qū)之間沒(méi)有連接，這顯然是不符合實(shí)際的；其次，對(duì)于每個(gè)腦區(qū)模型只用一個(gè)狀態(tài)參數(shù)來(lái)刻畫(huà)，限制了有用信息的輸入，對(duì)我們的深入研究有所影響。

然而，以上這些方法都依賴于相互作用區(qū)域的預(yù)先選定，并假設(shè)其中的任意兩個(gè)區(qū)域之間存在影響，其中任一方面估計(jì)不準(zhǔn)確就可能導(dǎo)致錯(cuò)誤的結(jié)論。下面介紹一種不需要先驗(yàn)知識(shí)的方法——Granger因果 (Granger causality)檢驗(yàn)方法。

Granger因果分析

在用SEM模型探究腦區(qū)之間因果聯(lián)系的同時(shí)，人們又提出了新的問(wèn)題：兩個(gè)腦區(qū)的激活時(shí)間有沒(méi)有順序？首先注意到序列時(shí)間順序重要性的是Wiener，后由Granger實(shí)現(xiàn)并用于經(jīng)濟(jì)領(lǐng)域。在神經(jīng)科學(xué)領(lǐng)域，Baccala等和Bernasconi等人首先用因果分析處理動(dòng)物的EEG數(shù)據(jù)；2001年，由Kam inski等用于處理人類EEG數(shù)據(jù)處理；2003年，Goebel[46]首次將因果分析應(yīng)用于fMRI數(shù)據(jù)，在2003年Harrison等提出的多變量自回歸模型中也涉及到了因果分析。

Granger因果分析定義了腦區(qū)域之間的連接性和連接的方向，它可定義為[40]：如果用第一個(gè)序列的當(dāng)前值和過(guò)去值通過(guò)一個(gè)線性模型預(yù)測(cè)第二個(gè)序列的結(jié)果得到改善，那么第一個(gè)序列與第二個(gè)序列構(gòu)成因果關(guān)系，也就是第一個(gè)序列產(chǎn)生了第二個(gè)序列?；贕ranger提出的因果分析，Geweke提出了一種度量時(shí)間序列x[n]和y[n]之間線性影響的方法，進(jìn)行因果分析時(shí)計(jì)算了兩個(gè)時(shí)間序列之間的獨(dú)立和反饋信息。相應(yīng)地又出現(xiàn)了條件因果分析和時(shí)變、時(shí)不變因果分析等。因果分析的優(yōu)點(diǎn)在于它不需要任何先驗(yàn)知識(shí)，而且，它考慮到時(shí)間對(duì)實(shí)驗(yàn)結(jié)果的影響，這一點(diǎn)是非常符合實(shí)際的。

Granger因果分析現(xiàn)在已廣泛應(yīng)用于fMRI數(shù)據(jù)處理中。Gao等[47]對(duì)動(dòng)手過(guò)程中的運(yùn)動(dòng)皮層與額葉和頂葉間的神經(jīng)傳播因果關(guān)系進(jìn)行了研究；Zhou等[48]在情感任務(wù)下證明了此方法的有效性；Upadhyay[49]研究了大腦默認(rèn)網(wǎng)絡(luò)中各結(jié)點(diǎn)之間的因果聯(lián)系；Xiao等[50]用RLS (recursive least squares)準(zhǔn)則估計(jì)了時(shí)變因果分析的參數(shù)，并嘗試用時(shí)變序號(hào)描述手動(dòng)實(shí)驗(yàn)中的間接連接網(wǎng)絡(luò)；Roebroeck等[51]提出用因果分析映射方法研究大腦的有效連接，通過(guò)設(shè)計(jì)動(dòng)態(tài)的視覺(jué)刺激，發(fā)現(xiàn)了刺激作用下顳下、頂骨、運(yùn)動(dòng)前區(qū)之間的交互作用；Chen等[52]發(fā)現(xiàn)與輔助運(yùn)動(dòng)區(qū)存在向前和向后效應(yīng)連接的3個(gè)區(qū)域包括：兩側(cè)的背側(cè)運(yùn)動(dòng)前區(qū)、初級(jí)和次級(jí)對(duì)側(cè)軀體感覺(jué)皮層和初級(jí)運(yùn)動(dòng)皮層；Liao等[53]用條件Granger因果分析檢測(cè)到靜息網(wǎng)絡(luò)，證實(shí)了自我參照和默認(rèn)網(wǎng)絡(luò)在人類大腦功能構(gòu)架中發(fā)揮著關(guān)鍵作用；Zhou等[54]將PCA與Granger結(jié)合，并證明這種方法要比Granger方法有更高的精度，而且大大降低了計(jì)算成本。

但是，在使用因果關(guān)系研究fMRI信號(hào)時(shí)有兩個(gè)缺陷：1)兩個(gè)神經(jīng)群體時(shí)間的相關(guān)動(dòng)態(tài)相互作用會(huì)永久丟失，或者受神經(jīng)血液動(dòng)力學(xué)的影響造成位移失真；2)由于傳統(tǒng)數(shù)據(jù)采集技術(shù)帶來(lái)的時(shí)間分辨率偏低會(huì)影響因果分析的作用。

由以上有效連接的兩種分析方法可以看出，包含時(shí)間信息的數(shù)據(jù)分析方法，其計(jì)算結(jié)果大多依賴于感興趣區(qū)域的選取，同時(shí)還存在信息量少、計(jì)算復(fù)雜等方面的問(wèn)題。對(duì)于目前很流行的Granger分析方法，其算法和原理有很多優(yōu)點(diǎn)，但是，由于Granger受神經(jīng)血液動(dòng)力的影響，可能還會(huì)帶來(lái)一些問(wèn)題。

3 總 結(jié)

本文旨在介紹基于功能磁共振fMRI來(lái)探究人腦功能整合問(wèn)題的數(shù)據(jù)處理方法，從功能整合的兩個(gè)方面 (功能連接和有效連接)來(lái)分析各種處理fMRI數(shù)據(jù)的方法。

通過(guò)分析可以看出，不管從功能連接方面還是從有效連接方面來(lái)分析大腦的功能整合，各種分析方法都存在一些問(wèn)題。因此，根據(jù)研究的重點(diǎn)，在分析處理腦功能數(shù)據(jù)時(shí)，對(duì)分析方法進(jìn)行適當(dāng)?shù)倪x擇是目前最好的解決辦法。

1. Horw itz B,Grady CL,Haxby JV,Rapoport SI.Functional associations am ong human posterior extrastriate brain regions during object and spatial vision.Eur J Neurosci, 1992,4(4):311～322

2. Liu Y, Gao J, Liotti M, Pu Y, Fox PT. Tem poral dissociation of parallel processing in the human subcortical outputs.Nature,1990,400(6742):364～367

3.He AG,Tan LH,Tang Y,James GA,W right P,Eckert M, Fox PT,Liu Y.Modulation of neural connectivity during tongue movement and rending.Hum Brain Mapp,2003, 18(3):222～232

4. Lowe MJ,Dzem idzic M,Lurito JT,Mathews VP,Phillips MD.Correlations in low-frequency BOLD fluctuations reflect cortico-cortical connections. Neuro Image, 2000, 12(5): 582～587

5.Ceccarelli A,Maria AR,Valsasina P,Rodegher M,Falini A, Com i G, Filippi M. Structural and functional magnetic resonance imaging correlates of motor network dysfunction in primary progressive multip le sclerosis.Eur J Neurosci, 2010,31(7):1273～1280

6. Ew ing SWF,Filbey FM,Chand ler LD,Hutchison KE. Exp loring the relationship between depressive and anxiety sym ptom s and neuronal response to alcohol cues.Alcoho Clin Exp Res,2010,3(34):396～430

7. Haupt S,Axmacher N,Cohen MX,Elger CE,Fell J. Activation of the caudal anterior cingulate cortex due to task-related interference in an auditory stroop paradigm. Hum Brain Mapp,2009,30(9):3043～3056

8. Sun FT,Miller LM,Esposito M.Measuring interregional functional connectivity using coherence and partial coherence analyses of fMRI data. Neuro Im age, 2004, 21(2):647～658

9. Chang C,G lover GH.G lover time–frequency dynam ics of resting-state brain connectivity m easured with fMRI. Neuro Image,2010,50:81～98

10.Deshpande G,LaConte S,Peltier S,Hu X.Integrated local correlation:A new measure of local coherence in fMRI data.Hum Brain Mapp,2009,30:13～23

11.Curtis CE,Sun TFT,Miller LM,D'Esposito M.Coherence between fMRI time-series distinguishes two spatial working mem ory networks.Neuro Im ag e,2005,26(1):177～183

12.Keisker B,Reymond MC,Blickenstorfer A,Meyer M, Kollias SS.Differential force scaling of fine-graded power grip force in the sensorimotor network.Hum Brain Mapp, 2009,30(8):2453～2465

13.張志強(qiáng),盧光明,鐘 元,譚啟富,田 蕾,孫康健,史繼新.內(nèi)側(cè)顳葉癲癇患者腦缺省模式網(wǎng)絡(luò)改變的功能MRI研究.醫(yī)學(xué)研究生學(xué)報(bào),2009,22(1):36～39 Zhang ZQ,Lu GM,Zhong Y,Tan QF,Tian L,Sun KJ, Shi JX.Changes in default-mode network connectivity in temporal lobe epilepsy:A functional MRI study.J Med Postgrad,2009,22(1):36～39

14.Vierow V,Fukuoka M,Ikoma A,D?rfler A,Handwerker HO,Forster C.Cerebral representation of the relief of itch by scratching.J Neurophysio l,2009,102:3216～3224

15.W ang Z.A hybrid SVM-GLM approach for fMRI data analysis.Neuro Image,2009,46(3):608～615

16.Cao J,Worsley KJ.The geometry of correlation fields,w ith an app lication to functional connectivity of the brain.Ann Appl Probab,1999,9(4):1021～1057

17.Friman O,Cedefamn J,Lundberg P,Borga M,Knutsson H. Detection of neural activity in functional MRI using canonical correlation analysis.Magn Reson Med,2001,45: 323～330

18. McKeown MJ, Sejnowski TJ. Independent com ponent analysis of FMRI data:Exam ining the assum ptions.Hum Brain Mapp,1998,6:368～372

19.Esposito F,Form isano E,Seifritz E,Goebel R,Morrone R, Tedeschi G, Salle FD. Spatial independent component analysis of functional MRI tim e-series: To what extent depent on the algorithm used? Hum brain Mapp,2002, 16(3):146～147

20. Kiviniem i V, Kantola JH, Jauhiainen J, Hyv?rinen A, Tervonen O. Independent component analysis of nondeterm istic fMRI signal sources. Neuro Im age, 2003, 19(2):253～260

21. Greicius MD, Srivastava G, Reiss AL, Menon V. Default-m ode network activity distinguishes Alzheimer's disease from healthy aging:Evidence from functional MRI. Proc Natl Acad Sci USA,2004,13(101):4637～4642

22.Goldman R,Cohen M.Tom ographic distribution of resting alpha rhythm sources revealed by independent com ponent analysis.In: Ninth international conference on functional mapping of the hum an brain. Neuro Image, 2003, 19: 18～22

23.翁曉光,王惠南,張志強(qiáng),鐘元,賈傳海,盧光明.基于fMRI的屈光參差性弱視靜息視覺(jué)網(wǎng)絡(luò)的研究.生物物理學(xué)報(bào),2009, 25(6):447～452 W eng XG,Wang HN,Zhang ZQ,Zhong Y,Jia CH,Lu GM.Study on the resting-state visual network in patients w ith anisometropic amblyopia based on fMRI.Acta Biophys Sin,2009,25(6):447～452

24.Karunanayaka P,Schm ithorst VJ,Vannest J,Szaflarski JP, Plante E,Holland SK.A group independent com ponent analysis of covert verb generation in children:A functional magnetic resonance imaging study. Neuro Image, 2010, 51(1):472～487

25.EscartíMJ,VayáMI,BonmatíLM,Jose Carbonell MR, Lull JJ,MartíGG,Manjón JV,Aguilar EJ,Aleman A, Sanjuán J.Increased am ygdala and parahippocam pal gyrus activation in schizophrenicpatients with auditory hallucinations:An fMRI study using independent com ponent analysis.Schizophr Res,2010,117(1):31～41

26.Youssef T,Youssef AM,LaConte SM,Hu XP,Kadah YM. Robus tordering of independent com ponents in functiona imagnetic resonance time series data using canonical correlation analysis.SPIE USE,2003,5031:332～340

27.Megalooikonomou V,Yesha Y.Space efficient quantization for distributed estim ation by a m ulti-sensor fusion system. Inform Fusion,2004,5(4):299～308

28.Golay X,Kollias S,Stoll G, Meier D, Valavanis A, Boesiger P.A new correlation-based fuzzy logic clustering algorithm for fMRI. Magn Reson Im ag, 1998, 40(2): 249～260

29.Mc Intosh A,Lima FG.Structural equation m odelling and its app lication to network analysis in functional brain imaging. Hum Brain Mapp,1994,2(1):2～22

30.Buchel C,Coull JT,Friston KJ.The predictive value of changes in effective connectivity for human learning. Science,1999,283(5407):1538～1541

31.Honey GD,Fu CH,Kim J,Brammer MJ,Croudace TJ, Suckling J. Effects of verbal working mem ory load on corticocortical connectivity modeled by path analysis of functional magnetic resonance imaging data.Neuroimage, 2002,17(2):573～582

32.Mechelli A,Penny WD,Price CJ,Gitelman DR,Friston KJ. Effective connectivity and intersubject variability: Using a multisubject network to test differences and commonalities. Neuroimage,2002,17(3):1459～1469

33.Rowe J,Friston K,Frackow iak R,Passingham R.Attention to action:Specific modulation of corticocortical interactions in humans.Neuroimage,2002,17(2):988～998

34.Buchel C,Friston KJ.Modulation of connectivity in visual pathways by attention:Cortical interactions evaluated with structural equation modelling and fMRI.1997,7:768～778

35.James GA,Kelley ME,Craddock RC,Holtzheimer PE, Dunlop BW, Nemeroff CB, Mayberg HS, Hu XP. Exp loratory structural equation modeling of resting-state fMRI:App licability of group models to individual subjects. Neuro Im age,2009,45(3):778～787

36.Ma L,W angc B,Narayanac S,Hazeltined E,Chen X, Robinc DA,Foxc PT,Xiong J.Changes in regional activity are accom panied w ith changes in inter-regional connectivity during 4 weeks motor learning.Brain Res,2010,1318: 64～76

37. Harrison L, Penny WD, Friston K. Multivariate autoregressive modeling of fMRI tim e series.Neuroim age, 2003,19(4):1477～1491

38. Friston KJ, Harrison L, Penny W. Dynam ic causal modeling.Neuro Image,2003,19:1273～1302

39.Stephan KE,Weiskopf N,Drysdale PM,Robinson PA, Friston KJ.Com paring hemodynam ic models w ith DCM. Neuro Im age,2007,38(3):387～401

40. Penny WM, Stephan KE, Mechelli A, Friston KJ. Com paring dynam ic causal models.Neuro Image,2004, 22(3):1157～1172

41.Thomas E,Silk A,Michael E,Cornelia H,Sarah W, Johanna K,W olfgang G,Dirk W.Cerebral pathways in processing of affective prosody:A dynam ic causalm odeling study.Neuro Image,2006,30(2):580～587

42.Brázdil M,Mikl M,Marecˇek R,Krupa P,Rektor I.Effective connectivity in target stimulus processing:A dynam ic causal modeling study of visual oddball task.Neuro Im age,2007, 35(2):827～835

43.Marreiros AC,Kiebel SJ,Friston KJ. Dynam ic causal modelling for fMRI:A two-state m odel.Neuro Image,2008, 39(1):269～278

44.Schuyler B,O llinger JM,Oakes TR,Johnstone T,Davidson RJ.Dynam ic causal m odeling app lied to fMRI data shows high reliability.Neuro Image,2010,49(1):603～611

45.張艷,陳春曉,盧光明,張志強(qiáng),朱建國(guó),陳志立,鐘元.基于動(dòng)態(tài)因果模型對(duì)顳葉癲癇活動(dòng)傳播的初步研究.生物物理學(xué)報(bào), 2009,25(2):148～154 Zhang Y,Chen CX,Lu GM,Zhang ZQ,Zhu JG,Chen ZL, Zhong Y.Studing on spread of tem poral lobe epilepsy in interical epileptiform discharges using dynam ic causal modeling.Acta Biophys Sin,2009,25(2):148～154

46. Goebel R. Investigating directed cortical interactions in tim e-resolved fMRI data using vector autoregressive modeling and G ranger causality mapping.Magn Res Im ag, 2003,21(10):1251～1261

47. Gao Q, Chen H, Gong Q. Evaluation of effective connectivity of dom inant primary motor cortex during bimanual movement using G ranger causality.Neurosci Lett, 2008,443(1):1～6

48.Zhou Z,Jiao Y,Tang T,Lu Z,Liu Y.Detecting effective connectivity in human brain using granger causality. In：Proceedings of the 2008 international conference on biomedical engineering and inform atics.W ashington:IEEE Computer Society,2008,2:394～398

49.Astolfi L,Cincotti F,Mattia D,Salinari S,Babiloni C, Basilisco A,Rossini PM,Ding L,Ni Y,He B,Marciani MG, Babiloni F. Effective and structural connectivity in the human auditory cortex.J Neurosci, 2008, 28(13): 3341～3349

50.Wen X,Zhao X,Yao L,W u X.App lications of granger causality model to connectivity network based on fMRI time series.ICNC,2006,4221:205～213

51.Roebroeck A,Form isano E,Geobel R.Mapping directed influence over the brain using Granger causality and fMRI. Neuroim age,2005,25(1):230～242

52.Chen H,Yang Q,Liao W,Gong Q,Shen S.Evaluation of the effective connectivity of supp lementary motor areas during motor imagery using Granger causality mapping. Neuro Im age,2009,47(4):1844～1853

53.Liao W,Mantini D,Zhang Z,Pan Z,Ding J,Gong Q, Yang Y,Chen H.Evaluating the effective connectivity of resting state networks using conditional Granger causality. Bio l Cybern,2010,102:57～69

54.Zhou Z,Chen Y,Ding M,W right P,Lu Z,Liu Y. Analyzing brain networks with PCA and conditional Granger causality.Hum Brain Mapp,2009,30(7):2197～2206