-
大脑功能连接研究有助于人们理解相关疾病的病理机制，找到诊断以及治愈相关疾病的新方法，同时也有助人类认识大脑进而开发大脑。目前，基于fMRI数据的脑功能连接研究方法按照假设主要分为两类：27272
- 上一篇：贝叶斯(BCCPM)连通性变化点模型大脑功能性链接网络推测
- 下一篇：Android的移动互联网开发框架国内外研究现状
首先，传统的研究方法一般都假设功能性连接时间上的静态性，即假设在静息态(或者单个任务)下大脑的功能网络不变，从而分析大脑的功能性连接的特征模式。这类基于静态性假设的方法又可以进一步分为基于直接度量方法和间接度量方法两类。论文网
第一类是基于直接度量的方法，目前主要包括皮尔森相关[5-6]、偏相关[7]以及小波相关[8]。这些方法都是通过一定公式，计算得到连接的强度信息，再根据定义好的阈值，推测节点间是否存在边。如北京师范大学的Wang等人[6]基于静息态功能磁共振成像数据运用皮尔森相关系数度量任意两个大脑感兴趣区域之间的功能连接强度，再利用图论分析方法研究不同的脑图谱对构建脑功能网络的影响，证明了不同脑图谱构建的脑功能网络都满足“小世界”属性和幂律分布,但在网络的拓扑结构参数上存在着显著的差别。中科院自动化所的Liu等人[7]运用偏相关系数分析了31名精神分裂症患者和31名正常人的静息态功能磁共振成像数据，发现正常人的脑功能网络满足“小世界网络”属性，而精神分裂症患者的脑功能网络的“小世界网络”特征在大脑的多个区域上明显发生了改变，如大脑的前额、顶叶和颞叶。Achard等人[8]根据小波相关分析对正常志愿者的功能磁共振成像数据进行分析，总结出相关联的低频数据具有"小世界”网络属性,反映了大脑皮层在解剖结构上的连结性。
另一类方法是间接度量方法，该类方法应用机器学习以及模式识别领域的一些方法来进行功能连接的分析。比较具有代表性的有主成分分析法(principle component analysis, PCA)、独立成分分析法(independent component analysis, ICA) 以及聚类分析等多元分析方法 [9-10]。这类方法建模功能连接时不需要模型假设，完全数据驱动，但从另一方面也忽略了大脑功能连接本身的很多属性特点，例如前面提到的功能网络的“小世界”属性。如中科院自动化所的Liang等人[9]根据精神分裂症患者和正常测试者的静息态fMRI数据，计算了116个大脑区域之间的全脑功能连接，并检验了异常功能连接的全局分布。实验结果显示精神分裂症患者相对比正常人存在着较低的功能连接，并且这样的异常连接分布在整个大脑而不仅是一些局部特定区域。北京师范大学的汤妮等人[10]根据静息态fMRI数据，运用独立成分分析和相关分析法研究了正常测试者和老年痴呆症患者的脑默认网络(default mode network)，发现静息状态下老年痴呆症患者与正常测试者的默认网络内各脑区之间的功能连接存在显著差异，并与以往的研究相互验证。
其次，按照假设分类的另一类方法假设即使当大脑执行任务甚至处于静息态时大脑功能性连接也是一直变化的，目前已有一定的文献研究大脑的功能性动态变化以及大脑状态的变换。该领域目前主要的研究思路是基于滑动时间窗口方法模型设计各种不同的方法识别大脑功能性连接的动态性[11-14]。其核心思想是设定一个时间窗口，根据上面提到的脑功能连接度量方法计算窗口内的fMRI数据的功能连接，然后滑动时间窗口一一计算每个窗口内功能连接，最后计算窗口之间功能连接的变化，根据某些条件寻找功能连接变化明显的时间点，划分fMRI时间序列。如Li等人[11] 利用滑动窗口方法得到功能连接静态时间块，再根据字典学习和稀疏编码学习得到相应的功能连接特征。通过实验发现了2个可以很好区分创伤后应激障碍患者和正常人的功能连接特征。西北工业大学的Zhang等人[12] 应用滑动窗口和稀疏表示方法分别提取了任务态和静息态下大脑的功能连接特征，发现存在着明显的差别。此外他们还基于滑动窗口方法和多视图谱聚类方法设计了一种新的框架来提取动态变化的功能连接特征来描述静息态下大脑功能网络[13]。他们发现了4个聚类在静态分析和动态分析下存在着较大的差异，意着他们在静息态下的大脑功能网络的动态变化中可能起到关键作用。Allen 等人[14]结合了滑动时间窗口方法、独立成份分析和K均值聚类三种方法分析整个大脑的功能连接动态性。他们发现了未曾报道过的功能连接模式，这类模式与静态的功能连接模式有着很大的不同，进一步说明了动态功能连接分析的必要性。以上基于滑动时间窗口模型的多个方法的一个主要缺点在于需要大量的先验知识来确定模型参数，例如在时间窗口的大小参数，而这些参数对最终结果影响较大。另一方面如何计算衡量功能连接的变化也是目前研究的难点之一。