fMRI的BOLD信号静息态

fMRI的BOLD信号静息态

3.1 静息态数据

3.1.1 fMRI静息态数据与任务态数据

如1.1所述，fMRI技术可以方便且有效地得到大脑中某区域各个体素BOLD信号与时间的关系。通过任务态数据分析，可以确定大脑中控制某项功能的具体位置信息。这样，可以通过fMRI技术来研究大脑中控制某项功能的区域的BOLD信号随时间变化的性质。

3.1.2 fMRI静息态数据与大脑中的临界

大脑中神经元所构成的复杂网络已被证明是无标度的，然而大脑是否处于临界状态却尚未有明确的结论。有很多指标可以判定系统的临界程度，例如本文所用的熵的量度。通过任务态数据的分析，定位出控制手动的区域，进而研究此区域静息态的数据，比较静息状态与激活状态下时间序列的熵的变化，对大脑处于静息状态下是否更接近临界状态做出判断。

3.2 实验数据

3.2.1 实验对象与实验仪器

实验对象与实验仪器均如2.1所述。共有40名被试参与了静息态任务的测试。1-20名被试与21-40名被试所采取的实验方案不同。

3.2.2 实验方案

1-20名被试的实验方案见图3.1。实验分为两阶段，被试于第一阶段处于静息态，第二阶段处于动手的激活态，时间均为8分钟20秒。

21-40名被试的实验方案见图3.2。实验分为两阶段，被试于第一阶段处于静息态，时间为10min，第二阶段处于激活、静息交替进行的阶段，各60秒，第二阶段共6分钟。

3.2.3 大脑任务态成像数据采集

静息态：20个横向层面，6mm厚（无间隙），回波时间[TE]=40ms，重复时间[TR]=2000ms，翻转角（flip angle）=90°，基元（matrix）96*96，视场（field

of view）240mm*240mm，总计需要时间为16min40s，包括500个全脑volumes。（静息态实验二总计16min，包括480个全脑volumes）。

图3.1 1-20名被试的静息态实验方案

图3.2 21-40名被试的静息态实验方案

3.3 数据处理

3.3.1 预处理数据

对静息态数据进行预处理。与任务态不同的是，此处对静息态进行处理时不再进行高通滤波。

其流程为：①去除头皮②分层时间校正③头动校正④空间标准化⑤空间平滑处理。

3.3.2 制作左右脑原始Z值MASK

依据2.2中得到的大脑标准空间中的Z值分布，需要提取符合一定Z值范围的区域的位置信息。在标准空间中将需要的位置标为1，不需要的位置标为0，这样的标准空间模板就是需要的MASK。MASK包含了大脑中控制动手功能的所有区域的位置信息。

由于2.2中直接通过测得的任务态数据进行分析，得到的Z值较高的区域不仅有大脑，还有小脑和脑干，但这些区域并非是下一步需要分析的区域，需要将其去除。为此，需要到一个标有大脑中某处空间位置对应的解剖位置的模板，据此来将不需要的区域去除。

Talairach模板将脑分为了1128个区域，详细标注了各区域所对应的解剖结构。如表3.1所示，可以得到一张列表，包含了各区域的编号、在标准空间中的坐标、具体解剖结构信息。表中仅列出1-8号区域的信息。其中，具体解剖结构信息中详细地记录了各区域属于大脑、小脑还是脑干，并记录了属于左脑还是右脑。同时，在具体解剖结构信息中还记录了此区域对应的布罗德曼分区，如8号区域，对于分析具体功能的脑区提供了方便。

区域X

编号

1

2

3

4

5

6

7

8

65

23

54

21

46

41

67

68

Y

21

20

36

34

39

39

62

56

Z

16

15

16

16

14

14

14

18

Left小脑

Right小脑

Left小脑

Right小脑

Left脑干

Right脑干

*

Left大脑

Posterior-Lobe

Posterior-Lobe

Posterior-Lobe

Posterior-Lobe

Medulla

Medulla

*

Temporal-Lobe

具体解剖结构信息

Inferior

Inferior

Cerebellar

Cerebellar

*

*

Inferior

Inferior

Semi-Lunar

Semi-Lunar

Tonsil

Tonsil

*

*

Temporal-Gyrus

Temporal-Gyrus

Lobule

Lobule

Gray-Matter

Gray-Matter

*

*

*

Gray-Matter

Gray-Matter

Gray-Matter

*

*

*

Brodmann-area-20

矩阵。用这两个模板对2.2中直接通过测得的任务态数据进行分析得到的Z值分布做乘法，则可得到左大脑和右大脑中Z值的分布矩阵。此即左右脑原始Z值MASK。

3.3.3 制作左右脑MASK

通过取不同的Z值为阈值，将低于Z值的区域变为0，不低于Z值的区域变为1，可以得到不同的MASK。

此时得到的MASK仍有问题。MASK即以后提取时间序列的模板，实际上标记了需要讨论的感兴趣区域，理应是互相连通的一块区域。但实际上并非如此，此时仅仅通过Z值截断得到的区域往往为不连通的多块区域。

为了得到单独的一块连通区域，需要先确定一个Z值最高的点，并保证此点处在感兴趣的区域。在取定Z值之后，需要从定点出发，寻所有与之连通的点，进而得到一整块连通的区域。

3.3.4 提取时间序列

……

利用Talairach模板，可以方便地得到左大脑、右大脑的模板，即三维的0-1……

……

……

……

表3.1 Talairach模板分区图

……

……

……

……

……

将预处理之后的静息态数据去除最初10幅图像，即最初的10个时刻，然后按照静息状态与激活状态分割，分别去除线性趋势、滤波。分别计算静息状态下与激活状态下的同步和熵，并进行比较。

3.3.5 相同步和同步熵

将时间序列进行去除线性趋势、滤波之后，首先通过希尔伯特变换（Hilbert

transform）得到时间序列的相迹（phase trace）