从清醒到睡眠的动态功能连接

近年来，fMRI对时间分辨连通性的研究发展迅速。研究连接性随时间变化的最广泛使用的技术是滑动窗口方法。对于短窗与长窗的效用，固定窗与自适应窗的使用，以及在清醒状态下观察到的静息状态动态是否主要是由于睡眠状态和受试者头部运动的变化，一直存在一些争论。在这项工作中，我们使用了一个基于独立成分分析(ICA)的流程，将其应用于并发的清醒和不同睡眠阶段收集的脑电图/功能磁共振成像数据，并显示:1)从静息态时间过程的滑动窗相关的聚类得到的连接状态可以很好的分类从脑电图数据获得的睡眠状态,2)使用较短的滑动窗口代替非重叠窗口提高了捕获转变动力学的能力，即使在30s的窗长，3)运动似乎主要与一种状态相关，而不是分散在所有状态，4)固定的锥形滑动窗口方法优于自适应动态条件相关方法，5)与之前的EEG/fMRI工作一致，我们在清醒状态下识别多种状态的证据，这些证据能够被高度准确地分类。仅清醒状态的分类表明，除了睡眠状态或运动外，fMRI数据中连通性的时变变化也存在。结果也告知了有利的技术选择，和觉醒内不同集群的识别建议这一方向需要进一步研究。

1. 简述

       在这里，我们使用了在受试者从清醒状态过渡到不同睡眠阶段(由基于脑电图的睡眠评分定义)期间连续收集的同时脑电图-静息功能磁共振成像数据，并评估了基于滑动窗口的dFNC测量方法跟踪这些不同清醒状态变化的能力。除了将dFNC测量与睡眠进行比较外，该研究还为我们提供了一个机会，在真实数据集(而不是模拟数据集)中评估几种技术选择的影响。例如，我们比较了滑动窗口长度的影响，精确的锥形滑动窗口，达到我们预测睡眠阶段的能力。窗口应该足够短，以便在捕捉时变连通性的能力和对噪声过于敏感之间取得良好的折衷。此外，我们将固定长度滑动窗方法与计量经济学中用于fMRI数据的方法动态条件相关(DCC)进行比较。DCC使用自适应窗口大小，与固定长度滑动窗口方法相比，在估计时变功能连接性方面，DCC显示了更好的test-rest可靠性。我们还评估了估计的状态与运动的关系，特别是我们感兴趣的是，是否所有的状态都显示出与运动相似的关系，或者是否有一个子集的状态捕捉到与运动相关的变化。图1显示了静息态fMRI数据处理框架。

图1 静息态fMRI数据处理框架

2.  结果

       为后续分析选择的62个内在连接网络如图2所示。这些组成部分分为皮层下(5个)、听觉(2个)、感觉运动(10个)、视觉(11个)，以及一组涉及注意和执行控制以及认知控制的高级联想区域（19），默认模式区域(10)和小脑(5)，与我们早期的研究一样，这些都基于解剖学上的邻近性和功能上的连通性。

图2 62个内在连接网络为进一步分析分组为7个模块

2.1 动态功能连接聚类结果

       对所有受试者的动态FNC窗口数据进行k-means聚类得到的心(k=5)如图3A所示。除状态2外，质心按其在时间上出现的频率排序(从最清醒状态到最深睡眠状态)。这些质心从一个状态到另一个状态显示出不同的连接模式。使用Louvain社区检测算法估计质心状态的模块度，得到状态1、2和3的三个模块度，状态4和5的四个模块度。尽管在所有状态下，皮层下和小脑的ICs属于同一模块，但在状态4和状态5中，它们被分离为一个额外的模块。我们计算了模块内的平均连接强度，每个模块的前12个IC如图3C所示。

图3 dFNC窗口数据的k-means聚类中心，窗口大小为30s (A)，每个状态在时间上出现的频率(B)。(C)用Louvain算法计算质心的模块化，得到状态1、2、3的三个模块(Mod)和状态4、5的四个模块。

2.2聚类的连接状态与睡眠状态对应吗？

       根据睡眠状态(W, N1, N2, N3)对被试状态向量进行排序，得到睡眠状态的频率计数，如图4所示。正如图中所看到的,在状态1和2连接模式主要发生在清醒状态,而状态3,4和5看到的模式随着被试进入不同的睡眠状态出现的更频繁，状态5 的连接模式在N3(深)睡眠阶段发生。

       通过聚类dFNC矩阵得到的被试状态向量与计算两者之间的相互关系得到的被试催眠图之间的对应关系进行了检验。图5显示了两种相关性最好和最差的例子。如图所示，最佳受试者的催眠图与状态向量的相关系数为0.89。两者相关性最差的受试者在整个扫描过程中主要倾向于保持清醒，而dFNC状态向量显示了清醒相关状态1和2之间的转换。评估被试dFNC状态向量与催眠图对应关系的结果如图6所示。

       对于这个投射，使用t-SNE算法将400个dFNC窗口的随机样本按状态(共2000个点)可视化，并用相应的k-means聚类赋值(图6A)进行颜色编码，或者从各自的催眠图中获得睡眠阶段(图6B)。从k-均值聚类中得到的两种清醒状态被组合在一起，显示了从清醒到深度睡眠阶段的过渡，并沿着平滑的轨迹逐渐发生。这一结果表明，使用滑动窗口方法估计的dFNC和随后的聚类与通过脑电图催眠图估计的神经生理状态非常吻合。

图4 对按催眠状态排序的dFNC数据进行k-means聚类得到的状态向量赋值的频率计数。

图5 通过dFNC窗的k-means聚类和脑电图导出的催眠图得到的被试状态向量比较相关性最高的两名被试(A和B)和相关性最低的两名被试(C和D)。

图6 dFNC数据的可视化:我们选择了2000个随机dFNC窗口(每个dFNC状态400个)，并使用t-SNE算法将多维(1891)数据投影到2维。

2.3 运动如何影响聚类？

       为了评估扫描时被试头部运动对dFNC聚类结果的影响，我们计算了每个dFNC状态下受试者头部显著运动的窗数(点数大于2.5个帧位移均值标准差)，并目测评估了受试者的dFNC状态向量和平均帧位移向量。相对于其他状态，状态2与扫描过程中较大的头部运动有关。

2.4 时间动态的定征

       图7总结了从每个模态获得的状态向量的时间特性的比较。对于两种模态的数据，每个状态的平均停留时间和出现频率是一致的。状态转移矩阵与从W->N1,N1->N2,N2->N3以及从所有睡眠阶段过渡到W状态的更可能切换具有良好的对应关系;这与我们对进入不同睡眠阶段的认识是一致的。然而，我们观察到，与脑电图导出的催眠图计算的状态向量相比，dFNC聚类导出的状态向量的状态间转移的平均次数更高。

图7 比较脑电图导出的催眠图和dFNC聚类导出的受试者状态向量统计量和转移矩阵。

2.5脑电图导出的催眠图与加窗dFNC数据的比对

       EEG催眠图与dFNC窗口位置最佳对齐的SVM分类结果如图8所示。

       结果表明，当dFNC状态向量与相应的脑电催眠图向量以窗口点为起点对齐时，分类精度最高，而当两者之间发生移位时，分类性能降低。

图8 使用线性支持向量机对训练(A)和测试(B)脑电图催眠图和受试者dFNC状态向量对齐的案例进行分类的准确性，使用30 TRs的窗口大小获得。

2.6 根据dFNC数据，我们能很好地预测睡眠阶段吗？

       对比受试者催眠图的预测与不同窗长获得的dFNC估计的SVM分类精度如图9所示。如图所示，在训练的受试者案例中，随着dFNC估计窗口大小从短到长，分类准确率显著增加。漏检样本的准确性随窗口大小没有显著差异。这些准确率与早期的报告一致，但我们表明，这些准确率可以通过更短的窗长实现。与滑动窗口方法相比，对于所有窗口大小，DCC方法对dFNC估计的分类精度较差。

图9 通过使用不同的训练窗口大小获得的dFNC估计得到的受试者睡眠阶段的线性SVM分类准确率(A)，来自11个交叉验证迭代的测试(B)数据和来自相同交叉验证方案的DCC估计获得的分类精度在右上方(C)显示。

2.7 清醒阶段是否只对应一个dFNC聚类

       由于我们之前的工作显示了具有不同脑电图频谱特征的多个清醒状态，我们进一步关注了清醒状态，只是为了看看它是否可以可靠地分割成亚簇。使用肘准则搜索最优簇数得到四个簇。图10描绘了聚类中心。清醒状态聚类质心1和2彼此相似，但在模块组内部和之间的相关性强度不同。

       清醒状态4类似于完整数据集中的状态3，但其区别在于感官(视觉、运动和听觉)网络与高级认知网络以及默认模式区域之间的反相关性。使用带网格搜索的one-vs-rest RBF支持向量机模型对只有清醒聚类窗口的SVM分类结果，分类准确率达到92%。分类是通过在一个五倍交叉验证方案中留出10%的受试者进行的。当类标签排列时，分类精度达到25%的机会水平时。这一结果表明，从清醒状态得到的子簇是线性可分的，具有较高的精度。

图10 对只有清醒状态(state 1)的窗口dFNC数据进行k-means聚类得到聚类中心。

3.  讨论

       在这项工作中，使用基于ICA的管道，我们评估了基于滑动窗相关的动态功能网络连接测量的能力，以捕获从睡眠阶段的脑电图数据中获得的神经生理状态转换，这些数据是在休息时的功能磁共振采集过程中同时获得的。结果表明，dFNC窗口的k均值聚类得到的被试状态向量与被试催眠图具有良好的对应关系。我们进一步证明，不同的静息功能连接模式与清醒和睡眠状态相关，dFNC状态1主要发生在被试清醒时，dFNC状态3对应于受试者警惕性降低和早期睡眠阶段(N1)，而dFNC状态4和5更可能与深度睡眠阶段有关。在所有受试者中，深度睡眠(N3)主要与dFNC状态5相关。一种状态(dFNC状态2)主要捕获与被试运动相关的变化。

       我们没有将滑动窗口相关方法与动态连接方法的替代方法进行比较，如时间导数乘法和时频方法。目前报告的dFNC模式仅与夜间早期1小时扫描观察到的某些睡眠阶段相对应。还需要进一步的研究来充分阐明在其他已知的睡眠状态下的功能连接，比如快速眼动睡眠(REM)，可能是通过扫描深夜或清晨的记录。此外，在这项工作中，我们展示了在清醒休息期间线性可分(可预测)的连接状态的存在，以扩展我们之前的工作。

4.  结论

       在这工作,使用ICA管道应用于并发脑电图/功能磁共振成像在清醒和睡眠阶段我们收集的数据表明,时变连接估计滑动窗口的相关性的静息状态的功能网络时间过程分类从脑电图数据获得的睡眠状态，甚至在30s的窗长。我们发现，头部运动主要与其中一种状态有关，而不是分散在所有状态。与早期的研究一致，我们发现随着受试者从清醒状态过渡到睡眠状态，连接的变异性也在增加。我们报告了清醒状态下的线性可分簇，并提出了未来的方向，通过使用脑电图-功能磁共振成像(EEG-fMRI)数据(包括清醒状态下的眼球追踪)，对不同睡眠阶段的可预测状态进行分层分析，评估它们的神经生物学相关性。