企业官网建设流程全解析

本篇文献发表在Neuroimage杂志。所发布内容旨在与大家分享学术新知，促进交流学习版权归原作者或原出处所有，感谢各位学者的辛勤付出与研究成果。

1.引言

大脑的功能组织具有丰富的时空结构，可以使用功能连接指标进行探测。功能连接被定义为两个或多个脑区的功能磁共振成像时间序列之间的无方向关联，已被证明会随年龄、训练、意识水平以及睡眠的不同阶段而变化。传统上，功能连接被假定在给定的实验运行期间是恒定的。然而，最近的研究开始探讨较短时间尺度上功能连接的时间动态。这种功能连接的快速改变被认为使大脑能够持续采样其功能库的各种配置。这些关于动态功能连接的研究还能够将全脑动态功能连接特征分类为不同的“脑状态”，即在整个静息态运行过程中可靠观察到的反复出现的全脑连接特征。确定跨被试存在这种连贯脑状态的一种常见方法是对随时间变化的连接矩阵执行k均值聚类。然后可以将脑状态总结为每个质心处的连接模式，并且可以计算额外的汇总指标，例如每个被试在给定状态中花费的时间量。使用这种脑状态定义，研究表明描述每种状态的连接模式在群体和个体间可靠地观察到，而其他特征，如花在特定状态中的时间量和状态之间的转换次数，会随有意义的个体差异而变化，例如年龄或疾病状态。然而，这种理解最近被称为“时间连接组”的方法仍处于起步阶段。

许多方法学问题限制了现有动态连接研究的可解释性。例如，当没有外部刺激可建模时，检测可靠且具有神经相关性的动态功能连接变化具有挑战性。动态功能连接研究通常依赖于静息态功能磁共振成像数据，因此，尚不清楚识别出的状态是否准确反映了潜在的认知状态。另一个问题是动态功能连接方法大大增加了初始需要考虑的数据点数量。这与降低数据维度的统计方法形成对比。此外，静息态功能磁共振成像中血氧水平依赖信号的信噪比很低，并且通常不清楚观察到的脑区之间时间相关性的波动应归因于动态神经活动、非神经生物信号还是仅仅是噪声。由于这些方法学上的挑战，动态功能连接的指标对用于估计它们的方法很敏感，并且关于使用何种合适估计方法仍存在不确定性。未来一个重要的关注点是建立能够最大化动态功能连接指标信度的方法，这反过来将增强使用动态功能连接指标的个体变异性来理解行为和认知功能的个体变异性的能力。

检测动态功能连接最广泛使用的方法是滑动窗法，其中在功能磁共振成像时间序列的固定长度加窗片段上计算连接矩阵。这些时间段可以从单个体素导出，在预先指定的感兴趣区上平均，或使用数据驱动方法（如独立成分分析）进行估计。在固定长度窗内的观测值可以像传统滑动窗法一样赋予相等权重，或者允许在窗随时间移动时逐渐进入和退出窗，这是锥形滑动窗法使用的策略。滑动窗法家族的潜在缺陷包括使用任意选择的固定长度窗、忽略窗外的值，以及无法处理连接模式的突然变化。

基于模型的多元波动率方法试图通过灵活建模动态相关性和方差来解决这些缺点。基于模型的多元波动率方法被广泛用于预测金融时间序列中的时变条件相关性，并一直显示出优于滑动窗法的性能。动态条件相关法是基于模型的多元波动率方法的一个例子，最近已被引入神经影像领域。动态条件相关法被认为是最好的多元广义自回归条件异方差模型之一，通过拟最大似然方法有效估计所有模型参数。此外，动态条件相关模型的渐近理论为统计推断提供了一种机制，而使用其他估计动态相关性的技术则不容易获得这种机制，尽管此类机制目前正在开发中。在之前的一项研究中，对实验性静息态功能磁共振成像数据的模拟和分析表明，动态条件相关法在检测功能连接的时间变化方面实现了敏感性和特异性的最佳总体平衡。具体而言，研究表明，与滑动窗法和其他多元波动率方法相比，动态条件相关法对噪声引起的时间相关性变异更不敏感。

此研究的目标是识别能为各种动态功能连接指标提供准确和可靠测量的估计方法。具体而言，此研究比较了使用滑动窗法家族（代表最常用的动态功能连接估计方法）估计的汇总指标与使用动态条件相关法（代表更先进的基于模型的多元波动率方法）估计的汇总指标的信度。此研究评估了两类动态功能连接汇总指标的信度：1）基本汇总统计量，特别是动态功能连接随时间的均值和方差，以及2）从脑状态推导出的统计量，特别是状态之间的停留时间和变化点数量。此研究使用两个公开的静息态功能磁共振成像测试-重测数据集比较了这些方法的信度：1）多模态磁共振成像可重复性资源数据集，该数据集使用了成熟的回波平面成像序列，重复时间为2000毫秒；以及2）人类连接组计划500被试数据发布数据集，该数据集使用了同步多层回波平面成像序列，重复时间为720毫秒。这两个数据集在采集参数和用于清洗数据的预处理步骤方面有所不同，前者的采集和处理参数代表了许多静息态功能磁共振成像研究人员使用的成熟程序，而后者的参数代表了旨在优化数据质量的前沿程序。此研究假设，动态条件相关法估计的动态功能连接汇总指标比使用传统滑动窗法和锥形滑动窗法估计的指标更可靠，并且使用人类连接组计划数据获得的动态功能连接汇总指标比使用多模态磁共振成像可重复性资源数据获得的指标更可靠。

2.方法

2.1图像采集

2.1.1多模态磁共振成像可重复性资源数据

此研究使用了来自F.M. Kirby研究中心的多模态磁共振成像可重复性资源数据，以评估使用典型长度、标准回波平面成像序列获得的动态功能连接汇总指标的信度，这些数据使用成熟的预处理程序进行了清洗。该资源可在http://www.nitrc.org/projects/multimodal公开获取。关于整个采集协议的详细说明，请参见Landman等人的研究。简言之，该资源包括21名健康成年被试的数据，这些被试在3T飞利浦Achieva扫描仪上进行了扫描。该扫描仪设计为实现80 mT/m的最大梯度强度，采用体线圈激发和用于接收的八通道相控阵灵敏度编码头线圈。被试在同一天完成两次扫描 会话，在两次 会话 之间，被试短暂离开扫描室，在第二次 会话 之前对被试、线圈、毯子和垫子进行了完全重新定位。在两次 会话 期间采集了T1加权磁化准备快速采集梯度回波结构像（采集时间=6分钟，重复时间/回波时间/反转时间=6.7/3.1/842毫秒，分辨率=1×1×1.2立方毫米，SENSE因子=2，翻转角=8°）。使用多层灵敏度编码回波平面成像脉冲序列（SENSE-EPI）在每次 会话 期间采集一个静息态功能磁共振成像 run，每个 run 包含210个时间点，每2秒采样一次，空间分辨率为3毫米各向同性。被试被指示在尽可能保持静止的同时舒适地休息，没有提供其他指示。此研究将采集的第一个静息态功能磁共振成像 run 称为 会话 1，第二个称为 会话 2。由于过度运动，一名被试被排除在数据分析之外。

2.1.2人类连接组计划数据

此研究使用了2014年人类连接组计划500分区+时间序列+网络矩阵数据发布，以评估使用更大的523名健康成年人数据集获得的动态功能连接汇总指标的信度，该数据集以更高的时间频率采样更长的持续时间，并使用前沿的预处理程序进行了清洗。关于整个采集协议的详细说明，请参见Van Essen等人的研究。简言之，所有人类连接组计划磁共振成像数据均在定制的3T西门子连接组-Skyra 3T扫描仪上采集，该扫描仪设计为实现100 mT/m的梯度强度。被试在分开的两天完成两次扫描会话。在每次会话 期间采集T1加权磁化准备快速采集梯度回波结构像。使用加速因子为八的同步多层脉冲序列在每次 会话 期间采集两个静息态功能磁共振成像 run，每个 run 包含1200个时间点，每0.72秒采样一次，空间分辨率为2毫米各向同性。被试被指示在屏幕上保持睁眼并注视十字光标，同时尽可能保持静止。在 会话内，两个run的相位编码方向在右向左和左向右方向之间交替。这种平衡不同天静息态功能磁共振成像 run 采集顺序的方法于2012年10月1日被采用。在此之前，两天的静息态功能磁共振成像 run 均使用先右向左后左向右的顺序采集。此研究将分析限制在人类连接组计划500-分区+时间序列+网络矩阵发布中包含的461名完成了完整静息态功能磁共振成像协议的被试数据。此研究将第一次访问期间采集的两个run 称为会话1A 和1B，将第二次访问期间采集的两个 run 称为会话 2A 和 2B。请注意，被试在同一天采集的 run 之间没有离开扫描仪。

2.2图像处理

2.2.1多模态磁共振成像可重复性资源数据处理

使用SPM8和MATLAB对多模态磁共振成像可重复性资源数据进行预处理。为了允许磁化稳定，在采集时丢弃了四个时间点，在预处理前又丢弃了一个时间点。使用在TR中间采集的切片作为参考进行层时校正，并估计刚体校正参数以调整头动。结构像被配准到第一个功能帧，并使用SPM8的统一分割-归一化算法空间标准化到MNI空间。将估计的刚体和非线性空间变换应用于静息态功能磁共振成像数据，然后使用0.01 Hz的截止频率进行高通滤波。然后使用6毫米半高全宽高斯核对静息态功能磁共振成像数据进行空间平滑（即静息态功能磁共振成像采集体素标称尺寸的两倍）。

使用功能磁共振成像组独立成分分析工具箱来估计数据中独立成分的数量，通过主成分分析在进行独立成分分析之前进行数据降维，然后对主成分分析降维后的数据执行组独立成分分析。独立成分数量的估计受到使用增强的拉普拉斯近似进行顺序选择的指导。56是估计的最大独立成分数，39是中位数。在组独立成分分析之前，从每次 会话 的每个时间点移除图像均值，并执行了三个步骤的主成分分析。首先将单个 会话 数据降维到112个主成分，然后将降维后的 会话 数据在被试内沿时间方向串联，并进一步降维到56个主成分。最后，将数据跨被试串联并降维到39个主成分。个体 会话 主成分分析的维数通过加倍估计的最大独立成分数来选择，以确保从组水平独立成分中稳健地反向重建被试和 会话 特异性的空间图和时间序列。使用ICASSO工具箱，对这39个组水平主成分重复独立成分分析10次，利用Infomax算法和随机初始条件。ICASSO使用组平均链接层次策略对迭代产生的390个独立成分进行聚类，并将39个聚合空间图定义为聚类的模式。使用GICA3算法从这些聚合独立成分中生成被试和 会话 特异性的空间图和时间序列。

此研究将每个组水平聚合独立成分的空间分布与一组公开的100个未阈值t图的独立成分进行了比较，这些独立成分是使用从405名健康参与者收集的静息态功能磁共振成像数据估计的。这些t图已被专家小组分类为静息态网络或噪声，被分类为静息态网络的50个成分已被组织成七个大的功能组：视觉、听觉、躯体运动、默认模式、认知控制、皮层下和小脑网络。此后，此研究将这些称为Allen成分和Allen静息态网络。对于每个组水平空间图，此研究计算了由七组Allen静息态网络解释的方差百分比。每个多模态磁共振成像可重复性资源成分的功能分配由解释最多方差的Allen成分组决定，如果前两组Allen静息态网络解释多模态磁共振成像可重复性资源成分的方差小于50%，则将该多模态磁共振成像可重复性资源成分标记为噪声。然后，来自成分的被试和 run特异性时间序列作为下述动态功能连接分析的输入。

2.2.2人类连接组计划数据处理

此研究使用了人类连接组计划500-分区+时间序列+网络矩阵数据发布提供的预处理和去除伪影后的静息态功能磁共振成像数据。对数据执行的预处理和去除伪影程序在其他地方有详细解释，下面简要描述。每个 run 都经过最小预处理，并使用牛津功能磁共振成像中心基于独立成分分析的噪声去除工具程序去除了伪影。在处理流程的这一步，每个 run 的静息态功能磁共振成像数据被表示为灰质坐标的时间序列，这是皮层表面顶点和皮层下标准空间体素的组合。每个 run 都进行了时间上去均值和方差归一化。将所有461名被试的四个 run 输入到MELODIC增量组主成分分析算法中，该算法估计了前4500个加权空间特征向量。使用FSL的MELODIC工具，在五个不同维数下将组独立成分分析应用于MELODIC增量组主成分分析的输出。在此研究中，此研究使用对应于维数d=50的数据进行进一步的动态功能连接分析，该维数最接近多模态磁共振成像可重复性资源数据使用的维数。然后使用双回归将组水平成分的空间图映射到每个被试的时间序列数据上。对于双回归，首先将被试内每个 run 的时间序列按以下顺序串联：第1天左向右，第1天右向左，第2天左向右，第2天右向左。然后使用全套组水平图作为空间回归量，针对每个被试的完整时间序列获得每个独立成分的单一代表性时间序列。每个成分的功能分配如上所述使用Allen静息态网络确定。然后，来自成分的被试和 run 特异性时间序列作为下述动态功能连接分析的输入。

2.3计算动态功能连接

大脑多个区域之间的动态功能连接通常使用协方差或相关矩阵表示，这些矩阵表示不同脑区或成分之间的关系。在此研究中，使用滑动窗法、锥形滑动窗法和动态条件相关法估计相关矩阵的元素。

2.3.1滑动窗法

也许估计协方差/相关矩阵元素的最简单方法是使用滑动窗法。在这里，选择一个固定长度w的时间窗，并使用该窗内的数据点计算相关系数。然后窗口随时间移动，为每个时间点计算新的相关系数。滑动窗相关估计的一般形式如公式(1)所示，

其中

, i=1,2表示估计的时变均值。

滑动窗口方法对过去 w 个时间点内的所有观测值赋予相等的权重，而对所有其他观测值赋予零权重。因此，移除一个具有高度影响力的异常数据点会导致动态相关的突然变化，这可能被误认为是脑连接的一个重要方面。为了规避这个问题，Allen 及其同事建议使用加权的滑动窗口方法。在该方法中，滑动窗口（假设宽度为 22 个重复时间）与一个高斯核（σ = 3 个重复时间）进行卷积。这使得窗口在随时间移动时，数据点能够逐渐进入和退出窗口。需要注意的是，t 被定义为后续窗口的中点，从而对未来值和过去值赋予相等的权重。

因此，滑动窗口和加权滑动窗口方法导出的相关都可以看作是以下公式的特例：

公式：

其中，wts 是在计算索引 t（从运行开始经过 t× 重复时间的时间点）的动态相关时考虑点 s 的贡献所赋予的权重。对于滑动窗口方法，当 t−w−1≤s≤t−1时，wts=1，否则为 0。然而，一般而言，权重可以由任何核分布决定。

窗口长度参数需要仔细选择，以避免引入虚假波动。对于 Kirby 数据，此研究使用了30个重复时间的窗口长度，这是针对使用标准回波平面成像序列（采样频率为2秒）采集的静息态功能性磁共振成像数据所建议的最优窗口长度。对于人类连接组项目数据，此研究考察了15、30、45、60、75、90、105和120个重复时间的滑动窗口长度，因为尚不清楚用于采集人类连接组项目数据的更高采样频率将如何影响被认为是最优的窗口长度。然而，由于结果的一致性，此研究仅展示了30、60和120个重复时间的结果（以下分别称为 SW30、SW60 和 SW120）。这三个窗口长度使此研究能够比较使用与Kirby数据相似体积数量的窗口（SW30；约22秒）、覆盖相似时间量的窗口（SW120；约86秒）以及一个中间窗口长度（SW60；约43秒）下动态功能连接方法的可靠性。

2.3.2动态条件相关法

用于估计条件方差和条件相关的动态条件相关模型在过去十年中在金融文献中变得越来越流行。在介绍动态条件相关法之前，必须首先讨论广义自回归条件异方差过程，该过程常用于单变量时间序列中的波动率建模。它们以与常用时间序列模型（如自回归和自回归移动平均）建模均值非常相似的方式，为方差提供了灵活的模型。广义自回归条件异方差模型将单个时间序列在时间t的条件方差表示为条件方差的过去值和平方过程本身的过去值的线性组合。为了说明，假设正在观测一个单变量过程，

其中ϵt是一个N(0,1)随机变量，σt表示试图建模的时变条件方差项。在广义自回归条件异方差(1,1)过程中，条件方差如公式(4)所示，

其中ω>0，α,β≥0，α+β<1。这里，项α控制时间序列过去值对方差的影响，β控制条件方差过去值对其当前值的影响。

虽然许多多元广义自回归条件异方差模型可用于估计动态相关，但研究表明动态条件相关模型优于其他模型。为了说明动态条件相关法，假设yt是一个双变量均值为零的时间序列，具有条件协方差矩阵Σt。一阶形式的动态条件相关可以如公式(5)-(10)所示表达。

动态条件相关算法包括两个步骤。在第一步中，对组成y_t的两个单变量时间序列分别拟合单变量广义自回归条件异方差(1,1)模型，并用于计算标准化残差。在第二步中，将指数加权移动平均窗应用于标准化残差，以计算时变相关矩阵R_t的非归一化版本。这里，Q̄表示ϵt的无条件协方差矩阵，通过公式(11)估计

而(θ₁,θ₂)是非负标量，满足0<θ₁+θ₂<1。公式(9)只是一个重缩放步骤，以确保创建正确的相关矩阵，而公式(10)计算时变协方差矩阵。

与滑动窗法和锥形滑动窗法的标准实现（其中向前n步的观测值被赋予与向后n步的观测值相同的权重）相反，动态条件相关法估计条件相关。具体而言，当前条件相关的估计通过过去条件相关估计和当前观测值的线性组合进行更新。在这方面，该模型与常用于描述功能磁共振成像噪声的时间序列模型（如自回归和自回归移动平均模型）有相似之处，其中当前噪声估计受其过去值而非未来值的影响。在静息态实验中，动态相关性的确切时间本身通常没有意义。因此，在这种设置中，窗口的定义方式不重要，只会导致半窗口长度的时间偏移。然而，此研究仍然认为应该使用条件相关，因为它提供了特定时间点相关性的更合适估计，这在将动态相关性与特定任务或情绪的时间联系起来时可能至关重要。

模型参数 (ω1, α1, β1, ω2, α2, β2, θ1, θ2)可以使用两阶段方法估计。在第一阶段，为每个时间序列估计时变方差。在第二阶段，使用标准化残差估计动态相关{Rt}。这种两阶段方法已被证明可以提供一致且渐近正态的估计，其方差可以使用广义矩方法计算。

上述描述假设了双变量时间序列。然而，在实践中，yt通常是N变量且N>2。有两种方法可以处理此类数据。首先，可以拟合动态条件相关的N变量版本。第二种选择是执行“大规模双变量分析”，即分别拟合每对时间序列之间的双变量连接。此研究选择了后一种方法，因为它以增加计算时间为代价提供了更大的灵活性。另请注意，像自回归过程一样，动态条件相关可以定义为包含更长的滞后。然而，在此研究工作中，此研究仅限于一阶变体。

2.4汇总动态功能连接

如前所述，估计动态功能连接最初会增加需要考虑的观测数量。为了说明，假设有来自d个区域的数据，在T个时间点测量，总共有d×T个数据点。计算动态相关后，初始输出由T个独立的d×d相关矩阵组成，它们共同表示时变相关。然而，由于每个矩阵是对称的，只有矩阵的下三角部分有唯一的观测值，最终输出总共包含d(d-1)/2×T个数据点。然而，分析非但没有减少数据，反而增加了可用数据点的总数。出于这个原因，需要找到有意义且可靠地汇总这些信息的方法。

2.4.1动态功能连接的均值和方差

此研究探讨了成对动态功能连接的两个基本汇总统计量：动态功能连接均值和方差。均值被认为提供了与标准样本相关系数大致等效的信息，而方差可用于更直接地评估功能连接的动态性。如果一个边涉及频繁的状态变化，与在整个实验运行中功能连接保持更静态的边相比，它应该表现出随时间持续更高的相关强度变化。因此，此研究提出，变异性程度应合理地包含在任何动态功能连接的汇总中。

2.4.2脑状态

另一种新兴的汇总动态功能连接的方法是对脑状态进行分类，即在整个时间和被试中反复出现的全脑功能连接模式。遵循Allen及其同事的方法，此研究使用k均值聚类来估计跨被试的反复出现的脑状态，分别对 会话 内的每个 run 进行操作。然后比较跨 run 和 会话 的结果以评估信度。首先，此研究将每个被试的d×d×T动态相关数据的下三角部分重新组织成一个维数为(d(d-1)/2)×T的矩阵，其中d是节点数，T是时间点数。然后将所有被试的数据串联成一个维数为(d(d-1)/2)×(T×N)的矩阵，其中N是被试数。最后，应用k均值聚类，每个得到的聚类质心代表一个反复出现的脑状态。

聚类的数量基于计算每个候选聚类数k=1,…,10的组内平方和，并选择图中的“肘点”。为了增加逃离局部最小值的几率，k均值聚类重复50次，使用质心位置的随机初始化。计算额外的汇总指标，如每个被试在每个状态中花费的时间量和从一个脑状态到另一个脑状态的转换次数，并评估跨 run 和 会话 的信度。

2.5评估动态功能连接方法的信度

2.5.1动态功能连接的均值和方差

此研究工作的主要目标是调查使用三种不同估计方法（滑动窗法、锥形滑动窗法和动态条件相关法）计算的动态功能连接汇总统计量的测试-重测信度。此研究使用组内相关系数和图像组内相关系数评估了基本汇总统计量的信度，图像组内相关系数是组内相关系数对图像的推广。具体而言，此研究使用组内相关系数评估均值和方差矩阵的单个元素（即边）的信度，并使用图像组内相关系数评估跨脑的动态功能连接均值和方差的整体信度。计算整体信度度量以提供一个指示整个脑信度程度的单一值。

组内相关系数的定义如公式(12)所示，

其中

表示被试间方差，

表示被试内方差，

表示观测数据的方差。为了解释结果，此研究使用Cicchetti的惯例，其中组内相关系数得分低于0.40为差；0.40至0.59之间为一般；0.60至0.74之间为良好；0.75至1.00之间为优秀。

基于经典图像测量误差模型，图像组内相关系数可以定义为公式(13)，

其中KX是被试内协方差，KU是重复测量误差的协方差，

是观测数据的协方差。使用矩估计法，计算图像组内相关系数既快速又可扩展。理论上，组内相关系数和图像组内相关系数都产生0到1之间的值，其中0表示测量完全独立，1表示完美信度。然而，由于它们的估计方式，这两个指标都可能取负值，这被解释为指示信度低。此研究计算了上述汇总指标在多模态磁共振成像可重复性资源数据会话 1和2之间以及人类连接组计划数据会话1A、1B、2A和2B之间的图像组内相关系数和组内相关系数。

2.5.2脑状态

通过最大化空间相关性，跨 run、会话 和动态功能连接方法对脑状态进行匹配。匹配后，此研究通过计算每种方法跨 run 和 会话 的相应脑状态的空间相关性，评估了从每种估计方法得出的脑状态的信度。此研究还使用组内相关系数量化了每种估计方法估计的停留时间和变化点数量的 run 间信度。

在脑海科技云平台中，内置了功能连接分析，支持用户批量处理数据，并确保每一步参数设置都有据可查。此外，平台的项目管理模块可清晰记录数据筛选标准、排除被试原因、分析版本等信息，极大提升了研究的透明度和可复现性。感兴趣可联系咨询以及预约产品演示。

3.结果

3.1动态功能连接的均值和方差

3.1.1多模态磁共振成像可重复性资源数据

此研究首先通过将滑动窗法、锥形滑动窗法和动态条件相关法应用于多模态磁共振成像可重复性资源数据，评估了估计动态相关性的均值和方差的信度。

动态相关性均值的信度在所有估计方法中高度一致：此研究计算了所有成分对之间动态相关均值的 I2C2 分数，这产生了一个跨大脑的综合可靠性测量指标。从图1A左图中重叠的置信区间可以看出，所有估计方法之间动态相关均值的 I2C2 相似（滑动窗口、加权滑动窗口和动态条件相关方法的95%置信区间分别为 [0.51, 0.65]、[0.50, 0.64] 和 [0.51, 0.62]）。作为比较，静态相关的95%置信区间为 [0.52, 0.66]。

为了研究动态相关性均值的信度如何跨脑变化，此研究还计算了跨参与者每对成分之间动态相关性均值的组内相关系数。图1B展示了所有三种估计方法的成分对之间相关性均值的组内相关系数矩阵。与整体图像组内相关系数发现一致，成分对之间相关性均值的组内相关系数矩阵在所有估计方法中显示出相似的组内相关系数值和模式。对于所有方法，大多数边落在一般到良好范围内，见表1。

使用动态条件相关法估计的动态相关性方差显示出最高的信度：此研究计算了所有成分对之间动态相关方差的 I2C2 分数，这产生了一个跨大脑的综合可靠性测量指标。与动态相关均值的结果相反，动态相关方差的 I2C2 在不同估计方法之间差异很大。如图1A右图所示，动态条件相关方法估计的动态相关方差在全脑范围内显著更可靠（95%置信区间：[0.43, 0.63]），优于使用滑动窗口方法（95%置信区间：[0.17, 0.32]）和加权滑动窗口方法（95%置信区间：[0.18, 0.29]）估计的动态相关方差。

类似地，如图1C所示，动态条件相关方法估计的动态相关方差的组内相关系数矩阵与使用滑动窗口和加权滑动窗口方法估计的相关方差的组内相关系数矩阵明显不同。具体而言，如表1所示，动态条件相关方法估计的边方差大多数属于“一般到优秀”的范围。相比之下，滑动窗口和加权滑动窗口方法估计的边中约有80%属于“差”的范围。

连接信号成分的边在动态条件相关法估计的功能连接指标中具有更高的信度：虽然使用动态条件相关法估计的动态相关性方差显示出最高的整体信度，但也观察到某些边仍然显示出低的组内相关系数值。这种跨边观察到的动态相关性方差信度的变异性促使此研究进一步研究动态相关性方差与使用组内相关系数测量的信度程度之间的关系。因此，此研究为每个边绘制了会话1 的动态相关性方差相对于使用滑动窗法、锥形滑动窗法和动态条件相关法估计的该边动态相关性方差的组内相关系数。在这幅图中，每个点代表一条边。具体而言，红点表示两个信号成分之间的边，而蓝点表示两个噪声成分之间或一个噪声成分与一个信号成分之间的边。有趣的是，图2A显示，对于所有三种估计方法，两个信号成分之间的边显示出比涉及至少一个噪声成分的边更高的方差。引人注目的是，这种信号-信号边与信号-噪声/噪声-噪声边之间的分离程度对于动态条件相关法最大，主要是因为使用动态条件相关法时，

涉及非信号成分的边的动态相关性方差似乎向零收缩。此研究还将动态相关性均值与每条边的相关性方差联系起来。此研究发现，对于所有估计方法，信号-信号边之间的相关性方差随着相关性均值绝对值的减小而增加。与此研究描述动态相关性方差与每条边信度之间关系的发现类似，信号-信号边与涉及至少一个噪声成分的边之间的分离程度对于动态条件相关法最大。当仅关注信号-信号边时，根据表1，大约80%的动态条件相关边落在一般到优秀范围内。相比之下，对于滑动窗法和锥形滑动窗法，大约85%的边落在差范围内。

此研究通过可视化每个扫描会话中Kirby受试者平均的边方差，进一步研究了哪些功能边具有可靠的更高变异性。图3A-C显示了每个边和每个会话的滑动窗口、加权滑动窗口和动态条件相关方法估计的相关方差，其中成分根据其信号或噪声的分类进行排序。再次看到，与滑动窗口和加权滑动窗口方法相比，使用动态条件相关方法时，信号-信号边与包含至少一个噪声成分的边之间的分离得到了增强。图3D仅聚焦于动态条件相关方法估计的信号-信号边相关方差，其中成分根据 Allen 标签分配到七个功能域之一进行排序。在两个会话中，视觉成分（颜色编码为粉色）与认知控制成分（橄榄绿）和默认模式成分（灰色）之间的时间依赖边显得特别多变，方差值高于0.12。相比之下，涉及小脑（蓝色）和皮层下结构（浅绿色）的边显示出非常小的波动性，方差值低于0.08。

3.1.2人类连接组计划数据

多模态磁共振成像可重复性资源数据和人类连接组计划数据集的结果高度一致。多模态磁共振成像可重复性资源数据和人类连接组计划数据之间的一个重要区别是后者以更高的时间采样频率采集。由于人类连接组计划数据采集和处理方法的前沿性，关于如此高的采样频率如何影响滑动窗法的最佳窗口长度的信息很少。因此，此研究比较了使用不同窗口长度的滑动窗法（此处呈现30、60和120 TR，尽管此研究拟合了从15到120 TR的长度）以及使用动态条件相关法估计的动态相关性均值和方差的信度。由于滑动窗法和锥形滑动窗法之间观察到的信度结果几乎相同，因此未呈现锥形滑动窗法的结果。

动态相关均值的可靠性在所有估计方法之间高度一致：此研究针对人类连接组项目数据的综合可靠性发现与在Kirby数据中观察到的高度一致。如图4A左图所示，所有方法的动态相关均值 I2C2 相似，其中 SW30、SW60、SW120 和动态条件相关方法的95%置信区间分别为 [0.45, 0.48]、[0.45, 0.48]、[0.44, 0.47] 和 [0.44, 0.47]。作为比较，静态相关的95%置信区间为 [0.454, 0.483]。

为了研究动态相关均值的可靠性如何在全脑范围内变化，此研究还计算了每对成分之间动态相关均值的组内相关系数。与图4A中的综合 I2C2 发现一致，此研究观察到，无论使用哪种方法估计动态相关，成分对之间相关均值的组内相关系数矩阵在边之间显示出相似的信度模式（图4B）。此外，除了涉及成分42和49的边之外，大多数边显示出相似的信度水平。涉及成分42的边的平均动态相关比大多数边更可靠，而涉及成分49的边的平均动态相关则不如大多数边可靠。根据 Allen 标签，这些成分分别被分类为小脑和噪声。SW30、SW60、SW120 和动态条件相关方法导出的边均值的平均组内相关系数分别为0.45（标准差：0.09）、0.44（标准差：0.09）、0.44（标准差：0.09）和0.43（标准差：0.09）。根据表2，对于所有方法，大约70%-75%的边属于“一般到良好”的范围。

使用动态条件相关法估计的动态相关性方差显示出最高的信度：与动态相关均值的结果相反，动态相关方差的 I2C2 在不同估计方法之间差异很大。如图4A右图所示，使用动态条件相关方法估计的动态相关方差显著更可靠（95%置信区间：[0.44, 0.55]），而滑动窗口方法导出的动态相关方差随着窗口长度的增加而降低（SW30、SW60和SW120的95%置信区间分别为 [0.25, 0.30]、[0.23, 0.27] 和 [0.16, 0.19]）。

类似地，如图4C所示，动态条件相关方法导出的边方差的组内相关系数矩阵与滑动窗口方法导出的边方差的组内相关系数矩阵在视觉上是明显不同的。总体而言，对于动态条件相关方法估计的边方差，75%的组内相关系数值属于“一般”范围。相比之下，对于SW30，70%属于“差”的范围，而对于SW60和SW120，几乎所有值都属于“差”的范围。动态条件相关方法估计的边方差的平均组内相关系数为0.43（标准差：0.07），而SW30为0.37（标准差：0.07），SW60为0.27（标准差：0.06），SW120为0.17（标准差：0.04）。此外，滑动窗口长度与动态相关方差可靠性之间的负相关性在全脑中似乎相当一致，从图4C中从左到右三个滑动窗口方法估计方差的组内相关系数矩阵逐渐变暗可以明显看出。

连接信号成分的边在动态条件相关法估计的功能连接指标中具有更高的信度：为了进一步探究人类连接组计划数据中的边方差信度模式，此研究绘制了每个边在所有 会话 中平均的动态相关性方差相对于使用SW30、SW60、SW120和动态条件相关法估计的该边动态相关性方差的组内相关系数。在这幅图中，每个点代表一条边。红点表示两个信号成分之间的边，而蓝点表示两个噪声成分之间或一个噪声成分与一个信号成分之间的边。与多模态磁共振成像可重复性资源数据发现相似，与滑动窗法相比，使用动态条件相关法时，信号-噪声/噪声-噪声边的动态相关性方差更向零收缩。值得注意的是，与多模态磁共振成像可重复性资源数据相比，嵌入在红色信号-信号边簇中的蓝点更多。这可能表明在将成分标记为噪声时过于激进。一般来说，Allen静息态网络解释的方差百分比对于人类连接组计划成分低于多模态磁共振成像可重复性资源成分，这可能是由于映射回时间点空间的人类连接组计划灰质坐标数据与Allen成分之间的空间差异所致。

图5B显示了绘制的平均动态相关性与每条边的方差的关系。在这些图中，每个点代表一条边，使用不同颜色区分信号-信号边和信号-噪声/噪声-噪声边。与多模态磁共振成像可重复性资源数据相似，在所有估计方法中，动态相关性方差随着动态相关性均值绝对值的增加而减小。

此研究通过可视化分别针对会话1A、1B、2A和2B的被试平均动态条件相关法导出的边方差，进一步调查了哪些功能边可靠地更可变，成分根据基于Allen静息态网络的分类进行排序。再次，结果显示跨run边方差的显著一致性。特别值得注意的是视觉、认知控制和默认模式成分之间增强的变化，这与在多模态磁共振成像可重复性资源数据中观察到的边方差模式一致。尽管对人类连接组计划数据执行了旨在去除噪声信号的去噪校正，但Allen静息态网络匹配程序将一些人类连接组计划成分标记为噪声。然而，请注意上述关于其中一些成分可能被错误标记的讨论。被标记为噪声的人类连接组计划成分涉及的边的平均方差为0.01，而信号边的平均方差为0.03。

3.2脑状态

3.2.1多模态磁共振成像可重复性资源数据

针对每次静息态功能性磁共振成像扫描会话和每种估计方法分别进行脑状态聚类分析，共产生六次独立分析（3种方法 × 2个会话）。脑状态的最优估计数为2。图7展示了从滑动窗口、加权滑动窗口和动态条件相关方法导出的每个会话的两种脑状态。使用跨会话空间相关性作为可靠性度量，此研究发无论使用何种动态连接方法，脑状态1和脑状态2在会话之间具有高度可靠性（表3）。跨会话和跨估计方法，状态2的特点是相对于状态1有更强的相关性（包括正相关和负相关）。感觉系统（即听觉（浅绿色）、躯体运动（橙色）和视觉（粉色）成分）之间的中到强负相关存在于状态2中，但在状态1中减弱。类似地，默认模式网络（灰色）成分内部的负相关存在于状态2中，并在状态1中减弱。

在所有估计方法中，脑状态导出指标的信度都很低：图8显示了每个估计方法和会话 下被试在每个脑状态中平均花费的时间以及跨被试的转换次数的箱线图。在两个会话中，无论用于导出动态相关的估计方法如何，多模态磁共振成像可重复性资源被试平均花费最多时间在状态1中。从箱线图可以看出，关于在每个状态中花费的时间量存在很大的被试间变异性；然而，每个被试的状态停留时间跨 run 相关。表4列出了从每种估计方法导出的估计停留时间和变化点数量的信度，由组内相关系数衡量。动态条件相关法导出的停留时间最可靠，落在良好范围内。类似地，对于所有估计方法，估计的变化点数量存在很大的被试间变异性。平均而言，当从动态条件相关法导出的功能连接估计状态变化时，比从滑动窗法和锥形滑动窗法导出的功能连接估计时，状态变化发生得更频繁。

3.2.2人类连接组计划数据

多模态磁共振成像可重复性资源数据和人类连接组计划数据集的结果在一定程度上一致。

在人类连接组项目数据中，三个重复出现的全脑模式被识别为脑状态：针对每种动态相关估计方法（SW30、SW60、SW120 和动态条件相关方法）和每次静息态功能性磁共振成像运行分别进行脑状态聚类分析，共产生16次独立分析（4种估计方法 × 4次运行）。脑状态的最优估计数为3。通过最大化跨运行和跨动态功能连接方法的空间相关性来匹配脑状态。图9至图12分别展示了通过对 SW30、SW60、SW120 和动态条件相关方法的结果应用 k-means 聚类所确定的三种脑状态。

与多模态磁共振成像可重复性资源脑状态一致，四个人类连接组计划会话的脑状态有很大的相似性。状态1、2和3都显示了代表感觉系统的信号成分之间的中到高相关性：视觉、躯体运动和听觉成分。在状态1和3中，小脑中的一组成分与视觉、躯体运动和听觉成分显示负相关。这些负相关在状态2中未观察到。人类连接组计划状态与从多模态磁共振成像可重复性资源数据获得的状态相似，特别是在两种情况下关于第二个状态，但需要注意的是，每个人类连接组计划静息态网络中的成分数量和位置并不完全直接对应。使用每个脑状态的 run 间空间相关性作为其信度度量，此研究发现无论使用何种动态连接方法，脑状态1和2同样可靠。 run 间相似性的唯一明显差异与状态3有关。第三个脑状态通常在 run 间稍微不太可靠，SW120除外（SW30、SW60和SW120分别为0.66、0.71和0.95，动态条件相关方法为r = 0.80）。

在所有方法中，脑状态导出指标的信度都很低：图13显示了每个估计方法和 会话 的停留时间和变化点数量的箱线图。在所有四个会话中，无论用于导出动态相关的估计方法如何，人类连接组计划被试平均花费最多时间在状态2中，而状态1和3的相对停留时间排名随所用估计方法而变化。关于在每个状态中花费的时间量也存在很大的被试间变异性，停留时间估计的信度随状态和用于导出它们的方法而变化。对于状态1和2，动态条件相关法和SW120导出的停留时间比SW30和SW60导出的停留时间更可靠；然而，动态条件相关法导出的状态3停留时间不如SW120导出的停留时间可靠。

正如在比较应用于多模态磁共振成像可重复性资源数据的动态功能连接方法时的情况，在所有四个人类连接组计划 run 中，动态条件相关法导出的脑状态指示的状态变化比滑动窗法更频繁。平均而言，使用SW120导出的脑状态，被试每136秒切换一次状态；使用SW60导出的脑状态每52秒切换一次；使用SW30导出的脑状态每22秒切换一次；使用动态条件相关法导出的脑状态每12秒切换一次。换句话说，使用动态条件相关法和SW30方法获得的脑状态导出指标显示出比使用SW60和SW120方法获得的状态变化更频繁。动态条件相关法导出指标的相对较高状态变化率几乎完全归因于在状态3中存在更频繁的转换。通常，对于所有方法，状态变化频率估计的信度都非常低。

4.讨论

识别能够最大化信度的动态功能连接估计方法和汇总指标对于提供对大脑功能的准确洞察非常重要。在此研究中，此研究比较了常用非参数估计方法（滑动窗法和锥形滑动窗法）和基于模型的方法（动态条件相关法）导出的汇总统计量和脑状态的信度。鉴于先前证明的滑动窗法对相关性中噪声引起的时间变异的敏感性，此研究着手比较这些方法在应用于两个可能具有不同噪声水平的静息态功能磁共振成像测试-重测数据集时的信度：1）多模态磁共振成像可重复性资源数据集，该数据集使用典型长度、标准回波平面成像序列采集，然后使用成熟的标准预处理程序清洗；以及2）人类连接组计划数据集，该数据集使用优化的前沿多带回波平面成像序列采集，以产生更高时间分辨率的图像，并使用更激进的预处理程序清洗。与此研究的假设一致，此研究发现基于模型的动态条件相关法持续优于非参数的滑动窗法和锥形滑动窗法，这与此研究之前工作的发现一致。具体而言，动态条件相关法在两个数据集中都展示了动态功能连接汇总统计量的最高信度，并且基于动态连接值的方差最能区分信号成分和噪声成分。然而，在所有估计方法中，脑状态导出指标的信度都很低，没有一种方法明显优于其他方法。

动态功能相关均值和方差的信度

此研究发现，从所有估计方法导出的动态相关性均值具有同等信度。这一观察并不令人惊讶，因为所有方法都应产生大致对应于样本相关性的平均动态相关性，因此应具有相似的信度。对于所有方法，此研究观察到动态相关性方差随着动态相关性均值绝对值的增加而减小，这与Thompson及其同事最近的工作一致。虽然这种模式在人类连接组计划数据中更突出，但在多模态磁共振成像可重复性资源数据中的信号-信号边中也观察到了这种模式。然而，当使用动态条件相关法导出时，动态相关性方差的信度显著高于使用滑动窗法和锥形滑动窗法导出时的信度。这一观察结果对多模态磁共振成像可重复性资源数据和人类连接组计划数据均成立。对于滑动窗法，随着窗口长度的增加，动态相关性方差的信度以及估计的动态相关性方差都下降——即SW30产生最大的相关性方差值且最可靠，而SW120产生最小的相关性方差值且最不可靠。观察到动态相关性方差值随窗口长度减小而增加是预期的，因为当使用较小窗口尺寸时，滑动窗法更容易受到噪声的影响。类似地，信度随窗口长度增加而下降也是预期的；假设时间序列长度恒定，用于计算动态功能连接均值和方差的样本总数随着窗口长度的增加而减少。识别能够最大化相关性方差估计信度的动态功能连接估计方法尤为重要，因为涉及较大或频繁状态变化的脑区之间的边应表现出持续较高的相关变化，而涉及功能连接和网络成员在整个实验会话 中保持更稳定的脑区之间的边则不然。

先前的研究发现，当连接变化是渐进的以及当连接变化是突然的时，滑动窗法都容易受到噪声的影响，并且在估计动态功能连接方面不是最优的。当将小窗口尺寸应用于标准回波平面成像数据时，滑动窗法的性能尤其差，因为当只考虑少量时间点时，连接中的动态变化会产生伪相关。对于此研究探索的所有三种估计方法，涉及两个信号成分的边的动态相关性方差高于涉及至少一个噪声成分的边的动态相关性方差。这很重要，因为它可能表明与神经相关的信号波动表现出更高的方差。这一观察结果对多模态磁共振成像可重复性资源数据和人类连接组计划数据集都成立，并且与先前的文献一致。此外，在多模态磁共振成像可重复性资源数据中，信号-信号边与包含至少一个噪声成分的边之间的变异性分离程度对于动态条件相关法大于滑动窗法或锥形滑动窗法；动态条件相关法导出的涉及噪声成分的边的方差似乎更向零收缩。在人类连接组计划数据中，在所有三种估计方法中，在边的簇中观察到类似的变异性降低，并且与滑动窗法相比，动态条件相关法导出的所有边的方差更向零偏移。然而，与多模态磁共振成像可重复性资源数据不同，动态条件相关法并未增强信号-信号边与包含至少一个噪声成分的边之间的变异性分离程度。这可能是因为大多数人类连接组计划噪声相关成分已使用FIX算法被积极去除。

在比较不同窗口长度以最大化信度方面，对于人类连接组计划数据，最短窗口长度在测试的三种窗口长度中表现最佳，并且与动态条件相关法最相似。然而，在最小化动态相关性方差的偏差方面，最长窗口长度表现最佳，并且与动态条件相关法最相似。这些发现提供了进一步的证据，表明动态条件相关法对噪声引起的相关性时间变异性更不敏感，即使应用于已被积极清洗的数据时也是如此。

关注信号成分之间动态相关性的变异性，此研究在多模态磁共振成像可重复性资源数据和人类连接组计划数据中都观察到一组边持续显示出比其他边更高的方差，即涉及视觉、认知控制和默认模式区域的边。值得注意的是，这些区域一直被识别为功能枢纽，并被公认为大脑中全局连接最强的一些区域。这些脑区之间的连接先前也已使用锥形滑动窗法被描述为高度可变，表明这一发现是稳健的。有趣的是，对于这些边，动态条件相关法导出的方差估计比滑动窗法或锥形滑动窗法导出的方差估计更可靠，这表明更可靠的动态条件相关法导出估计可能反过来增加了检测动态连接中细微差别的可能性，而这些细微差别可能被更容易受噪声影响的方法遗漏。探索使用更可靠的动态功能连接结果指标是否也能改善相关脑-行为关系的信度，是未来工作的一个重要领域。

最后，存在长期重测信度的问题。所有多模态磁共振成像可重复性资源数据都在同一天内采集，而人类连接组计划数据的不同部分在不同天采集。尽管彻底的研究在当前手稿的范围之外，但此研究确实注意到人类连接组计划数据集中跨天的结果相似性有所下降。例如，使用动态条件相关法测量的跨所有成分对的动态相关性均值的图像组内相关系数得分，在比较同一天的两个会话时平均为0.55，而在比较不同天的两个会话时平均为0.44。类似地，跨所有成分对的动态相关性方差的图像组内相关系数得分，在比较同一天的两个会话时平均为0.515，而在比较不同天的两个会话时平均为0.415。未来的工作需要确定在时间上相隔更远的会话之间动态相关性的可靠程度。

脑状态的信度

此研究的结果表明，动态条件相关法为相关性方差提供了最佳估计。然而，这对于脑状态的估计和表征是否同样成立尚不清楚。有趣的是，从人类连接组计划数据中识别出的三种脑状态遵循与Damaraju及其同事先前一项探究反复出现的脑状态的研究中发现的健康个体最常见状态相似的模式。使用多模态磁共振成像可重复性资源数据估计的脑状态也遵循相似的模式，但感觉网络之间观察到的负相关更明显，可能是由于估计的网络数量较少。跨方法和数据集观察到的脑状态的相似性表明，无论使用何种方法估计动态连接，动态连接的最稳健特征都会出现。未来的研究必须设计研究来探究这些脑状态的功能相关性。这可以通过将这些脑网络组织模式与神经测量以及行为认知结果联系起来实现。

在多模态磁共振成像可重复性资源数据中，动态条件相关法导出的脑状态与滑动窗法和锥形滑动窗法导出的脑状态同等或更可靠。然而，在人类连接组计划数据中产生最可靠连接方差的两种方法，即动态条件相关法和SW30方法，产生了最不可靠的状态3，如状态3在四个人类连接组计划会话中空间相关性降低所示。一种可能的解释是，这可能是由于这些方法对人类连接组计划数据采集特征（在 run 之间变化）的敏感性增加。对于使用相同相位编码方向采集的会话，动态条件相关法和SW30方法对状态3具有高run间信度，但对于使用相反相位编码方向采集的 run 对，信度较低。可能是动态条件相关法和SW30方法在相关性方差方面更可靠，能够检测到引入脑状态导出指标的细微、系统的数据采集偏差，而SW60和SW120方法无法检测到这些偏差。

无论用于估计动态连接的方法如何，从脑状态导出的指标（停留时间和变化点数量）通常比动态功能连接的均值和方差可靠性低；这对多模态磁共振成像可重复性资源脑状态和人类连接组计划脑状态都是如此。一个重要的限制是它们可能受到衰老和其他未控制因素的影响，因此需要额外的研究。一个可能影响脑状态指标信度的重要方法学问题是难以确定数据中存在的潜在脑状态的实际数量。在将k均值聚类算法应用于动态相关矩阵之前，必须指定算法应将数据划分的脑状态数量。已经开发了许多方法来找到近似的聚类数k。在此研究中，此研究采用了流行的“肘方法”来识别适当的状态数。这种方法是临时的，有几种更复杂的方法建立统计模型来形式化“肘”启发式，包括“间隙统计量”。然而，在实践中，“肘方法”通常实现更好的性能，并在计算效率和准确性之间取得平衡。尽管如此，不能排除脑状态指标总体较低的信度部分是由于关于数据中潜在脑状态数量的选择。

一个重要的替代可能性是，平均脑状态（用动态条件相关法可靠检测，并且在动态条件相关法和滑动窗法方法中显示出相似的模式）反映了相对稳定的被试特质。然而，像停留时间和变化点数量这样的汇总指标可能反映了被试状态，这些状态在跨天甚至在 会话 内都有有意义的变化。这些状态可能归因于诸如觉醒和注意等因素，这些因素本身可能以有趣的方式不可靠。未来旨在探究这种可能性的研究是必要的。

最后，值得注意的是，在整个过程中此研究假设被试在给定时间段内处于单一状态。然而，最近的研究表明，被试可能同时处于多个重叠状态。在这种设置下，适当的汇总指标的选择将与单状态设置不同。

多模态磁共振成像可重复性资源数据与人类连接组计划数据集的比较

此研究对这两个非常不同的数据集结果之间的一致程度感到鼓舞。通常，与多模态磁共振成像可重复性资源数据集的置信区间相比，人类连接组计划数据集的动态相关性均值和方差的信度估计的置信区间更小。鉴于人类连接组计划数据集包含的观测值明显多于多模态磁共振成像可重复性资源数据集，信度估计置信度的增加是预期的。然而，与此同时，此研究感到好奇的是，尽管为每个人类连接组计划参与者收集的数据量比每个多模态磁共振成像可重复性资源参与者收集的数据量增加了近六倍，但动态相关性均值和方差的信度相对相似——尽管人类连接组计划数据集的平均动态相关性图像组内相关系数值显著低于多模态磁共振成像可重复性资源数据集。观察到的信度相似性与先前一项研究的结果一致，该研究表明，只要使用适中的加速因子，截断多波段数据集不会显著改变静息态网络的稳定性。为每个多模态磁共振成像可重复性资源被试采集的数据量可能足以达到最大信度。或者，对两个数据集之间动态功能连接导出指标信度的观察到的相似性的另一种可能解释是，多波段图像采集方案引入的结构化噪声降低了使用人类连接组计划数据获得的动态功能连接指标的信度。具体而言，虽然多个切片的同时采集显著提高了数据的时间分辨率，但多波段采集也在随后的图像重建过程中对同时采集的切片进行解折叠时引入了强烈的噪声放大。噪声放大的量随着加速因子的增加而增加，为了最小化不需要的结构化噪声和其他图像伪影的引入，通常不建议使用大于8的加速因子。这一点很重要，因为人类连接组计划数据使用加速因子8，这处于推荐加速因子的高端。然而，目前对两个数据集之间的许多差异以及它们如何相互作用以影响功能连接动态信度的全面分析超出了本文的范围。

与静态功能连接信度研究的比较

许多研究先前评估了静息态功能磁共振成像数据中静态功能连接的信度。一个特别的焦点是确定获得可靠估计所需的必要扫描长度。虽然增加扫描长度一直被证明可以改善信度，但不同的研究对所需必要长度得出了广泛不同的结论，建议范围从5分钟到90分钟不等。类似地，研究表明增加时间分辨率会改善信度。在此研究中，此研究检查了具有不同扫描持续时间和时间分辨率的数据。如上所述，这些设置对动态功能连接信度的影响不如先前对静态功能连接观察到的那样清晰。

在预处理方面，几项研究发现全局信号回归倾向于恶化静态功能连接的信度，而噪声回归倾向于改善它。此外，使用功能性与解剖学感兴趣区已被证明可以改善信度。在此研究中，此研究没有明确研究这些不同预处理选择的影响，但此研究确实让它们指导了此研究整个过程中所做的选择。

最后，值得注意的是，对于所有方法，动态相关性的均值和静态相关性同样可靠。

对动态功能连接估计方法的考虑

此研究的结果提供了证据，证明功能连接的动态特征可以被可靠地估计，并且基于模型的动态条件相关法优于其非参数对应方法。然而，在解释动态功能连接数据的结果时，应该注意动态功能连接估计过程的几个方面。首先，重要的是要注意，在此研究工作中讨论的动态功能连接估计方法本质上是描述性的，不涉及具体的推断检验或方法。虽然这反映了当前大多数动态连接研究的现状，但此类检验现在正在被引入该领域。例如，Zalesky等人开发了一种单变量检验统计量来测量成对脑区之间时间分辨相关系数的时变波动程度。此研究预计未来几年这一领域将有重大发展。其次，重要的是认识到在应用动态条件相关法时没有采用模型选择程序。这包括确定模型阶数的自相关或偏自相关函数图，以及验证模型假设的诊断检验。此外，尽管此研究已经证明使用基于模型的动态条件相关法获得的动态功能连接指标比滑动窗法和锥形滑动窗法更可靠，但此研究认识到0.6范围内的图像组内相关系数和组内相关系数得分表明动态条件相关法导出的动态功能连接指标的信度仍有改进空间。因此，值得探索可能提高其准确性和信度的动态条件相关法的变体或替代方法。

最后，应该注意的是，文献中存在其他可能改进滑动窗法的方法。例如，小波分解有效地使用了自适应加窗方法，像动态条件相关法一样，因此也可能提供改进的结果。同样，存在使用变化点分析技术检测脑状态的替代方法，这些方法同样可以改进使用k均值聚类获得的结果。然而，此研究将进一步的比较留给未来的工作。

5.结论

此项目的主要目标是通过比较使用滑动窗法、锥形滑动窗法和动态条件相关法计算的动态功能连接汇总指标的信度，来识别能够最大化动态功能连接信度和效用的动态功能连接估计方法和汇总指标。此外，通过利用多模态磁共振成像可重复性资源数据和人类连接组计划数据集，可以比较使用传统数据采集/处理方法获得的数据集与使用更前沿方法获得的数据集之间估计方法的信度。此研究的结果提供了证据，表明当使用基于模型的动态条件相关法时，两个数据集中的功能连接动态特征都可以被可靠地估计。这很重要，因为该领域明显需要可用于发现动态功能连接中有意义的个体差异的汇总指标，而动态功能连接的波动程度和模式可能会提供最有趣的信息。因此，此研究认为，利用动态连接的方差是任何动态功能连接导出汇总指标的关键组成部分。该研究还表明，在所有估计方法中，脑状态导出指标的信度都很低，这表明在分析和解释从脑状态导出的动态功能连接汇总指标时应谨慎，并且需要进一步努力开发更可靠的计算脑状态的方法。

解读：脑海科技

参考文献

Choe AS, Nebel MB, Barber AD, et al. Comparing test-retest reliability of dynamic functional connectivity methods. Neuroimage. 2017;158:155-175. doi:10.1016/j.neuroimage.2017.07.005