静息状态功能连接在整个神经科学中被用于研究大脑组织和产生发育、疾病和认知的生物标志物。然而，人们对引起相关活动的过程知之甚少。在这里，我们使用一个时间展开过程来分解静止状态的功能连接，以评估时刻到时刻的活动共振荡对整体连接模式的贡献。
这种方法暂时解决了单帧时间尺度上的功能连通性，使我们能够直接比较网络组织的共振荡与血氧水平依赖(BOLD)时间序列的波动。令人惊讶的是，只有一小部分显示出最强共振荡幅度的帧被需要来解释连接权重和网络的模块结构的整体模式的显著部分的变异。
这些框架与高BOLD活动振幅帧相一致，对应的活动模式在个体中非常一致，并确定默认模式中的波动和控制网络活动是静止状态功能连接的主要驱动因素。最后，我们证明了共振荡振幅在观看电影时在被试之间是同步的，并且高振幅帧包含了被试个体的详细信息(而低振幅帧包含的信息很少)。我们的方法揭示了静息状态功能连接的精细尺度时间结构，并揭示了帧水平的贡献随时间而变化。这些观察结果阐明了大脑活动与功能连接的关系，并为未来的研究开辟了一些方向。
1. 简述
尽管应用广泛，但功能连接的起源仍然难以捉摸。在此，我们分析了人类功能神经影像学资料。我们分解跨时间的静息状态功能连接，以评估每时每刻的活动共振荡对整体连接模式的贡献。我们发现功能性连通性是由少量的高振幅帧驱动的。我们发现这些帧是由特定的大脑活动模式支撑的;这种模式的地形在扫描器内的任务中被调整;这种高振幅的帧编码个性化的、特定于主体的信息。总之，我们的无参数方法在功能连通性和帧共振荡之间提供了精确的数学联系，为研究静态和时变功能脑网络创造了机会。
2. 结果
两个脑区之间的rsFC强度可以量化为它们的fMRI BOLD时间序列的Pearson相关性，该相关性(经过z评分)计算为它们的元素乘积的平均值。通过省略平均步骤，我们可以暂时展开相关测度，这将导致每一对大脑区域(网络边)产生一组新的时间序列，其元素代表了这些区域之间在每个时刻分辨出的共振荡幅度(图1A)。这些边时间序列可以直接分析，以确定大脑区域之间共振荡的幅度和时间。
在rsFC 是短期和高振幅共振荡事件驱动的和高振幅帧是脑活动的任务阳性或阴性的共振荡驱动的两个部分中,我们分析由功能成像数据获得的作为人类Connnectome计划的一部分的共振荡时间序列。使用这些数据生成的所有结果报告了以上部分;我们使用第二个数据集复制了这些发现，结果在SI附录中报告。在被动电影观看过程中全脑共振荡振幅的受试者间同步和高振幅共振荡增强可识别性中，我们分别分析了独立获得的电影观看数据集和午夜扫描俱乐部(MSC)的数据集。
图1 共振荡时间模式揭示了rsFC的爆发结构
2.1 rsFC 是短期和高振幅共振荡事件驱动的
虽然过去的研究使用滑动窗方法来产生rsFC时刻-时刻波动的估计，但使用加窗程序会导致rsFC的时间模糊估计。这限制了时间尺度的观察，关于动态功能连通性变化时间窗口的宽度,一般在几十个帧的规定(大约1分钟的实时,虽然我们注意到最近,有探索方法在帧水平估算时变FC)。这里我们使用共振荡时间序列来解决这个限制。
当对整个大脑进行分析时，我们发现边时间序列表现出突发性行为，因此共振荡幅度(通过计算平方根[RSS]量化)围绕一个平均值移动，但被短暂的、间歇的、不合理的大波动打断(图1B)。这些高振幅帧与心脏和呼吸周期、扫描头运动和fMRI BOLD时间序列的谱特性没有直接关系，并且在大小、持续时间和间隔上出现了非周期性的重尾分布。
为了更好地理解瞬时共振荡对全脑rsFC的影响，我们分离出高幅帧，并将其与低幅片段进行比较。然后，我们仅使用这些时间点对应的fMRI BOLD数据，分别估算每个类别的rsFC，并对得到的网络进行比较。首先，我们发现在高幅帧中连接权值显著强于低幅帧(图1 c)。接着，我们计算了高振幅和低振幅片段与全部时间平均的FC的相似性。结果发现，高幅值网络与rsFC高度相关（r = 0.81），低幅值网络与rsFC不怎么相关(r = 0.54)，且差异极显著(图1 d)。我们还对网络模块化进行了类似的比较，模块化是一种可以被解释为衡量网络系统彼此之间隔离程度的指标。如前所述，我们发现高幅值网络（q = 0.51）比低幅值帧（q = 0.37）估计的网络更具有模块化(图1 e)。
总的来说，这些结果表明，在长时间尺度上估计的rsFC是由少量短暂的、间歇的和高振幅的共振荡驱动的。根据rsFC的长期平均值估计，这些时间点上的网络结构对大脑皮层的整体模块化和系统水平组织的贡献不成比例。相比之下，低幅度的共振荡只与rsFC的整体模块化有微弱的关联，与较少的模块化架构相对应。
图2 网络共振荡与BOLD振荡的关系
2.2 高振幅帧是脑活动的任务阳性或阴性的共振荡驱动的
在前一节中，我们证明了时间平均的rsFC可以用发生在相对少量帧中的高振幅共振荡来解释。然而，目前还不清楚高振幅帧是由特定的大脑活动模式支撑的，还是反映了多种不同模式的贡献。在这里，我们通过研究与高振幅帧同时发生的大脑活动模式来直接解决这个问题。
作为第一个比较点，我们计算了两种共振荡时间序列以及z-score fMRI BOLD时间序列的RSS。我们发现，在所有被试中，这些时间序列是高度相关的(r = 0.97)，这表明高振幅帧与高振幅BOLD波动几乎是一对一的对应(图2A)。这种关系是预期的;由于共振荡是z-score区域活动的乘积，它们的振幅必然是相互关联的。
考虑到在高振幅帧中，与低振幅帧相比，BOLD活动的波动更大，我们询问它们是否形成了一致和可识别的活动模式。为了解决这个问题，我们计算了每个受试者在高振幅帧和低振幅帧的平均活动模式，并计算了受试者之间和扫描之间的相似度(图2B)。总的来说，在高振幅帧内的活动比在低振幅帧内的活动更相关。为了更好地理解是什么驱动了这些相关性，我们对高振幅帧和低振幅帧的活动模式进行了主成分分析，对所有受试者和扫描进行了汇总。我们关注第一个主成分(PC1)，它解释了26%的总方差。PC1的系数，平均而言，高振幅帧比低振幅帧大得多(图2C)，表明PC1在高振幅帧中对活动模式有描述，而在低振幅帧中则没有。然后将PC1成分分数映射在皮质表面,发现PC1对应的活动模式,将默认模式和控制网络从感觉运动和注意网络网络中划出来(图2 D和E)。
这些结果表明，高振幅帧是基于一种大脑活动模式，其空间模式类似于传统的任务-积极/任务-消极的大脑划分。这种活动模式在个体中是相似的，表明rsFC从大脑活动中产生的一种保守机制。这些观察结果表明，不同的大脑活动模式和连通性之间存在基本联系，同时进一步澄清了高振幅帧的起源。
2.3 被动看电影期间全脑共振荡幅值的个体间同步
图3的结果补充了我们之前的发现，共振荡时间序列与运动或生理伪影不明确相关。重要的是，我们证明，当共同呈现复杂、时变和自然刺激时，受试者共振荡时间序列同步。这一观察，结合高振幅帧期间看电影和休息状态活动之间的地形差异，强烈表明共振荡幅度至少在一定程度上受到受试者认知状态的调节。
图3 被动看电影期间全脑共振荡幅值同步化
2.4 高幅值共振荡增强了可识别性
我们发现受试者间的相似性在高幅帧中比在低幅帧中更大，而且在一定的阈值范围内(图4B)。重要的是，我们还发现，当用高振幅帧估计时个体内部和个体之间的相似性、差异可识别性也更大(图4 C-E)。这一观察表明，与低幅度帧相比，高幅度帧可能包含更多个性化和可识别的被试信息。
图4 高振幅帧的连接体指纹强，低振幅帧的弱
3. 讨论
在此，我们提出了一种一般的方法，在时间上展开皮尔逊相关，以生成沿网络边的区域间共振荡的时间序列。这个简单的过程使我们能够解析单个帧对rsFC的贡献。我们发现，在一般情况下，使用相对少量的帧数据，我们可以准确估计全脑rsFC和它的系统水平组织。
重要的是，我们将这些帧与高模块化的大脑状态和特定的大脑活动模式联系起来，在这种模式下，默认模式和控制网络的变化与感觉运动系统和注意力系统相反。我们的结果还表明，在粗略的尺度上，共同波动模式捕获了大脑状态的认知相关波动，高振幅帧编码个体的特征。
3.1 将静息态FC分解为共振荡快照
本文的核心是观察到静态的FC可以非参数分解成一系列的时变快照，每个快照表示区域间共振荡的瞬时模式。关键的是，这些模式在时间上的平均值与全脑静态FC完全相等。
具体来说，我们的研究结果表明，全脑FC在高维状态空间中跟随一个突发轨迹，长时间的安静被短暂和间歇事件打断，这些事件的时间与运动或生理伪影不明确相关。这个观察结果导致了几个问题，其中最重要的是关于高振幅帧的起源。它们是自发发生的吗?它们是否与正在进行的认知过程相关?高振幅帧有多个性化？
3.2 将高振幅共振荡与认知和个体差异联系起来
总的来说，这些发现表明高振幅共波动的结构是高度有组织的。
它跟踪认知状态的时变波动，并具有很强的个性化。这些关键的观察结果对大脑行为关联、临床神经科学和表型发现的研究具有明确的意义，在这些研究中，做出推论的能力受到可用数据量的限制。我们的结果表明，通过利用高振幅共振比低振幅共振携带更多的特定个体信息这一事实，使用相对较少的帧数和减少所需的数据量可能生成鲁棒的网络级生物标志物。这种方法在临床和发育神经科学中可能特别有用，因为这些研究人群的特征通常会抑制稳定估计FC所需的延长扫描时间。
3.3 系统水平出现在高幅值共振的结构
我们的发现暗示了活动的瞬时波动和rsFC的组织之间的关键联系。许多研究发现，rsFC的社区结构类似于已知的共激活模式，包括任务诱发活动。在这里，我们提出了一种策略，使我们能够梳理出瞬时BOLD波动(及其地形)对rsFC的精确贡献。
4. 总结
总之，我们的研究揭示了大脑活动与rsFC之间的联系，促进了大脑系统级结构在间歇性、短期、高振幅的活动波动和协同活动方面的统计解释。我们的方法框架很容易适用于其他成像数据集和记录模式，包括在神经元尺度的观察，使神经协同活动的研究在前所未有的时间分辨率进行。
