68、利用集成经验模态分解提高动态功能连接的时间分辨率

利用集成经验模态分解提高动态功能连接的时间分辨率

1. 引言

在神经心理学、认知和临床神经科学领域，理解不同大脑区域在静息状态或执行任务时的相互连接与协作至关重要。与基于神经纤维通路描述解剖连接的结构连接不同，功能连接是在功能执行过程中，神经组件相互协作以时间同步的形式动态出现的。

基于功能磁共振成像（fMRI）的研究已确定了多个基本的静息态和任务相关的大脑网络。然而，由于技术限制，fMRI 功能连接分析并不适合检查认知任务执行过程中常见的毫秒级变化。脑电图（EEG）技术则是连接性研究中 fMRI 的一种替代方法，它具有更高的时间分辨率，并且直接测量神经元产生的信号，而非血氧变化。在 EEG 连接性分析中，通常用频谱相干性或类似的频谱关联值（如相位锁定值、相位锁定指数等）来替代幅度相关性，以减轻噪声影响并减少体积传导引起的虚假连接。连接性可以在传感器（电极）空间或源（皮层）空间中计算，后者需要精确的 3D 头部模型和复杂的逆问题求解器。

长期以来，功能连接计算依赖于所研究信号是平稳的假设。但最近的研究表明，不能假设连接性是平稳的。由于神经科学的一个重要目标是了解大脑网络如何形成和消散以支持正在进行的认知功能，因此准确表征连接网络的动态性至关重要。

追踪快速活动变化的动态，即揭示非平稳信号中的频谱变化，是一项具有挑战性的长期研究问题。短时傅里叶变换（STFT）结合滑动窗口是提高时间分辨率的首次尝试，随后出现了小波分解技术。时频分析中最重要的问题是不确定性原理，即无法同时在时间和频率上绝对精确地定位信号。低频信号需要长窗口，这能提供良好的频率分辨率但降低了时间分辨率；而高频信号使用短窗口，能获得更好的时间分辨率但频率分辨率较低。

使用希尔伯特变