逐步功能连接 stepwise functional connectivity 详解和代码实现

逐步功能连接分析

虽然功能连接和静息态 MRI 研究的很大一部分集中在大脑网络的分离或隔离上，但在这里我们关注一个互补且本质上不同的问题，这对网络神经科学来说是一个新的挑战：大脑系统如何结合在一起 ？ 我们使用 SFC 分析来绘制不同步长（或“链接步长”）距离下大脑种子区域的连接模式。 从某种意义上说，使用跨神经元示踪剂研究大脑目标的多突触/多步回路的束追踪技术领域，允许整个功能神经元网络的可视化从概念上启发了我们开发 SFC 分析 在功能连接的框架内。 作为 SFC 分析的输入，我们首先通过计算预处理的 BOLD 图像中每个体素与每个其他体素时间过程的 Pearson R 相关性，计算每个参与者全脑网络的个体关联矩阵（见图 1 B）。 为了执行此分析，每个单独的 BOLD 图像之前都转换为 N×M 矩阵，其中 N 是 MNI 空间中的图像体素，M 是 124 个采集时间点。 使用覆盖整个大脑（皮层、皮层下、脑干和小脑）的 4652 个体素掩模来提取时间进程。 结果，获得了每个个体的 4652*4652 Pearson R 矩阵，或称乘积矩相关系数。 此后，仅考虑关联矩阵的正相关性。 接下来，我们应用 0.001 水平的 FDR（Benjamini 和 Hochberg）校正来控制最终网络邻接矩阵中的误报率。 该方法在每个个体中引入一个定制的高 r 阈值，允许消除具有低时间相关性的网络链接，这些链接可能归因于噪声信号。 最后，我们对所得的 FDR 阈值矩阵进行二值化，以获得每个个体的无向和未加权图，这些图将用作 SFC 分析的输入数据。 所有 SFC 分析都是在每个参与者的个人层面上进行的。