《本文同步发布于“脑之说”微信公众号，欢迎搜索关注~~》
具有阳性家族史的精神分裂症被称为家族性精神分裂症(familial-schizophrenia, PFS)，家族性精神分裂症被认为是更多由遗传因素引起的，而具有阴性家族史的精神分裂被称为散发性精神分裂症(sporadic -schizophrenia, PSS)，散发性精神分裂症被认为是更多由环境因素引起的。前人的研究表明，家族性精神分裂症和散发性精神分裂症临床症状存在一定差异[1, 2]；此外，结构磁共振研究表明，与健康对照组和散发性精神分裂症患者相比，家族性精神分裂症患者具有更低的丘脑灰质密度[3]。但是，两种精神分裂症脑功能网络是否存在差异呢？本文主要根据参考文献[4]整理而成，文献[4]采用静息态磁共振技术，主要对家族性精神分裂症和散发性精神分裂症患者的脑功能网络及其拓扑结构进行了研究，以揭示两者之间的脑功能差异。笔者在这里对这篇文章的分析方法和结果进行剖析，希望各位朋友从中有所启发，对大家的研究有所帮助。
研究方法
医院搜集26个PSS患者，26个PFS患者以及26个对照组，采集静息态fMRI。
被试的fMRI数据采用SPM8软件进行标准的预处理流程，预处理后的数据采用GRETNA软件构建AAL 90个ROI脑区之间的功能连接矩阵。具体来说，就是计算90个AAL脑区BOLD信号两两之间皮尔森相关系数，对于每个被试得到一个90*90的皮尔森相关系数矩阵。
对于得到的功能连接矩阵，研究者采用图论的分析方法，计算每个功能连接矩阵的如下拓扑参数：聚类系数（clustering-coefcient）Cp,特征路径长度（characteristic-path length）Lp,归一化的聚类系数γ，归一化的特征路径长度λ，小世界系数（small-worldness）δ，网络的全局效率（global effciency）Eglob,以及局部效率（local effciency）Eloc等参数。
最后研究者采用network-based statistics (NBS)的分析方法，研究不同被试组之间存在显著差异的子网络。
研究结果
与健康被试组HC相比，家族性精神分裂症(PFS)患者表现出显著降低的归一化聚类系数γ，小世界系数δ和局部效率Eloc；而与PSS患者相比，PFS同样表现出显著降低的Eloc，具体结果如图1所示。
与HC相比，PFS在如下脑区表现出显著增加的节点中心度（nodal centralities）：right mid-cingulatecortex (MCC), middle occipital gyrus (MOG)；而在以下脑区表现出显著降低的节点中心度：bilateral middle frontal gyrus (MFG), left insula (Ins), calcarinegyrus(Cal), caudate (Cau), putamen (Put) 和 Heschl’sgyrus (HG), and right thalamus (T)，具体如图2所示。
与健康被试HC相比，PSS在如下脑区表现出显著增加的节点中心度（nodal centralities）：bilateral supplementary motor area(SMA), medial part of the superiorfrontal gyrus (SFGm), left parahippocampal gyrus (PH), right cuneus (Cun) 以及 MOG；而在以下脑区表现出显著降低的节点中心度：left olfactory cortex(Olf), Ins, Cal, right MFG, paracentral lobule (PCL) 和Put，具体如图3所示。
与PSS相比，PFS患者在如下脑区表现出显著增加的节点中心度：right superior parietal gyrus (SPL), supramarginal gyrus (SMG) 和 PCL；而在以下脑区表现出显著降低的节点中心度：left Cau,left HG, rightorbital part of inferior frontal gyrus (IFG_Orb), SMA 以及 Th.具体如图4所示。
研究者采用NBS方法，与HC相比，PFS患者表现出如图5A所示的功能连接强度显著降低的子网络；而PSS患者表现出如图5B所示的功能连接强度显著降低的子网络。
最后，研究者对计算的脑功能网络指标与临床数据评分PANSS进行相关分析，结果如图6所示。结果表明，对于PFS患者来说，归一化聚类系数γ和小世界系数δ与PANSS 阴性评分呈现显著负相关；对于PSS患者来说，PCL.R脑区的节点效率与PANSS阴性评分呈显著负相关，而Cal.L脑区的节点中心度与PANSS阳性评分呈现显著相关。
总结
本篇研究论文结合静息态fMRI功能连接和图论的分析方法来揭示两类精神分裂患者（PSS和PFS）脑功能网络的差异，结果显示，与PSS患者相比，PFS表现出显著降低的局部效率Eloc，并且在如下脑区表现出显著增加的节点中心度：right superiorparietal gyrus (SPL), supramarginal gyrus (SMG) 和 PCL，而在以下脑区表现出显著降低的节点中心度：left Cau,left HG, right orbital part of inferior frontal gyrus(IFG_Orb), SMA 以及 Th。结合前人的研究，这些结果表明，PFS和PSS之间除了有临床表现和脑结构的差异，而且在功能网络上也存在显著差异，这可能主要是由于两种精神分裂症是由不同的因素造成的。
深度神经网络（DNNs）是 AI 领域的重要成果，但它的 “存在感” 已经不仅仅限于该领域。
一些前沿生物医学研究，也正被这一特别的概念所吸引。特别是计算神经科学家。
在以前所未有的任务性能彻底改变计算机视觉之后，相应的 DNNs 网络很快就被用以试着解释大脑信息处理的能力，并日益被用作灵长类动物大脑神经计算的建模框架。经过任务优化的深度神经网络，已经成为预测灵长类动物视觉皮层多个区域活动的最佳模型类型之一。
用神经网络模拟大脑或者试图让神经网络更像大脑正成为主流方向的当下，有研究小组却选择用神经生物学的方法重新审视计算机学界发明的DNNs。
而他们发现，诸如改变初始权重等情况就能改变网络的最终训练结果。这对使用单个网络来窥得生物神经信息处理机制的普遍做法提出了新的要求：如果没有将具有相同功能的深度神经网络具有的差异性纳入考虑的话，借助这类网络进行生物大脑运行机制建模将有可能出现一些随机的影响。要想尽量避免这种现象，从事 DNNs 研究的计算神经科学家，可能需要将他们的推论建立在多个网络实例组的基础上，即尝试去研究多个相同功能的神经网络的质心，以此克服随机影响。
而对于 AI 领域的研究者，团队也希望这种表征一致性的概念能帮助机器学习研究人员了解在不同任务性能水平下运行的深度神经网络之间的差异。
人工神经网络由被称为 “感知器”、相互连接的单元所建立，感知器则是生物神经元的简化数字模型。人工神经网络至少有两层感知器，一层用于输入层，另一层用于输出层。在输入和输出之间夹上一个或多个 “隐藏” 层，就得到了一个 “深层” 神经网络，这些层越多，网络越深。
深度神经网络可以通过训练来识别数据中的特征，就比如代表猫或狗图像的特征。训练包括使用一种算法来迭代地调整感知器之间的连接强度（权重系数），以便网络学会将给定的输入（图像的像素）与正确的标签（猫或狗）相关联。理想状况是，一旦经过训练，深度神经网络应该能够对它以前没有见过的同类型输入进行分类。
但在总体结构和功能上，深度神经网络还不能说是严格地模仿人类大脑，其中对神经元之间连接强度的调整反映了学习过程中的关联。
一些神经科学家常常指出深度神经网络与人脑相比存在的局限性：单个神经元处理信息的范围可能比 “失效” 的感知器更广，例如，深度神经网络经常依赖感知器之间被称为反向传播的通信方式，而这种通信方式似乎并不存在于人脑神经系统。
然而，计算神经科学家会持不同想法。有的时候，深度神经网络似乎是建模大脑的最佳选择。
例如，现有的计算机视觉系统已经受到我们所知的灵长类视觉系统的影响，尤其是在负责识别人、位置和事物的路径上，借鉴了一种被称为腹侧视觉流的机制。
对人类来说，腹侧神经通路从眼睛开始，然后进入丘脑的外侧膝状体，这是一种感觉信息的中继站。外侧膝状体连接到初级视觉皮层中称为 V1 的区域，在 V1 和 V4 的下游是区域 V2 和 V4，它们最终通向下颞叶皮层。非人类灵长类动物的大脑也有类似的结构（与之相应的背部视觉流是一条很大程度上独立的通道，用于处理看到运动和物体位置的信息）。
这里所体现的神经科学见解是，视觉信息处理的分层、分阶段推进的：早期阶段先处理视野中的低级特征（如边缘、轮廓、颜色和形状），而复杂的表征，如整个对象和面孔，将在之后由颞叶皮层接管。
如同人的大脑，每个 DNN 都有独特的连通性和表征特征，既然人的大脑会因为内部构造上的差异而导致有的人可能记忆力或者数学能力更强，那训练前初始设定不同的神经网络是否也会在训练过程中展现出性能上的不同呢？
换句话说，功能相同，但起始条件不同的神经网络间究竟有没有差异呢？
这个问题之所以关键，是因为它决定着科学家们应该在研究中怎样使用深度神经网络。
在之前 Nature 通讯发布的一篇论文中，由英国剑桥大学 MRC 认知及脑科学研究组、美国哥伦比亚大学 Zuckerman Institute 和荷兰拉德堡大学的 Donders 脑科学及认知与行为学研究中心的科学家组成的一支科研团队，正试图回答这个问题。论文题目为《Individual differences among deep neural network models》。
根据这篇论文，初始条件不同的深度神经网络，确实会随着训练进行而在表征上表现出越来越大的个体差异。
此前的研究主要是采用线性典范相关性分析（CCA，linear canonical correlation analysis）和 centered-kernel alignment（CKA）来比较神经网络间的内部网络表征差异。
这一次，该团队的研究采用的也是领域内常见的分析手法 —— 表征相似性分析（RSA，representational similarity analysis）。
该分析法源于神经科学的多变量分析方法，常被用于将计算模型生产的数据与真实的大脑数据进行比较，在原理上基于通过用 “双（或‘对’）” 反馈差异表示系统的内部刺激表征（Inner stimulus representation）的表征差异矩阵（RDMs，representational dissimilarity matrices），而所有双反馈组所组成的几何则能被用于表示高维刺激空间的几何排布。
两个系统如果在刺激表征上的特点相同（即表征差异矩阵的相似度高达一定数值），就被认为是拥有相似的系统表征。
表征差异矩阵的相似度计算在有不同维度和来源的源空间（source spaces）中进行，以避开定义 “系统间的映射网络”。本研究的在这方面上的一个特色就是，使用神经科学研究中常用的网络实例比较分析方法对网络间的表征相似度进行比较，这使得研究结果可被直接用于神经科学研究常用的模型。
最终，对比的结果显示，仅在起始随机种子上存在不同的神经网络间存在明显个体差异。
该结果在采用不同网络架构，不同训练集和距离测量的情况下都成立。团队分析认为，这种差异的程度与 “用不同输入训练神经网络” 所产生的差异相当。
如上图所示，研究团队通过计算对应 RDM 之间的所有成对距离，比较 all-CNN-C 在所有网络实例和层、上的表示几何。
再通过 MDS 将 a 中的数据点（每个点对应一个层和实例）投影到二维。各个网络实例的层通过灰色线连接。虽然早期的代表性几何图形高度相似，但随着网络深度的增加，个体差异逐渐显现。
在证明了深度神经网络存在的显著个体差异之后，团队继续探索了这些差异存在的解释。
随后，研究者再通过在训练和测试阶段使用 Bernoulli dropout 方法调查了网络正则化（network regularization）对结果能造成的影响，但发现正则化虽然能在一定程度上提升 “采用不同起始随机种子的网络之表征” 的一致性，但并不能修正这些网络间的个体差异。
最后，通过分析网络的训练轨迹与个体差异出现的过程并将这一过程可视化，团队在论文中表示，神经网络的性能与表征一致性间存在强负相关性，即网络间的个体差异会在训练过程中被加剧。
总而言之，这项研究主要调查了多个神经网络在最少的实验干预条件下是否存在个体差异，即在训练开始前为网络设置不同权重的随机种子，但保持其他条件一致，并以此拓展了此前与 “神经网络间相关性” 有关的研究。
除了这篇 这篇 研究以外，“深度学习三巨头” 之一、著名 AI 学者 Hinton 也有过与之相关的研究，论文名为《Similarity of Neural Network Representations Revisited》，文章探讨了测量深度神经网络表示相似性的问题，感兴趣的读者可以一并进行阅读。
Refrence：
[1]
[2]
随着科学技术的发展，人工神经网络技术得到了空前的发展，并且在诸多领域得到了广泛的应用，为人工智能化的发展提供了强大的动力。以下是我整理分享的人工智能神经网络论文的相关资料，欢迎阅读!
人工神经网络的发展及应用
摘要随着科学技术的发展，人工神经网络技术得到了空前的发展，并且在诸多领域得到了广泛的应用，为人工智能化的发展提供了强大的动力。人工神经网络的发展经历了不同的阶段，是人工智能的重要组成部分，并且在发展过程中形成了自身独特的特点。文章对人工神经网络的发展历程进行回顾，并对其在各个领域的应用情况进行探讨。
关键词人工神经网络;发展;应用
随着科学技术的发展，各个行业和领域都在进行人工智能化的研究工作，已经成为专家学者研究的热点。人工神经网络就是在人工智能基础上发展而来的重要分支，对人工智能的发展具有重要的促进作用。人工神经网络从形成之初发展至今，经历了不同的发展阶段，并且在经济、生物、医学等领域得到了广泛的应用，解决了许多技术上的难题。
1人工神经网络概述
关于人工神经网络，到目前为止还没有一个得到广泛认可的统一定义，综合各专家学者的观点可以将人工神经网络简单的概括为是模仿人脑的结构和功能的计算机信息处理系统[1]。人工神经网络具有自身的发展特性，其具有很强的并行结构以及并行处理的能力，在实时和动态控制时能够起到很好的作用;人工神经网络具有非线性映射的特性，对处理非线性控制的问题时能给予一定的帮助;人工神经网络可以通过训练掌握数据归纳和处理的能力，因此在数学模型等难以处理时对问题进行解决;人工神经网络的适应性和集成性很强，能够适应不同规模的信息处理和大规模集成数据的处理与控制;人工神经网络不但在软件技术上比较成熟，而且近年来在硬件方面也得到了较大发展，提高了人工神经网络系统的信息处理能力。
2人工神经网络的发展历程
2.1 萌芽时期
在20世纪40年代，生物学家McCulloch与数学家Pitts共同发表文章，第一次提出了关于神经元的模型M-P模型，这一理论的提出为神经网络模型的研究和开发奠定了基础，在此基础上人工神经网络研究逐渐展开。1951年，心理学家Hebb提出了关于连接权数值强化的法则，为神经网络的学习功能开发进行了铺垫。之后生物学家Eccles通过实验证实了突触的真实分流，为神经网络研究突触的模拟功能提供了真实的模型基础以及生物学的依据[2]。随后，出现了能够模拟行为以及条件反射的处理机和自适应线性网络模型，提高了人工神经网络的速度和精准度。这一系列研究成果的出现为人工神经网络的形成和发展提供了可能。
2.2 低谷时期
在人工神经网络形成的初期，人们只是热衷于对它的研究，却对其自身的局限进行了忽视。Minskyh和Papert通过多年对神经网络的研究，在1969年对之前所取得的研究成果提出了质疑，认为当前研究出的神经网络只合适处理比较简单的线性问题，对于非线性问题以及多层网络问题却无法解决。由于他们的质疑，使神经网络的发展进入了低谷时期，但是在这一时期，专家和学者也并没有停止对神经网络的研究，针对他们的质疑也得出一些相应的研究成果。
2.3 复兴时期
美国的物理学家Hopfield在1982年提出了新的神经网络模型，并通过实验证明在满足一定的条件时，神经网络是能够达到稳定的状态的。通过他的研究和带动，众多专家学者又重新开始了对人工神经网络方面的研究，推动了神经网络的再一次发展[3]。经过专家学者的不断努力，提出了各种不同的人工神经网络的模型，神经网络理论研究不断深化，新的理论和方法层出不穷，使神经网络的研究和应用进入了一个崭新的时期。
2.4 稳步发展时期
随着人工神经网络研究在世界范围内的再次兴起，我国也迎来了相关理论研究的热潮，在人工神经网络和计算机技术方面取得了突破性的进展。到20世纪90年代时，国内对于神经网络领域的研究得到了进一步的完善和发展，而且能够利用神经网络对非线性的系统控制问题进行解决，研究成果显著。随着各类人工神经网络的相关刊物的创建和相关学术会议的召开，我国人工神经网络的研究和应用条件逐步改善，得到了国际的关注。
随着人工神经网络的稳步发展，逐渐建立了光学神经网络系统，利用光学的强大功能，提高了人工神经网络的学习能力和自适应能力。对非线性动态系统的控制问题，采取有效措施，提高超平面的光滑性，对其精度进行改进。之后有专家提出了关于人工神经网络的抽取算法，虽然保证了精度，但也加大了消耗，在一定程度上降低了神经网络的效率，因此在此基础上又提出了改进算法FERNN。混沌神经网络的发展也得到了相应的进步，提高了神经网络的泛化能力。
3人工神经网络的应用
3.1 在信息领域中的应用
人工神经网络在信息领域中的应用主要体现在信息处理和模式识别两个方面。由于科技的发展，当代信息处理工作越来越复杂，利用人工神经网络系统可以对人的思维进行模仿甚至是替代，面对问题自动诊断和解决，能够轻松解决许多传统方法无法解决的问题，在军事信息处理中的应用极为广泛[4]。模式识别是对事物表象的各种信息进行整理和分析，对事物进行辨别和解释的一个过程，这样对信息进行处理的过程与人类大脑的思维方式很相像。模式识别的方法可以分为两种，一种是统计模式识别，还有一种是结构模式识别，在语音识别和指纹识别等方面得到了广泛的应用。
3.2 在医学领域的应用
人工神经网络对于非线性问题处理十分有效，而人体的构成和疾病形成的原因十分复杂，具有不可预测性，在生物信号的表现形式和变化规律上也很难掌握，信息检测和分析等诸多方面都存在着复杂的非线性联系，所以应用人工神经网络决解这些非线性问题具有特殊意义[5]。目前，在医学领域中的应用涉及到理论和临床的各个方面，最主要的是生物信号的检测和自动分析以及专家系统等方面的应用。
3.3 在经济领域中的应用
经济领域中的商品价格、供需关系、风险系数等方面的信息构成也十分复杂且变幻莫测，人工神经网络可以对不完整的信息以及模糊不确定的信息进行简单明了的处理，与传统的经济统计方法相比具有其无法比拟的优势，数据分析的稳定性和可靠性更强。
3.4 在其他领域的应用
人工神经网络在控制领域、交通领域、心理学领域等方面都有很广泛的应用，能够对高难度的非线性问题进行处理，对交通运输方面进行集成式的管理，以其高适应性和优秀的模拟性能解决了许多传统方法无法解决的问题，促进了各个领域的快速发展。
4总结
随着科技的发展，人工智能系统将进入更加高级的发展阶段，人工神经网络也将得到更快的发展和更加广泛的应用。人工神经网络也许无法完全对人脑进行取代，但是其特有的非线性信息处理能力解决了许多人工无法解决的问题，在智能系统的各个领域中得到成功应用，今后的发展趋势将向着更加智能和集成的方向发展。
参考文献
[1]徐用懋，冯恩波.人工神经网络的发展及其在控制中的应用[J].化工进展，1993(5)：8-12，20.
[2]汤素丽，罗宇锋.人工神经网络技术的发展与应用[J].电脑开发与应用，2009(10)：59-61.
[3]李会玲，柴秋燕.人工神经网络与神经网络控制的发展及展望[J].邢台职业技术学院学报，2009(5)：44-46.
[4]过效杰，祝彦知.人工神经网络的发展及其在岩土工程领域研究现状[J].河南水利，2004(1)：22-23.
[5]崔永华.基于人工神经网络的河流汇流预报模型及应用研究[D].郑州大学，2006.
下一页分享更优秀的<<<人工智能神经网络论文
脑连接组学是一门快速发展的神经科学子学科，可以用来从宏观尺度上检查不同脑区之间的功能和结构连接关系。研究表明，功能性磁共振成像中常见的规范脑连接网络实际上植根于电生理过程。电生理学研究将为分层大脑网络中的信息整合提供可测试的机制模型。总之，电生理学包含一组交叉科学技术和方法，可提供对大脑系统神经动力学的探索。原则上，它们可以就功能通信如何在大脑网络中以生物学方式实现提供独特的见解，从而在广泛的时间范围内实现复杂的行为 。 此综述的目标是解释电生理学方法与连接组学研究之间的相关性。
1 简介
脑连接是神经科学中一个年轻而快速发展的分支学科，它已经改变了人类的大脑图谱。 连接组研究起源于21世纪初的核磁共振，在图论等数学工具的推动下，旨在提供对健康和疾病中大脑结构和功能的综合分析 。 电生理功能连通性可以定义为一组描述“跨低级别网络的高级别耦合”的指标。低水平网络是由相互连接的细胞组成，分布在1厘米或更大的皮质上--这种空间尺度在整个大脑中随局部细胞密度、区域深度和该区域内电流的主要方向而变化。因为这种局部回路在功能上是相对同质的，所以我们把它们称为“大脑区域”。高水平的耦合构成了这些局部区域之间的信号相互作用。这些相互作用的区域相隔的距离基本上大于网络中每个区域的空间范围，它们构成了本文提及的高级网络。
电生理技术是历史上第一个测量大脑活动的技术，在基础(人类和动物研究)和临床神经科学中仍然是最容易获得和发表最多的技术。它们由非常多样化的方法组合而成，这些方法随着几十年来传感和计算技术的进步而演变。 它们的特殊优势是：1) 直接评估神经活动的能力，对比间接代谢信号；2) 毫秒级的时间分辨率；3) 从单个细胞到整个大脑的多空间尺度记录；4) 通过神经刺激确定因果效应；以及5) 便携式、可移动仪器的可用性、成本效益和数据质量的日益增长 。
总而言之，电生理学包括一套交叉的科学技术和方法，为研究大脑系统的神经动力学提供了独特的途径。原则上，它们可以对大脑网络中如何在生物学上实现功能性通信提供独特的见解，从而在广泛的时间范围内实现复杂的行为分析 。 我们在这里的目标是解释为什么这些独特的特性使电生理方法特别适用于脑连接组研究。
2 电生理连接的度量
2.1 电生理数据类型
大脑区域之间的电生理高级连接的测量必须提供 1）高保真度，即足够的信噪比（SNR），以准确表征来自不同大脑区域的信号之间的统计依赖性；2) 足够的空间分辨率，以确保区域之间的连通性估计不会因从一个区域到另一个区域的虚假信号交互（“泄漏”或“串扰”）而显着降低。考虑到这两点，电生理测量可以分为两类：
(1) 非侵入性方法 包括脑电图 (EEG) 和脑磁图 (EMG)。前者测量大脑中波动电流产生的头皮表面的电位差，后者测量相同电流波动产生的相应磁感应。
(2) 侵入性测量 通常统称为颅内脑电图 (iEEG)，范围从皮层电图 (ECoG)到更深结构的深度电极。电极参考位置的选择通常决定了进行测量的神经元群体的大小。测量结果通常反映了来自皮层锥体细胞 (类似于MEG/EEG) 的 LFP，这些细胞总和超过了数千个神经元。
由于颅外传感器远离脑源，脑磁图和脑电图具有较低的信噪比（尤其是在高频下）。与EEG相比，MEG提供更高的空间精度，因为它对头部组织的几何形状和电导不太敏感。MEG也不太容易受到生物伪影的影响。然而，MEG 的购买和运营成本也更高，因此更难获得。传感技术的重大进步有望提供新的、更灵活和负担得起的 MEG 仪器，这些仪器最近被证明对连通性测量有效。
2.2 电生理信号连通性评估方法
从广义上讲，电生理连接指标可以分为两类，频带内和频带间。目前流行的两类频带内连通性度量：固定相位关系和幅度相关度量。这些不同的技术被认为可以深入了解两种不同的功能连接模式。对于频带间测量，存在三种典型的技术系列：相位-相位、幅度-幅度和相位幅度耦合，后者是最常用的 。 图1中展示了常规的基于生理电信号的脑连接构造步骤。
图1处理电生理数据以得出电生理连接组测量的基本方法
与所有类型的生物信号分析一样，对电生理连接的最大威胁源于数据质量的固有限制，最值得注意的是空间分辨率和信号泄漏有关——尤其是对于 MEG/EEG。近年来，已经引入了可靠且稳健的方法来减轻泄漏。其中大多数依赖于这样的想法，即泄漏必然表现为具有零时滞的信号之间的关系。在探测信号之间的固定相位关系时，可以轻松消除这种零滞后效应——例如，仅采用相干计算的虚部，或通过使用相位滞后指数。除了上面定义的一类指标，研究者还开发了许多有向指标，例如格兰杰因果、部分定向相干性和动态因果建模。 这些指标利用电生理测量的高时间分辨率来推断两个区域之间信息流的平均（在某个时间窗口内）方向。
2.3 面向动态时序连接
上述连接性度量通常应用于许多分钟或几个小时的数据，并且被称为“静态”连接体。事实上，情况并非如此，因为大脑必须在快速(毫秒)的时间尺度上持续形成和分解网络，以回应不断变化的认知和行为需求。
2.3.1 滑动窗方法
在最简单的层面上，动态连接可以通过“滑动”窗口计算。一个关键点是这种技术提供的效用取决于窗口的长度。反过来，这取决于人们在多大程度上可以在短时间内获得可靠的连通性度量，而这本身取决于信号中自由度的数量。一个信号的时间自由度 n = 2 Bw D ，其中 Bw 是信号带宽， D 是窗口的时间宽度。虽然fMRI信号的带宽为~ 0.25 Hz，但电生理信号的名义带宽至少为100 Hz。这意味着，在电生理学中，基于滑动窗口的连接测量的时间窗口比fMRI短约400倍。这反过来又使电生理学成为动态功能连接测量的首选技术。在实践中，电生理信号在不同波段包含不同的特征，人们通常会考虑计算窄带信号(如alpha、beta、gamma波段)的连通性。这意味着fMRI在时间分辨率上的改善并没有那么显著。然而，即使对于最窄的波段(例如8-13 Hz alpha波段)，带宽仍然保持在5 Hz，在时间分辨率上比fMRI至少提高20倍。
然而，尽管电生理信号的带宽很高，滑动窗口宽度的选择仍然是一个有趣问题。人们真的希望窗口宽度与大脑中网络波动的时间尺度相匹配。然而，在实践中，这几乎肯定是未知的，并且可能在实验过程中发生变化。同样，对于不同的网络，它可能是不同的，随着年龄或参与者的病理状态而变化。也有可能，连通性波动的时间尺度可能太短，无法有效测量窗口内的连通性(例如，对于alpha波段，1秒的窗口，与认知加工相比仍然很长，只包含10个自由度)。由于这些原因，虽然滑动窗口仍然是一个有用的和概念上直接的工具，但很可能其他方法可以更好地利用电生理学提供的高时间分辨率。
2.3.2 除滑动窗方法之外
许多技术试图“时刻”检查连通性，即在电生理时间过程中获得每个样本的功能连通性估计。一种可用的技术是相位差导数 (PDD)。简而言之，PDD探测固定相位关系的存在，采集来自远端区域的信号的瞬时相位，并随时间测量它们之间的差异。如果差分导数为零，则暗示瞬态固定相位关系。近年来，基于隐马尔可夫开发的一种技术能够回避窗口问题。该方法假设电生理数据由一系列相互排斥的隐藏“状态”控制。这意味着在任何一个时间点，大脑都可以说是处于一种特定的状态。在未平均或静止状态中，PDD和类似指标往往是不稳定的，并且最终会在时间窗口上取平均值，这最终导致滑动窗口面临同样的问题。然而，在基于任务的研究中，假设相同的实验范式重复多次，PDD 可以在试验中平均。
一种基于隐马尔可夫建模的技术（HMM）能够回避窗口问题。迄今为止，该技术主要应用于MEG，但最近的论文已将其用于EEG和fMRI。HMM假设电生理数据由一系列相互排斥的隐藏“状态”控制。这意味着在任何一个时间点，大脑都可以说是处于一种特定的状态。在最简单的形式中，HMM可以描述单个电生理时间过程中的状态。每个状态都可以用电生理数据的高斯分布来描述。使用这种无监督的方法，大脑何时进入或离开特定状态的识别是自动化的。因为 HMM以数据驱动的方式自动选择时间窗口。
3 利用正在进行的电生理活动来定义电生理连接组
许多常见的电生理分析本身无法提供对大脑行为关系的全面机制理解。电生理测量通常重复多次，并且在试验中对数据进行平均，以检测相对于“基线”参考期的可能影响 。 在大多数电生理研究中，基线被丢弃，将持续的大脑动力学视为“噪音”。在这里，我们主张充分利用，而不是“纠正”，正在进行的神经过程及其空间组织对电生理记录的贡献。与任务相关的连通性变化通常将正在进行的电生理过程视为“噪音”。 同样重要的是，研究少数与任务相关的传感器的选择方法忽略了电生理数据的分布式空间组织 。 3.1小节详细阐述了正在进行的电生理活动的空间组织（即跨区域对的连接强度的全脑模式），并讨论其行为意义。3.2小节简要回顾了有关正在进行的活动动态的最新证据。
3.1 持续的电生理活动具有内在的时空组织
3.1.1 颅内电生理学中的内在空间组织
尽管颅内研究通常缺乏全面描述内在连接网络所需的全脑覆盖，但个别研究证实了特定内在连接网络的存在 。 一项研究报告表明，在所有规范频带中，组级 fMRI 连接组与汇集的全脑ECoG连接组之间存在适度的关联。值得注意的是，尽管许多寻求与 fMRI 衍生的功能连接相似性的研究都集中在高伽马功率的缓慢共波上，但上述研究扩展到其他振荡频率的幅度耦合以及振荡相位的测量。总之，人类 iEEG 研究提供了关于存在跨振荡频率和连接测量的持续电生理连接的内在空间组织的信心，并且还为 fMRI 中经常报告的空间网络组织提供支持。
图2 电生理数据中内在的全脑连接组织。A)在源空间MEG幅度耦合中通过基于种子的连接观察到的感觉和运动的内在脑连接。光谱图（右）表明alpha和beta波段振荡对这些内在网络的贡献很大；B) MEG中特定频带的振荡幅度的内在脑连接（显示了四个作为示例），包括感觉/运动以及高阶网络；C)连接强度在 fMRI 和颅内电生理学（ECoG 幅度耦合）之间存在空间关联。对于所有频段，这种相关性的强度约为 0.35；D）在 fMRI 和同时记录的头皮脑电图（相位耦合）之间观察到类似的连接强度的空间关联。左侧散点图显示了 beta 波段的示例，其中每个数据点来自连接组的一个区域对，平均跨受试者中以相似的效应大小重现。
3.1.2 颅外电生理信号的内在空间组织
有了对内在空间组织建立的信心，我们转向全脑连接组的MEG和 EEG 源空间研究。许多 MEG 幅度耦合研究为使用基于种子的相关性提供了感觉和运动趋同的证据。虽然其中一些研究使用宽带信号，但那些专注于不同频段的研究通常报告 α 和β 频段在反映 内在脑连接方面占主导地位。此外，虽然幅度耦合一直是MEG 静息状态连接组研究中更常用的连接模式，但 MEG 相位耦合显示出由内在脑连接锚定的类似空间分布。 尽管与 MEG 相比，EEG 对体积传导的敏感性更强，但 EEG 同样有力地反映了连接组的内在空间组织 。
图3 功能网络的毫秒动态。A）应用于静息状态MEG的隐马尔可夫模型(HMM)提取数据。每个状态都由特定的地形决定。这些状态图类似于fMRI通常观察到的典型内在连接网络 (ICN)。B）与 HMM 状态相关的时间尺度显示在面板A中；C)“重放”是大脑自发地重新审视最近获得的信息以例如巩固记忆的过程。这些重播事件与特定 HMM 状态发生概率的改变有关。左图显示了“重放”事件期间 HMM 状态发生概率的变化。右侧的地图显示了在回放期间更有可能表达的四个大脑网络，其中包括默认模式和顶叶阿尔法网络。
3.1.3 跨认知状态的内在电生理连接组的稳定性
大规模连通性的内在空间组织的一个关键特征是其认知上下文的相对独立性。这种对认知环境的不敏感性在fMRI中得到了很好的量化，表明大脑的fMRI 衍生的时间平均连接组组织的特定任务变化很小。然而，与 BOLD 信号的非周期性慢速波动相比，基于振荡的功能连接可以很好地支持认知过程所需的数十到数百毫秒的快速时间尺度上的远程通信。这种能力是否会导致认知环境对电生理 FC 组织进行更强的重构？诸如上述讨论的电生理连接组研究通常侧重于无任务静息状态，很少有电生理连接组研究定量比较认知状态。
一项这样的研究分析了不同唤醒水平和日常活动的一天 iEEG 记录。源自 100秒和更长周期的幅度和相位耦合在昼夜循环中显示出一致的空间组织。一项使用传感器级脑电图的相关研究确定了振幅和相位耦合组织在不同睡眠阶段和觉醒的高度空间相关性。源空间中的EEG研究表明，在对不同任务（静止状态、视频观看和闪烁光栅）进行几分钟计算时，相位耦合在空间上是一致的，并且跨频带具有相似的模块化组织。相位和幅度耦合揭示了跨认知状态的高度相似、很大程度上与状态无关的空间分量。这种空间组织在所有频带之间共享。
总的来说，这些研究表明，功能连接的空间组织在认知状态（包括觉醒水平、静息清醒和具有不同认知需求的任务期）上基本稳定，即它本质上主要是内在的。该组织在很大程度上也是跨频段共享的。因此，电生理连接组的动态变化，包括那些自发发生的、由任务环境引发的或由刺激引起的变化，应该根据相对稳定的内在组织的信息偏离来研究 。
3.2 持续的活动在快速的时间尺度上动态变化
连接性随时间变化的现象已得到充分证实。虽然连接的静止状态波动很明显，但有时很难（甚至不可能）将这些波动与行为联系起来 。 奥尼尔等人使用滑动窗口来演示电生理连接如何随着运动任务而变化。这项工作采用了一种基于典型相关性的方法，能够检测感觉运动系统中的“子网络”。Neill 等人使用 6 秒滑动窗口测量了完整的连接组矩阵，并展示了 Sternberg 工作记忆任务期间网络的形成和分解。 这些研究开始表明，功能连接的完整动态方法为任务诱发动力学提供了新的见解 。
使用隐马尔可夫模型可能会消除滑动窗口（和类似）方法的局限性 。 在 Baker 等人的早期论文中，这种方法被用来揭示大脑状态的复发，这些状态被证明存在于几百毫秒的时间尺度上。Vidaurre 等人表明可以从正在进行的电生理数据中提取规范的 ICN（运动、视觉、默认模式）。重要的是，这些网络再次被证明可以在快速（<100ms）的时间尺度上进行调制。这些研究表明，规范ICN的表达可能会在比以前想象的更快的时间尺度上发展。
测量网络动力学毫秒波动的能力引出了一个问题，即是否可以使用相同的方法来理解电生理数据的持续时空特征如何与任务相交 。 Higgins 及其同事最近的工作解决了这个问题。作者使用 HMM 来模拟自发记忆“重放”期间的网络波动。回放是与特定项目相关的神经活动自发启动以巩固记忆的过程。回放事件通常在默认模式和顶叶 alpha 网络的激活期间选择性地发生——这两个网络已知与内向注意力相关。 这些发现提供了迄今为止最清晰的指示，表明正在进行的电生理网络活动如何被动态和选择性地调节以支持认知处理 。
综上所述，电生理学为以毫秒级时间和高空间精度标测动态连接体提供了最佳途径。结合对神经生理学相互作用的有意义的测量，它有助于更好地表征静息状态无任务数据。此外，电生理学还有助于更深入地理解任务诱发事件与正在进行的大脑活动之间的关系 。
4 有意义的电生理信号的频率带宽是多少？
电生理信号的毫秒级分辨率是他们最大的神经科学资产。信息论的一个主要结果是，信号分量以采样频率的一半的速度演化，就可以传达有意义的内容。当前电生理学硬件的数字化采样率可以高达每通道几十kHz。这是否意味着高达10kHz的大规模大脑信号波动传达了对识别连接组相互作用有意义的信息位 。
在特定环境中测量特定生物系统的每一种仪器都容易受到噪声的影响。噪声表征经常被随便忽视，因为它具有挑战性或根本不切实际。在我们的领域中，MEG系统最适合仔细表征环境和仪器噪声条件。运行“空房间”测量确实被认为是一种很好的做法，即在每个实验会话周围没有参与者在 MEG 传感器阵列下的情况下，以捕获可能在会话之间发生变化的噪声条件的导数，此类“干”数据运行有助于表征技术本底噪声及其频谱时间结构。
对于EEG，“空房间”条件是不切实际的，因为电极信号需要直接接触导电介质，即头皮或精心制作的导电体模设置。因此，截止频率和采样率通常是特殊定义的，通常设置在数百赫兹的范围内。这既不完全严谨也不令人满意，而只是举例说明了实验神经科学的某些方面如何仍然受到实践的指导。
考虑1 kHz采样的数据，这是该领域常见的范围。因此，理论上可用于信号分析的最大频率为500 Hz，实际上约为 250-300 Hz，这通常由仪器的附加抗混叠硬件滤波器强加。一个 250Hz 的大脑信号频带代表了一个由慢到快波动的广阔领域，以表征 电生理连接 组。从电气工程的角度来看，电生理数据因此被认为是 宽带 信号。有经验证据表明，头皮和皮质记录可以捕获与复杂的人类行为或临床症状有意义相关的快速（高频）信号。例如，外部感觉信号的神经夹带是一种强大的实验方法，可以通过在高达100 Hz左右的快速频率下特别提高它们的信噪比。刺激事件也可以诱发100 Hz以上的高频振荡突发并且由癫痫脑自发产生。这种快速信号是否在大脑网络的区域间通信中发挥作用是一个积极研究的问题。
总之，宽带信号可以实现丰富多样的信息通道。这意味着神经信息位可以通过不同的信息通道（例如限制在窄频带内的振荡信号）和/或通过更复杂的信号编码形式（例如相位幅度、交叉频率）在区域之间并行传输互动或以上所有。这些考虑对于产生可测试的机械假设以理解定义功能连接组的电生理信号相互作用的性质具有深远的意义 。
5 总结
本文总结了跨电生理学和功能磁共振的连通性在空间和时间上的收敛，它们不受逆问题的影响。我们还强调了电生理连接与个体内部和个体之间的行为的关联，以及与认知过程（如记忆巩固）相关的快速时变连接动力学，这些进一步支持了源定位电生理连接的重要性。使用血流动力学信号在很大程度上无法获得如此快速的连接组状态变化。此外，电生理和功能磁共振连接可能反映部分不重叠的神经和生理现象。功能性磁共振被概念化为由血流动力学反应平滑的电生理活动。然而，经过优化以在快速或慢速时间尺度上进行通信的神经群体和神经束可能分别通过电生理和功能磁共振测量得到更大的权重，并且功能磁共振连接可能容易受到跨区域血管需求的影响 。
最后，我们认为全脑电生理连接组学是基础和临床神经科学研究的机会。我们希望当前的观点和立场能够激发人们的信念，以充分利用人类大脑的分布式持续电生理中未知的财富。
参考文献：
Connectomics of human electrophysiology
