编辑推荐：
为探究飞行学员大脑功能，研究人员基于三重网络模型研究其静息态 dFNC，发现其大脑网络变化及与认知关联。
在如今的时代，飞机已然成为人们出行的重要交通工具。然而，民航安全却面临着诸多挑战，其中人的因素对飞行安全影响重大。飞行员作为飞行任务的关键执行者，其选拔和培训至关重要。飞行学员的心理、基础和行为能力与大脑功能紧密相关，研究飞行学员执行飞行任务时的大脑功能机制，能为评估和选拔飞行员提供客观生理指标，完善飞行员选拔和培训体系，满足民航局对飞行员培训改革的要求。
中国民用航空飞行学院的研究人员为深入了解飞行学员的大脑功能，开展了一项基于三重网络模型的研究。该研究成果发表在《Scientific Reports》上。研究人员通过对飞行学员和健康对照组的静息态功能磁共振成像（resting-state fMRI）数据进行分析，探究了中央执行网络（CEN）、默认模式网络（DMN）和突显网络（SN）的时变功能连接。
在这项研究中，研究人员运用了多种关键技术方法。首先，他们从中国民用航空飞行学院招募了符合特定标准的参与者，包括飞行学员和普通大学生，所有参与者都接受了行为评估，如 Berg 卡片分类测试（BCST）和变化检测测试。接着，使用 GE Discovery MR750 3.0T MRI 扫描仪采集磁共振成像（MRI）数据，包括 T1 图像和功能 MRI（fMRI）数据。然后，利用 RESTplus 软件和 GIFT 软件对数据进行预处理、独立成分分析（ICA），并通过滑动窗口和 K - 均值聚类方法进行动态功能网络连接（dFNC）分析。最后，使用 SPSS 26.0 软件和 GIFT 软件的 Stats 模块进行统计分析。
研究结果主要包括以下几个方面：
- 参与者信息：飞行学员和对照组在年龄、性别、教育年限、右利手和飞行小时数等方面无显著差异。
- 感兴趣的网络：通过模板匹配方法选择了六个独立成分（ICs），并将其分类为 CEN、DMN 和 SN 三个功能网络。
- dFNC 的组间差异：在静息态 fMRI 信号采集过程中，识别出六种功能连接状态，仅在状态 2 中发现飞行学员和对照组存在显著差异。飞行学员在状态 2 中，CEN 和 DMN 网络之间的功能连接显著增强。同时，飞行学员在状态 2 中的分数窗口和平均驻留时间增加，在状态 5 中的分数窗口减少，而两组之间的转换次数无显著差异。
- 相关性分析结果：飞行学员在 BCST 中的准确率显著高于对照组，而在反应时间、持续性反应和持续性错误方面无显著差异。在变化检测测试中，两组在反应时间和准确率上均无显著差异。在飞行学员组中，状态 2 的分数窗口和平均驻留时间与 BCST 和变化检测测试的准确率呈显著正相关。
研究结论和讨论部分指出，飞行学员在状态 2 中 CEN 和 DMN 之间增强的功能连接，可能表明他们的大脑在处理复杂任务时，因飞行训练而在认知资源分配上更具灵活性。状态 2 的分数窗口和平均驻留时间与认知测试准确率的正相关，表明该状态对捕捉训练效果至关重要，反映出飞行学员在该状态下具有更强的认知灵活性、信息整合能力和视觉处理能力。不过，该研究也存在样本量相对较小的局限性。未来研究可通过增加样本量、采用不同窗口大小和进行图论分析，更好地观察飞行学员大脑功能连接的变化，探索评估飞行员的量化生理指标。
总的来说，这项研究利用 dFNC 分析揭示了飞行学员的动态功能连接模式变化，为理解飞行训练后大脑功能变化提供了有价值的见解，表明 dFNC 分析可作为监测大脑功能的有用生理指标，为飞行员选拔和培训提供了新的视角和理论依据 。
