基于神经元振荡模式量化分析揭示自闭症谱系障碍中脑功能层级结构的异常

为解决自闭症谱系障碍(ASD)脑功能层级量化难题，研究人员通过多频段功能磁共振成像(fMRI)数据，结合多元经验模态分解和希尔伯特变换，首次基于神经元振荡能量分布模式(EDPs)量化了脑网络功能分离度。研究发现ASD患者单模态与跨模态脑区能量梯度分离度降低，且与社交缺陷相关，为系统水平理解ASD神经振荡失衡提供了新证据。

　　

层级结构是大脑功能的基本特征，而神经元振荡(neuronal oscillation)作为脑功能的核心表现形式，能从系统层面揭示精神疾病的异常层级结构。这项研究开创性地利用功能磁共振成像(fMRI)多频段信息，通过多元经验模态分解(Multivariate Empirical Mode Decomposition)和希尔伯特变换(Hilbert Transform)，量化了不同脑网络的能量分布模式(EDPs)。

研究团队分析了自闭症脑影像数据交换库II(ABIDE II)中132名ASD患者和132名健康对照的静息态fMRI数据。通过梯度分析(gradient analysis)发现，健康人群的EDPs呈现明显的单模态-跨模态脑区分层，而ASD患者这种层级分离显著减弱。k均值聚类(k-means clustering)进一步验证了ASD患者异常的振荡模式，其能量梯度中位数距离与社交缺陷症状显著相关。

这些发现首次定量证实：神经元振荡模式能反映脑网络功能分离特征，为理解ASD的系统水平神经振荡失衡提供了全新视角。特别是单模态感觉处理区与跨模态联合皮层之间的功能解耦现象，可能成为解释ASD社交认知障碍的关键神经机制。