推理任务中动态脑状态的共激活模式分析：揭示认知表现的神经机制

《NeuroImage》：Dynamic Brain States During Reasoning Tasks: A Co-Activation Pattern Analysis

研究人员针对传统fMRI分析难以捕捉认知过程中脑活动动态变化的问题，采用共激活模式（CAP）分析方法，对303名受试者在矩阵推理、字母集和折纸任务及静息态下的fMRI数据进行了研究。通过K-means聚类识别出四种具有独特时空特征的CAPs，发现CAP2（视觉网络主导）和CAP3（默认模式与感觉运动网络共激活）与推理表现正相关，而过渡状态CAP4的频繁转换会损害认知表现。该研究首次系统揭示了推理任务中脑状态动态重组的神经机制，为理解认知老化和临床神经疾病提供了新视角。

　　

人类大脑在完成推理任务时，脑活动会如何动态变化？传统功能磁共振成像（fMRI）分析方法往往只能提供静态的平均激活图谱，无法捕捉毫秒级的神经活动重组。这种局限性严重阻碍了我们对高阶认知过程神经机制的理解。随着认知神经科学的发展，研究者们逐渐意识到，大脑并非以固定模式工作，而是通过不同神经网络状态的快速切换来适应复杂任务需求。共激活模式（Co-Activation Pattern, CAP）分析作为一种新兴方法，能够识别瞬时全脑活动模式，为研究动态脑功能提供了新工具。然而，该方法在推理等高级认知功能研究中的应用仍属空白。

哥伦比亚大学的Fatemeh Hasanzadeh团队在《NeuroImage》发表的研究，首次将CAP分析应用于三种推理任务（矩阵推理、字母集和折纸任务）和静息态fMRI数据。研究团队采用K-means聚类方法对303名21-80岁受试者的264个脑区时间序列进行分析，通过肘部法则确定最优聚类数，并结合Power图谱的12个功能网络进行空间模式解析。关键技术创新包括跨任务数据拼接策略、Jaccard相似性系数的聚类稳定性验证，以及 dwelling time（停留时间）、fraction occupancy（占比率）等动态指标的量化分析。

主要研究结果

3.1. CAPs的识别与特征

研究发现四种稳定再现的脑状态：CAP1在静息态占主导，表现为感觉运动（SEN/SOM）、视觉（VIS）和默认模式网络（DMN）的强共激活；CAP2以视觉网络激活为特征；CAP3同时激活DMN和感觉运动网络；CAP4则呈现多网络广泛抑制。Bootstrap分析显示所有CAPs的Jaccard相似系数>0.955，证实模式稳定性。

3.2. 任务态与静息态的动力学差异

CAP1在静息态的停留时间（20.10±14.13s）显著长于任务态（4.89-6.68s），而CAP2/CAP3在任务中占比更高。Paper Folding任务中CAP2占比达峰值，与其视觉空间需求一致。过渡概率分析揭示：任务态更多向CAP2/CAP3转换，而静息态倾向过渡至CAP1/CAP4。

3.3. 认知表现的神经预测

回归模型显示：CAP2/CAP3的长时间停留显著预测矩阵推理表现（β>0），而CAP1停留与折纸任务表现负相关。特别值得注意的是，所有任务中CAP2→CAP4的过渡概率均与表现呈负相关（β<0），暗示这种转换可能反映神经处理效率低下。

3.4. 老化效应的神经表征

老年组在任务中表现出CAP1占比升高（r=0.32）、CAP2占比降低（r=-0.28）的趋势，且更频繁地从CAP3过渡到CAP4（r=0.24）。皮质体积减少者同样显示CAP4活动增强，提示脑结构退化可能限制状态稳定性。

这项研究通过创新性地应用CAP分析，首次绘制了推理任务中全脑动态重组的精细图谱。其核心价值在于：方法学上突破了传统fMRI的静态分析局限，证实CAP2（视觉网络主导）和CAP3（DMN-感觉运动整合）作为"任务优化状态"的神经效能；临床转化方面，CAP1过度停留和CAP4频繁转换可能成为认知老化的新型生物标志物。尤为重要的是，研究发现神经状态稳定性（而非出现频率）才是预测认知表现的关键因素，这为理解"神经效率"理论提供了实证依据。

研究也存在若干局限：ROI水平分析可能掩盖局部变异，且未区分正确/错误试次。未来研究可采用体素级CAP分析结合事件相关设计，更精准捕捉成功推理的神经特征。这些发现不仅为认知老化机制研究开辟新视角，更为开发针对状态维持能力的干预措施（如神经反馈训练）提供了理论框架。正如作者指出，这项工作的真正价值在于"将动态脑状态重组确立为支持复杂认知的基本神经机制"，这一范式转变将深刻影响未来认知神经科学的研究方向。