动态时空表征框架解码个体脑功能：基于四态分解的fMRI信号解析新方法

为解决静息态功能磁共振成像(rs-fMRI)信号高复杂性导致的脑功能表征难题，研究人员开发了基于一阶导数动态分解的四态编码框架(DA/DD/SA/SD)，在1,015人跨队列验证中实现个体识别准确率100%，揭示了默认网络(DMN)、注意网络(VAN)和基底节主导的新功能模式，为脑表型建模提供了非线性动态表征工具。

　　

人脑如同宇宙般复杂，即便在静息状态下也持续产生着高度动态的自发活动。功能磁共振成像(fMRI)让我们得以窥探这片神秘领域，但血液氧合水平依赖(BOLD)信号的复杂时空特性，使得准确解析个体脑功能特征成为巨大挑战。传统方法如静息态波动幅度(RSFA)和皮尔逊功能连接(FC)虽广泛应用，却像静态照片般丢失了大脑动态活动的关键信息。更棘手的是，现有动态分析方法多聚焦宏观网络状态，难以捕捉单脑区水平的精细变化。这种"只见森林不见树木"的局限，呼唤着能同时解析时空动态的新框架。

电子科技大学的研究团队在《NeuroImage》发表的这项研究，创新性地将微分几何思想引入神经影像分析。他们通过计算BOLD信号的一阶导数，以变化速度(绝对值)和方向(正负号)为双重标准，在每个时间点将全脑428个区域划分为动态激活(DA)、动态失活(DD)、稳定激活(SA)、稳定失活(SD)四类状态。这种"时空双编码"策略，如同为大脑活动安装了高精度示波器，将连续信号转化为离散状态序列。研究团队进一步设计了三类区域指标(状态动态性、状态转换率、状态熵)和三类网络指标(全局/动态/稳定等价性)，构建起多层次分析体系。

关键技术包括：基于午夜扫描俱乐部(MSC)数据集优化状态编码阈值；采用Schaefer 400脑区与Brainnetome 28亚区划分方案；使用差分可识别性(DI)评估个体特异性；通过Neurosynth解码器解析功能模式；应用TabPFN模型预测年龄和连接组预测建模(CPM)分析流体智力。研究纳入MSC(10人×10次扫描)、WU120(120人)、HCP S500(448人)和西南大学成人 lifespan(SALD, 438人)四个独立队列验证。

四态序列捕获个体特异性信息

通过香农熵分析发现，基于57%百分位阈值编码的状态序列DI得分达0.4251，显著优于振幅编码方法(Cohen's d=3.02)。状态转换分析显示，DA与DD间的直接转换概率最低，暗示动态状态需通过稳定状态间接过渡。

状态表征的敏感性与可重复性

状态熵在30分钟扫描时长下DI得分最高(0.68±0.04)，个体识别准确率达100%。跨数据集分析显示，状态动态性图谱组间相关性>0.9，而动态等价性与DMN相关术语解码匹配度最高(r=0.31)。

非线性扩展传统表征

状态动态性与RSFA呈对数关系(aR²=0.973)，状态熵则呈现倒U型关联——当RSFA低于均值时正相关(r=0.906)，高于均值时负相关(r=-0.858)。网络层面，全局等价性与FC线性相关(aR²=0.688)，而动态等价性凸显二次项贡献。

表型解码优势

状态特征预测年龄的相关系数达0.73(MAE=8.98岁)，性别分类AUC为0.92。在流体智力预测中，状态等价性显著优于滑动窗口FC等方法(r=0.29 vs 0.18，p<0.001)。

这项研究突破了传统静态分析的局限，首次建立起连接微观状态动态与宏观脑功能的统一框架。四态编码不仅将复杂BOLD信号压缩了三个数量级，更揭示了注意网络的高状态复杂性特征——VAN在状态熵图谱中跃居首位，与其环境监测的"神经雷达"功能高度吻合。尤为重要的是，基底节在稳定等价性图谱中的主导模式，为理解皮层-皮层下协同机制提供了新视角。

该方法在个性化医疗领域展现出巨大潜力：100%的个体识别准确率使其成为理想的"脑指纹"工具；对高龄人群(>45岁)仍保持的预测效力(r=0.71)，提示其在衰老监测中的应用价值。未来研究可进一步探索状态阈值与认知状态的动态耦合，或将推动新一代脑疾病生物标志物的发现。正如审稿人所言："这项工作为理解脑动态打开了一扇新窗，其影响将远超方法学本身。"