认知负荷诱导的短期内在连接变化:健康受试者在Stroop任务中的大脑网络动态重塑

《Frontiers in Neuroscience》:Short-term intrinsic connectivity changes induced by cognitive exertion in healthy participants

【字体: 大 中 小 】 时间:2026年04月20日 来源:Frontiers in Neuroscience 3.2

编辑推荐:

  本研究针对认知任务诱导的大脑内在连接在分钟尺度上的变化缺乏充分记录的问题,采用7特斯拉fMRI及独立成分分析(ICA)技术,对健康受试者在Stroop色词干扰任务中的脑网络动态进行了探究。研究发现,在连续两次扫描中,10个ICA识别的内在网络及20个网络间连接表现出显著不同的模式,表明任务处理早期需要腹侧注意网络(VAN)的监控,而后期则转向梭状回、辅助运动区(SMA)等区域的自动化反应。这为理解认知功能障碍(如慢性疲劳、精神分裂症等)提供了敏感的动态连接框架。

  
我们的大脑在静息状态下并非一片空白,而是存在着多个功能上协同工作的“内在网络”,如同一个高效运转的后台系统,默默地支撑着我们的认知功能。然而,当我们需要集中精力完成一项具有挑战性的认知任务时,比如著名的Stroop色词干扰任务(需要说出印刷颜色而非词语本身含义),大脑的这些内在网络是如何在短时间内快速调整、协同作战的呢?这种在任务执行过程中,大脑功能连接在分钟尺度上的动态变化,长期以来并未得到充分的研究和记录。理解这种短期可塑性,对于揭示认知处理的基本机制,以及探明在慢性疲劳、精神分裂症、抑郁症等多种疾病中出现的认知功能障碍的神经基础,具有至关重要的意义。
为了回答这个问题,一个研究团队在《Frontiers in Neuroscience》上发表了一项创新性研究。他们设计了一项独特的实验:让23名健康受试者在7特斯拉超高场强功能磁共振成像(fMRI)扫描仪内,连续完成两次时长各7.5分钟的Stroop任务扫描,两次扫描间隔仅为90秒。通过这种长达15分钟的高时间分辨率观测窗口,研究人员得以精细捕捉大脑在认知负荷下,其内在功能连接从任务初期学习适应到后期可能自动化处理的完整动态演变过程。
本研究主要依赖于几个关键技术方法的结合。首先是7特斯拉超高场强功能磁共振成像(fMRI),其提供了高信噪比和空间分辨率的血氧水平依赖(BOLD)信号,用于捕捉大脑活动。其次,研究人员采用了配对独立成分分析(paired ICA)这一高级数据分析技术,对两次扫描(Run 1和Run 2)的BOLD时间序列进行聚合分析,从中提取出15个具有独特时空特征的独立成分,这些成分的空间分布与大脑已知的内在网络枢纽高度重合。分析流程使用了CONN和SPM工具包进行预处理、去噪和统计分析。此外,研究的核心刺激范式是经过改编的Stroop色词干扰任务,用于诱发稳定的认知冲突和注意力需求。被试人群为通过严格医学筛查招募的27名(最终23名数据分析合格)健康成年人,作为未来与疾病群体比较的基线。
研究结果部分揭示了丰富的发现:
3.1 Stroop任务反应时和准确率
行为学数据显示,在 incongruent(不一致)、congruent(一致)和 neutral(中性)三种刺激条件下,Run 1和Run 2之间的平均反应时(RT)和任务准确率均无显著差异。这表明在这群健康受试者中,短时间内的任务重复并未导致行为表现的疲劳或显著提升。
3.2 独立成分分析
通过ICA分析,从聚合的fMRI数据中成功识别出15个独立成分(ICA #1-#15)。2.5), and blue voxels indicate significantly lower group connectivity (Z < ?2.5) relative to individual participants. (A) The top row shows ICA components #1–#5, the second row shows #6–#10, and the third row shows #11–#15. The best-fit intrinsic networks were assigned as follows: ICA#1: Salience, #2: Language, #3: Language, #4: posterior DMN, #5: CE, #6: CE + DMN, #7: Visual, #8: Cerebellar, #9: CE, #10: Salience, #11: Visual, #12: Salience+DMN, #13: DMN, #14: Sensorimotor, and #15: Dorsal Attention+ sensorimotor."> 其空间范围与大脑默认模式网络(DMN)、突显网络(Salience)、中央执行网络(CE,即额顶网络)、感觉运动、语言、视觉、背侧注意和小脑网络等核心内在网络的枢纽区域相符。这验证了ICA方法在捕捉任务态下大脑内在网络架构的有效性。
3.3 网络间连接
分析发现,在15个ICA定义的内在网络中,有20个节点集群(clusters)在Run 1和Run 2之间表现出显著不同的网络间连接强度(p-FWE < 0.01)。其中,Run 2中有12个节点的连接性更高,而Run 1中则有8个节点的连接性更高,这表明了任务响应期间大脑网络动态协作模式的转变。
具体而言,Run 1表现出更高连接性的节点主要集中在右侧角回/缘上回(supramarginal gyrus, SMG)以及右侧额极(frontal pole)区域,这些区域属于腹侧注意网络(VAN)。Run 2 connectivity, while pink–purple voxels indicate T statistics for Run 1 < Run 2 connectivity. Table 2 lists their statistical inference. The clusters of #3 connect to the language network, #5 to the central executive (CE) network, #6 to the composite CE and DMN, #8 to the cerebellar network, #10 to the salience network, and #14 to the sensorimotor network (see Figure 1)."> 相反,Run 2中连接性增强的节点则转移至梭状回(fusiform gyrus)、辅助运动区(SMA)以及中央前回和中央后回节点。
研究结论与讨论指出,这些发现揭示了一个清晰的认知处理演化模式。在任务初期(Run 1),大脑需要调用腹侧注意网络(VAN)的节点(如右侧角回和额极)进行任务难度评估、策略制定和高水平的认知监控与整合。随着任务进行到后期(Run 2),这种高耗能的监控状态被更自动化的处理所取代:负责物体识别(如梭状回)和运动准备与执行(如SMA、感觉运动皮层)的网络间连接增强。这种从“监控”到“自动化”的转换,可能代表了大脑在学习掌握任务后,对认知资源进行优化配置,修剪掉不必要的高注意连接,从而提高处理效率。尽管行为数据未显示疲劳,但网络连接的动态重组本身可能反映了潜在的神经效率提升或适应性学习。
该研究的具有重要意义。首先,它成功描绘了健康大脑在完成标准认知任务时,其大规模功能网络在短时间尺度(分钟级)上的动态重组图谱,填补了该研究领域的空白。其次,研究所识别的对认知负荷敏感的网络间连接变化,为理解多种神经精神疾病(如肌痛性脑脊髓炎/慢性疲劳综合征(ME/CFS)、长新冠、精神分裂症、晚年抑郁症等)中可能存在的动态连接障碍提供了一个全新的、可量化的框架。例如,在某些疾病中,从高监控状态到自动化处理的转换机制可能受损,导致患者更容易认知疲劳。最后,这项研究建立的在健康人群中的15分钟fMRI扫描与高级ICA分析流程,为未来与疾病群体的对照研究奠定了方法学基础,有助于揭示认知功能障碍的特异性神经标记。
相关新闻
生物通微信公众号
微信
新浪微博

热点排行

    今日动态 | 人才市场 | 新技术专栏 | 中国科学人 | 云展台 | BioHot | 云讲堂直播 | 会展中心 | 特价专栏 | 技术快讯 | 免费试用

    版权所有 生物通

    Copyright© eBiotrade.com, All Rights Reserved

    联系信箱:

    粤ICP备09063491号