一个具有稳态反馈抑制功能的多频全脑神经质量模型
《PLOS Computational Biology》:A multi-frequency whole-brain neural mass model with homeostatic feedback inhibition
【字体:
大
中
小
】
时间:2026年05月14日
来源:PLOS Computational Biology 3.6
编辑推荐:
摘要:
全脑模型是通过动态模拟来测试因果机制和识别治疗靶点,从而理解健康和疾病状态下大脑动态的宝贵工具。在这些模型中,受生物物理学启发的神经质量模型被广泛用于模拟电生理记录,如磁脑图(MEG)和脑电图(EEG)。然而,传统模型存在一些局限性,包括由于模型过度兴奋性导致S型函数过饱
摘要:
全脑模型是通过动态模拟来测试因果机制和识别治疗靶点,从而理解健康和疾病状态下大脑动态的宝贵工具。在这些模型中,受生物物理学启发的神经质量模型被广泛用于模拟电生理记录,如磁脑图(MEG)和脑电图(EEG)。然而,传统模型存在一些局限性,包括由于模型过度兴奋性导致S型函数过饱和的问题,这限制了它们捕捉大脑动态全部复杂性的能力。在这里,我们详细研究了之前引入的一个具有抑制性突触可塑性(ISP)的多频率Jansen-Rit神经质量模型,该模型旨在克服这些局限性。ISP通过调整对锥体神经元的抑制性反馈,将它们的放电率控制在目标值附近。这种机制允许精细控制神经元放电率,防止在全脑模拟中出现过饱和现象。在该模型中,我们分析了不同模型参数如何调节振荡频率和连接性。作为演示,我们考虑同时拟合非快速眼动睡眠(NREM)期间的EEG和功能性磁共振成像(fMRI)记录。分岔分析表明,ISP扩大了模型表现出持续振荡的参数范围;目标放电率可以调节振荡动态,产生从较慢的(δ、θ和α)到较快的(β和γ)振荡。高频活动出现在全局耦合较低、放电率较高以及γ亚群比例较高的情况下。在多频率模型中,ISP对于成功拟合不同频段的EEG功能连接性是必要的。最后,由ISP控制的兴奋性降低再现了NREM睡眠期间的慢波活动和连接性降低现象。总的来说,我们的模型与生物学证据一致,证明了兴奋性对调节大脑节律和连接性的影响,如在睡眠、神经退行性和化学神经调节中观察到的那样。这个具有ISP的生物物理模型为健康和疾病状态下的大脑模拟提供了坚实的基础。
作者总结:
可以使用EEG和fMRI等技术捕捉宏观尺度的大脑活动。然而,神经元和局部神经质量的详细活动是无法直接获得的。解决方案是使用全脑模型,因为它们可以从数学方程模拟EEG和fMRI记录,并且可以拟合到实证数据上。这些模型的一个局限性是过度兴奋性(过饱和或失控的兴奋)。当大脑区域之间的耦合增加时,如果没有考虑补偿机制,它们可能会变得异常过度兴奋。为了解决这个问题,我们的框架包括一种动态修改反馈抑制的机制,以补偿模拟过程中的这种兴奋性增加。在这里,我们系统地描述并验证了一个之前引入的具有抑制性突触可塑性的模型,这种机制可以直接控制大脑兴奋性并使其在大脑模拟中保持稳定。我们进行了不同类型的模拟和分析,以全面描述该模型。我们观察到,控制系统兴奋性对于完全捕捉EEG连接性和同时再现EEG功率谱和fMRI连接性是必要的。此外,我们表明,大脑兴奋性的降低/增加与慢速/快速EEG节奏的出现有关。该模型可用于描述在不同类型条件下连接性和大脑动态的变化,如化学神经调节、药物输送、意识状态改变和神经退行性疾病。我们的模型是开放获取的,有详细的文档,并配有教程,以便整个神经科学社区能够使用。
1. 引言
理解产生大规模大脑动态的生物物理机制仍然是神经科学中的一个核心话题[1,2]。大脑活动的生成模型提供了一种将实证观察与潜在机制联系起来的原理性方法[3–5]。这些模型是用于模拟神经群体动态的数学工具,并受到解剖学和神经生理学先验的约束。这些模型在捕捉功能性磁共振成像(fMRI)和脑电图(EEG)中观察到的宏观尺度模式方面特别有用[2,6–8]。然而,一个关键挑战在于设置这些模型以反映生物学上合理的兴奋/抑制(E/I)平衡,特别是在全脑模拟中,失控的兴奋(以下简称“过度兴奋”或过饱和)可能会扰乱真实的网络行为[6,9,10]。这种过饱和是由对神经群体的过度兴奋性输入引起的,可能会使模型输入输出函数饱和,破坏生物物理模型中的振荡活动。在这里,我们研究并验证了一个之前引入的多频率全脑模型[7,11],该模型基于Jansen-Rit方程[12,13],并包含了抑制性突触可塑性(ISP)机制[7,9,10]。我们描述了它的动态特性、参数依赖性和实证拟合属性。我们的方法允许同时拟合EEG和fMRI的实证数据,为不同大脑状态(例如清醒和NREM睡眠)期间的神经生理变化提供了机制性解释。全脑模型模拟了分布式大脑区域之间的相互作用,常用于探索解剖学连接性、神经调节和局部动态如何塑造大脑活动[2,3,5,14]。这些模型在抽象程度上有所不同;它们从纯抽象的现象学模型[15–17]到旨在再现潜在神经原理的基于生物物理学的模型[6,18–20]不等。后者可以用来提出健康和病理状态下大脑动态的生物物理机制[3,7,8,21–24],使它们成为转化神经科学中特别有价值的工具。当受到实证数据的约束时,这些模型有助于识别生物标志物,并为评估神经调节或药物干预的潜在效果提供了一个框架。生物物理模型也可以作为测试平台,用于探索旨在恢复病理大脑动态的扰动策略。经典的神经质量模型,如Wilson-Cowan或Jansen-Rit,仍然是模拟大规模大脑动态的主要工具,以全脑模型的形式存在[5]。这些模型会发生分岔,例如Hopf分岔[30,31],超过这一点后,节点动态会收敛到稳定的固定点并停止振荡。这种转变会破坏连贯的振荡,并阻止全局相关网络活动的出现。无论是经典的Jansen-Rit模型[12]还是多频率扩展[33],在全脑模拟中都可能进入过度兴奋或过饱和的状态。在这里,我们使用“模型过度兴奋”一词来指这种行为:当分岔发生在外部输入参数相关的情况下,或者具体来说,当它导致神经质量模型的输入输出函数过饱和时。这种模型过度兴奋在区域间耦合增加的大型网络中尤为明显,其中过度的有效兴奋驱动神经质量输入输出S型曲线达到饱和,从而使振荡崩溃到固定点[6,9,10,32]。这不应与生物/临床上的过度兴奋混淆,后者表示体内神经元兴奋性和/或E/I失衡的病理生理增加。先前的研究表明,稳态抑制性突触可塑性(ISP)可以通过实施活动依赖的反馈抑制来对抗模型过度兴奋。抑制强度以在线方式调整,以稳定放电率(从而稳定区域操作点),防止饱和并帮助维持持续的振荡和整个网络范围的整合[7,9,10]。给定全脑模型进入这种饱和非振荡状态的条件取决于模型和拟合。与启发式方法[21,32]相比,ISP动态机制的一个优点是它不需要事先知道模型的许多相互作用参数如何共同调节兴奋性。它不是依赖于预定义的参数调整,而是根据正在进行的活动“运行中”调整反馈抑制,从而能够相对稳健地控制放电率,不受其他参数变化的影响。在这里,我们研究了一个之前用于痴呆症的多频率神经质量模型[7,33],该模型基于Jansen-Rit方程[12,33],并包含了生物学上合理的ISP机制[9,10]。我们首先通过单节点动态的分岔分析来研究ISP的局部效应,展示了抑制性控制如何调节振荡状态和非振荡状态之间的转换。然后,我们探讨了关键模型参数如何影响模拟EEG信号的光谱内容。使用来自健康参与者的源重建EEG数据,我们拟合模型以再现多个频段中观察到的功能连接性(FC)。最后,我们通过调节神经质量的E/I平衡,同时拟合清醒和NREM睡眠期间的EEG功率谱和fMRI FC。通过这项工作,我们提供了一个基于生理机制的生成框架,解释了大脑动态的光谱和连接性特征。
2. 结果
我们使用了修改后的Jansen-Rit模型(图1)[7,11]。该模型结合了实证先验(图1A)和用于模拟皮层柱神经活动的动态模型(图1B)。在这里,我们从单节点到全脑动态提供了模型的完整描述。在节点级别,我们的模型由两个皮层柱亚群组成(图1B)。这些亚群的参数定义了它们的固有振荡频率。具体来说,选择了兴奋性A亚群和抑制性B亚群的神经增益,以及兴奋性突触的特征时间常数的倒数a和抑制性突触的特征时间常数的倒数b,来控制振荡频率(见表2中的模型参数)。这些参数允许亚群在α或γ EEG典型频率带内振荡[33]。α与γ神经元的比例rα控制了每个亚群对类似EEG活动的贡献[7,33],决定了单个大脑区域的光谱特性。我们模型的另一个元素是ISP(图1B),它被建模为另一个微分方程,用于调整对锥体神经元的反馈抑制C4,以动态地将锥体神经元的放电率设置在目标值ρ附近。突触可塑性时间常数τ控制了收敛到目标放电率值的速度。
下载:PNG(较大图像)| TIFF(原始图像)
表2. 模型参数。https://doi.org/10.1371/journal.pcbi.1013463.t002
下载:PNG(较大图像)| TIFF(原始图像)
图1. 全脑神经质量模型。
A) 该模型受到结构连接性(SC,来自DTI)、fMRI/EEG功能连接性(FC)和EEG功率谱的约束。大脑区域使用AAL90脑分割方法进行划分。
B) 全脑模型中的每个大脑区域由Jansen-Rit神经质量模型的修改版本组成。每个区域使用两个亚群的神经质量进行建模,这些亚群的振荡频率峰值在EEG频谱的α和γ带内。这两个亚群包括锥体神经元和中间神经元群体之间的相互作用。该模型还包括抑制性突触可塑性(ISP),作为一个额外的方程,用于调整对锥体神经元的反馈抑制,以达到期望的平均放电率ρ。图(A)和(B)中的大脑图是使用MATLAB的BrainNet Viewer生成的。[34]。基于DTI的网络在(A)中使用FSL-FMRIB生成。[35]
https://doi.org/10.1371/journal.pcbi.1013463.g001
2.1 Jansen-Rit单节点动态分析
我们通过仅考虑α亚群(rα = 1)在单节点级别研究了可塑性的影响。没有可塑性时,这对应于最常见的Jansen-Rit模型及其参数设置(对神经增益和时间常数进行了轻微修改,如表2所示)。图2A显示了该模型相对于p参数(外部输入)的分岔图,展示了固定点x0(对锥体神经元的兴奋性输入)的稳定性、检测到的振荡频率以及两个输出电压的示例。正如之前所描述的[31,36],该模型在适当的p范围内表现出约10 Hz的稳健振荡。
下载:PNG(较大图像)| TIFF(原始图像)
图2. 具有和没有可塑性的模型的分岔分析。
A) 分岔图,主要振荡频率,以及在指示的p输入值下的两个样本活动轨迹,对于仅由α亚群组成的原始Jansen-Rit模型(10 Hz)。在轨迹下方显示了功率谱密度(PSD)图。在左侧面板中,红色粗线和黑色线条分别代表稳定和不安定的固定点。彩色线条分别代表稳定(绿色)和不稳定(蓝色)周期轨道的最大值和最小值。在中间面板中保持颜色以显示相关振荡的频率(以Hz为单位)。点表示遇到的分岔:紫色=鞍点分岔和极限环的鞍点;黑色=Hopf分岔。模拟包括添加到p参数中的噪声因子。
B) 与(A)相同,但增加了稳态可塑性机制和锥体目标放电率ρ = 2.5 Hz的目标。蓝色点表示Torus或Neimar-Sacker分岔。左侧面板中的阴影矩形表示(A)中绘制的p范围。
C) 与(B)相同,但目标ρ = 3.5 Hz。红色圆点表示分叉或叉形分岔。
https://doi.org/10.1371/journal.pcbi.1013463.g002
将ISP加入模型后,模型的分岔图发生了显著变化(图2B、2C)。现在,振荡在更宽的p范围内稳定存在(注意图2B与图2A的X轴比例不同)。振荡频率不仅取决于输入的p,还取决于锥体神经元放电率的目标值ρ。这里,ρ表示锥体神经元平均放电率的稳态目标值(由ISP调节),不应将其解释为目标振荡频率;相反,改变ρ通过适应性抑制作用移动E/I操作点,从而使系统穿越具有不同振荡频率的动态区域。当ρ设置为3.5 Hz时,振荡在α带(10 Hz)附近非常稳定(图2C)。同样,当p=220 Hz时,振幅调制表现出与原始模型在相同输入值下的行为相似[30,31]。在图2的分岔图中,振荡稳定性是由极限环的分岔决定的,而不是由不变圆上的鞍点机制决定的。在图2A中,当p≈140时极限环的稳定性变化对应于周期的折叠(鞍点分岔)。在图2B中,从p=6.62处的鞍点分岔到p=111处的环面分岔之间,确定性模拟没有收敛到稳定的吸引子,而是显示在两个状态空间区域(x0≈0.005和x0≈0.15附近)之间持续的振荡切换。由于这一区域不是本研究的重点,我们仅在S1图中报告其结果。在图2C中,系统在所探索的输入范围内始终表现出稳定的吸引子(一个或两个稳定的固定点或一个稳定的极限环),没有观察到发散行为。我们还分析了目标放电率ρ相关的分岔(S2图)。如[10]中所述,改变ρ会移动E/I操作点,并通常通过Hopf分岔驱动系统在非振荡(固定点)和振荡状态之间转换(以及某些参数范围内的其他分岔)。与此一致的是,ρ也调节振荡频率,通常在较大的ρ值下获得更高的频率。然后,我们分析了结合两个皮层亚群α和γ对节点振荡频率的影响。我们进行了没有ISP的模拟,以表征EEG功率谱的形状(图3A)。使用单节点模拟,我们修改rα参数来控制皮层列中α与γ神经元的贡献。当rα<0.25时,单个节点在γ EEG频率带(>30 Hz)内振荡。另一方面,当rα>0.9时,主要产生α振荡(频率峰值约为10 Hz)。对于中间的rα值,模型表现出更丰富的功率谱,所有可能的典型频率带都有分布的功率。使用多频率模型,我们进行了rα=0.5的单节点模拟,以检查模型将放电率限制为目标值的能力。在不同的外部刺激p和目标放电率ρ下,模型调整反馈抑制(抑制性与兴奋性之间的局部连接常数C4),以降低/增加兴奋性,最终匹配所需的放电率ρ(图3B、3C)。
下载:PNG
较大图像
TIFF
原始图像
图3. 单节点动态。
A) 单节点模拟中振荡频率的调制。作为α与γ亚群比例rα函数的标准化功率谱密度(PSD)。这里显示的值是50个随机种子的平均值。请注意,PSD估计是在离散频率网格上计算的(Welch方法),因此rα可能会导致窄带峰值出现阶梯状。
B) 在固定rα=0.5的无噪声模拟中,显示模型产生的目标放电率ρ与平均锥体放电率。ISP正在“固定”?rate?≈ρ,这是成功反馈抑制调节的标志。
C) 与(B)相同的模拟,显示目标放电率ρ与平均反馈抑制之间的关系,后者由抑制性与兴奋性之间的局部连接参数C4给出(ISP为实现B中的固定而达到的稳态值)。
D) “快速”γ亚群(rα=0)和“慢速”α亚群(rα=1)的峰值频率与外部输入的关系。虚线垂直线对应于E)中的rα=1和F)中的rα=0的轨迹。
https://doi.org/10.1371/journal.pcbi.1013463.g003
最后,我们检查了每个亚群的“慢速”极限环频率,以及快速的α/γ状态。对于α(rα=1)和γ(rα=0)亚群,模型根据外部输入p表现出两种振荡状态(图3D–3F)。在较低输入(p=120;慢速状态)下,α亚群表现出预期的低频极限环,峰值约为3 Hz(δ/θ范围),与经典的Jansen-Rit慢周期一致。γ亚群也表现出慢速极限环,但峰值频率较高,约为20 Hz(β范围)。在较高输入(p=300;快速状态)下,α和γ亚群表现出各自的快速极限环(α约10 Hz;γ>30 Hz),表明γ调谐改变了快速和慢速振荡状态,同时保持了明显的慢周期的存在。
2.2 带有ISP的全脑多频率模型
在这里,我们研究了当多个区域耦合时带ISP的多频率模型的行为。在这种设置中,ISP机制用于防止过度兴奋。根据上一节的结果,我们首先将目标放电率ρ固定在2.5 Hz和rα=0.5 [7,37](图4),因为它们在广泛的频率范围内产生了稳定的振荡活动。为了连接不同区域,我们使用了ReDLat联盟[38]的45名健康受试者的结构连接(SC)数据[38]。数据使用AAL90大脑图谱[39]被划分为90个区域(表1),排除了所有皮层下区域,只包括杏仁核和海马体。我们将全局耦合参数K从无耦合(K=0)扫描到强耦合(K=1)(图4A)。当K=0时,局部动态仅限于γ振荡。将全局耦合增加到K=1会产生α和θ节律。在中间,当K=0.5时,全脑层级出现更快(β, γ)和更慢(θ, α)振荡的共存。对于中等rα值,振荡频率的扩散可能是由于外部输入的小随机波动,以模拟传入驱动的背景变异性。这不会改变潜在的振荡状态,但会拓宽PSD峰值,并可能在有限长度时间序列的转换附近产生小的明显频率扩散。
下载:PNG
较大图像
TIFF
原始图像
表1. AAL90大脑区域的列表。该图谱包括90个皮层和皮层下大脑区域(每个半球45个)。标记*的区域用于fMRI模拟,但不用于EEG。
https://doi.org/10.1371/journal.pcbi.1013463.t001
下载:PNG
较大图像
TIFF
原始图像
图4. 全脑模拟中振荡频率的调制。
A) 全脑模型中,作为全局耦合K函数的标准化功率谱密度(PSD),目标放电率ρ=2.5 Hz。
B) 全脑模型中,固定K=0.5时的目标(期望)放电率。
C) 抑制性突触可塑性(ISP)时间常数τ。这里显示的值是50个随机种子的平均值。
D) 固定K=0.5, rα=0.5, τ=2秒,以及不同ρ值的EEG迹线示例。
E) 结构连接矩阵中的节点强度与平均反馈抑制(平均C4)之间的关系,对于不同的全局耦合K值。
F) (E)中线性回归的斜率,作为全局耦合的函数。这些模拟使用了10个随机种子。
G) 收敛时间与ISP时间尺度。收敛时间(以秒为单位)定义为ROI平均C4从初始状态变化到最终稳态的63.2%的第一次时间。
当将全局耦合固定在K=0.5, rα=0.5,然后操纵目标放电率ρ时,我们可以将大脑动态从较慢(对于ρ<2.5 Hz)状态转变为较快(对于ρ>2.5 Hz)状态(图4B)。值得注意的是,我们发现ISP时间常数τ对模型的振荡频率没有影响(图4C)。图4D展示了K=0.5, rα=0.5时的示例EEG迹线。在那里,低ρ值产生δ-θ振荡,中等值产生α节律,最高值产生更快的β-γ活动。在全脑模拟中,我们研究了ISP如何塑造反馈抑制的空间分布,以及ISP时间尺度如何影响适应动态(图4E–4G)。对于每个全局耦合K值,计算了平均反馈抑制(平均C4)并将其与结构连接矩阵的节点强度相关联(图4E)。平均C4随节点强度增加,这种关系可以通过线性回归很好地近似。然后,将该回归的斜率表示为K的函数(图4F),表明反馈抑制随全局耦合系统地变化。重要的是,虽然这种映射原则上可用于预先计算给定K的一组特定于节点的C4值,但回归斜率(以及推断出的C4分布)也取决于其他模型参数(例如,α/γ混合比率rα),限制了在任何固定预计算抑制在整个参数空间中的普遍性。为了评估ISP时间常数的作用,我们量化了无噪声模拟中可塑性变量的收敛时间(图4G)。收敛时间尺度(秒)定义为ROI平均C4从初始值变化到最终稳态的63.2%的第一次时间。
当全局耦合固定在K=0.5, rα=0.5,然后操纵目标放电率ρ时,我们可以将大脑动态从较慢(对于ρ<2.5 Hz)状态转变为较快(对于ρ>2.5 Hz)状态(图4B)。值得注意的是,我们发现ISP时间常数τ对模型的振荡频率没有影响(图4C)。图4D展示了K=0.5, rα=0.5时的示例EEG迹线。在低ρ值下产生δ-θ振荡,在中等值下产生α节律,在最高值下产生更快的β-γ活动。在全脑模拟中,我们研究了ISP如何塑造反馈抑制的空间分布,以及ISP时间尺度如何影响适应动态(图4E–4G)。对于每个全局耦合K值,计算了平均反馈抑制(平均C4)并将其与结构连接矩阵的节点强度相关联(图4E)。平均C4随节点强度增加,这种关系可以通过每个K值的线性回归很好地近似。然后,将这种回归的斜率表示为K的函数(图4F),表明反馈抑制随全局耦合系统地变化。重要的是,尽管这种映射原则上可用于预先计算给定K的一组特定于节点的C4值,但回归斜率(从而推断出的C4分布)也取决于其他模型参数(例如,α/γ混合比率rα),限制了在任何固定预计算抑制在整个参数空间中的通用性。为了评估ISP时间常数的作用,我们量化了无噪声模拟中可塑性变量的收敛时间(图4G)。收敛时间尺度(秒)定义为ROI平均C4从初始值变化到最终稳态的63.2%的第一次时间。
在测试的时间常数τ值范围内,该参数主要调节了收敛时间尺度,而一旦系统收敛,稳态振荡状态(以及标准化PSD,图4C)基本保持不变。总之,当α神经元比例较高(rα),全局耦合K较高,ρ较低时,会出现较慢的振荡状态;而在相反的方向上,会出现更快的振荡。此外,ISP塑造了与节点强度成K依赖关系的特定于节点的抑制轮廓,而ISP时间尺度主要控制C4达到其稳态的收敛时间。
2.3 适配EEG源功能连接数据
为了进一步验证我们的模型,我们评估了其在整个EEG功率谱中适配功能连接(FC)的能力(图5)。我们使用了上一节中描述的相同SC数据[38]和大脑划分[39],以及来自同一参与者的源重建EEG时间序列[38]。我们在规范频率带(δ, θ, α, 和 β)中过滤了模拟和实证EEG信号。我们计算了信号的包络(高通滤波,截止频率为0.5 Hz),并使用振幅包络相关性[40]计算了FC。我们比较了没有ISP的模型(图5A)和有ISP的模型(图5B)。通过调整rα和K参数来找到最佳组合以再现EEG FC。使用结构相似性指数(SSIM,SSIM=1表示完美适配,0表示相反)[28]来对比模拟和实证矩阵。我们的目标是同时最大化所有EEG频率带的SSIM(最大化跨频带的平均SSIM)。
下载:PNG
较大图像
TIFF
原始图像
图5. 模型对实证EEG FC的拟合优度。
A) 没有抑制性突触可塑性(ISP)的模型。第一行显示结构相似性指数(SSIM;反映了拟合优度),第二行表示模拟的平均EEG FC。轴对应于全局耦合参数K和α与γ亚群的比例rα。SSIM=1表示模型的良好拟合。
B) 使用ISP的模型,以及固定的目标放电率ρ=2.5 Hz的拟合优度。这里显示的值是50个随机种子的平均值。
https://doi.org/10.1371/journal.pcbi.1013463.g005
没有ISP的模型的特征是相关活动区域较小(图5A)。由于没有引入补偿机制来避免这种情况,该模型在变得过度兴奋之前无法达到相关活动。此外,当在皮质列中混合α和γ亚群体时,该模型无法产生相关活动;也就是说,当rα值接近0.5时,平均功能连接(FC)接近0,这表明模型遇到了困难(无法产生相关活动)。这一限制反映了模型在没有隔离性抑制器(ISP)的情况下的局部和全局网络动态:在(K, rα)空间的大部分区域,增加的有效兴奋会导致系统过度饱和并失去持续振荡,从而阻止稳定带限包络波动的出现,进而无法产生相关活动。因此,图5A中参数区域的限制主要是由于该模型在没有自适应抑制机制的情况下无法维持振荡动态,而不是由于额外的拟合目标或解剖学先验引起的偏差。在模型中加入ISP(ρ = 2.5 Hz)后,参数范围得到扩展,可以出现从低连接性到高连接性模式的各种相关性,包括中等的连接性状态(图5B)。有趣的是,现在rα的中间值也有可能产生相关性。在这种情况下,增加全局耦合会产生多频率的EEG功能连接,最大结构相似性指数(SSIM)值出现在rα = 0.5和K = 0.5附近。我们使用最佳参数比较了单频率模型(没有ISP,K = 0.425,rα = 1,SSIM = 0.14,跨频率带平均)和多频率模型(有ISP,K = 0.675,rα = 0.675,ρ = 2.5 Hz,SSIM = 0.56,跨频率带平均),以再现EEG功能连接(图6)。两种模型的SSIM和皮尔逊相关系数值在图6A中展示。无论选择哪种指标来比较拟合优度,多频率模型在所有频率带上的表现都优于经典的单频率模型(|D| > 1.2,表示效应量很大)(图6A)。图中展示了单频率模型和多频率模型的示例功能连接,包括实测的功能连接矩阵(图6B)。下载:PNG(较大图像)、TIFF(原始图像)图6. 单频率模型和多频率模型在拟合实测EEG功能连接方面的比较。A) 结构相似性指数(SSIM)用于衡量拟合优度(SSIM = 1,完美拟合)。B) 作为SSIM的补充,我们报告了模拟矩阵和实测矩阵之间的皮尔逊相关系数(r = 1,完美拟合)。列代表不同的EEG频率带。C) 单频率模型模拟的功能连接。D) 多频率模型模拟的功能连接。E) 实测EEG功能连接矩阵。***: |Cohen’s D| > 1.2。每个点对应一个不同的模型实现(50个随机种子)。https://doi.org/10.1371/journal.pcbi.1013463.g006为了进一步说明ISP拟合模型在功能连接(FC)指标之外的定性时间结构,我们还报告了最佳拟合参数集(K = 0.675,rα = 0.575,ρ = 2.5 Hz)的代表性EEG时间序列和振幅包络(图7)。我们展示了10秒的模拟EEG数据,将其带通过滤到标准频率带(δ-γ)。我们还绘制了同一模拟中的α波段包络,捕捉了α波段的慢速功率波动(振幅动态)。下载:PNG(较大图像)、TIFF(原始图像)图7. 带限模型时间序列和ISP拟合的相对波段功率(K = 0.675,rα = 0.575,ρ = 2.5 Hz)。代表性的10秒模拟EEG数据,将其带通过滤到标准频率带:δ(0.5-4 Hz)、θ(4-8 Hz)、α(8-13 Hz)、β(13-30 Hz)和γ(30-40 Hz)。底部面板显示了EEG α波段包络(α波段功率波动)。https://doi.org/10.1371/journal.pcbi.1013463.g007通过这种方式,我们证明了ISP在保持E/I平衡的同时实现了不伴随过度兴奋性的相关活动。此外,ISP机制与多频率模型的结合可以在广泛的参数范围内生成多频EEG功能连接。
2.4 对EEG和fMRI的双重拟合
作为对我们模型的额外验证,我们研究了其在NREM睡眠期间联合再现fMRI和EEG动态的能力。我们使用了从清醒状态到不同NREM睡眠阶段的同步EEG-fMRI记录。fMRI数据来自71名个体,每个fMRI体积的睡眠阶段是根据同时记录的多导睡眠图数据标记的[41]。在这里,我们将模型拟合到清醒状态(W)和N3睡眠(深度睡眠)。我们固定rα = 0.5,并系统地探索了来自预定义参数网格(41×41参数网格,K范围从0到3,ρ范围从2到3)的K和ρ组合。我们使用了另一项研究中年轻健康参与者的连接组数据[42,43]。我们模拟了类似EEG的信号,然后使用血流动力学模型[44]将放电率转换为类似fMRI BOLD的信号。我们试图拟合两个不同的可观测量,每个记录模式一个。首先是传感器级别的实测平均EEG功率谱(32个EEG通道),其次是fMRI BOLD功能连接(考虑AAL90脑分区)。从实测和模拟的功率谱中,我们计算了θ、α和β的相对功率,将这些值连接成一个向量,然后使用Clarkson距离[45]比较了这些向量。因此,我们尝试使用全脑模拟来再现θ、α和β振荡在EEG中的相对贡献。对于fMRI BOLD功能连接,我们使用SSIM比较了模拟和实测矩阵。图8中的结果表明,使用fMRI功能连接在参数空间中产生了模型拟合优度上的简并区域(SSIM)。也就是说,我们观察到了具有相同拟合优度的不同参数组合,无论拟合是针对清醒状态还是N3睡眠。然而,EEG拟合可以作为一种掩码,用来限定可能再现实测功能连接的参数组合。在图8中,我们使用相似性度量(1 – Clarkson距离)来表示模拟EEG的拟合优度,接近1的值表示与实测EEG跨频率带的相对功率完美匹配。使用0.85的阈值进行EEG拟合,我们得到了一个受限的参数空间,在这个空间中只有少数几个参数可以同时生成与实测数据密切匹配的EEG和fMRI动态。对于清醒状态,最佳拟合是在较高耦合和中等放电率条件下找到的(K = 1.44,ρ = 2.56 Hz,SSIM = 0.34,皮尔逊相关系数r = 0.45,图8A)。相比之下,N3睡眠则由低耦合和低放电率表征(K = 0.52,ρ = 2.1 Hz,SSIM = 0.29,皮尔逊相关系数r = 0.38,图8B)。下载:PNG(较大图像)、TIFF(原始图像)图8. 对EEG和fMRI睡眠数据集的拟合。A) 对清醒状态的拟合。第一列对应于使用结构相似性指数(SSIM)评估的fMRI功能连接拟合。第二列显示了对EEG功率谱的拟合优度。最后一列对应于使用0.85的EEG功率拟合阈值的fMRI功能连接拟合。B) 对EEG和fMRI N3阶段(N3)数据的拟合。蓝色和红色点分别代表应用EEG拟合掩码时的最佳参数(K = 1.44,ρ = 2.56 Hz)和N3(K = 0.52,ρ = 2.1 Hz)。这里显示的值是50个随机种子的平均值。https://doi.org/10.1371/journal.pcbi.1013463.g008模拟结果在图9中展示。实测(图9A)和模拟(图9B)的功能连接矩阵显示了N3睡眠期间的连接强度降低。实测EEG迹线(一个参与者的示例)和组平均功率谱密度(PSD)显示在图9C中。模拟的类似EEG的信号显示了N3睡眠期间的高振幅慢振荡,与清醒状态相比(图9D)。最后,模拟的功率谱显示了清醒状态(α波段峰值)和深度睡眠(功率集中在最低频率带)的典型特征。下载:PNG(较大图像)、TIFF(原始图像)图9. EEG和fMRI睡眠数据集的示例模拟。A) 清醒状态和N3睡眠阶段的实测fMRI功能连接矩阵。B) 最佳模拟矩阵。C) 一个代表性参与者的实测EEG迹线。D) 平均实测EEG功率谱。E) 模拟的EEG时间过程示例。F) 模拟的EEG功率谱。模型的参数是K = 1.44和ρ = 2.56 Hz(清醒状态),以及K = 0.52,ρ = 2.1 Hz(N3睡眠)。这里显示的值是50个随机种子的平均值。https://doi.org/10.1371/journal.pcbi.1013463.g009
3. 讨论
在这项工作中,我们系统地描述并验证了一个半经验性的Jansen-Rit全脑模型,该模型能够基于生物学上合理的机制模拟EEG和fMRI BOLD动态。该模型相比以前的模型有所改进,结合了ISP机制和多频率的类似EEG动态生成器。ISP控制循环可以用作测试与神经退行性疾病或化学神经调节相关的E/I平衡变化的机制。使用这个版本的Jansen-Rit模型时,我们同时再现了清醒状态和睡眠期间的EEG功率谱和fMRI功能连接。通过这种方式,我们为计算神经科学界提供了一个适用于基础和临床神经科学的全脑模拟模型。该模型通过加入ISP来调节兴奋性并控制每个亚群体的振荡状态,扩展了传统的Jansen-Rit模型。在我们的框架中,目标放电率是闭环系统的控制/输入参数(通过ISP),它改变了操作点(平均放电率/平均抑制增益),从而将系统移动通过参数空间[10]。在这个意义上,ρ可以将系统移动到分岔边界(包括Hopf分岔),尽管具体的边界取决于正在检查的参数切片。对于低放电率,该模型产生慢速EEG振荡,出现在δ和θ波段。随着放电率的增加,系统向α振荡过渡。在模型的双亚群体版本中,每个亚群体都有自己的极限环,节点振荡活动成为α和γ节律的组合。这些节律之间的平衡取决于目标放电率:较高的值使得γ活动更可能出现,而较低的值增加了α活动的优势。对于非常低的放电率,模型主要产生δ-θ范围内的慢速活动。ISP机制还为保持稳定全脑动态提供了实用的替代方案,避免了使用启发式程序预先估计节点级反馈抑制的方法,例如在Jansen-Rit [21]和动态平均场模型[32]中实现的那样。在这些方法中,推断出的反馈抑制通常与特定的耦合和局部参数选择相关联,因此对于调整整个参数空间的反馈抑制不够灵活。相比之下,ISP根据正在进行的活动在线调整抑制,避免了参数变化时的重复校准,并提供了在区域级别直接控制放电率的能力。这允许通过目标放电率明确设置各个大脑区域的兴奋性,而兴奋性与其他模型参数之间的映射通常是间接的且更难以解释。我们的模型与其他模型兼容,展示了通过化学神经调节[21,46,47]调节兴奋性可以产生不同大脑动态状态之间的转变。通过调整模型兴奋性,我们能够再现NREM睡眠期间观察到的EEG频谱减慢和fMRI功能连接降低[46,47]。这些结果与已建立的神经生理学发现一致,即NREM睡眠伴随着神经兴奋性的整体降低[48],这是由GABA能抑制增强和兴奋性神经调节剂(如去甲肾上腺素和乙酰胆碱)水平降低触发的[49,50]。在全脑模型中,通过降低兴奋性(即减少反复兴奋和/或增加全局耦合)诱导了类似NREM的减慢,即使没有明确建模双稳态上下状态,也可以出现慢波活动[46,47]。我们恢复了相同的定性机制:降低目标放电率(ρ)和/或增加全局耦合时,振荡频率降低,这与我们的网络模拟结果一致。相比之下,其他Jansen-Rit全脑实现需要在相反方向上改变参数(例如,减少反馈抑制并降低全局耦合)来再现胆碱能神经调节的增加[21],这表明不同的神经调节假设可以通过不同的参数路径表达。在机制上,我们的模型通过增加有效反馈抑制来调整兴奋性,将活动偏向α亚群体的动态,对于足够低的兴奋性,则偏向其慢速极限环。增加K还可以通过两种耦合效应来减慢出现的节奏:(i) 更强的耦合会引发ISP驱动的抑制补偿性增加,以稳定放电率;(ii) 集体同步可以将宏观振荡“拉向”更低的共享频率,即使个别节点支持更快的周期。这种强耦合与缓慢集体动力学之间的定性关系也与现象学模型一致,例如具有延迟的Kuramoto振荡器,在这些模型中,较高的有效区域间耦合会导致较慢的动力学状态[17]。重要的是,这种机制与自适应指数神经模型[51]不同,在自适应指数神经模型中,NREM慢波是由上态和下态之间的噪声驱动转换产生的,这种转换受缓慢适应的控制;我们的模型并没有显式实现双稳态,而是通过在一个振荡(极限环)范围内控制兴奋性和耦合来捕捉与睡眠相关的减速。尽管经典的Jansen-Rit模型可以再现δ/θ/α节律,但这通常只能在有限的参数范围内实现,并且无法捕捉整个频带的频谱结构。将模型扩展到支持β/γ动力学可以增加其动态表现,为研究高频特性为中心的现象打开了大门。例如,该模型可以用于探讨注意力和工作记忆以及感知整合/绑定如何与β/γ功率调制相关[52]。此外,β/γ的变化在脑部疾病中经常被报告,包括神经退行性疾病。ISP机制结合多频率模型,使我们能够模拟与E/I不平衡相关的低兴奋性和高兴奋性状态[7,27,53,54]。先前的研究使用基于PET的淀粉样蛋白和tau沉积来调节局部兴奋性并模拟E/I不平衡[27,55]。我们的模型有可能模拟从早期的高兴奋性和高连接性向后来的低兴奋性和频谱减慢状态的转变,反映了从临床前阶段到症状阶段的痴呆进展[26,56]。此外,还可以捕捉到EEG和fMRI的特征,为探索大脑兴奋性如何在不同的环境和临床条件下调节大脑功能提供了多模态建模工具。这项工作有几个局限性。首先,兴奋性在所有大脑区域中均匀调节,而没有考虑已知的基因表达和神经递质受体分布的空间差异,这些差异会影响局部E/I平衡[2,21,24,27]。更现实的方法是根据经验基因表达和受体图谱以区域特定的方式调节兴奋性[3,57]。其次,还有几种其他机制可以调节E/I平衡,我们在本研究中没有考虑,例如突触时间常数的变化或受体动力学[8,30,58],以及自适应指数神经模型中实现的自适应驱动的双稳态(上/下态转换)[51]。我们在每个皮层区域使用了两个产生节律的亚群。虽然这是一种简化抽象,以增加频谱丰富度[59],但它并不旨在提供详细的机制,也可以使用其他方法来塑造振荡频率(例如E/I环路延迟、突触时间常数/受体动力学和轴突传输延迟)。这些没有在这里明确建模,可以在未来的扩展中纳入。第三,该模型是在一个相对较小的队列上验证的,这可能会限制其普遍性。需要更大和更多样化的数据集来评估模型的稳健性,包括临床人群。第四,目前的实现仅限于静息状态EEG和fMRI。将模型扩展到模拟任务诱发的活动,例如任务诱发的β-γ变化,将有助于探索依赖于上下文的连接性和认知处理变化[19,21]。第五,我们主要是通过频率范围来定义规范的EEG频段,并关注频谱内容和大规模连接性验证(EEG功能连接性和fMRI功能连接性)。因此,我们没有包括来自这两种模式的额外拟合目标(例如,同时考虑EEG频谱和FC约束以及fMRI频谱/时间约束),这将是模型的未来扩展。虽然该模型可以再现典型频段内的振荡,并捕捉到整个大脑级别的α频段功率波动,但我们并不旨在匹配规范节律的其他定义属性,如绝对幅度(例如μV缩放)、空间拓扑(例如α的枕叶优势)或跨受试者和条件的完整时间结构。重现这些特征将需要额外的校准步骤和可能的进一步生理约束,这超出了本研究的范围。此外,虽然模型可以再现状态依赖的频谱和连接性,但典型的清醒/睡眠时间序列可能不如典型的α或高度同步的δ节律规则。这部分是由于在静息状态模拟中重现最慢的EEG组分的限制,我们没有明确优化这一点。另外,尽管可以使用观察到的节点子集来拟合EEG衍生特征,而不减少模拟系统的规模,但我们采用了简化了的拟合设置以方便计算;这种简化预计不会对当前结果产生定性影响,但在未来的工作中应考虑完整的系统拟合策略。在睡眠/清醒比较中,外部输入p是固定的;因此,我们不将ρ解释为唯一能够再现这些状态差异的参数,而是将其视为在这里探索的参数化范围内的一个足够控制参数。例如,在原始的Jansen-Rit模型[12,13]中,减小输入p的值可以产生慢振荡(增加δ和θ的相对功率)。最后,尽管该模型非常适合理论上测试大脑刺激和药物效应,但这些应用仍有待实验验证。总体而言,我们提出了一个基于生物学的神经质量模型,能够通过调节兴奋性来模拟真实的EEG和fMRI动态。该模型桥接了基础神经科学和临床神经科学,提供了一个探索大脑状态、疾病机制和干预措施的框架。
4. 方法
伦理声明
ReDLat:从每个参与ReDLat的中心获得了机构伦理委员会的批准,所有参与者都根据《赫尔辛基宣言》提供了书面知情同意书。
年轻连接组:所有参与者在参与之前都提供了书面知情同意书,研究方案得到了SWPS大学伦理委员会的批准,符合《赫尔辛基宣言》的规定。
睡眠数据:所有参与者都提供了书面知情同意书。该研究得到了法兰克福大学地方伦理委员会的批准。
4.1 参与者和数据集
4.1.1 EEG静息状态和结构连接数据(ReDLat)
我们使用了来自ReDLat联盟的45名健康参与者的数据[38]。参与者的平均年龄为71.2±7.2岁(29名女性)。我们考虑了这一组的功能性和结构性连接数据。详细信息可以在我们之前的工作中找到[7,60],但我们在下面简要描述数据获取和预处理过程。对于EEG,参与者坐在电磁屏蔽的EEG房间里,被要求保持静止、清醒并闭上眼睛。与之前的工作[7]一样,使用Biosemi ActiveTwo 128通道系统记录了10分钟的静息状态EEG数据,电极放置在眼睛周围以监测眨眼和运动。信号以1024 Hz的频率采样,并参考了连接的乳突。离线预处理包括过滤(0.5至40 Hz)、重新参考所有通道的平均值,以及使用球形插值替换故障通道[61]。采用独立成分分析[62]和视觉检查来纠正眨眼伪影和眼球运动[63–66]。使用标准化的低分辨率脑电磁断层扫描(sLORETA)[67]估计了局部脑区来源,得到了基于AAL90分割的90个脑区的时间序列数据(表1)。我们仅保留了AAL分割中的82个脑区,包括皮质区域以及海马体和杏仁核。我们排除了其余的皮下区域,因为在这种框架下,源重建的EEG对于深部皮下结构的可靠性较低,而海马体和杏仁核的来源可以更好地估计[68,69]。SC矩阵是从应用于扩散加权成像(DWI)数据的扩散张量成像(DTI)中获得的。预处理使用FSL BEDPOSTX(使用采样技术获得的扩散参数贝叶斯估计)工具箱[70]进行。预处理后,每个受试者的数据产生了一个90 x 90矩阵,代表由AAL分割定义的区域对之间的连接性。最终SC矩阵是通过平均各个参与者的矩阵获得的。我们使用了与EEG功能数据相同的82个脑区。
4.1.2 年轻参与者的结构连接数据(连接组)
我们使用了之前工作中发布的健康参与者的SC数据[71]:31名非视频游戏玩家的参与者,平均年龄为24.4±3.0岁,全部为男性。SC数据采集使用3-Tesla MRI扫描器的32通道相控阵头线圈进行。DTI数据使用Pipeline for Analyzing Brain Diffusion Images软件[72]进行预处理。处理步骤包括伪影校正、张量构建和与MNI空间的配准,然后使用AAL图谱进行分割。通过计算连接每对脑区的纤维数量,生成了90 x 90的连接矩阵,归一化到0和1之间,并在参与者之间平均。为了改进模型拟合,在SC的对角线上添加了连接,以考虑DTI通常低估的同质(跨半球)连接[73](S3图)。关于数据获取和预处理的更多细节可以在[72]和[74]中找到,关于参与者和原始研究的更多信息可以在[71]和[43]中找到。
4.1.3 清醒状态和NREM睡眠期间的fMRI-EEG共注册
这个数据集最初在[41]中使用。共有63名未遭受睡眠剥夺的受试者在晚上(从大约8:00 PM开始)进行了扫描,并初步纳入了研究。其中15名个体的fMRI数据涵盖了所有W、N1、N2和N3阶段。所有参与者在晚上进行扫描,并被要求在躺着时闭上眼睛并放松。使用以下参数采集了1505个T2*加权echo-planar图像:TR/TE=2,080/30 msec,矩阵64×64,体素大小3×3×2 mm3,距离因子50%,视野[FOV]为192 mm2(Siemens Trio)。EEG记录与fMRI同时进行,使用了带有30个通道的EEG(modified BrainCapMR;Easycap)帽(采样率5 kHz,低通滤波器250 Hz),以及包括颏部和胫骨的电生理图、心电图、双极眼电图和脉搏血氧饱和度监测的多导睡眠监测设置。使用平均伪影减除法进行MRI伪影校正。fMRI数据重新对齐,归一化到MNI空间,并使用高斯核(8 mm3全宽半高)的空间平滑(SPM8)进行空间平滑。睡眠分期由专家根据AASM标准[75]进行。
4.2 功能性连接估计
对于EEG,我们使用三阶带通贝塞尔滤波器过滤了常见EEG频段内的信号:δ(0.5-4 Hz)、θ(4–8 Hz)、α(8–13 Hz)和β(13–30 Hz)。我们使用希尔伯特变换得到信号的包络,然后使用三阶巴特沃斯高通滤波器(截止频率为0.5 Hz)过滤包络,最后通过计算所有区域对之间的皮尔逊相关性来构建功能连接(FC)[40]。对于fMRI,我们首先使用三阶贝塞尔滤波器过滤0.01-0.08 Hz之间的信号,然后使用皮尔逊相关性构建FC矩阵。
4.3 功率谱分析
对于实证数据和模拟数据,使用Welch方法计算EEG功率谱,时间窗口为2秒,重叠率为50%[76]。提取每个EEG频段的功率,并除以0.5至30 Hz之间的总功率。
4.4 全脑模型
使用修改版的Jansen-Rit神经质量模型[7,12,33]对全脑源级别的活动进行了建模。在这个模型中,每个脑区域由两个神经质量亚群组成,每个亚群分别调谐在EEG谱的α(约10 Hz)或γ(约45 Hz)频率带振荡。这些亚群对锥体神经元产生的突触后电位(PSP)的贡献由参数rα加权,该参数反映了脑区域内α亚群与γ亚群的比例,如[33]中所示。具体来说,rα=1表示α亚群的完全贡献,而rα=0表示没有贡献。每个亚群由锥体神经元以及兴奋性和抑制性中间神经元组成。PSPs ν被积分并使用Sigmoid函数转换为发射率:其中ζmax是最大发射率输出,r是斜率,νth是电压阈值。逆操作由PSP块执行,它将神经元的发射率与定义为:对于兴奋性PSPs,以及对于抑制性PSPs的脉冲响应函数进行卷积。在这里,A(b)和a(b)分别对应于兴奋性(抑制性)PSPs的最大振幅和逆特征时间常数。在宏观层面上,脑区i和j通过基于DTI数据导出的SC矩阵M相互连接。耦合强度通过全局参数K进行缩放,考虑到长距离投射主要是兴奋性的[77,78],因此脑区之间的连接仅涉及锥体神经元[7]。每个区域接收背景输入p(t),其值从均值为?p(t)?=220 Hz和标准差σp=31 Hz的正态分布中随机采样。α亚群的完整方程组如下:第一对方程模拟兴奋性反馈回路,第二对方程模拟锥体神经元的输出,第三对方程表示抑制性反馈回路。神经元群体通过常数C1、C2、C3和C4连接,这些常数通过局部连接常数C=135进行缩放,具体为C1=C,C2=0.8C,C3=0.25C,C4=0.25C。γ亚群的方程相同,仅在上标上有所不同。模型的最终输出在源空间中产生了类似EEG的信号,其特征是功率谱更丰富。模型的参数总结在表2中。结合这两个亚群的合理性基于皮层组织的结构,不同的神经元亚群表现出不同的输入-输出动态,并生成特定频率的节奏[79]。表层倾向于产生较快的振荡,如β和γ,而深层和颗粒层与较慢的α和θ活动相关[80]。在这里,我们使用两个亚群作为简洁的建模选择,以扩展节点的频谱范围,同时保持整个大脑模型的可拟合性。这并不意味着这种方法应被视为解释每个区域中每种节奏的独特起源。之前在全脑建模中已经探索了类似的多时间尺度方法来增加每个节点的频谱丰富度[59]。在我们的模型中,EEG反映了这些分层贡献的加权总和,由此产生的宽带谱是从空间和突触上不同的节奏生成电路的共同活动中产生的。状态变量x0(t)、x1(t)和x2(t)被定义为α和γ亚群的加权贡献:模型生成的类似EEG的信号可以按照[7,33]计算:此外,根据[9],我们将抑制性突触可塑性整合到模型中。这种机制控制锥体神经元的放电率,防止当全局耦合增加时发生过度兴奋。突触可塑性作为额外的微分方程被引入:该方程动态更新反馈抑制,从而防止Sigmoid函数饱和(过度兴奋)。这里,表示逆学习率,ζinh(t)和ζpyr(t)分别表示时间t时抑制性中间神经元和锥体神经元的放电率,ρ是目标放电率,β是控制收敛到C4,min的界限指数。我们使用β=1(软限制),尽管也可以使用其他值[81]。可塑性的关键参数是学习率τ和目标放电率ρ,它们默认设置为τ=2秒和ρ=2.5 Hz[9,37]。放电率定义为使用Euler-Maruyama方法和1毫秒的积分步长求解微分方程组。过滤和FC估计程序与用于经验信号的程序相同。
4.5 血流动力学模型 我们使用Stephan等人提出的锥体神经元放电率ζpyr,i(t)和广义血流动力学模型模拟了类似fMRI的信号[44]。在这个模型中,放电率ζpyr,i(t)的增加会引发血管扩张反应si,导致血液流入fi,随后改变血液体积vi和脱氧血红蛋白含量qi。控制这一过程的微分方程组中,时间常数τs=0.65、τf=0.41、τv=0.98和τq=0.98分别对应于信号衰减、血液流入、血液体积和脱氧血红蛋白含量。硬度常数κ(静脉对血流的阻力)和静息状态氧提取率E0分别设置为κ=0.32和E0=0.4。节点i的类似BOLD的信号Bi(t)是qi(t)和vi(t)的非线性函数:其中V0=0.04表示静息时未氧化静脉血液的比例,k1=2.77、k2=0.2、k3=0.5是动力学常数。我们使用Euler方法和10毫秒的积分步长求解微分方程组。然后对得到的类似fMRI的信号进行下采样,以匹配经验信号的采样率(TR=2.08秒)。过滤和FC估计遵循应用于经验信号的相同程序。
4.6 模拟 我们首先模拟了模型中一个孤立节点的活动(K=0),没有可塑性。在那里,我们模拟了180秒并丢弃了前60秒(最终长度为120秒),将信号下采样到200 Hz的采样率(以减少内存消耗),并计算了标准化功率谱(NPS,使用Welch方法并获得,然后除以谱密度的最大值)。我们针对rα在0到1之间的41个等间距值进行了模拟(图3)。然后我们进行了全脑模拟,其中节点代表使用ReDLat SC矩阵连接的大脑区域。我们模拟了660秒,丢弃了前60秒,并获得了不同参数下的NPS(所有脑区的平均值)(图4中的50个种子的平均值):我们改变了K在0到1之间的41个等间距值(右上角,固定rα=0.5,ρ=2.5 Hz,τ=2秒);ρ在1到4 Hz之间的41个等间距值(左下角,固定rα=0.5,K=0.5,τ=2秒);以及τ在0.01到50秒之间的41个等间距和对数间隔值(右下角,固定rα=0.5,ρ=2.5 Hz,K=0.5)。使用上述相同的全脑模拟(启用ISP),我们量化了反馈抑制的空间分布与结构连接拓扑之间的关系。对于每次模拟,我们计算了每个脑区域的节点强度作为其结构连接权重的总和(SC矩阵的行和)。然后,我们在20秒模拟后对C4进行时间平均,丢弃了最初的5秒瞬态,使用10个随机种子,计算了每个节点的时间平均反馈抑制(平均C4)。对于每个全局耦合K的值,我们拟合了节点强度和平均C4之间的线性回归,并存储了回归斜率(图4)。除非另有说明,这些分析都是在rα=0.5,ρ=2.5 Hz和τ=2秒的条件下进行的。为了量化ISP时间常数τ如何影响适应动态,我们进行了无噪声的全脑模拟(σ=0),启用了ISP并固定参数K=0.5,rα=0.5,ρ=2.5 Hz,仅使用一个随机种子(无噪声模拟)。模拟的总持续时间为120秒。我们遍历了τ ∈ [10-3, 10-2, 10-1, 1, 100]秒的值。对于每个τ,我们计算了ROI平均的C4(t),并定义了一个收敛时间尺度,即C4(t)首次达到其总变化的63.2%(1?1/e)的时间点,其中是从模拟的前2秒估计的起始基线和从模拟的最后10秒估计的最终稳定值[4]。我们将模型拟合到ReDLat数据集中健康个体的平均FC矩阵[60],模拟了660秒并丢弃了适应的前60秒。我们固定ρ=2.5 Hz和τ=2秒,并同时改变了模型的全局耦合K和rα,在0到1之间(每个41个值),首先不启用ISP,然后启用ISP(图5B)。这是通过拟合源-EEG包络FC来完成的,在不同EEG频率带过滤信号后,然后下采样到100 Hz的采样率。对于睡眠EEG-fMRI数据集(图8)[82],我们将耦合参数K从0遍历到3(总共41个值),ISP的目标值ρ也从2遍历到3(同样41个值),固定rα=0.5和τ=2秒。我们模拟了660秒并丢弃了前60秒以稳定。我们使用锥体神经元的放电率通过Balloon-Windkessel模型[44]模拟了类似fMRI的信号,通过对50个模拟种子的FC进行平均。我们使用了按rα缩放的α和γ亚群的放电率。SC矩阵来自年轻参与者数据集的连接组[11]。
4.7 模型拟合 对于EEG和fMRI FC矩阵,我们最大化了SSIM[83],用于比较全脑模拟中的经验和模拟FC矩阵[73]。对于同时的EEG和fMRI数据集,在运行模型之后,我们旨在拟合EEG功率谱和fMRI FC。首先,我们使用Welch方法计算了每个EEG带的相对功率,为经验和模拟数据生成了一个包含三个条目的谱向量(相对θ、α和β功率)。然后,我们使用Clarkson距离比较了经验和模拟相对功率之间的距离(假设x是模拟的功率向量,y是经验的功率向量):其中是x的欧几里得范数。我们取1 - 作为谱向量之间的拟合优度。最后,我们计算了每个参数组合的经验和模拟谱向量之间的距离,并进一步分析了只有拟合优度≥0.85的参数组合。从这组参数中,我们最大化了经验和模拟FC之间的SSIM。
4.8 分岔分析 分岔分析是使用XPP-Auto软件进行的,图形是使用Python自定义代码制作的。
4.9 统计分析 鉴于在计算机模拟中样本大小(改变种子数量)可能会人为夸大统计p值,我们使用Cohen的D来报告效应大小。通常,Cohen的D被解释为非常小(|D|<0.2)、小(0.2<|D|<0.5)、中等(0.5<|D|<0.8)、大(0.8<|D|<1.2)、非常大(1.2<|D|<2)[84]。