利用基于特征值的连通图扩散模型准确模拟静息状态的功能连接性
《Engineering Applications of Artificial Intelligence》:Accurately modelling the resting-state functional connectivity with eigen-based connected-graph diffusion model
【字体:
大
中
小
】
时间:2026年05月17日
来源:Engineering Applications of Artificial Intelligence 8
编辑推荐:
马骥超|罗杰斌|刘丹丹|吴金然|王彦江|李西安
青岛滨海大学机械与电子工程学院,中国青岛266555
**摘要**
理解功能性动态如何从大脑的底层结构架构中产生仍然是神经科学中的一个基本挑战。传统的图扩散(GD)模型受到稀疏解剖连接的限制,导致无法捕捉间接连接和负相
马骥超|罗杰斌|刘丹丹|吴金然|王彦江|李西安
青岛滨海大学机械与电子工程学院,中国青岛266555
**摘要**
理解功能性动态如何从大脑的底层结构架构中产生仍然是神经科学中的一个基本挑战。传统的图扩散(GD)模型受到稀疏解剖连接的限制,导致无法捕捉间接连接和负相关关系。为了克服这些挑战,我们引入了超图和深度神经网络来增强大脑连接的表示。具体来说,图和超图被整合在一起构建了一个连接图,提供了大脑区域间连接的全面表示。傅里叶诱导的深度神经网络通过利用频谱特征从结构连接中推断出潜在的区域间关系,有效捕捉了低频和高频成分。这些推断出的关系被纳入连接图中,形成了一个连接图扩散(CD)模型,该模型通过特征分解进一步优化,形成了基于特征的连接图扩散(ECD)模型。在人类连接组项目(HCP)S1200版本的1012名受试者上进行评估,ECD模型在功能性连接(FC)预测方面的平均皮尔逊相关系数达到了0.7230,优于GD模型(0.5513)和CD模型(0.6518)。稳定性分析表明ECD模型的预测是可靠的。这项工作表明,将生物学机制与机器学习方法相结合可以准确模拟复杂的大脑网络,对神经信号处理、受大脑启发的计算和神经精神病学诊断具有启示作用。
**1. 引言**
在神经科学研究中,理解大脑结构与功能之间的关系一直是一个核心问题。结构连接(SC)描述了不同大脑区域之间的解剖纤维通路,而FC反映了大脑区域活动的同步性和协调性。从SC预测FC不仅加深了我们对大脑网络组织原则的理解,还为神经疾病的机制和潜在的康复策略提供了新的见解(Xu等人,2022;Huang等人,2023;Wang等人,2024)。同时,许多研究已经证明了FC在表征疾病表型、识别关键生物标志物和支持个性化临床评估中的临床价值。例如,Yu等人(2018、2019、2020)系统地使用脑电图(EEG)功能网络构建、拓扑分析和机器学习模型来研究从神经疾病诊断到针灸诱导的神经调节和操作分类的应用,从而推进了EEG功能网络分析在临床神经工程中的应用。这些发现强调了需要可靠且具有生物学意义的FC。然而,连接SC和FC的机制仍不完全清楚。这一限制突显了开发更有效的SC-FC建模框架的必要性,以更好地连接SC和FC,从而提高FC的临床实用性。
最近,提出了多种方法来探索SC-FC关系。尽管有大量证据表明结构上相连的大脑区域通常表现出强烈的FC,但即使相应的SC相对较弱或缺失,大脑区域之间仍然存在强烈的FC(Hermundstad等人,2013),这仍然令人困惑。为了解决这些难以理解的问题,Rubinov和Sporns(2010)使用复杂的网络理论来描述大脑网络,并定义了一些具有神经生物学意义的指标来描绘信号传输和拓扑组织。一些图度量被发现与现有的FC相关,包括节点度、搜索信息和路径传递性以及最短路径(Go?i等人,2014;Tewarie等人,2014;Stam等人,2016)。然而,这些相关性仅提供了FC的有限表示,并未完全阐明大脑的FC是如何从其SC中产生的。同时,一些研究通过神经质量模型来研究FC的建模,这些模型利用微分方程,如动态平均场模型(Deco等人,2013、2014)、Wilson–Cowan方程(Atasoy等人,2016)和Hodgkin–Huxley模型(Messé等人,2015)来捕捉大脑中神经群体的动态特征。然而,这种方法忽略了网络模块之间的信息传输,并需要大量迭代才能达到最优解,导致计算复杂性高且准确性有限。此外,机器学习模型试图使用矩阵映射(Meier等人,2016;Liang和Wang,2017)或谱映射(Becker等人,2018;Robinson等人,2014;Deslauriers-Gauthier等人,2020)从SC直接转换到FC,其中FC被视为SC及其高阶连接权的线性和非线性函数的组合。此外,机器学习的最新进展进一步促进了从SC预测FC(Etemadyrad等人,2024;Oota等人,2024)。尽管预测性能很有前景,但它缺乏对潜在生物学机制的解释。此外,模型参数需要针对不同的大脑连接数据库进行重新训练。
图拉普拉斯矩阵是图论中的一个重要概念,它编码了节点之间的关系,在信号处理和聚类中非常有用,具有对称性和非负特征值等有价值的数学属性。因此,Abdelnour等人(2014、2018)从SC推导出图拉普拉斯矩阵,然后提出了一种线性图扩散(GD)模型,该模型满足了大脑区域之间信号传输的机制,并在估计FC方面表现出良好的性能。GD模型假设一旦激活,每个大脑区域的平均神经信号将遵循指数衰减模式(Raj等人,2012)。然后,通过结构网络拉普拉斯矩阵的负指数函数推导出时间依赖的解析解。该模型实现简单,所需的计算资源较少。然而,SC的图表示无法捕捉解剖上不相连的大脑区域之间的联系;因此,只能模拟FC的一部分。此外,GD模型仅限于模拟FC中的正相关关系,因为SC没有考虑大脑区域之间的区域间关系。统计上,负相关关系占整个FC的约40%。
为了克服GD模型的上述两个限制,我们引入了超图。超图是传统图的泛化形式,其中边(称为超边)可以同时连接两个以上的节点。因此,与简单图相比,超图包含更多的局部分组信息,使其适合表示复杂的连接。到目前为止,超图已广泛应用于图像分类、排名和视频分割。因此,超图表示的SC可以建立大脑区域之间的潜在连接。
深度神经网络(DNN)由多个隐藏层组成,能够进行分层特征学习并捕捉复杂模式,从而提高预测准确性。与传统神经网络相比,DNN利用更深的架构学习更丰富的特征表示并实现更好的泛化。最近,引入了傅里叶特征映射,利用正弦和余弦函数来增强DNN的频率表示能力。因此,傅里叶诱导的深度神经网络(FDNN)不仅能够缓解谱偏置问题,还能使网络更有效地学习高频成分(Wang等人,2021;Xu等人,2020;Li等人,2023)。因此,我们采用FDNN从SC映射大脑区域之间的区域间关系。在HCP数据集上使用90个感兴趣的区域进行的实验表明,ECD模型的准确性高于GD模型和CD模型,其预测的FC保持了强烈的稳定性。
因此,本文的主要贡献可以概述如下:
•我们首先提出了一个连接图,结合了图和超图,不仅反映了直接连接的重要性,还建立了大脑区域之间的潜在连接。这种双重考虑使我们对大脑网络内显性和隐性结构关系有了更全面的理解。
•为了预测大脑区域之间的区域间关系,我们引入了FDNN。该网络利用傅里叶变换的表达能力来捕捉大脑连接中的复杂空间和时间模式,从而更准确和稳健地识别大脑区域之间的区域间关系。
•我们提出了CD模型,通过将大脑区域之间的区域间关系嵌入连接图矩阵来预测FC,该矩阵描述了一个更精确的扩散过程,提高了预测FC的准确性。然后,为了增强大脑区域之间的连接权重,我们使用特征分解技术来分析和优化底层网络结构。具体来说,我们提出了ECD模型,该模型利用了大脑连接图的光谱属性。通过将图拉普拉斯矩阵分解为其特征分量,ECD模型实现了信息在大脑网络中的有效传播,从而更准确和生物学上合理地表示了大脑区域之间的区域间关系。
本文的其余部分结构如下:第2节描述了相关工作。第3节介绍了HCP数据集,并详细推导了CD模型和ECD模型。第4节展示了在HCP数据集上的实验结果。最后,第5节对所提出的方法进行了讨论和总结。
**2. 相关工作**
2.1. SCA的图表示
图G定义为G=(V,E),其中V={vi|i∈1,2,…,n}是顶点集,E={ej|j∈1,2,…,m}是连接两个顶点的边集。然后,我们将其引入大脑网络。n和m分别表示大脑区域的数量和边的数量。在任何两个大脑区域vi和vj之间,存在一个具有连接权重wi,j的纤维通路。然后,我们将SC矩阵定义为W={wi,j|i,j∈e}。然而,它仅限于显示解剖连接。
2.2. 图扩散模型
图扩散(GD)模型最初由Abdelnour等人(2014)提出,该模型通过图拉普拉斯矩阵来表征FC。在这个模型中,假设大脑区域内的神经活动信号x(t)表现出一级指数衰减,其衰减率由β控制。该模型通过考虑不同大脑区域之间的神经活动信号传输来捕捉SC和FC之间的关系。考虑一个孤立的皮质区域Ri,其中所有神经元的平均激活信号表示为xi(t)。激活后,该信号随时间指数衰减。现在,假设另一个通过白质纤维与Ri结构连接的孤立皮质区域Rj存在,其连接权重为wi,j。Ri和Rj之间的信号传输动态可以用一级微分模型描述:
(1)dxi(t)dt=β(δi?1/2∑j=1nwi,jδj?1/2xj(t)?xi(t))
将方程(1)扩展到所有大脑区域,可以得到:
(2)dx(t)dt=β(Δ^(-1/2WΔ^(-1/2)?I)x(t),
其中Δ表示对角线元素为δi=∑j=1nwi,j的度矩阵,I是单位矩阵。解遵循指数衰减形式:
(3)x(t)=e^(-βLntei),
其中Ln=I^(-1/2WΔ^(-1/2)表示从SC导出的标准化拉普拉斯矩阵,ei,对于i=1,…,N,是第i个正交单位向量,表示时间t时仅第i个大脑区域的激活。因此,静息态FC的动态可以近似描述为:
(4)FGD(t)=e^(-βLnt)
**3. 材料和方法**
3.1. 连接组数据集
在这里,我们使用HCP数据集进行实验,该数据集包括来自1012名参与者的结构磁共振成像(sMRI)、静息态功能性磁共振成像(rsfMRI)和扩散张量成像(DTI)的完整成像数据。参与者的年龄分布如下:218名年龄在22–25岁之间,438名年龄在26–30岁之间,346名年龄在31–35岁之间,10名年龄在36岁以上。性别分布包括543名女性和469名男性。所有参与者都经过筛查,确保他们在神经学和精神病学上都是健康的,没有报告任何神经或精神疾病的历史。详细的个人级人口统计信息(如确切年龄)是HCP的受限访问数据的一部分,因此没有公开(Van Essen等人,2013)。同样,所有数据都使用最小预处理流程(Glasser等人,2013)进行预处理,该流程包括校正空间伪影和畸变、重建皮质表面、对齐不同模态(包括sMRI、rsfMRI和DTI)以及非线性变换到MNI152标准空间。
**注释1**
HCP数据集是研究人脑结构与功能之间关系的常用和权威数据集。HCP数据的90个区域分区已被广泛采用(Abdelnour等人,2021;Leng等人,2023;Li等人,2024)。这种分区提供了平衡的空间分辨率,同时显著降低了SC-FC建模和机器学习的复杂性。遵循广泛使用的90-AAL模板,它增强了可重复性,并便于跨研究的一致性比较。此外,中等分辨率的分区还有助于减少高维噪声,从而提高全连接(FC)特征的稳定性和可解释性。rsfMRI数据还经过了额外的预处理:(1)在0.01–0.1 Hz范围内进行带通滤波,以抑制扫描器漂移和高频噪声,同时保留与神经活动相关的低频波动(Yan等人,2016年);(2)对皮质信号进行全局信号回归,以减少系统性的生理伪影(Li等人,2019年);(3)时间序列的时间标准化(z分数标准化);(4)使用自动化解剖标记图谱将数据分割成90个皮质区域(Tzourio-Mazoyer等人,2002年);(5)将四个扫描会话的时间序列连接起来。全连接(FC)是通过计算所有脑区时间序列之间的皮尔逊相关系数来构建的。然后,对于DTI数据处理,我们使用MRtrix3提供的纤维方向分布算法来为每个受试者进行概率纤维追踪(Tournier等人,2019年)。在使用该算法重建白质路径后,为每个受试者构建了SC,其中每个矩阵元素值对应于两个不同脑区之间追踪到的纤维流线的数量。处理结果如图1所示。
下载:下载高分辨率图像(727KB)
下载:下载全尺寸图像
图1. HCP数据集的平均经验SC和FC。(a)每个矩阵元素表示脑区之间的连接权重(颜色编码)。(b)每个矩阵元素显示脑区之间的皮尔逊相关系数(颜色编码)。
3.2. 连接图表示
由于SC矩阵的稀疏性质,GD模型无法直接捕捉解剖学上不相连的脑区之间的连接,这限制了其完全模拟全连接(FC)的能力。因此,我们提出了一个连接图网络。超图是图的泛化,在超图中,一条边(称为超边)可以连接任意数量的顶点,而不仅仅是两个。考虑一个超图Gh=(V,Eh,Wh),其中超边及其权重分别用Eh和Wh表示。在脑网络中,Eh={ehj|j∈1,2,…,n}表示所有连接到相应脑区的超边,超边的权重用Wh={whj|j∈1,2,…,n}表示,每个权重是超图中所有连接边的权重之和。关联矩阵H定义为|V|×|Eh|,其中如果顶点v是超边eh的元素,则h(v,eh)=1,否则为0(Zhou等人,2006年)。Dv是对角顶点度矩阵,每个顶点的度由下式给出:(5)d(v)=∑e∈Ehw(eh)h(v,eh)。WH是对角矩阵,其元素对应于超边的权重。然后,邻接矩阵表示为:(6)A=HWHHT?Dv。由于SC,即直接连接,对信号传输至关重要,因此权重保持不变。同时,从超图构建的邻接矩阵(称为间接连接)被标准化。通过结合这两种连接类型,连接图矩阵按照以下方式构建:(7)C=W+A°(1?PW),其中PW表示SC矩阵W中条目的位置索引,用于表示后续计算中的具体位置(见图2)。
下载:下载高分辨率图像(791KB)
下载:下载全尺寸图像
图2. 脑区之间的SC连接图构建。(a)表示SC的边。(b)表示从SC派生的超图连接的边。(c)表示从SC派生的连接图连接的边。
注释2
用于生理信号建模的统计框架已经展示了解释时间动态及其行为关联的潜力(Zhao等人,2025年),这些方法可能被应用于未来工作中,以更好地解释基于符号的潜在连接矩阵。
3.3. 预测脑区之间的关系
通过分析FGD(t)=e?βLnt,该值始终大于零。具体来说,GD模型无法捕捉全连接(FC)中的负功能性相关性。
设β=1,α=?Ln°I,γ=?Ln°(1 ? I)。符号“°”表示哈达玛积,即两个矩阵的逐元素乘法。那么,方程(4)可以等价表示为(8)FGD(t)=e(α+γ)t=eαt?eγt。
使用矩阵函数的泰勒级数,eα=I+α+α2/2!+α3/3!+?+αn/n!,当α=?I时,我们可以得到(9)e?I=I+(?I)+(?I)2/2!+(?I)3/3!+(?I)4/4!+(?I)5/5!+?=(I+(?I))+((?I)2/2!+(?I)3/3!)+((?I)4/4!+(?I)5/5!)+?>0。因此,eαt>0。类似地,我们可以推导出eγ=I+γ+γ2/2!+γ3/3!+?+γn/n!。根据归一化图拉普拉斯矩阵Ln的定义,可以确认γ中的所有元素都是非负的。因此,eγt>0。综上所述,我们得出FGD(t)>0,表明GD模型只捕捉到正的全连接(FC)。
注释3
大量神经科学证据表明,神经元之间的突触效率受脉冲时间依赖性可塑性(STDP)的调控(O’Reilly等人,2012年)。具体来说,当一个突触前神经元的放电一致地先于并因果地导致一个突触后神经元的激活时,相应的突触连接会被增强;否则,它会受到抑制。在宏观层面上,我们类似地认为,如果第i个脑区对第j个脑区有因果影响,那么这两个区域之间的有效连接就会增强,反之则会减弱。因此,脑区间的连接权重wi,j被建模为神经活动传播过程中的时变过程。由此产生的波动,用Δwi,j(t)表示,可能取正值或负值,分别表征两个区域之间的兴奋性或抑制性相互作用(Park和Friston,2013年)。
由于SC仅包含连接权重,它在数学上描述脑区间关系方面的洞察力有限。波动方程建模表明,随着自发神经活动的传播,两个脑区之间的连接强度可能会增强或减弱。研究表明,这些连接权重的变化会在拉普拉斯矩阵中引起相应的波动,这种增加或减少可以通过在波动方程中引入符号矩阵来捕捉。此外,已经证明模拟的全连接(FC)之间的符号与实验观察到的符号非常吻合(Wang等人,2022年)。
深度神经网络(DNN)通过多层非线性变换自动从复杂数据中提取高级特征,消除了手动特征设计的需要。在处理大规模、高维度数据时,DNN表现出强大的表示能力和拟合能力,能够捕捉复杂的模式和关系。此外,端到端的学习框架和强大的泛化能力使DNN在图像识别、自然语言处理和神经数据建模等任务中表现出色。
DNN的基本公式可以表示为:(10)F:x∈Rd?y=F(x)∈Rc。其中n0=d和nL=c分别表示输入和输出维度。DNN表示的函数F由连续的线性变换和非线性激活函数的层次组合构成,遵循顺序排列:(11)y[0]=xy[?]=σ°(y[??1]w[?]+b[?],对于?=1,2,3,…,L,其中w[?]∈Rn??1×n?是第?隐藏层的权重矩阵,b[?]∈Rn?是偏置向量。函数σ(?)表示逐元素激活函数。为了方便,DNN的参数集用θ表示,包括w[1],…,w[L]和b[1],…,b[L]。
最近的研究表明,在情感识别任务中,通过添加频率感知组件(如胶囊网络和傅里叶编码)来增强神经架构可以显著提高泛化和鲁棒性(Zhang等人,2025年)。受到这些策略的启发,我们使用FDNN来预测潜在的脑区间关系。
具体来说,子网络被赋予缩放因子an=n,其中n=1,2,…,20,每个子网络遵循结构配置(10, 8, 8, 6),如图3所示。每个子网络的第一隐藏层使用傅里叶特征映射作为其激活函数,而其余隐藏层(输出层除外)采用激活函数GELU(x)=x?1/2[1+erf(x/2)],其中erf(x)是高斯误差函数。所有子网络的输出层都是线性的。FDNN使用Adam优化器对900名受试者进行了训练,并在静息数据上进行了测试。初始学习率设置为0.01,每100名受试者衰减2.5%。
下载:下载高分辨率图像(1MB)
下载:下载全尺寸图像
图3. 脑区之间SC连接图的构建。(a)表示SC的边。(b)表示从SC派生的超图连接的边。(c)表示从SC派生的连接图连接的边。
注释3
用于生理信号建模的统计框架已经展示了解释时间动态及其行为关联的潜力(Zhao等人,2025年),这些方法可能被应用于未来工作中,以更好地解释基于符号的潜在连接矩阵。
3.3. 预测脑区之间的关系
通过分析FGD(t)=e?βLnt,该值始终大于零。具体来说,GD模型无法捕捉全连接(FC)中的负功能性相关性。
设β=1,α=?Ln°I,γ=?Ln°(1 ? I)。符号“°”表示哈达玛积,指的是两个矩阵的逐元素乘法。那么,方程(4)可以等价表示为(8)FGD(t)=e(α+γ)t=eαt?eγt。
使用矩阵函数的泰勒级数,eα=I+α+α2/2!+α3/3!+?+αn/n!,当α=?I时,我们可以得到(9)e?I=I+(?I)+(?I)2/2!+(?I)3/3!+(?I)4/4!+(?I)5/5!+?=(I+(?I))+((?I)2/2!+(?I)3/3!)+((?I)4/4!+(?I)5/5!)+?>0。因此,eαt>0。类似地,我们可以推导出eγ=I+γ+γ2/2!+γ3/3!+?+γn/n!。根据归一化图拉普拉斯矩阵Ln的定义,可以确认γ中的所有元素都是非负的。因此,eγt>0。因此,我们得出FGD(t)>0,表明GD模型只捕捉到正的全连接(FC)。
注释3
大量神经科学证据表明,神经元之间的突触效能受脉冲时间依赖性可塑性(STDP)的调控(O’Reilly等人,2012年)。具体来说,当一个突触前神经元的放电一致地先于并因果地导致一个突触后神经元的激活时,相应的突触连接会被增强;否则,它会被抑制。在宏观层面上,我们类似地认为,如果第i个脑区对第j个脑区有因果影响,那么这些区域之间的有效连接就会增强,反之则会减弱。因此,脑区间连接权重wi,j被建模为神经活动传播过程中的时变过程。由此产生的波动,用Δwi,j(t)表示,可能取正值或负值,分别表征两个区域之间的兴奋性或抑制性相互作用(Park和Friston,2013年)。
由于SC仅包含连接权重,它在数学上描述脑区间关系方面的能力有限。波动方程建模表明,随着自发神经活动的传播,两个脑区之间的连接强度可能会增强或减弱。研究表明,这些连接权重的变化会在拉普拉斯矩阵中引起相应的波动,这种增加或减少可以通过在波动方程中引入符号矩阵来捕捉。此外,已经显示,模拟的全连接(FC)之间的符号与实验观察到的符号非常吻合(Wang等人,2022年)。
DNN通过多层非线性变换自动从复杂数据中提取高级特征,消除了手动特征设计的需要。在处理大规模、高维度数据时,DNN表现出强大的表示和拟合能力,能够捕捉复杂的模式和关系。此外,端到端的学习框架和强大的泛化能力使DNN在图像识别、自然语言处理和神经数据建模等任务中表现出色。
DNN的基本公式可以表示为:(10)F:x∈Rd?y=F(x)∈Rc。其中n0=d和nL=c分别表示输入和输出维度。DNN表示的函数F是连续线性变换和非线性激活函数的层次组合,遵循顺序排列:(11)y[0]=xy[?]=σ°(y[??1]w[?]+b[?],对于?=1,2,3,…,L,其中w[?]∈Rn??1×n?是权重矩阵,b[?]∈Rn?是第?隐藏层的偏置向量。函数σ(?)表示逐元素激活函数。为了方便,DNN的参数集用θ表示,包括w[1],…,w[L]和b[1],…,b[L]。
最近的研究表明,在情感识别任务中,通过添加频率感知组件(如胶囊网络和傅里叶编码)来增强神经架构可以显著提高泛化和鲁棒性(Zhang等人,2025年)。受到这些策略的启发,我们使用FDNN来预测潜在的脑区间关系。
具体来说,子网络被赋予缩放因子an=n,其中n=1,2,…,20,每个子网络遵循结构配置(10, 8, 8, 6),如图3所示。每个子网络的第一隐藏层使用傅里叶特征映射作为其激活函数,而其余隐藏层(输出层除外)采用激活函数GELU(x)=x?1/2[1+erf(x/2)],其中erf(x)是高斯误差函数。所有子网络的输出层都是线性的。FDNN使用Adam优化器对900名受试者进行了训练,并在静息数据上进行了测试。初始学习率设置为0.01,每100名受试者衰减2.5%。
下载:下载高分辨率图像(1MB)
下载:下载全尺寸图像
图3. 参数Λq[1]对应于分配给第q个子网络的第一隐藏层的权重。
3.4. 基于特征值的连接图扩散模型
对于任意两个连接的脑区vi和vj,权重为ci,j,否则为0。考虑每个脑区时,平均激活信号为u(t)=(u1(t),u2(t),…,un(t))T。
在一阶动态模型中,v1和v2之间的关系表示为(12)Δu1(t)=β(r1,2u2(t)?c1,2u1(t))。
v1与所有脑区之间的关系可以修改为(13)du1(t)dt=β((r1,1u1(t)+r1,2u2(t)+?+r1,nun(t))?(c1,1u1(t)+c1,2u1(t)+?+c1,nu1(t)))。同样,v2与所有脑区之间的关系可以修改为(14)du2(t)dt=β((r2,1u1(t)+r2,2u2(t)+?+r2,nun(t))?(c2,1u2(t)+c2,2u2(t)+?+c2,nu2(t)))。最后,vn与所有脑区之间的关系可以修改为(15)dun(t)dt=β((rn,1u1(t)+rn,2u2(t)+?+rn,nun(t))?(cn,1un(t)+cn,2un(t)+?+cn,nun(t)))。从方程(13)、(14)和(15)可以得出(16)du1(t)dtdu2(t)dt?dun(t)dt=?βΔ1c0?00Δ2c?0????00?Δncu1(t)u2(t)?un(t)?r1,1r1,2?r1,nr2,1r2,2?r2,n????rn,1rn,2?rn,nu1(t)u2(t)?un(t)=?β(Δc?R)u(t)=?βMu(t),其中Δic=∑j=1nci,j,ci,j表示连接图权重,即输出连接。ri,j是包含连接权重和脑区间关系的输入连接,ri,j=ci,j?i,j。si,j表示脑区间之间的关系,可以通过FDNN从SC预测得到。
简化方程(16),我们可以得到(17)du(t)dt=?βMu(t)。
上述方程可以求解为(18)u(t)=e?βMtu0。
由于归一化方法可以提高数值稳定性并增强模型的频谱特性,M被修改为Mn。当初始配置u0=I时,我们可以预测FC:(19)FCD(t)=e?βMnt。
我们将方程(19)定义为连接图扩散(CD)模型,也可以重写为(20)FCD(t)=e?β(Lnc°S)t,其中Lnc=I?(Δc)?1/2C(Δc)?1/2表示归一化连接图拉普拉斯矩阵。S是一个符号矩阵,表示脑区间之间的关系,它是通过在HCP数据集的样本1–900上训练FDNN来获得的,以模拟SC和FC之间的关系。
由于归一化连接图拉普拉斯矩阵Lnc的所有主对角线元素都是正的,所有非对角线元素都是负的,因此-(Lnc°S)的非对角线元素与S中对应的元素符号相同。
根据矩阵函数的泰勒展开,我们知道(2这表明ECD模型在表示功能连接(FC)方面比其他两个模型更有效。下载:下载高分辨率图片(671KB)下载:下载全尺寸图片图4. 三个模型在时间t上的皮尔逊相关系数。每条曲线显示单个样本的预测FC与实证FC之间的皮尔逊相关系数。(a) 图谱扩散模型。(b) 连通图谱扩散模型。(c) 基于特征的连通图谱扩散模型。下载:下载高分辨率图片(1007KB)下载:下载全尺寸图片图5. 三个模型的散点图。每个点对应一个脑区的预测FC与其实证FC,整个点的分布反映了每个模型的一般预测趋势。(a) 图谱扩散模型。(b) 连通图谱扩散模型。(c) 基于特征的连通图谱扩散模型。图7 展示了从GD模型、CD模型和ECD模型(Xia等人,2013)得到的脑网络结构。比较表明,ECD模型生成的FC网络与实证FC网络非常相似。这种相似性表明ECD模型在捕捉大脑的FC网络方面比其他两个模型更有效。下载:下载高分辨率图片(2MB)下载:下载全尺寸图片图6. 三个模型的平均实证FC矩阵和平均预测FC矩阵的分布。下载:下载高分辨率图片(2MB)下载:下载全尺寸图片图7. 三个模型的平均实证FC和平均预测FC网络。4.3. 拓扑属性首先,我们通过将负值设为零并进行二值化来统一预处理SC、实证FC以及GD模型、CD模型和ECD模型预测的FC。由于GD模型预测的FC不包含负值,因此在这一步之后它仍然是完全连接的。为了能够进行模块化计算,我们将GD模型预测的FC转换为一个非完全连接的网络,使其稀疏性与相应受试者的实证FC相匹配。接下来,我们使用Brain Connectivity Toolbox(Rubinov和Sporns,2010)计算SC、实证FC以及每个预测FC的四个核心拓扑指标——包括平均路径长度、全局效率、模块性和社区数量。这些指标捕捉了脑网络的整合性和模块化特性。最后,使用配对效应量(Cohen’s d)量化SC与每个预测FC和实证FC之间的拟合度。较小的绝对效应量表明预测FC在网络拓扑方面与实证FC更为相似。总体而言,图8显示ECD模型在所有四个指标上表现出最小的绝对效应量,表明它在拓扑上最接近实证FC。下载:下载高分辨率图片(370KB)下载:下载全尺寸图片图8. 网络拓扑指标的比较。SC、预测FC(GD模型、CD模型、ECD模型)和实证FC之间的绝对Cohen’s d。4.4. 稳定性分析为了评估谱变换系数的稳健性,我们使用HCP数据集中的最后100个受试者作为固定测试集。前900个受试者用于预测符号矩阵,随后的12个受试者用于确定谱变换系数a、b和c。这个过程重复五次,每次使用不同的训练池随机排列,同时保持测试集不变。结果显示,学习到的平均参数a(?2.33±0.48)、b(4.33±0.47)和c(?0.21±1.12)在10次实验中保持稳定,皮尔逊相关系数R(0.73±0.05),证明预测参数可以可靠地泛化,并且不受12个训练受试者的具体选择的影响。同时,我们对平均预测FC进行100次随机排列,以证明预测FC不是任意生成的。在图9中,我们展示了随机排列后平均实证FC与每个平均预测FC之间的皮尔逊相关系数直方图(蓝色)。作为参考,还展示了未排列的平均预测FC的皮尔逊相关系数(橙色)。皮尔逊相关系数的比较表明,GD模型、CD模型和ECD模型预测的FC在统计上与随机结果有显著差异,从而证实了其稳定性(Abdelnour等人,2014)。为了增强算法稳定性分析的可信度,分别评估和展示了GD模型、CD模型和ECD模型获得的单个样本的预测结果。对于每种方法,预测FC随机排列100次,并计算排列后的预测FC与实证FC之间的皮尔逊相关系数。对于GD模型,出现次数为(?0.05, ?0.03)9 ± 2次,(?0.03, ?0.01)17 ± 3次,(?0.01, 0.01)33 ± 3次,(0.01, 0.03)25 ± 3次,(0.03, 0.05)11 ± 2次,以及(0.05, 0.07)6 ± 2次。而预测FC与实证FC之间的皮尔逊相关系数为0.5513 ± 0.03。对于CD模型,出现次数为(?0.14, ?0.10)3 ± 1次,(?0.10, ?0.06)10 ± 2次,(?0.06, ?0.02)22 ± 3次,(?0.02, 0.02)33 ± 3次,(0.02, 0.06)20 ± 3次,(0.06, 0.10)9 ± 2次,以及(0.10, 0.14)6 ± 1次。而预测FC与实证FC之间的皮尔逊相关系数为0.6518 ± 0.05。对于ECD模型,出现次数为(?0.14, ?0.10)5 ± 1次,(?0.10, ?0.06)7 ± 2次,(?0.06, ?0.02)18 ± 3次,(?0.02, 0.02)27 ± 3次,(?0.02, 0.06)23 ± 3次,(0.02, 0.06)15 ± 3次,以及(0.10, 0.14)4 ± 1次。而预测FC与实证FC之间的皮尔逊相关系数为0.7230 ± 0.06。这些结果表明GD模型、CD模型和ECD模型表现出较高的稳定性。下载:下载高分辨率图片(248KB)下载:下载全尺寸图片图9. 三个模型的皮尔逊相关系数直方图,其中条形表示相应皮尔逊相关系数范围的出现次数。(a) 图谱扩散模型。(b) 连通图谱扩散模型。(c) 基于特征的连通图谱扩散模型。5. 讨论与结论在这项研究中,我们引入了几种先进的方法来增强从SC到FC的映射。首先构建了结合图谱和超图表示的连通图,以表征直接的解剖链接以及潜在的关联,从而实现结构上不连接区域之间的连通性。此外,我们使用FDNN来学习大脑区域之间的际区域关系,并将其嵌入到连通图矩阵中。这种构建形成了CD模型,该模型准确模拟了FC中的正相关和负相关。在此基础上,我们进一步提出了ECD模型,该模型通过连通图拉普拉斯矩阵的特征分解来推导FC。ECD模型优化了区域之间的连接权重,提高了扩散过程的生物学合理性,并增强了SC-FC映射的表征能力。在对包含1012个受试者的HCP数据集的实验评估中,ECD模型在预测准确性方面优于GD模型和CD模型,并保持了高稳定性。与最近的SC-FC预测方法的额外比较进一步验证了所提出框架的有效性和优势。例如,Zalesky等人(2024)表明DNN可以从SC预测个体FC,与实证FC的相关性为r=0.5,σ=0.1,而Hoheisel等人(2025)表明个体FC受到神经生物学特征的影响,模型再现了实证FC(r=0.389,σ=0.037)。尽管我们的模型取得了有希望的性能,但仍存在一些限制。首先,FDNN衍生的符号矩阵有效地捕捉了正相关和负相关;然而,其背后的生物学解释仍未完全理解。尽管涉及大量的参数调整,但整合神经场模型可能提供一个潜在的方向(Atasoy等人,2016)。此外,研究抑制性电路或反相关的大脑网络可能会提供另一个有价值的见解。其次,从SC构建的连通图仍然是一个理论假设。我们计划使用结合sMRI、rsfMRI、DTI和EEG记录的多模态数据集来验证这一假设,并在后续研究中探索生物学上基于连通图的表示。第三,生成Mneig矩阵大约需要30分钟和12 GB的内存。通过缓存和在迭代中重用特征向量以及利用基于GPU的并行化,可以提高计算效率。最后,这项研究主要关注理论上的SC-FC建模,尚未在临床或脑机接口系统中得到验证。因此,该方法在实际应用中的灵活性和性能仍有待评估。在未来的工作中,可以将所提出的框架与大脑活动的时间-频率或时空特征结合起来,以探索其捕捉瞬态或刺激诱发的大脑状态的潜力(Yu等人,2024,Yu等人,2025)。同时,我们将寻找额外的可靠数据集来进行跨数据集验证,并进一步评估所提模型的泛化能力。CRediT作者贡献声明马继超:写作 - 审阅与编辑,写作 - 原稿撰写,可视化,验证,软件,方法论,研究,形式分析。罗杰斌:数据管理。刘丹丹:形式分析。吴金然:写作 - 审阅与编辑,监督,资源管理,方法论,可视化,形式分析。王燕江:写作 - 审阅与编辑,监督,数据管理,概念化。李西安:写作 - 审阅与编辑,监督,方法论,数据管理。