《Human Brain Mapping》：Energy-Based Phase-Locking State Analysis in Brain State Identification
编辑推荐：
人脑表现出固有的多稳态特性，能量景观分析（ELA）通过血氧水平依赖（BOLD）信号为研究这一性质提供了有效框架。然而，传统基于幅度的分析方法从根本上忽略了介导大规模神经协调的关键相位同步动态，而现有的基于相位的方法如领先特征向量动态分析（LEiDA）缺乏用于状
人脑表现出固有的多稳态特性，能量景观分析（ELA）通过血氧水平依赖（BOLD）信号为研究这一性质提供了有效框架。然而，传统基于幅度的分析方法从根本上忽略了介导大规模神经协调的关键相位同步动态，而现有的基于相位的方法如领先特征向量动态分析（LEiDA）缺乏用于状态稳定性量化的热力学形式体系。在此，研究人员提出基于能量的锁相态分析（EPLSA），这是一种变革性的计算框架，协同整合瞬时相位耦合动态与严格的能力景观原理，解决了传统方法的根本局限。在两个独立神经影像数据集（HCP和Natural Sleep）上的全面验证表明，EPLSA在重测信度、任务特异性脑状态区分和个体水平分类性能方面均显著优于LEiDA和传统ELA。为证明所提方法的生理与临床实用性，研究人员进行了睡－醒分析，揭示EPLSA对意识状态转换具有增强的敏感性：睡眠期间主要状态占用率降低且次要状态流行度增加，直接转移概率显著降低。此外，应用OASIS-3数据集对阿尔茨海默病（AD）患者进行分析，发现额顶控制网络－默认模式网络（FPCN-DMN）共激活状态的停留时间与发生频率缩短，视觉网络－边缘网络（VIS-LMN）共激活状态的停留时间与发生频率延长，且这些指标与认知损伤显著相关。通过统一相位耦合与热力学原理，EPLSA为认知任务、意识状态和神经退行性疾病条件下的神经动态机制提供了新见解，为健康与疾病状态下脑功能研究提供了变革性分析工具，尤其在神经系统疾病的早期检测与监测方面具有前景。
该研究发表在《Human Brain Mapping》。研究背景方面，人脑动态特性研究常通过离散脑状态的时间演化模式来推断，脑多稳态可由能量景观分析（ELA，Energy Landscape Analysis）刻画，其将脑动态视为经验数据导出的能量景观中随机粒子的运动，局部能量极小对应离散脑状态，高能量垒意味着状态间转换困难，ELA已在多种行为与临床关联中证实有效。但传统ELA仅依赖BOLD信号幅度信息，忽略了神经群体与脑区之间关键的耦合协调（即相位同步动态）。相位同步（PS，Phase Synchronization）方法通过Hilbert变换计算瞬时相位来量化脑区之间的同步水平；在此基础上发展的领先特征向量动态分析（LEiDA，Leading Eigenvector Dynamic Analysis）利用相位对齐矩阵的主导特征向量刻画主导耦合模式并进行聚类得到脑状态，已广泛应用于睡眠－觉醒、药物作用、神经发育、精神分裂症、抑郁症等研究。然而LEiDA缺乏量化状态热力学稳定性或状态间能量垒的形式理论框架，无法直接计算状态持续性、转移概率和网络重构的能量代价，限制了对脑动态系统层面约束的理解，尤其在临床人群与意识状态研究中更为突出。因此研究人员提出将LEiDA的相位相干特征整合进能量景观框架，以反映脑状态转换的动态约束（如与相位同步模式相关的能量垒），从而提升脑状态稳定性与转换机制的分析能力。
研究人员开展了名为基于能量的锁相态分析（EPLSA，Energy-based Phase-Locking State Analysis）的新框架开发工作：先对fMRI数据进行标准预处理（三个数据集分别采用适配流程：HCP数据集用fslr32k配准至100脑区，CompCor去 nuisance，回归12运动参数与全局信号，带通滤波0.009–0.08 Hz，帧剔除；Natural Sleep数据集用AFNI做时间层校正、头动校正、 scrub、配准、标准化至3×3×3 mm、带通0.01–0.1 Hz、回归噪声、平滑6 mm FWHM、按Schaefer 400皮层＋Subcortical Atlas 50区共450 ROI提取；OASIS-3数据集用FreeSurfer重建、FSL预处理、Schaefer 400皮层ROI），然后将脑区映射到7个经典功能网络（视网络VIS、躯体运动网络SMN、背侧注意网络DAN、腹侧注意网络VAN、边缘网络LMN、默认模式网络DMN、额顶控制网络FPCN），提取各网络平均BOLD时间序列并经Hilbert变换得到瞬时相位，在每个时间点构建动态锁相（dPL，dynamic Phase-Locking）矩阵（元素为两网络瞬时相位差的余弦），提取dPL矩阵的领先特征向量（leading eigenvector）作为全脑相位相干模式的低维表示，按符号二值化（+1为激活，?1为失活）得到7维二进制时间序列；进而用成对最大熵模型（MEM，Maximum Entropy Model）拟合二进制序列的经验分布，得到各活动模式（共27=128种）的Boltzmann能量值与概率；构建断连图（disconnectivity graph）以识别局部能量极小（吸引子）及对应吸引盆，定义脑状态为吸引盆，并计算分数占用率（fractional occupancy）、停留时间（dwell time）、状态间转移概率等动态指标。基准对照方法包括ROI水平LEiDA（LEiDA-roi）、网络水平LEiDA（LEiDA-net）和传统基于幅度的ELA。验证用三个独立数据集：HCP S1200（590健康人，7项认知任务＋静息态，RL/LR两次扫描）用于重测信度（用Mean Nearest Rank discriminability指数）、任务特异性状态区分（对称Kullback–Leibler散度KL）、个体水平分类（随机森林十折交叉验证，以状态频率为特征区分8条件及静息vs任务）；Natural Sleep数据集（33人同步fMRI-EEG，清醒vs睡眠分期）用于睡－醒动态差异分析与二分类；OASIS-3数据集（AD患者39次扫描，认知正常对照233次扫描）用于临床关联，比较组间状态指标（发生频率、停留时间、转移概率）并用偏Pearson相关分析其与临床量表（MMSE、LMT、BNT、TMA、TMB）的关系，年龄与教育为协变量。统计用独立样本t检验、FDR校正α=0.05（基准验证）或未校正p（AD分析），分类指标含准确率ACC、精确率、召回率、F1值。
研究结果如下：
3.1 Comparative Methodology Evaluation（方法学比较评估）：3.1.1 Task-Specific Brain State Differentiation（任务特异性脑状态区分）：研究人员先优化LEiDA聚类数k，用Dunn Index与Distortion确定k=7最优；在此参数下EPLSA在所有28对任务／静息两两比较中对称KL散度均显著高于基准方法（p<0.001，FDR校正），以静息vs运动任务为例EPLSA区分显著优于其他所有方法，该优势在不同k及其他相位编码方向（LR/RL）中均稳健。3.1.2 Individual-Level Classification Performance（个体水平分类性能）：以状态频率为特征的八条件（静息＋七任务）分类中，EPLSA的准确率、精确率、召回率、F1值均显著优于基准（p<0.001，FDR校正）；静息vs任务二分类及单独静息态预测准确率也均为EPLSA最高。3.1.3 Test–Retest Reliability Assessment（重测信度评估）：EPLSA的重测判别指数与LEiDA变体相当（p>0.05，FDR校正），无显著差异，且所有方法的重测信度与时间序列长度呈显著正相关（语言任务因复杂性略偏离趋势）。
3.2 Discrimination Between Sleep–Wake Conditions（睡－醒状态区分）：应用到Natural Sleep数据集识别出8个脑状态，按吸引盆大小分主要／次要状态；睡眠相比清醒主要状态发生频率显著降低（t=?4.81，p=0.006 FDR校正）、次要状态显著升高（t=4.81，p=0.006），直接状态转移概率显著降低（t=?3.41，p=0.003），间接转移无显著差异；睡眠中涉及皮下与DMN的状态停留时间缩短；睡－醒二分类EPLSA准确率和ROC曲线下面积优于基准方法。
3.3 Brain States Characterization in AD Patients（AD患者脑状态表征）：OASIS-3分析同样识别8个亚稳态脑状态（按主导激活网络命名，如VIS-DAN、FPCN-DMN、VIS-LMN等）；组间比较显示AD患者VIS-LMN状态发生频率（p=0.007未校正）与停留时间（p=0.047）显著更高，FPCN-DMN状态发生频率（p=0.025）与停留时间（p=0.020）显著更低；在AD组内，VIS-LMN状态的停留时间与占用率和TMA（Trail Making Test Part A）评分呈显著正相关（r=0.45，p=0.007；r=0.46，p=0.006），即更长／更多VIS-LMN状态对应更差认知表现（更高TMA为更差）。
讨论部分总结：脑时空动态研究对阐明病理机制与神经调控有重要意义，可靠框架至关重要。传统ELA基于统计物理量化多稳态能量景观但多用幅度二值化而忽略相位耦合；LEiDA基于相位相干敏感捕捉瞬时同步状态但无状态稳定性与能量垒的定量框架。EPLSA统一二者：在相位锁相矩阵领先特征向量基础上建能量景观（成对最大熵模型），将高维相位动态投影到低维能量地形，局部极小对应“幽灵吸引子”（ghost attractors）即功能相干网络集合，势阱深度量化状态亚稳定性（能量垒），鞍点对应状态间转换；在保留LEiDA相位耦合敏感性的同时赋予ELA式热力学度量（状态持续性、转移难度、能量壁垒）。睡－醒分析发现睡眠时次要状态增多、主要状态占用下降、直接主要－主要转移概率降低但间接（经由次要状态）无变化，反映睡眠时系统更频繁跨越能量垒、探索更广的高能“幽灵吸引子”配置、稳定盆停留缩短，与记忆巩固、神经恢复的功能探索一致，DMN相关状态停留减少也与既往DMN连接睡眠下降吻合。AD分析发现FPCN-DMN共激活状态占用与停留减少（对应已知DMN/FPCN在AD中易受损），VIS-LMN共激活状态占用与停留增加（VIS-LMN为最低能量态，AD病理导致热力学偏向低能感觉“陷阱”、功能库收缩、突触异步），且VIS-LMN动态与TMA认知评分显著相关，说明EPLSA动态指标可作为AD严重度预测因子及病理标记。方法局限：能量景观理论约束变量数宜6–15（本文用7网络），更大规模ROI会因状态空间2N爆炸难解释；只取领先特征向量会损失次级同步模式；HCP样本虽大但仍未达可靠脑－行为关联所需万级；HCP预处理用了全局信号回归（GSR）可能影响全局相位同步检测，未来需系统评估GSR等选择的影响；需更多临床与纵向数据验证泛化。综上，EPLSA桥接了相位耦合动态与热力学稳定性来精确、有理论根基地刻画脑状态：提升了状态区分度与任务解码准确率；提供可量化的稳定性指标（能量壁垒、势阱深度）揭示认知状态转换的能量约束；在临床转化上睡－醒分类与AD表征优秀，证明相位衍生能量壁垒主导认知状态转换，为健康与疾病脑动态提供新理论框架，未来可在多人群验证并发展神经疾病诊断监测生物标记。
