近年来，静息态功能磁共振成像（rs-fMRI）研究广泛采用功能连接（functional connectivity, FC）来量化脑区之间的时间相关性。然而，传统的FC方法通常假设脑活动在扫描全程保持平稳，并对整个时间序列进行平均，从而忽略了脑动力学的瞬时变化信息。为弥补这一不足，滑动窗口动态FC方法被提出，但其固有缺陷——如窗口长度选择的主观性、时间定位模糊性以及无法精确评估单个时间点的贡献——限制了其对脑动态活动的精细刻画（Hindriks et al., 2016; Preti et al., 2017）。

为克服上述局限，Esfahlani 等人（2020）提出了一种共波动（cofluctuation）分析方法，将皮尔逊相关分解为每一时刻的帧贡献（frame-wise contribution），从而在保留全脑FC整体结构的同时，实现对瞬时脑活动模式的无窗口、高时间精度解析。该方法的核心在于：对于每个时间点，计算所有脑区对之间的共波动幅度（即边缘时间序列），并通过根平方和（root sum square, RSS）量化全脑共波动的整体强度。研究发现，仅占全时间点中高振幅（high-amplitude）的小部分帧（如前5%）即可高度重现传统静态FC的整体组织模式，且这些高振幅帧所携带的个体化信息具有高度的可区分性和可重复性（Betzel et al., 2022; Esfahlani et al., 2020; Pope et al., 2021）。

LeiLi et al.,2022

使用图谱划分多个ROI脑区，并对每个感兴趣区（ROI）内所有体素的BOLD信号取平均值，得到该ROI的平均时间序列，并将其进行Z-score标准化。

对任意一对ROI，计算其标准化信号在同一时间点上的乘积，该乘积即为该对脑区在该时刻的瞬时共波动值。遍历所有脑区对和时间点，即可得到维度为“脑区对 × 时间点”的边时间序列矩阵（ETS）。

对于每个时间点，计算ETS矩阵中所有瞬时共波动值的平方和开方（Root Sum Square, RSS），该值作为该时刻全脑共波动的整体振幅度量。

将所有时间点按其RSS值从大到小排序，选取RSS值最高的前5%的时间点，将其标记为高振幅共波动帧（HAC frames）。此比例可根据研究需要进行调整，但5%是文献中的常用阈值。

针对每个被试所筛选出的高振幅帧，提取该帧对应的各ROI的标准化BOLD信号值，形成一个长度为ROI数的向量，代表该帧的全脑活动模式。

将所有被试的所有高振幅帧的活动模式向量纵向拼接，构成一个综合矩阵（被试数 × 脑区数）。对该矩阵进行主成分分析，提取第一主成分（PC1）的得分（scores）与载荷（coefficients），用于后续描述主导性共波动模式及其脑区贡献度。

第一， 实现了FC从“静态平均”到“瞬时分解”的转变，为理解脑网络如何在短暂时刻内构建整体功能结构提供了新的视角；

第二， 避免了滑动窗口方法带来的时间模糊性问题，能够精确定位哪些时刻的脑活动对整体FC贡献最大；

第三， 通过主成分分析（PCA）等降维手段，可进一步揭示驱动这些高振幅共波动的主导脑网络模式，从而为探索神经精神疾病（如自闭症谱系障碍）中异常脑动力学的神经机制提供有力工具。

分析界面简洁、易上手

分析完成后，平台自动生成完整的运行结果报告。

报告内容主要包括：历史运行参数、指标说明、结果文件说明、参考工具箱等四个部分。

配备数据分析结果报告

根据计算得到的不同指标，来衔接平台上各自的统计分析：

1. 衔接指标：HA Cofluctuation_RSS（HAC)、HAFC_FC_Correlation、HA Activity Variance、HA_FC等

统计结果示例1

统计结果示例2

高振幅共波动分析发现，默认模式网络与控制网络的活动波动是静息态功能连接的主要驱动因素。在观影任务中，不同被试的共波动振幅呈现跨脑同步，揭示外部刺激对内在网络协同的调制作用。

高振幅共波动分析可揭示自闭症谱系障碍青少年患者默认模式网络的异常模式，研究发现高振幅共波动分析中的默认模式网络（DMN）的第一主成分系数（PC1）与自闭症谱系障碍（ASD）症状严重程度呈正相关。

高振幅共波动分析发现激素浓度变化与大脑连接的关联，揭示人类内分泌系统可调节大脑功能。

本内容分享涉及到的参考文献：

Hindriks, R., Adhikari, M. H., Murayama, Y., Ganzetti, M., Mantini, D.,Logothetis, N. K., & Deco, G. (2016). Can sliding-window correlations reveal dynamic functional connectivity in resting-state fMRI? NeuroImage, 127, 242–256

Preti, M. G., Bolton, T. A., & Van De Ville, D. (2017). The dynamic functional connectome: State-of-the-art and perspectives. NeuroImage,160, 41–54

Esfahlani, F. Z., Jo, Y., Faskowitz, J., Byrge, L., Kennedy, D. P., Sporns, O., & Betzel, R. F. (2020). High-amplitude cofluctuations in cortical activity drive functional connectivity. Proceedings of the National Academy of Sciences, 117(45), 28393–28401.

Betzel, R. F., Cutts, S. A., Greenwell, S., Faskowitz, J., & Sporns, O. (2022).Individualized event structure drives individual differences in wholebrain functional connectivity. NeuroImage, 252, 118993

Pope, M., Fukushima, M., Betzel, R. F., & Sporns, O. (2021). Modular origins of high-amplitude cofluctuations in fine-scale functional connectivity dynamics. Proceedings of the National Academy of Sciences,118(46), e2109380118

关于我们

联系我们

关注“脑海科技”公众号，获取产品最新动态；如果您对以上产品及功能感兴趣，请联系我们咨询产品详情，预约产品演示；添加微信后可备注“医院科室+名字”，提供感兴趣的产品名称；我们可更好地了解您的需求，更快提供详尽的产品细节信息。

联系电话：19906719439（微信同号）

联系热线：0571-2883-4398

企业网站：https://www.brainimaging.cn/

点击下方链接了解其他产品