本篇文献发表在Movement Disorders杂志。本公众号所发布内容旨在与大家分享学术新知，促进交流学习，版权归原作者或原出处所有，感谢各位学者的辛勤付出与研究成果。

1. 引言

大约 50% 的帕金森病（PD）患者最终会遭受步态冻结（FOG）的困扰，这是一种严重的步态障碍，其特征是短暂无法启动迈步或感觉双脚像被“粘”在地板上。FOG 主要发生在 PD 晚期，并与高跌倒风险及生活质量下降相关。因此，理解 FOG 的病理生理学机制具有重要的临床意义，有助于制定更优的管理策略并优化治疗方案。

FOG 与神经网络中复杂的空间和时间改变相关。弥散张量成像已证实 FOG 患者中存在脚桥核与小脑、丘脑及额叶皮层之间结构连接性的降低。在 PD-FOG 患者中，涉及执行功能、注意力、视觉空间及运动调节的脑区表现出异常的神经活动。在早期使用功能磁共振成像（fMRI）数据进行静息态功能连接（FC）分析的研究中，PD-FOG 患者显示出多个脑网络内部及网络之间的 FC 改变，例如视觉网络、执行注意网络、运动网络、额顶网络，以及脚桥核与视觉颞区之间。

最近，神经连接性中一个备受关注的方面是能够在扫描过程中观察网络重组，即动态功能连接（DFC）分析。DFC并非将神经连接视为连接强度的“静态”表征，而是通过在时间轴上逐步滑动窗重复计算 FC 指标而发展起来的。DFC 分析关注重复出现的 FC 模式（脑“状态”）、个体在每个“状态”中停留的时间以及“状态”之间的转换次数。在扩展先前“静态”网络观察的基础上，DFC 分析衍生的指标为许多疾病提供了新的见解。早期 PD 患者倾向于比健康对照（HCs）在稀疏连接的状态中花费更多时间，且患者在稀疏连接状态中花费的总时间与疾病进展及轻度认知缺陷的存在相关。然而，FOG 的 DFC 特征在很大程度上仍是未知的。

因此，此研究旨在通过比较 HCs 与伴及不伴 FOG 的 PD 患者之间的 DFC，来表征 FOG 中的 DFC 特征。独特之处在于，此研究使用了具有高时间分辨率的MRI 扫描方案，该方案能以更高的时间分辨率提供 DFC 信息（即 MRI 扫描时间的重复时间 [TR] 为 750 ms，而既往研究中 TR 通常不低于 2000 ms）。具体而言，此研究假设 PD-FOG 患者将在关键网络（如视觉和运动网络）中表现出改变的 DFC 属性，这可能与 FOG 中的视觉空间和执行功能障碍相关。此外，考虑到 PD-FOG 患者无法及时适应多变的需求，预计与不伴 FOG 的 PD 患者相比，他们将具有更低的局部效率和更少的脑状态间转换。

2. 方法

2.1 受试者

共纳入 32 名 HCs 和 87 名 PD 患者，其中包括 29 名伴 FOG 患者和 58 名不伴 FOG（nFOG）患者。PD 诊断依据 2015 年国际运动障碍协会（MDS）PD临床诊断标准。FOG 的诊断需经专科医生观察到 FOG，且步态冻结问卷（FOGQ）第 3 项评分 > 1，并满足以下至少一项标准：（1）受试者自述是否经历过 FOG；（2）在医生描述后，患者能识别出自身经历中的典型 FOG。排除标准包括：（1）接受深部脑刺激的患者；（2）MRI 扫描显示存在血管性脑病变、脑肿瘤、白质高信号或显著脑萎缩；（3）存在可能与 FOG 相关的潜在差异来源病灶；（4）诊断为非典型帕金森综合征；（5）过度运动相关图像伪影。

HCs 年龄至少为 30 岁，且对 MRI 扫描具有良好的耐受性。所有 HCs 的排除标准包括：头部外伤史、存在其他显著的精神、神经或系统合并症、MRI 信号异常（如脑血管病变、白质高信号及占位性病变证据）以及 MRI 伪影。

在充分解释相关流程后，所有患者和 HCs 均签署了书面知情同意书。此研究遵循赫尔辛基宣言完成。

2.2 神经心理学与临床评估

PD 严重程度使用国际运动障碍协会-统一帕金森病评定量表第三部分（运动部分）（MDS-UPDRS-III）在停药状态下进行评估。根据既往研究计算每位患者的左旋多巴等效日剂量（LEDD）。所有患者和 HCs 均完成了简易精神状态检查（MMSE）、蒙特利尔认知评估（MoCA）和汉密尔顿抑郁量表（HAMD），以在停药状态下评估整体认知和抑郁症状（表 1）。FOG 严重程度通过 FOGQ 进行评估。

2.3 数据采集与预处理

图像使用 3 T 西门子 Magnetom Prisma 扫描仪（西门子医疗，德国埃尔朗根）及 64 通道头线圈采集。结构3D T1 加权图像采用磁化准备快速梯度回波（MP-RAGE）序列采集，参数如下：TR = 2300 ms，TE = 2.26 ms，TIR = 900 ms，翻转角 = 8°，矩阵 = 256×256×186，体素大小= 1×1×1 mm，无间隔。fMRI 扫描持续 6分 11 秒，采用以下平面回波成像序列：TR = 750 ms，TE = 30 ms，翻转角= 54°，矩阵大小= 74×74×64，体素大小= 3×3×3 mm，无间隔。在 fMRI 扫描期间，受试者被要求闭眼安静平躺，不进行任何特定思考，并避免入睡，这一点通过扫描后询问确认。使用耳机减弱扫描仪噪声，并用泡沫垫限制头部运动。此外，PD 患者在 MRI 扫描期间停用多巴胺能药物，经过超过 12 小时的夜间药物洗脱。扫描过程中，技师实时评估所有图像的质量指标，包括运动伪影、解剖覆盖范围和图像方向。技师还通过 MRI 扫描仪摄像头监测头部运动。如果观察到头部运动或图像质量受损，技师会立即重复扫描以获取更优数据。

在数据预处理之前进行了图像质量控制，如补充方法中所示。数据预处理使用基于 SPM12 软件（http://www.fil.ion.ucl.ac.uk/spm/）的静息态 fMRI 数据分析工具包 V1.24（RESTplus V1.24）在 MATLAB（版本 R2013b）中进行。对功能图像进行重新对齐、使用 DARTEL 技术标准化至标准 MNI 空间模板、通过运动校正，并使用 6 mm 半高全宽高斯核进行平滑处理。

表1 伴与不伴步态冻结的帕金森病患者人口统计学及临床特征

2.4 组水平独立成分分析

此研究进行了组水平独立成分分析（ICA；见图 1）以分离脑网络，使用功能MRI 组 ICA 工具箱（GIFT v3.0b；http://icatb.sourceforge.net），参数依据既往研究描述。详情见补充方法。

此研究识别出 19 个有意义的成分，并根据它们的空间相关性和预定义模板，将其归类为 10 个功能网络。如图 2A、B 及表 S1 所示，这些成分被划分为基底节（BG）、听觉（AUD）、视觉（VIS）、感觉运动（SMN）、认知执行（CEN）、默认模式（DMN）、左侧额顶（LFPN）、右侧额顶（RFPN）、背侧注意（DAN）和突显（SN）网络。独立成分的详细信息和空间图见表 S1 和图 S2。详情见补充方法。

2.5 动态功能连接

此研究使用 GIFT 中的 DFC 网络工具箱，通过滑动窗方法计算 DFC。由于脑网络的拓扑特性在大约 30 秒时开始稳定，此研究选择了40个TR（30 秒）的窗口大小和 1 个 TR 的步长。所有窗口的 FC 指标均通过 Fisher z 变换转换为 z 分数以稳定方差。

此研究对窗口FC 指标使用 k 均值聚类算法，以检测重复出现的 FC 模式（“状态”）。根据轮廓准则确定最佳聚类数为 2（k = 2），根据肘部准则确定为 4（k = 4）（图 S3）。因此，DFC 分析分别以两种和四种聚类（即“状态”）进行和评估。

计算平均停留时间、窗口分数和转换次数来描述每个脑“状态”的动态特征。“平均停留时间”指属于某一状态的连续窗口数，“窗口分数”指属于某一状态的总窗口数，“转换次数”指状态之间的转换次数。

图1. 此研究中用于功能连接分析的步骤流程图

2.6 动态拓扑指标：效率方差

此外，采用图论方法，使用 GRETNA 软件（http://www.nitrc.org/projects/gretna）检测PD-FOG 和 PD-nFOG 组 FC 网络拓扑组织的变异性。将 19 个成分定义为节点，它们之间的两两连接性定义为边。

在每个稀疏度阈值下计算局部效率和全局效率。全局效率指网络中所有节点对之间的平均效率，而局部效率指节点邻域内节点局部效率的平均值。为避免特定阈值的选择，此研究应用了曲线下面积（AUC）方法，该方法广泛用于基于图论的网络研究。同时计算了 AUC 在动态窗口上的方差以描述拓扑动态（图 S4）。详情见补充方法 S3。

图2. 通过组独立成分分析和四种状态的聚类质心识别的独立成分（n = 19）

2.7 统计分析

上述 DFC 指标的事后比较在 GIFT 和 SPSS 统计软件24.0 版（SPSS，美国伊利诺伊州芝加哥）中处理，显著性水平设为 P < 0.05，并经错误发现率（FDR）校正调整。对上述 DFC 属性使用 Student t 检验进行以下比较：（1）HC 组与 PD 组；（2）PD-nFOG 组与 PD-FOG 组。

HC 组与 PD 组之间的比较采用一般线性模型，以年龄和性别作为协变量以校正年龄不匹配。PD-FOG与 PD-nFOG 亚组之间的组间差异采用两样本 t 检验。PD-FOG 与 PD-nFOG 组之间以及 PD 与 HC 组之间的临床评分比较未进行 FDR 校正，以避免因校正而掩盖组间差异。分别对四聚类和两聚类分析进行不同动态指标的比较。在四聚类分析中，对所有组间比较均应用了 FDR 校正。

使用皮尔逊卡方检验比较分类变量。此研究对改变的时域和拓扑属性与临床指标（包括 UPDRS-III、MMSE、MoCA和 FOGQ 评分）进行了 Spearman 相关分析，并在 0.05 水平进行 FDR 校正。

在脑海科技云平台中，内置了动态功能连接模块，支持用户批量处理数据，并确保每一步参数设置都有据可查。此外，平台的项目管理模块可清晰记录数据筛选标准、排除被试原因、分析版本等信息，极大提升了研究的透明度和可复现性。感兴趣可联系咨询以及预约产品演示。

3. 结果

3.1 人口统计学与临床特征

经过图像质量控制后，共纳入 29 名 HCs 和 78 名 PD 患者（25 名伴 FOG，53 名不伴 FOG）。这些受试者的人口统计学和临床特征总结于表 S2。HC 组的年龄与 PD 组不匹配。在 PD 队列内，PD-FOG 组与PD-nFOG 组在年龄、性别、病程、UPDRS-III、LEDD、MMSE 和 MoCA 评分方面未观察到显著差异（表 1）。药物使用的详细信息见补充结果。

3.2 动态功能连接状态分析

使用四种结构化 FC 状态时，PD-FOG 组与 PD-nFOG 组的区分度更高。具体而言，状态 I 最为频繁且连接相对稀疏，状态 IV 最不频繁但高度互联。状态 II 和状态 III 共享相似的网络配置，其特征包括 DMN、LFPN 和 RFPN 之间的正相关，以及 CEN、AUD、DAN 和 SMN 之间的正相关。最值得注意的是，在状态 II 中，VIS 网络与 AUD、DAN 和 SMN 呈正相关，与 DMN、LFPN 和 RFPN 呈负相关，而在状态 III 中情况恰恰相反。各状态总出现次数百分比分别为：状态 I 占 50%，状态 II 占 18%，状态 III 占 22%，状态 IV 占 11%。图 2C 显示了四种状态的聚类中心。

状态 III 在 PD-FOG 组中出现的频率（26.55 ± 23.36%）高于 PD-nFOG 组（18.56 ± 17.77%）（P = 0.037，图 3A 和 S5）。如图 3B 所示，与不伴 FOG 的患者相比，伴 FOG 患者在状态 II 的停留时间显著更少（PD-FOG：15.83 ± 15.18；PD-nFOG：25.09 ± 19.53；P = 0.045），而在状态 III 的停留时间显著更多（PD-FOG：32.35 ± 24.94；PD-nFOG：19.60 ± 14.19；P = 0.041）。PD-nFOG 组的脑状态转换次数（8.94 ± 3.54）显著高于 PD-FOG 组（7.13± 3.13）（P = 0.045，图 3C）。两组之间的连接强度无显著差异。经过多重比较校正（Bonferroni/FDR/排列检验）后，PD-FOG 与 PD-nFOG 在状态II 和 III 中的网络内或网络间连接未发现显著差异。PD-FOG组与 PD-nFOG 组在两种状态方案下的时间属性见补充结果。PD组与 HC 组的比较，以及两聚类方案的结果，见补充结果（图S3、S6、S7 及表 S3）。

3.3 临床指标与动态功能连接属性之间的相关性

在 PD-FOG 组中，FOGQ 评分与状态 III 的停留时间呈正相关（r = 0.430，P = 0.049，FDR校正）（图 S8）。这意味着更严重的 FOG 与在状态 III 中花费更长时间相关，在该状态中，VIS 网络与 AUD、DAN 和 SMN 呈负相关，而与 DMN、LFPN和 RFPN 网络呈正相关。此外，在 PD-FOG 组中，MoCA 的视觉空间和执行子评分倾向于与状态 III 的窗口分数呈负相关（r = -0.414，P = 0.054，FDR 校正），但在 PD-nFOG 组中则不然。

3.4 动态图论属性：网络效率

总体而言，PD-FOG 组与 PD-nFOG 组之间的全局效率无显著差异，提示伴 FOG 患者功能网络中的平均并行信息传递未发生改变。相比之下，PD-FOG 组的局部效率方差显著低于 PD-nFOG 组（P = 0.026）（图 4）。

4. 讨论

脑网络内部及之间的相互作用对 PD 患者的功能表现至关重要。此研究描述了伴与不伴 FOG 的 PD 患者的 DFC 特征，并将 DFC 特征与临床特征相关联。此研究识别出四种高度结构化的 DFC 连接状态，并观察到状态 II 和 III 在 FOG 与非 FOG 患者之间存在显著差异。状态 II 和 III 具有相似的网络配置，但在特定区域（即视觉网络与其他网络）之间的连接方向上表现出相反的模式。在状态 II 和 III 中花费的时间量与FOG 的严重程度相对应。PD-nFOG 患者的脑状态间转换次数和局部效率方差均显著高于 PD-FOG 患者。这些发现为理解 FOG 调控相关的神经生理学提供了新见解，并可能成为 FOG 治疗策略的新靶点。

图3. 带有步态冻结（PD-FOG）与无步态冻结（PD-nFOG）帕金森病患者组动态功能连接状态的时间特性

此研究表明，视觉网络的动态状态是构成 FOG 发生的基础机制之一。众所周知，FOG 患者的步态可受到视觉提示的显著影响。例如，仅需在 PD-FOG 患者前方的地板上画一条横线，即可使其解除冻结并开始行走。在一项使用单光子发射计算机断层扫描（SPECT）的研究中，Hanakawa 等人指出，专司此功能的视觉运动网络在反常步态的发生中起重要作用。在此研究中，FOG 患者在具有负向 FC_VIS-DMN 和正向 FC_VIS-SMN 的状态 II 中花费时间较少，而在具有正向 FC_VIS-DMN 以及负向 FC_VIS-SMN 和 FC_VIS-DAN 的状态 III 中花费时间较多。视觉-感觉运动相互作用对于运动控制和学习至关重要，视觉信息可通过该作用整合到运动形成中。这种相互作用在 PD 的早期、中期和晚期逐渐减弱。PD-FOG 中的视觉-感觉运动缺陷可能表现为对邻近区域频繁视觉反馈的需求增加，这可能是一种代偿性视觉行为，并导致在 PD-FOG 患者中观察到的地面聚焦注视。同样，DAN（调节对任务 [如行走] 持续注意力的网络）的功能障碍可能使 PD 患者易于发生步态的视觉运动控制改变，并促成 FOG。因此，此研究观察到的在状态 III 中弱（甚至负向）FC_VIS-SMN 和 FC_VIS-DAN 时间的异常增加，以及在状态 II 中正向 FC_VIS-SMN 和 FC_VIS-DAN 时间的减少，可能与 FOG 患者中观察到的视觉运动缺陷有关。

图4. 动态功能连接中拓扑指标的变异度

VIS 与 DMN 之间相互作用的动态变化对 PD-FOG 也可能很重要。DMN 是一个高阶认知网络，在执行步态所需的认知策略中发挥作用。在认知任务期间，DMN 与 VIS 之间的 FC 从正向转变为中性，已被发现对于成功执行任务至关重要。在 FOG 患者中，静息态下 DMN 与VIS 之间静态 FC 的增加与 DMN 无法为任务执行做好准备有关，并可能与 FOG 相关。与既往发现一致，此研究发现状态 III（以正向 FC_VIS-DMN 为特征）的停留时间与 FOG 严重程度呈正相关。综上所述，这是首次从脑功能网络动力学角度解释 FOG 现象的研究，并揭示了视觉网络作为一个高度连接的枢纽在不同运动功能相关脑状态中的重要性。

此外，FOG 患者表现出较 nFOG 患者更低的转换频率和更小的静息态局部效率变异性。既往关注网络灵活性的研究发现精神分裂症组的脑状态转换减少。不同连接状态之间的这种动态转换可能有助于在面对变化的认知需求时更快地调动必要资源。相反，更大的脑网络变异性可能反映了神经系统更高的复杂性以及高效处理多变和意外外部刺激的能力。在此研究中，FOG 组转换次数和局部效率变异性的减少代表了一个相对“僵化”的大脑，这可能与行走过程中处理意外刺激的能力受损有关。

此研究还观察到，在 PD-FOG 组中，MoCA 的视觉空间和执行子评分与状态 III 期间的窗口分数呈负相关趋势，但在 PD-nFOG 组中则不然。既往研究发现，与 PD-nFOG 相比，PD-FOG 患者表现出更差的认知功能。PD-FOG 中认知网络（如 DAN 和VIS）的连接受损，可能干扰了 DAN 在视觉空间注意转换过程中的调节作用，导致 PD 患者在复杂行走情境下出现 FOG。DAN 与 SMN 之间连接性的受损也扰乱了步态所需认知策略的调节。因此，状态 III 停留时间的增加可能与 PD-FOG 中更差的认知功能相关，并促成步态障碍。

目前，对于如何在 DFC 分析中确定聚类状态数尚无共识。因此，不同研究中应用了多种确定最佳聚类数的标准，如轮廓准则和肘部准则。有趣的是，在此研究中，结果显示两种状态的聚类足以识别 PD 与 HC 之间 DFC 的差异，但未能显示 PD-FOG 与 PD-nFOG 组之间动态时间属性的显著差异，而这些差异实际上可通过四种聚类状态识别。因此，对动态状态进行细致划分对于检测 DFC 的变化可能很重要。类似地，既往研究已提示 PD 伴冲动控制障碍患者在四种状态内的 DFC 变化，以及左旋多巴对 PD 患者在三种状态内的影响。因此，当两种状态不足以敏感地检测变化时，建议在 DFC 分析中分析更多的聚类状态。仍需未来研究探索聚类状态数量的影响。

独特的是，此研究实施了亚秒级 TR（750 ms）的 MRI 扫描。与 TR 为 2 秒的传统平面回波成像相比，具有同步多层采集的更短 TR 显著提高了数据的时间分辨率，同时保持了相同水平的重测信度。具体而言，更高的时间分辨率可以增加每个窗口的样本数，从而提供对 FC 的稳健估计。在一项事件相关 fMRI 研究中，使用亚秒级 TR 比传统 TR（如 2.6 秒）能更好地检测到 DFC 的变化。此外，亚秒级 TR 将减少来自心动周期和呼吸的生理噪声影响。尽管此研究未采用高阶自回归模型或实时生理记录，但在后处理过程中使用了 ICA，该方法能有效识别和去除噪声源。

4.1 局限性

此研究的一个局限性是静息态采集时间相对较短，为 6 分 11 秒，这与既往 fMRI DFC 研究相似，但未达到 DFC 分析推荐的 10 分钟采集时长。需进一步研究以确定具有更高时间分辨率的较短扫描是否能提供与具有较低时间分辨率的较长扫描等效的 DFC 估计。此研究的另一个注意事项是 HC 组与 PD 组的年龄不匹配；然而，尽管此比较是次要分析，但在统计模型中已将年龄作为协变量进行控制。因此，在解释这些结果时需谨慎。

5. 结论

总之，此研究通过比较伴与不伴 FOG 的 PD 患者之间的 DFC 特征，描绘了FOG 的神经相关物。此研究结果提供了首例证据，表明在具有负向 FC_VIS-SMN、FC_VIS-DAN 和正向 FC_VIS-DMN 相关性的状态下停留时间增加，是构成 FOG 发生的基础机制之一。此外，PD-FOG 组脑状态间的转换次数和局部效率方差显著低于 PD-nFOG 组，这可能代表了 PD-FOG 中相对“僵化”的连接性。此研究认为 FC 的时间动态可部分解释病理生理机制，并为 PD-FOG 提供一个潜在的功能神经影像生物标志物。