使用功能磁共振成像(fMRI)对全脑的功能性连接研究基于以下假设，即可以通过对整个实验进行平均来评估给定的条件(如休息状态或在任务状态)。实际上，数据具有动态性，即使在相同的实验条件下，也显示出连接模式随时间变化的证据。本文回顾了一系列盲源分离(blind-source separation BSS)方法，用这些方法来研究整个大脑的时变连接模式，并被证明很有效。这个方向的最初工作集中在数据驱动下节点之间的时变耦合，最近时变节点也被考虑。我们讨论了这些方法的扩展，包括转换到时频域上。我们提供了各种应用的例子，这些应用发现了关于健康和患者大脑的新信息。随着信号处理领域的发展，fMRI捕获全脑系统连接信息(连接组学)的方法也取得了重大进展，同时允许该系统随着时间的推移自然发展(即时间同步连接组学——chronnectomics)。本文发表在IEEE Signal Processing Magazine杂志。（可添加微信号siyingyxf或18983979082获取原文）。
相关的FNC/DFNC文章可浏览以下链接（直接点击即可浏览，我个人比较推崇2篇BRAIN及DMN的文章，已标红）：
边缘和自主神经加工改变支持心碎综合征的脑神经机制
ICA在fMRI组水平推断和融合多模态数据方面的应用
应激与轻度炎症对于PTSD患者的功能脑网络的双重影响
AJP：大脑功能连接的内在模式在调节重度抑郁患者抗抑郁治疗反应中的作用
Molecular Psychiatry：静息态fMRI预测青少年认知能力
Molecular Psychiatry：内在连接组是预测重性抑郁缓解的生物
对PTSD和MDD共病患者的TMS临床治疗反应的脑网络机制的探索性研究
创伤后应激障碍（PTSD）的功能连接神经生物标记
BRAIN ：帕金森病中与痴呆相关的动态功能连接改变
Brain：帕金森患者脑内功能网络连接异常
Radiology:认知功能障碍的多发性硬化症患者的fMRI网络动态性
PNAS:童年创伤经历与重度抑郁症患者异常脑功能连接有关
Biological Psychiatry：高外周炎症信号与情绪调节网络和中央
DMN:大脑的默认网络
默认网络：最新的解剖、生理研究及其研究发展过程中的新观点
大数据、人类连接体、BRAIN和时间同步连接体是美国、欧盟、中国和日本理解人类大脑和大脑连接性的主要项目(见:人类连接体项目和大脑计划、国家科学基金会(NSF)的神经和认知系统计划、欧盟的人脑项目、日本的大脑/思维等)。这些项目的两个关键主题是:1) 发展研究人脑的技术；2) 利用和调整来自大规模项目的结果，如人类基因组计划和大数据到知识的倡议。这些项目继续促进我们对人脑复杂性的理解，并推动了最近从尺度角度 (scaling science)来处理“大数据”的问题。随着时间的变化，对大脑网络的研究(功能连接组学)，被称为时间同步连接体。最近被国家精神健康研究所所长Dr.Tom评为“2014年最佳”之一，该概念将工程师、物理学家和神经生物学家聚集在一起，为更好地理解脑成像信号的时间动力学。具体来说，Dr.Tom指出了多学科“融合”的力量。时间同步连接体是大脑的一个模型，其中节点活动和连接模式随着时间以可预测和有意义的方式变化。因此，时间同步连接体的概念做出了一个特殊的假设，即动力学是非平稳的。人们可以关注各种尺度下的时间同步连接变化，包括毫秒(由脑电图(EEG)或脑磁图(MEG)测量)、秒(由功能磁共振成像(fMRI)测量)和分钟(通过使用平均或静态连接方法的实验之间的变化来衡量)以及数月和数年内的变化(结合额外的信息，如大脑结构或表观遗传变化(epigenetic changes)，对纵向研究非常有用)[图1(a)]。在人类连接体项目(Human Connectome Project and the BRAIN Initiative)中，描述大脑在整个生命周期内的连通性是一个重点。时变连接的概念最早出现在EEG微观状态(EEG microstates)，即大脑多个区域存在同步的时间点。最近，功能磁共振成像(fMRI)被用于研究时变连接性，它为整个大脑的功能提供了一个更具空间特异性的测量方法 (以降低时间分辨率为代价)。在这篇文章中，我们主要关注最近出现的数据驱动方法，这些方法可以在fMRI实验中(无论是在静息还是任务状态)捕获全脑时变连接模式。初步结果表明，这种方法比静态连接方法提供更多的信息，从而可以在单个实验中，激发大脑的动态变化。这种方法会对较长时间范围内的连接性变化进行更加丰富的评估。使用功能连接性测量研究健康和患者的大脑已经取得了很大的进展，并且全脑测量已经被证明是非常强大的。fMRI研究者(The fMRI community)已经意识到，在整个测量期间，功能连接性的评估受到隐含的时空平稳性假设的限制。在精神活动不受约束的静息状态下，动力学可能更加突出。研究大脑的时变连接性方法已经出现多条路径，包括重要转变点的检测(例如，变化点分析)，时频方法和窗方法。数据驱动的方法，特别是(联合)盲源分离，已被证明有助于利用现有的先验和统计信息来充分表征静态和动态大脑连接。术语“时间同步连接体”一词描述的是识别大脑区域间的时变并且反复出现的耦合模式。与“时间同步连接体”相反的另一个有趣概念--“动态体”(dynome)，其重点是时变（振荡）活动，其基本特征（频率、相位、振幅等）通常假定为静态--提出了动态非平稳的具体假设。本文的动力学指的是内在的非平稳性，而不是数学意义上的动力学。这方面的许多方法揭示了关于大脑的新信息，包括睡眠状态和疾病的信息，并代表了一种更自然方法来分析fMRI数据，特别是那些不受约束的数据，如rs-fMRI数据。图1(b)概括了获取全脑、数据驱动、时变连接的关键步骤：1）分析的数据可以包括来自regions或networks的时间序列(例如，成分时间序列component timecourses)。2）可以使用固定窗口或自适应窗口方法或时间-频率方法来分析时间序列对(timecourses pairs)。3）估计状态(estimating the states)，这可以通过多种方式完成，例如，通过k均值聚类，主成分分析或独立成分分析。4）对每个状态分别进行汇总测量，例如，使用元状态方法对每个状态矩阵或所有状态之间的停留时间或连接性进行汇总。与以前的文章相比，本文的重点是从信号处理的角度回顾全脑的数据驱动方法。此外，我们提供捕捉时变连接各种步骤的高级总结[图1(b)]、新的方法(全脑时间-频率分析)、新的建模策略(子空间分析和基于动态模型的连接)和新的应用示例(来自EEG/fMRI睡眠研究和即时性研究的研究结果)。
图1.（a）在多个时间尺度上研究时间同步连接体概念；
（b）概述了计算时变连接性度量中使用的一些关键步骤和选项。
特征生成
研究大脑时变连接的一个关键挑战是生成捕捉时变动态的特征。方法包括利用先验信息，例如，挑选一对大脑区域(种子)或使用fMRI数据中预定义的全脑区域图谱以及数据驱动的方法。数据驱动方法包括基于稀疏性的分组和潜在变量的分析方法，如：主成分分析、组独立成分分析、空间约束独立成分分析、独立向量分析和张量分解。例如，首先检测EEG数据中的事件相关电位，然后利用时变节点相关矩阵的主成分分析进行总结。另一方面，对于fMRI数据的分解，可以使用独立成分分析(ICA)和独立向量分析(IVA)方法提取动态特征。
ICA
独立成分分析假设观测值是独立源/成分的线性混合集合，这种假设允许原始源只受缩放和随机噪声模糊带来的影响(scaling and permutation ambiguities)，并且在一定条件下(mild conditions)可识别。如果考虑简单的线性混合模型：
其中v是样本指数，如体素、像素或时间，混合矩阵A是满秩的，我们可以通过优化损失函数的独立性来估计分层矩阵W (demixing matrix)，从而获得独立成分估计：
独立成分分析已被证明对fMRI数据分析非常有用，可以通过两种不同的方式执行:1)空间独立成分分析,提取独立的空间映射，2)时间独立成分分析,通过考虑数据矩阵的转置提取独立的时间序列(timecourses)。空间独立成分分析的应用更加广泛，因为空间独立性假设更适合于系统不重叠的空间模式性质。对于空间独立成分分析，数据矩阵X是通过将时间t处的给定切片(slice)展平为一行而形成的，使得X是由体素构成的时间点(TXV)，并且通常在独立成分分析之前使用主成分分析将维数T降为N。fMRI的工具箱(GIFT)实现了组独立成分分析(group ICA)模型，采用主成分分析(PCA)的方法有两个降维阶段，第一步是进行被试水平的PCA，降维后的被试数据经过垂直连接后，在组水平上应用第二级PCA来估计一个公共的组子空间。然后，使用组水平和被试水平的PCA矩阵来重建单个被试图，保留单个被试的大部分可变性。组独立成分分析模型的其他实现和使用也是可能的，图2显示了组独立成分分析的传统使用示例。空间映射由单个时间进程表征，并提供每个体素与该时间进程线性相关度的信息。因此，它告诉我们网络内部的连接性。在图中，用不同的颜色将成分划分为解剖域。时间序列之间的关系(图2中的矩阵)捕捉功能性网络连接(FNC)或网络间连接。矩阵表示每个成分与其他成分的相关程度。正相关性为正值(红色)，反相关性表示为负值(蓝色)。显示了健康对照(HCs)和精神分裂症患者(SZ)的结果。一些方法还试图将空间和时间的ICAs的结合起来。
图2.来自组ICA的数据驱动图提供了捕获网络内（成分内）连接性的信息成分，其特征是用于评估FNC或网络间连接的时间进程，可以通过计算成分时间进程之间的互相关进行最简单的方式评估。结果显示了HCs和SZ患者的结果。括号中的数字表示每个组中包含的成分数。其中X、Y和Z坐标采用的是蒙特利尔神经研究所坐标系。（单位：毫米）如果您对脑功能，脑影像数据处理感兴趣，欢迎浏览思影科技课程及服务（可添加微信号siyingyxf或18983979082咨询）：
第三十六届磁共振脑影像基础班（南京，2021.1.6-11）
第十九届磁共振脑网络班（南京，1.18-23)
第十三届脑影像机器学习班（南京，12.13-18）
第十一届磁共振脑影像结构班（南京，1.12-17)
第十五届DTI数据处理班（南京，12.26-31）
第七届任务态fMRI专题班(重庆，1.14-19）
第三十五届磁共振脑影像基础班（重庆，11.30-12.5）
第三十七届磁共振脑影像基础班（重庆，1.23-28）
第二十届磁共振脑网络数据处理班（重庆，2月27-3月4日）
IVA
在独立向量分析(IVA)中，假设每个数据集都有单独的源和混合矩阵，对于K个数据集，令 ：
通过充分利用数据集之间的统计二阶和高阶相关性，实现K个数据集的独立分解。公式IVA的关键是源成分向量(SCV)，它由源随机向量
的相应元素组成，如第n个SCV由
给出，其中下标指的是K个数据集中每个第n个源。例如，对于来自K个被试的数据，这是每个被试的第n个空间映射。IVA分解是通过最小化SCV之间的互信息（相对于ICA中的源）来实现的，这相当于在每个数据集中找到独立的源，同时最大化N个SCV中每个SCV中的互信息。使用这种统计相关性可以缓解数据集之间源（模式）的置换模糊度(permutation ambiguity)，从而使跨被试的源估计保持一致。
捕捉时变连接性
在其他领域里捕捉变量之间的时变耦合，特别是在信号处理通信中已经深入研究的主题。然而，全脑功能连接的具体应用是相对较新的，它在脑成像数据中的应用存在着挑战。一个重要的挑战是如何从高维脑成像数据中最好地识别相关特征。组ICA和IVA都可以有效地从fMRI数据中提取感兴趣的特征，可以用在第二步中表征动态特性。在本节中，我们简要介绍了这两种工具在这种情况下的使用。
用组ICA捕捉时变连接性
一种方法是使用多个被试的组ICA，并且在选择感兴趣的成分后，使用锥形窗的FNC网络(功能性网络连接)捕获成分时间序列之间的耦合时变变化(例如，协方差)。图2所示的FNC信息是通过假设整个实验的连接性是静态来计算的。动态方法捕捉fMRI数据在空间映射(空间FNC)中的时变连接性或改变。最简单的方法是使用窗方法。如图3所示，其中对多个被试进行组ICA，然后选择感兴趣的成分，对ICA时间序列进行互相关，称为动态FNC (dFNC)。图3(a)显示了单个被试完整ICA时间序列的互相关矩阵。锥形高斯窗用于计算时变相关矩阵[图3（b）的顶部，底部显示了图3（a）矩阵标记黑框的个体相关性]。连接性有相当大的可变性，由于相关矩阵的模块化和时间序列倾向于低频，这似乎不是噪声。
图3.使用窗的FNC动态，单个被试：（a）单个被试的平均FNC（ICA时间序列的互相关），（b）所选成分和全脑FC30之间的FNC时间序列。括号中的数字对应于具有时间序列的成分编号，这些成分编号与计算功能网络连接矩阵的时间序列相关联。
IVA捕获的动态空间模式
我们还可以使用IVA联合来处理重叠的窗，以捕捉时变的空间模式。因为IVA联合优化独立性，使用更短的时间窗成为可能，允许足够的统计能力进行估计。使用IVA捕捉空间耦合变化(成分内的映射变化或空间网络间的耦合变化)的一个例子是结合组水平的PCA。数据被分成大小为T的K个时间窗口，然后来自M个被试的每一个窗被分组分析，如图4所示。每个数据集X’的维数从MT减少到N，产生较少维数的数据集。这种方法使我们能够捕捉反映连接性随时间变化的空间模式变化。在“SZ患者时变空间模式的变化”一节中，我们总结了应用这种方法评估空间动力学组差异的结果。
图4.描述空间动态和静态成分的IVA方法。成分向量的空间映射在时间窗中是相关的，但是应该与其他成分的空间映射不同（无论是在当前窗口wi内还是在当前窗口wi之外）。
时变连接性的表征
一旦从数据中提取出相关特征，就必须对它们进行分析，以评估它们的动态特性。实现这想法，有三种重要方法:马尔可夫建模、基于窗或自适应方法的元状态分析(例如，使用小部分数据计算成对相关性)和时频分析(时频方法用于转换数据并研究振幅、相位和频率随时间的模式)。
马尔可夫建模/状态转换
马尔可夫链(MC)建模为表征(和区分)时变连接性提供了一种强有力的方法。数据驱动的方法可以用来从数据中学习状态和转换(在空间和时间上)。图5(a)展示了三个代表被试使用dFNC方法，随时间变化的状态分配。转换行为可以通过考虑一个MC来表征，其中从当前状态到下一个状态的概率与当前状态之前发生的所有状态（时间上）无关。在图5(b)中，我们显示了我们例子的平均转移矩阵(TM)。对角线上的红色方块表示处于相同状态的概率非常高。对于非对角线元素，第1列中较热的颜色表示从其他状态进入状态1的概率较高，第3行中较冷的颜色表示退出状态3的概率较低。因为MC是不可约的(在有限步数内任何状态都可以从其他状态到达)，所以它的平稳分布(π)可以作为估计TM的主特征向量。图5(c)中显示的向量π表示当马尔可夫链处于稳定状态时，即在系统的长期预期行为中，MC状态的概率分布。在我们的例子中，状态3的平稳概率远远大于其他状态的概率，这意味着，从长远来看，系统最有可能出现在状态3。MC使我们能够通过网络状态（即混合状态向量），捕捉概率分布向量的传播。
图5.（a） 三个被试的状态转移向量。指定的状态在对应的滑动窗口中心的时间点绘制。
（b） 被试的平均状态TM。对角线上的高值表示处于某个状态的概率很高。注意，转移概率是用颜色映射在对数刻度上的。
（c） 平稳概率向量（π，TM的主特征向量）表示稳态或“长期”行为。误差线表示从平均TM（重采样受试者）的1000次引导重采样中获得的非参数95%置信区间（CI）。
跨状态汇总度量(如:元状态)
动态网络连接性分析的一个核心挑战是汇总数据的方式，同时降低数据的维数，并揭示对重要群体具有强预测性的特征。网络相关空间的原生维数很容易超过1000。然而，最近的方法已经发展到在更高层次中汇总动态信息。在这种情况下，目标是计算时变连接性中易于处理的特征，根据某些特定的优化标准(例如，使用时间ICA、空间独ICA、PCA或k均值聚类)获得一组基本相关模式的加性贡献。在基于PCA(PCA-based)的方法中，BCP被称为特征连接性(eigenconnectivity)。这在图1(b)的“动态状态估计”一栏中进行了总结。在最近的一项工作(图6)中，结果显示了400名健康受试者的三个水平-五个状态的量化汇总，进行以下总结。3)女性比男性表现出更多的单一状态占用，男性表现出更多的双重状态占用。我们还利用一个大的、平衡的、多站点的数据集，研究了SZ(精神分裂症患者)诊断对四个相关的元状态动态性测量的影响，分别根据四种常用算法获得的BCP进行评估。这些分析为SZ患者的连接动力降低提供了一致和重要的证据，并为支持此类汇总性测量提供了强有力的证据。有许多可能的方法来计算跨状态汇总度量，这是一个正在进行的工作主题。这种度量的一个例子是k级中枢(k-level hub)的概念(例如，返回k次或更多次的状态)。相关概念包括集中中枢(absorbing hubs)(受试者停留时间延长)和转换中枢(transient hubs)(受试者短期多次进出)，这两者在SZ中表现出高度不同。
图6.条形图显示了每个组合状态的相对发生频率。条形图的底部标签是相关组合状态的编码和可视化表示，顶部的标签是平均占据该组合状态更多的性别，以及该比较的错误发现率（FDR）调整后的p值（深蓝色：雄性（M）>雌性（F）；深红色：F>M）。饼图的每个分区显示了关联组合状态的总体共现频率。
时频分析
Chang和Glover 首先介绍了使用时频方法来研究几个感兴趣区域的时变连接性(相干性)。最近，提出了一种全脑时频方法，可以估计大脑状态。所提出的方法被认为是时域方法和相干方法的扩展和概括。使用这种方法，我们可以通过多个频带更全面地描述一个状态的连接性模式（协方差）、频率贡献和相位（例如，反相关对将具有180°的相移）。图7展示了通过k均值聚类定义的状态示例，该状态在使用复杂的Morlet滤波器分离之后，具有五个不同频带的幅度和相位。这种特殊状态的大部分功率在0.07–0.13hz之间，有一些很强的0°和180°相位模式，并捕捉到一些非常有趣的模式。大量rs-fMRI数据集（N=400）的结果确定了两种状态，它们具有相似的相关模式，但频率分布不同，其中一种状态对男性和女性具有很高的预测力。这提供了额外的证据，即忽略动态信息会模糊重要的知识。
图7.发生率为25%的多频段状态(The multiband state with 25% occurrence rate)在0.07和0.13频段的功率最大。相位直方图和颜色表示动力学的相位。
验证
许多已经发表的研究提供了重要的信息，验证fMRI数据中存在时间同步连接体信息。例如，一项对大型受试者(N = 400)数据集的研究进行了对半复制，并改变了许多参数，包括估计状态数和窗大小。其他研究表明，动态连接与睡眠状态和迷幻体验密切相关，在人类和猕猴身上都有反映，并与白日梦有关。交叉验证的分类在应用于动态连接性度量时似乎也更强大。在激活已知大脑任务区域的情况下，动态连接性测量的比较也为支持连接性状态的存在提供了强有力的证据。
同步EEG/fMRI实验
同步脑电图（EEG）为验证这些动态变化提供了一种有效的方法。虽然EEG本身不能提供一个基本的真实测量，因为EEG和fMRI由不同的源产生，并且对它们非常敏感，但是我们确实期望反映神经元变化的fMRI随时间的连接性变化也可以用EEG检测到。图8说明了与睁眼(EO)和闭眼(EC)状态相关的动力学差异。并行EEG/fMRI数据是使用脑产品EEG系统收集的，该系统曾用于收集EEG中各种频率的数据并且与静息状态下睁眼和闭眼fMRI数据进行比较。图8使用组ICA方法对这些数据进行初步分析的结果，以评估时间动态。图8(a)-(f)根据fMRI数据估计的两种动态状态。这两种状态都显示出EO与EC之间的显著差异，状态1主要发生在睁眼中，状态5在闭眼阶段表现出明显更多的发生，并且显示出更多的EEGα功率。在睁眼数据中，与大脑内部反射相关区域（广泛研究的默认模式网络中的区域）的反相关性也更强。由于状态与更多的脑电图睡意测量相关，这些反相关性减少，然后消退(subsided)。这只是将EEG和fMRI数据关联起来的一种相对简单的方法。在评估过程中利用联合信息的方法在证明动态连接的优势方面可能会更有成效。
图8.脑电图/功能磁共振成像（EEG/fMRI）在睁眼(EO)和闭眼(EC)中的时间动态对比。fMRI分析如(a)-(f)所示，一个电极在识别的fMRI状态下分析的EEG数据如(g)所示。EEG数据反映了在闭眼(EC)条件下，θ/delta功率显著增加。EEG与所识别的fMRI状态有很强的相关性，如(h)所示，它显示了EEG和fMRI之间的距离，随着EEG窗口从fMRI状态移开而减小。(c)和(d)中的星号表示p<0.05时的显著性（经多次比较修正）。Cz 在(g)中表示10-20坐标系中的EEG中央电极。
结合动态系统提高数据信噪比
图9的数据来自一个标准的rs-fMRI数据集(N=200 HCs)并使用一个简单的模型进行评估，该模型包含一个显式的静态子空间(同时在干扰子空间对动态信息进行建模)。在这种情况下，包含动态信息的模型[图9(a)]显示出比完全忽略动态信息时更高的噪声对比度[图9(b)]。这一结果也对捕获静态和动态连接信息的模型提供了有力的支持。
图9.数据表明：在静态FNC模式估计时，加入动态模型(a)比忽略动态模型(b)具有更高的噪声对比度
估计策略和参数的选择
加窗相关方法(windowed correlation approaches)的缺点是会引入虚假相关。许多论文已经仔细地评估了各种窗参数和在实际数据中的模拟性能。尤其是，如果滑动窗长度小于信号中出现的最大周期，就会出现虚假的连接变化，这表明fMRI的窗口长度至少为30秒。多模态数据(如EEG和fMRI)的结合可能有助于缓解这一问题，并确认这些变化是真实的。除了固定窗，也可以使用自适应窗方法。更重要的是，固定窗方法的性能与自适应窗方法非常相似。此外，与单变量方法相比，多变量方法与窗方法的结合在防止虚假相关性方面似乎更为稳健。另一个选择是状态的数量。这一点尚未得到全面评估，尽管在多篇论文中，对各种状态的结果进行了评估，以确保结果不严重依赖于最终选择。
应用
在fMRI数据中，时变连接已经有了许多用途。在这一节中，我们回顾了三个有趣的应用:1) 精神分裂症患者(SZ)空间连接模式变化的研究；2)睡眠阶段和连接性之间关系的评估3)对重度吸烟者或重度饮酒者连接状态差异的评估。
精神分裂症患者的时变空间模式变化
考虑连接性在空间和时间方面的变化是一项挑战，但是空间模式也是动态信息的一个重要方面。对SZ和HCs患者的分析中，我们使用了窗IVA方法，如图4所示，有七个窗口，每个窗口重叠50%，覆盖200个时间点的rs-fMRI数据集。估计了30个成分，其中12个成分与脑功能有关，不是伪影。计算了多状态之间的MC转移概率，结果表明，控制显示状态之间的转移概率明显更小。这为汇总空间模式随时间的变化提供了一种方法。我们还可以评估空间网络对之间随时间变化的依赖性。为了估计空间相关性，我们计算了每个被试和每个窗的互信息矩阵。时空依赖动力学非常有趣。有些显示出SZ和HCs患者之间的显著差异。例如，SZ患者表现出内侧前额叶皮质（被认为是调节认知的大脑区域）和颞叶（处理声音和语言的区域，在SZ被认为是中断的区域）的网络动力学之间存在更多的耦合(图10)。这只是对七个窗口的简单汇总测量，但它表明空间动力学是疾病状态的敏感测量。
图10.SZ患者在默认模式和颞叶网络的空间依赖性方面表现出显著的变化
fMRI映射到EEG定义睡眠阶段的时变连接性
为了证明动态模式的实用性，我们用西门子3T Trio扫描仪评估了55名被试的rs-fMRI数据，每个被试50分钟(1500张图像(volumes)，TR = 2.08秒)，而被试从清醒状态过渡到睡眠阶段N3。同时采集EEG，根据美国睡眠医学学会(AASM)的标准，为每个被试制作一张睡眠图(一个连续30秒EEG周期向量分配给清醒、N1、N2和N3)。根据我们最近的工作，我们根据组ICA估计了成分之间的dFNC。然后，然后我们计算了这些dFNC窗在每个睡眠状态下的计数。结果显示，状态1和状态5分别映射到清醒和深度睡眠阶段(图11)。未来需要对此做更多的工作，但是当前的结果支持捕获动态连接的实用性。
物质依赖者（即某物质使用成瘾）的时变连接性发生了显著变化
更好地理解物质依赖者的神经生物学中的个体差异对于开发更有效的干预措施是不可或缺的。大量的证据表明，物质依赖者的大脑结构和功能异常。尽管某些特定区域与渴望和失控有关(例如，中皮质边缘区域)，但在大多数情况下，这些研究是不同的，不能在个体水平上区分物质依赖者和对照。在某种程度上，我们认为这是因为连接方法侧重于静态测量，没有完全捕捉患者组内模式的可变性。特别是，1) 物质依赖障碍的大脑功能存在巨大的异质性，使得分析具有挑战性；2)尽管某些大脑通路被假设为受影响最大，但所有这些疾病都包含多个相互作用的大脑区域。评估多个功能脑网络之间依赖性的能力对于理解这些疾病至关重要。对吸烟者和饮酒者(N = 50)的dFNC结果进行了计算，并确定了多个大脑网络之间相关性的显著变化。图12显示了两种动态状态的dFNC矩阵，展示了吸烟者和饮酒者之间的差异。状态1缺乏默认模式和其他网络(粉红色方框)之间的大部分反关联，以及感觉运动区内的连通性。当评估各组在动态状态下的停留时间时，一些有趣的差异也很明显。例如，吸烟者和饮酒者在状态2中花费的时间都要多得多。每组人在这两种状态下花费的时间百分比如图13所示，在对照组、吸烟者和饮酒者之间有显著差异。这些有趣的结果都不是从静态结果中可以观察到的。这一结果的重要性在于，专注于动力学的方法分离出物质依赖者的神经生物学信息的能力，可能会教会我们更多关于大脑在尼古丁或酒精作用下有何不同。此外，该信息可以提供更准确的生物标记，其可以用于预测例如治疗结果。
图12.dFNC的状态显示出显著的组差异。尤其是吸烟者和饮酒者在状态1的时间比状态2的时间长（估计有5个状态）。值得注意的是，状态1缺乏在状态2中可见的默认模式区域之间的主要反相关，这表明它们的缺乏可能作为一个保护因素或作为物质使用的标志。括号中的数字表示每个组中包含的成分数。X、Y和Z坐标采用蒙特利尔神经研究所坐标系（以毫米为单位）。
图13.状态1和状态2的停留时间（百分比）。吸烟者和饮酒者在状态1中花费的时间明显更多（p<0.0001），而对照组在状态2的时间更长。
总结
总之，时变连接性是提高我们对大脑理解的有力工具。有许多正在进行的研究需要创造性思维和先进信号处理方法的发展，以提高估计性能和有意义信息的提取和表征。例如，一些感兴趣的特定方向包括开发可以捕获静态和动态连接模式的方法。此外，能够捕捉时空连接模式的方法将是非常理想的，因为静态和动态连接模式显然都在以系统和有趣的方式变化。此外，更多将任务信息映射到状态的研究将提高我们对这些连接状态功能的理解。最后，在描述单一和多种状态或其他汇总性测量方面仍需要继续工作，这些测量提供了以尊重大脑动态特性的方式，直观的传达大脑的连接方式。这种方法让我们了解健康的大脑，并指导我们了解疾病，特别是复杂的精神疾病，如精神分裂症患者(SZ)和自闭症谱系障碍。
