任务和静息态下脑网络整合、分离和准周期性激活与去激活

先前的研究表明，以网络整合和分离的方式表达的大脑功能连接组的重组可能对大脑功能发挥至关重要的作用。然而，已经证明很难在一个单一的方法框架中独立地完全捕捉这两个过程。在这项研究中，通过对瞬时相位同步和社区成员进行成对评估，我们构建了时空灵活的网络，这些网络反映了在空间和时间尺度上发生的整合/分离变化。这是通过迭代地将较小的网络组装成较大的单元来实现的，条件是较小的单元必须内部集成，即属于同一个社区。组装的子网络可以部分重叠，且大小随时间不同而不同。我们的研究结果表明，子网络整合和分离在大脑中同时发生。在任务执行过程中，网络之间同步的全局变化与实验的基础时间设计有关。我们表明，大脑功能连接组动力学的一个标志性特征是网络激活和去激活的准周期性模式的存在，在任务执行过程中，这种模式与实验范式的潜在时间结构交织在一起。此外，我们还证明了在整个n-back工作记忆任务中网络的整合程度与性能相关。

1. 引言

自三十多年前开始使用功能磁共振成像以来，它已被证明是研究大脑行为和活动之间关系的有力工具。早期的工作主要集中在使用线性模型对fMRI活动变化进行解剖定位。最近，基于网络的大脑活动模型作为一种有价值的补充被引入，因为它们有可能为大脑区域之间的神经元交流提供见解。基于网络的fMRI实验模型的发展在很大程度上受到了内在和自发(静息态)网络的发现以及随后用于绘制与中枢神经系统(Central Nervous System, CNS)疾病相关的异常脑连接模式的推动。基于网络的模型的引入重新激活了大脑网络分离与整合的重要性及其与行为的关系。此外，研究fMRI功能连接的时变特性的方法的发展，使网络整合和分离的时间方面的研究成为可能。为此，值得注意的是，许多以前基于时间分辨网络的脑隔离和整合模型要么含蓄地(例如通过潜在的模型参数约束选择)，要么明确地提出，大脑通过某些状态进行转换，而这些状态在某种程度上被表征为整合或分离。最近有人提出了关于整合与隔离这一说法的更细致的观点，他们认为脑网络动力学可以通过PCA驱动的高维fMRI数据投影到低维“流形”来表示，从而实现沿整合-隔离轴的连续脑状态。类似地，隐马尔可夫模型(HMM)方法被用于将fMRI信号强度时间序列划分为状态，并表明状态之间的转换是非随机的，并且倾向于两组与高阶认知相关的状态。

尽管如此，仍然有充分的理由假设，驱动脑网络动态变化为整合或更分离状态的过程可以同时发生，并在大脑中共存。自发或任务驱动的网络配置变化可能表现出空间和时间的多样性，这似乎也是合理的假设，因为共存的大脑网络可能在空间拓扑和模块化(即跨时间的整合)方面表现出相当大的变异性。因此，我们可以考虑一种共存的子网，从短暂的，即在时间上不太整合，到在时间上更整合/模块化的子网，以及表现出两种类型特征的子网。

在最近发表的一项研究中，我们使用静息态fMRI数据引入了一种新的方法，该方法对时空灵活的子网络进行了建模，从而使网络在空间大小和模块化方面随着时间的不同而不同。在目前的工作中，我们将我们的方法应用到基于任务的fMRI数据(100名受试者来自独立的HCP数据队列)，并将其与静息状态数据的分析结果进行对比。与休息相比，我们假设包含任务时代将导致子网络集成的时空重组，使集成实例与任务范式的时间结构保持一致。此外，最近的报告显示了静息态数据的准周期性模式。因此，我们假设在任务实验中形成的时空灵活的子网络将包含准周期性波动的模式，这些模式由任务时期的起始时间点构成。此外，由于在任务时期认知工作量的增加，我们预计观察到子网络整合的持续时间会增加，并且与休息相比，整合的持续时间更长。最后，我们假设个体在工作记忆任务中的表现差异与子网络隔离程度有关。

2. 方法

2.1 数据

我们使用了人类连接组500受试者发布版中的100个独立受试者数据集。在我们的主要发现分析中，使用了“RL”数据集，即左右方向的相位编码梯度。对" LR "数据集进行结果的可重复性研究。

对于皮质的分割，我们使用了Schaefer 200脑区分割图谱(7个网络)。我们使用了人类脑组图谱的皮质下部分来分割丘脑、基底神经节、海马和杏仁核。总共有236个分区包含在我们的研究中。杏仁核和海马被分配到Schaefer分割方案中定义的"边缘网络"，而丘脑和基底节区被视为独立的网络。因此，我们的分析包括9个独立的规范静息态网络。

2.2 实验范式

工作记忆任务采用n-back WM任务的一个版本，其中2-back和0-back时间段(每个时间段10次，持续时间25 s)与基线条件时间段(15 s)交替进行。每个阶段包含8个任务阶段(每种类型4个)，每个任务阶段包含物体的视觉呈现，包括“脸”、“身体部位”、“工具”和“地点”。运动任务包括任务阶段(持续时间:12 s)，指示受试者轻拍他们的左或右手指，挤压他们的左或右脚趾或移动他们的舌头。运动任务期与固定(休息)期交替(持续时间:15 s)。

2.3 建立时空灵活子网

我们的方法借鉴了网络社区检测(Louvain算法)应用于BOLD信号时程的瞬时相位同步分析(IPSA)。值得注意的是，瞬时相位同步之前已经被用于研究随时间变化的脑连接，包括所谓的主特征向量(Leida)框架。我们定义了两个空间粒度级别的网络单元，子网组件(SNCs)和子网(SN)，它们在时间和空间领域都具有灵活性。我们构建网络单元的框架依赖于两个关键组件。首先，从整个实验的角度，从评估模块度的波动，即分区之间相位同步程度的波动的角度来进行子网络的组装过程。因此，基于时间点的变化，我们考虑了在整个fMRI实验过程中，所有分区对同一社区成员的忠诚程度。我们模型的第二个关键组成部分是使用组合方法来解决如何表示非常灵活和时间上更稳定和模块化的网络的问题。换句话说，时空灵活的网络建模方法捕捉了由分区驱动的短期交互，这些分区显示出社区成员对同一组分区的忠诚程度降低。重要的是，同样的方法能够捕获在时间上更稳定和模块化的网络(即在整个扫描过程中，社区成员对同一组分区的忠诚)。Strindberg等人之前已经详细描述了我们的方法，但该方法仅适用于静息状态数据。在本文中，我们将使用一个简单的合成数据集来描述该方法的关键步骤及其总体性能和关键特性，并重点介绍其对任务型fMRI数据的适用性。Strindberg等人，2021年的图1给出了该方法关键步骤的总体示意图。

2.4 替代数据

为了验证我们的结果，我们采用了傅立叶相位随机化方法(对所有分区采用相同的随机化顺序)来产生保留自相关程度、协方差结构和功率谱特性的BOLD信号强度时间过程。

2.5 合成数据示例

我们研究脑内网络整合、灵活性和准周期性的方法如图1所示。为了说明基于瞬时相位同步计算将时空灵活的子网络组装在一起的过程，我们创建了一个如图1a所示的合成数据集。这个数据集模拟了60个脑区(总共10个“被试”)，这些脑区被分为三个脑区子集(子集#1，#2和#3)。有一个明显的例外，每个子集中的分区在整个实验的时间跨度内都是紧密耦合的(子集之间的相位移120°)。换句话说，每个子集都是非常模块化的。为了模拟在一些分区中社区成员效忠的临时转移，我们在两个时间间隔(间隔:100-150和300-350)中改变了子集3中10个分区的阶段(图1a和1b中编号为31-40)，以便它们与位于子集1的分区的阶段时间课程保持一致。因此，引入这种相位的变化来举例说明该方法如何捕捉子网络配置中的时间灵活变化。

图片

图1 一个合成数据示例，说明在两个空间粒度级别(子网络组件(SNCs)和子网络(SNs))上计算时空弹性网络单元所采取的主要步骤。

3. 结果

3.1 在任务和休息期间组装时空灵活的子网

EMD筛选算法产生了四种固有模式(适用于所有数据集，工作记忆，运动任务和休息)，其中我们选择了第三种模式(IMF3，覆盖了0.01 - 0.1 Hz的频率范围，参见Suppl。图1 b)。与合成数据示例相似，瞬时相位同步分析在+1和- 1处产生了两个相位同步值峰值(Suppl。图2 b)。对于工作记忆数据，基于对所有可能的分区对分配到Louvain社区的qint值的成对分布的平均值如图2a所示(qint范围:0 - 0.63)(替代数据的相应结果如图2f所示，qint范围:0 - 0.45)。类似于合成数据的例子，我们首先从顶部对迭代组装SNC (36264 SNC，每个SNC包含8个分区，见图2b)，然后使用上述内部一致性标准将SNC合并为375 SNs(图2c)(替代数据:45,744 SNC, 750 SNs，见图2g和2h)。每个SN的平均qint值(跨受试者)对应的直方图如图2d所示。每个SN合并在一起的SNC数量见图2e(关于代理数据的结果见图2i和图2j)。图2e所示的结果表明，相当少的SNs封装了绝大多数组装的SNC的时空特性，而绝大多数SNs包含很少或只有一个SNC。

图片

图2 工作记忆数据集(左列)和替代数据(右列)的子网络组件(SMC)和子网络(SNs)的组装。

qint参数是分区间时间耦合强度的衡量指标，取值范围为0 ~ 1，其中0表示在任何受试者中没有分配给同一社区的时间点，1表示在所有受试者的fMRI全程中分配给同一社区的所有时间点。就网络而言，高qint值意味着(内部)高度整合，而低qint值意味着高度隔离(即分区被分配到不同的社区)。

对运动和静息态fMRI数据集的SNC迭代组装和随后的SNs构建得到28,559个SNC, 282个SNs(运动)和26,566个SNC, 238个SNs(静息)(数据未显示)。

图3显示了9个典型静息态网络的空间拓扑和相对贡献，以及前5个SNs(即跨时间最完整的子网，因此具有最高的qint值)的平均(跨受试者)相位时程。对于n-back工作记忆任务(图3a)，所有前5个SNs具有非常相似的空间拓扑结构，包括视觉、内侧运动前皮质、外侧后顶叶、背外侧前额叶皮质和丘脑。这些都是之前一直被认为与n-back工作记忆任务相关的大脑区域。正如图3a所示的空间拓扑结构所预期的那样，综合程度最高的前5个SNs显示出非常相似的时间相位轮廓，在间歇的休息期间呈现出正相位峰值。顶部的子网络没有合并成一个单独的子网络的事实，反映了它们之间存在短暂的隔离期。在n-back任务中排名靠前的SNs之间的高度相似性可能与执行这些任务所涉及的功能连接的个体之间的特质有关(参见讨论)。

虽然在工作记忆任务中组装的前5个SNs在空间上非常相似(图3a)，但它们并不完全相同。我们的意思是，当它们不共享任何共同分区时，它们可以在某个时间点短暂地分离。

相比之下，在运动任务中整合程度最高的前5个SNs的拓扑结构在空间上具有异质性(图3b)。SN #1和SN #3主要由属于躯体运动、背侧和腹侧注意网络和基底神经节的分区组装而成。相比之下，SN #2和SN #5包含了位于默认模式网络中的大量分区。在SN #4组装在一起的大部分分区位于视觉网络中。在静息状态下(图3c)， 4个最完整的SNs (SNs #1、2、3和5)在很大程度上类似于典型的静息状态网络(SN #1 - DMN, SN #2 -视觉网络，SN #3 -前DMN和SN #4 -躯体运动网络)。其余静息状态下形成的顶部SN(SN #4)主要由位于腹侧和背侧注意网络、躯体运动网络以及较小程度的丘脑和基底节的分区组装而成。由于其余实验对任何外部刺激都没有时间锁定，因此所有数据点的平均相位时程(受试者之间的平均相位)接近于零。值得注意的是，在运动和工作记忆任务中，各有其特点的脑区被组装成不同的子网络，其激活模式与常规的一般线性模型所观察到的相应任务的fMRI数据有很大的相似性。关于单个被试中顶部SN (SN #1)在空间和时间中相位波动的动画例子，请参阅补充影片M1(工作记忆)，M2(运动)和M3(休息)。重要的是，影片表明，在一个给定SN中，参与分区的数量随着时间的推移而变化，这取决于其组成SNCs之间的内部整合程度。因此，子网络活动的空间变异性取决于在每个给定时间点被整合到同一社区的合并SNCs的数量(即与Suppl中的合成数据集结果相比)。图S7)。

为了充分掌握时空灵活的子网的分层组装，比较最集成(图3)和最不集成的SNs (Suppl。图S8)。虽然顶部的SNs是由数百个，甚至在某些情况下由数千个SNC组装而成(也见图2e)，但在许多情况下，最不完整的SNs只包含一个或一个情况下的三个SNC。顶级集成的SNs平均集成超过50%的扫描时间(在工作记忆的情况下，甚至高达70%的实验时间)，而最低集成的SNs被认为集成不到3%的时间。参见Suppl。图S9为单个被试的结果，即社区成员时间演变的单个例子，即前五名的整合与分离时间点和5种集成程度最低的。这些结果表明，我们的方法可以从社区分配中组装出具有时空灵活性的子网络，然后使用组合方案在越来越粗糙的空间尺度上将它们组合在一起，能够捕捉到子网络拓扑、时间整合和分离的关键特征及其与实验性fMRI任务设计的关系。

图片

图3 在工作记忆任务(图a)、运动任务(图b)和休息时(图c)形成的时空灵活子网(SNs)

3.2 子网在时间上保持集成的频率和时间是多长?

结果在Suppl中得到了例证。图S9表明子网络从分离(即组装的SNC中没有一个是内部集成的)到被集成(组装的SNC中至少有一个是内部集成的)来回振荡。子网工作多久整合一次?它们在震荡回到隔离期之前保持多久的整合?这个问题见图4。这将所有子网络的整合实例的数量(x轴)与整合周期的持续时间(y轴)绘制成图(各对象的平均值)。有趣的是，在任务和休息之间，子网的平均整合时间非常相似(记忆:3.8 TRs，运动:3.8 TRs和休息:3.6 TRs)。我们注意到，对于记忆任务，顶部整合的子网络(SN #1)突出，平均持续9.3 TRs(图4a)。虽然结果如图4所示。似乎表明，运动任务的平均整合次数(跨受试者)(10.6)比工作记忆(14.4)和休息(16.7)要少。然而，这主要是由于与休息(405 TRs, 1200个数据点中只有前405个被用于分析)和工作记忆(405 TRs)相比，运动的实验时间跨度较短(284 TRs)的影响。重要的是，替代数据(在图4中用红色标记)的子网络整合期的持续时间大大低于经验数据，这表明这里呈现的时空子网络的属性反映了沿着网络分离-整合轴进行的重新配置，而不是由所使用的方法无意中引起的附带现象。从图4可以得出一个有趣的观察结果。是跨任务和休息的子网络集成持续时间分布的总体相似性。值得注意的是，之前的研究表明，在持续的工作记忆任务中，低频BOLD区域的自发静息态波动是保持不变的。因此，组装起来的时空灵活的子网络很可能在子网络集成/隔离中既包含了任务驱动的变化，也包含了更多内在驱动和在后台起作用的变化(但也要注意与任务实验设计相关的子网络集成周期的整体同步，参见Suppl)。图S10)。考虑到这一推理思路，尽管在工作记忆任务期间集成程度最高的子网络有一个显著的例外，但子网络集成时间的总体分布在任务和休息之间是相似的，这也许并不令人惊讶。

图片

图4 工作记忆任务(图a)、运动任务(图b)和静息状态(图c)下的子网络(SN)整合的时间特征

3.3 子网络激活和失活的全局准周期模式

内在共活全局模式的总结通常以N × N矩阵的形式提供，其中N是分区的数量。本演示给出了二维N × T数据矩阵中存在的相关性的总体视图，其中T是时间点的数量。然而，通过计算不同时间点跨子网络的BOLD信号振幅之间的相关性，我们可以以类似的方式检测整体大脑子网络配置的变化。因此，我们不是计算跨时间的两两相关，而是计算所有时间点组合的子网络振幅之间的相关系数。这就产生了一个TXT矩阵(即递归矩阵)，其中给定的矩阵元素代表了任何给定的时间点对的子网络振幅相关或反相关(信号降噪后)的程度。值得注意的是，由于BOLD信号的自相关，靠近或在对角线处的递归矩阵元素会是强正的。递归矩阵提供了一种简单的方法来估计在任何时间点上所有子网的激活和去激活的联合效应。

所有实验在SNs水平上的递归矩阵都是首先对单个受试者进行计算，然后对所有受试者进行平均，如图5a-c所示(值得注意的是，也可以在分区水平上计算递归矩阵，参见Suppl)。图S12)。特别地，工作记忆任务的递归矩阵(图5a)显示出子网络之间信号幅度的全局重复相关和反相关模式的强准周期性模式。同样，在运动任务中，各子网络的振幅激活/去激活的准周期性也存在(图5b)，只是强度较弱。在休息的情况下(图5c)，没有可识别的准周期性模式，因为休息不受给受试者的指令或其他外部刺激的限制。然而，在个体的水平上，准周期性是在静止时存在的，参见Suppl。图S12。我们还注意到，在相关和反相关的周期之间，存在短的、间歇性的正交周期，即递归矩阵的值接近于零。重要的是，在由替代数据组装的子网络中，没有观察到振幅相关和反相关的准周期性模式。结合图3和Suppl中显示的结果。图S10，这些研究结果表明，工作记忆任务诱导了跨被试共享的子网络重构，并在很大程度上以同步的方式跨时间整合。

3.4 工作记忆实验中的子网集成与任务性能

各个子网络之间的全局激活/去激活模式的大变异性(图5a)和工作记忆实验过程中参与的分区数量的波动(图5d)，使我们有必要对受试者表现(这里是在0- back和2-back时期给出的错误反应数量)和最完整的子网络(SN #1)的分离时间点数量之间的假定联系进行调查。我们的结果表明，网络整合的准周期性与工作记忆实验中任务期和休息期的时间顺序相关(图5a,d)，这促使我们不仅根据任务难度(0-back vs . 2-back)来划分反应，还根据它们在范式中的时间顺序来划分反应。结果总结在图6中，可能并不令人惊讶的是，与0-back任务相比，在2- back任务中，受试者给出的错误答案显著增加 (图6a)。有趣的是，这一发现反映在2-back任务期间，与0-back任务时期相比，顶部子网络(SN #1)的分离时间点数量显著增加(见图6d)。

此外，顶部SN的非整合时间点的数量在第2个时期显著高于第1个时期(图6b;第一个和第二个时代的定义也见图6c)。然而，第一个阶段与第二个阶段相比，被试所提供的错误答案数量没有显著差异(图6e)。最后，我们发现第1个子网络在工作记忆实验中给出的错误答案总数(不考虑任务难度)与非整合时间点总数呈显著正相关(见图6f)。然而，对于复制数据集(“LR”)，相应的相关系数被发现不显著(图S20)。然而，在“LR”数据集的情况下，实验中0-back和2-black块的顺序并不平衡，这限制了这些结果与本文中描述的结果相比的可解释性。

图片

图5 在工作记忆任务(图a)、运动任务(图b)和静息状态(图c)的不同时间点，显示各子网络(SNs)振幅激活和去激活的相关程度的递归矩阵

图片

图6 工作记忆实验中，集成程度最高的子网络(SN #1，见图3a)的集成程度与任务绩效的关系。

3.5 子网集成，灵活性和准周期性在较低和较高的频率

到目前为止所有的结果都是基于在0 - 0.1 Hz频率范围内的BOLD信号变化。然而，Suppl明确表示。从图1b-d可以看出，在三次实验中，都存在一个较慢的(IMF 4，峰值在约0.02 Hz)以及更快的(IMF 2，峰值约在0.1 Hz)的BOLD信号成分可能与我们研究时空灵活的子网(SNCs和SNs)相关。因此，我们进行了相同的分析(为简便起见，仅显示了工作记忆实验的结果)，并分别为较慢和较快的组件组装了SNCs和SNs。对于较快的组件，组装的子网的总数减少了大约15%，而对较慢组件的分析产生了轻微的增加(大约2.5%)的组装子网。重要的是，与主要结果相似，大多数SNs含有非常少的SNCs，而相对较少的SNs含有多达几千个SNCs。对于较慢的BOLD信号组件，SNs在集成实例较少的情况下保持较长时间的集成。对于更快的信号组件，在更短的集成周期和更高频率的集成实例中观察到相反的行为。虽然5个最完整的子网络的空间拓扑结构与主要结果中描述的子网络不完全相同，但大部分包含的分区是跨频率共享的，包括视觉皮质，背侧注意网络和基底神经节。此外，在单个分区水平的顶层集成子网络的参与程度在不同频带之间有许多相似之处。结合子网络振幅相关和反相关的准周期性研究结果。我们的结果表明，位于不同BOLD信号频率范围内的时空灵活的子网之间存在空间耦合。

3.6 子网之间的全局同步和空间重叠

迄今为止，我们已经证明，BOLD脑活动信号可以通过时空灵活的子网络来表示和研究，这些子网络建立在一个组合框架内，包括计算瞬时相位同步性，评估随时间推移的模块化变化，以及逐渐变大的网络单元的分层组装作为关键支柱。此外，通过关注前五个最整合的子网络(最高的qint值)，我们表明子网络的空间拓扑与基于体素的脑激活的一般线性模型研究中发现的激活图密切相关。在静息态下，时空灵活的子网络与典型静息态网络表现出高度的空间相似性。此外，我们提出的结果表明，子网在不同程度上从内部集成到分离，然后再切换回来。一个关键的问题是——如果我们考虑所有的子网，而不仅仅是最集成的子网，那么它们的同步程度(就它们的平均相位而言)和它们的空间重叠程度有多相似，这是否依赖于任务?我们试图通过计算所有子网络之间的空间dice系数和所有子网络的相位信号时程之间的成对相关系数来回答这个问题(见图7)。

图7a-c显示了所有子网之间时间同步度的结果。从rest的结果(图7c)开始，我们注意到，各个子网络的相位信号时过程的两两比较之间的相关系数分布的峰值位于0，包括一个长正尾。在运动任务中得到了类似的结果(图7b)，尽管正尾较小，子网络阶段时间过程之间的负关系较小。然而，对于工作记忆任务，绝大多数的子网络的相位时程是相互正相关的(图7a)。事实上，在工作记忆实验中组装的各个子网络之间的相相关值的分布与运动和休息显著不同，而在运动和休息之间没有显著差异。

图片

图7 在工作记忆任务(图a)、运动任务(图b)和静息状态(图c)下，以相关矩阵形式显示的所有对网络(SNs)之间的相位同步性及其对应的直方图 

4. 讨论

4.1 任务性能需要跨子网的相位同步

本研究结果支持我们的假设，即子网络之间的整合和分离是在单次fMRI实验的时间跨度内同时发生在大脑中的动态事件。特别是，我们的结果提供了经验支持的想法，所有组装的子网络在整合和隔离之间振荡，个别子网络在整合和隔离之间相互振荡。在静息态fMRI记录中，整合和分离的振荡自发地发生，并且彼此之间不同步，无论是在被试内部，还是在被试之间取平均值时(图3c和7c)。整合程度最高的子网络(即qint值最高的子网络)与之前描述的基于静态(即跨时间的平均)脑连接测量的典型静息态网络有高度的空间重叠。

4.2 在休息和任务期间集成子网

在fMRI实验中加入一项任务导致了一个重大转变，尤其是工作记忆任务，在大多数子网之间实现了整体同步。然而，在不同的实验中，子网整合的平均时间周期并没有显著的差异，尽管在记忆任务中，最顶层的子网(SN #1)有显著的例外，表现出几乎3倍的增长(图4)。图S10a表明，工作记忆范式的时间对子网趋向于整合还是分离产生了强烈的影响。总体而言，子网络(跨被试)在间歇休息时期开始，在随后的0/2-back任务时期结束后大约结束的时间段内是最整合的。

4.3 基于任务的fMRI实验时间结构及其与时空灵活子网络的关系

在工作记忆实验中，子网在间歇性休息时期和0/2-back时期的整合程度最高，这一发现值得注意。在这种情况下，值得注意的是，递归图(图5a)在相同的时间间隔内表现出强烈的全局准周期性，即在各子网络之间的振幅在相关和反相关之间来回切换。与此同时，最完整的子网络的空间大小(即参与分区的数量)显著增加(图5d)。

4.4 子网络同步和全脑水平激活

我们的研究结果与之前的一项基于任务的fMRI范式(包括视觉棋盘刺激和字母/数字辨别任务)的密集抽样(采集了3名受试者的100次独立fMRI数据)将信噪比提高到6倍的研究结果相关联，这是很有趣的。值得注意的是，作者可以表明，大脑中高达96%的体素在执行任务时被系统激活，尽管在BOLD反应的形状方面表现出差异。任务诱导的BOLD信号的调制是在全脑水平上存在的，这一想法与我们用于组装在不同空间尺度上跟踪整合和分离的子网络的整个实验(即qint参数)的观点是一致的。因此，fMRI脑活动的变化(激活和去激活，几乎所有体素对任务的响应，可能可以在网络水平上表示为这里描述的组装子网络。即在任务执行过程中，各子网络之间的同步度整体增加，子网络振幅的准周期性增加，整合周期延长。

4.5 时空灵活的子网络和大脑活动状态

当代脑功能连接研究的一个方面是“状态”的概念，它在分析随时间变化的网络属性时发挥了核心作用。人们提出了不同的方法来估计静息状态下的大脑状态，从隐马尔可夫模型(HMMs)、滑动窗口协方差数据的k-均值聚类、时频数据集的k-均值聚类到“地图分析”。尽管上述方法使用了不同的假设和主张，来说明状态之间的转换是“平稳的”还是瞬间发生的，即从一个样本点到另一个样本点，但很难将不同大脑状态的假设强加到我们的结果上。

5. 结论

利用一种自下而上的方法来表示时间分辨的功能网络连接，从全脑层面逐步整合和分离的一对对分区开始。我们的结果强调了fMRI网络连接的振荡的重要性，它超越了静息态条件，包括了功能神经成像研究中通常采用的基于任务的范式。虽然我们需要进行其他任务和不同时间设计的进一步研究，但本文的结果表明，一种分层和数据驱动的分析方法提供了关于网络整合、分离和准周期性的定量信息，为研究大脑功能提供了有价值的见解。事实上，在任务过程中，网络活动的振荡的重要性已经被越来越多地认为是一个重要的因素来建模与记忆回放和多感觉线索相关的脉冲神经元活动。因此，在目前的研究中，全面考虑fMRI实验的网络节律性的暴露，对于充分理解认知工作和大脑活动之间的关系是有意义的。图S9表明子网络从分离(即组装的SNC中没有一个是内部集成的)到被集成(组装的SNC中至少有一个是内部集成的)来回振荡。

参考文献：Brain network integration, segregation and quasi‐periodic activation and deactivation during tasks and rest