[论文解读] Controllability Analysis of Functional Brain Networks

Shikuang Deng, Shi Gu|arXiv (Cornell University)|Mar 18, 2020

Functional Brain Connectivity Studies参考文献 59被引用 12

一句话总结

本研究通过利用功能磁共振成像（fMRI）数据的系统辨识方法对动态信号传播进行建模，将网络控制理论扩展至功能脑网络，揭示了功能性可控制性——源自有效连接与信号协方差——能够预测个体在工作记忆、语言和情绪智力方面的差异。研究证明，功能性可控制性提供了与结构性可控制性不同的、互补的见解，尤其在同步性与认知任务表现方面具有显著优势。

ABSTRACT

Network control theory has recently emerged as a promising approach for understanding brain function and dynamics. By operationalizing notions of control theory for brain networks, it offers a fundamental explanation for how brain dynamics may be regulated by structural connectivity. While powerful, the approach does not currently consider other non-structural explanations of brain dynamics. Here we extend the analysis of network controllability by formalizing the evolution of neural signals as a function of effective inter-regional coupling and pairwise signal covariance. We find that functional controllability characterizes a region's impact on the capacity for the whole system to shift between states, and significantly predicts individual difference in performance on cognitively demanding tasks including those task working memory, language, and emotional intelligence. When comparing measurements from functional and structural controllability, we observed consistent relations between average and modal controllability, supporting prior work. In the same comparison, we also observed distinct relations between controllability and synchronizability, reflecting the additional information obtained from functional signals. Our work suggests that network control theory can serve as a systematic analysis tool to understand the energetics of brain state transitions, associated cognitive processes, and subsequent behaviors.

研究动机与目标

• 开发一种系统辨识框架，利用有效连接与信号协方差对功能脑动态进行建模。
• 探究源自动态信号模式的功能性可控制性是否能预测个体在认知任务中的表现差异。
• 将功能性可控制性与结构性可控制性进行比较，评估其在解释脑状态转换方面的附加价值。
• 考察功能脑网络中可控制性与同步性之间的关系。
• 通过基于节点可控制性度量的线性回归模型，验证模型在预测认知任务表现方面的有效性。

提出的方法

• 对HCP fMRI数据中的0阶与1阶偏相关矩阵拟合随机线性动力学，以估计有效连接。
• 构建一个线性控制系统，其中转移矩阵A表示有效连接，控制矩阵B表示经规范形式缩放的噪声协方差。
• 利用系统的H₂-范数计算平均可控制性，量化在单位输入能量下对状态的平均可达性。
• 通过H∞-范数的倒数计算模态可控制性，衡量系统对高能量控制方向的鲁棒性。
• 通过优化框架识别α-最小控制集，该框架考虑了加权连接性与阈值化影响。
• 使用线性模型从节点可控制性度量预测任务表现，回归系数反映各区域的贡献。

实验结果

研究问题

• RQ1 源自动态信号模式的功能性可控制性是否能预测个体在工作记忆与情绪智力等认知负荷较高任务中的表现差异？
• RQ2 功能性可控制性在捕捉脑网络动态与控制特性方面，与结构性可控制性相比如何？
• RQ3 功能性可控制性与网络同步性之间存在何种关系？其是否揭示了结构拓扑无法捕捉的新见解？
• RQ4 对fMRI时间序列进行系统辨识是否能获得可靠的线性脑动态模型，以支持可控制性分析？
• RQ5 节点可控制性度量在多大程度上能预测特定认知任务的表现？

主要发现

• 功能性可控制性显著预测了个体在工作记忆、语言和情绪智力任务中的表现，表明其与认知控制密切相关。
• 平均可控制性与模态可控制性均在功能网络与结构网络之间表现出一致关系，支持了既往关于结构性可控制性的发现。
• 观察到功能性可控制性与同步性之间存在显著关联，反映出结构本身无法捕捉的额外动态信息。
• 系统具有全局可控制性，且控制所需能量可量化，表明脑状态之间的转换在物理上是可行的。
• α-最小控制集分析显示，不同脑区的控制效率存在差异，特定枢纽区域对整体系统可控制性的贡献更大。
• 基于节点可控制性作为预测变量的线性模型在预测任务表现方面表现出显著预测能力，各区域的贡献通过回归系数得以量化。