[论文解读] The resting microstate networks (RMN): cortical distributions, dynamics, and frequency specific information flow

Roberto D. Pascual‐Marqui, Dietrich Lehmann+7 more|arXiv (Cornell University)|Nov 7, 2014

EEG and Brain-Computer Interfaces被引用 44

一句话总结

本研究基于109名参与者的EEG数据，识别出四种静息态微状态网络（RMNs），揭示了其皮层分布、动态转换过程以及频带特异性的信息流。研究结果表明，后扣带皮层作为中枢枢纽，将α和β振荡传递至其他脑区，支持了对默认模式网络的高时间分辨率视角，并强调了β节律在维持静息态脑活动中的作用。

ABSTRACT

A brain microstate is characterized by a unique, fixed spatial distribution of electrically active neurons with time varying amplitude. It is hypothesized that a microstate implements a functional/physiological state of the brain during which specific neural computations are performed. Based on this hypothesis, brain electrical activity is modeled as a time sequence of non-overlapping microstates with variable, finite durations (Lehmann and Skrandies 1980, 1984; Lehmann et al 1987). In this study, EEG recordings from 109 participants during eyes closed resting condition are modeled with four microstates. In a first part, a new confirmatory statistics method is introduced for the determination of the cortical distributions of electric neuronal activity that generate each microstate. All microstates have common posterior cingulate generators, while three microstates additionally include activity in the left occipital/parietal, right occipital/parietal, and anterior cingulate cortices. This appears to be a fragmented version of the metabolically (PET/fMRI) computed default mode network (DMN), supporting the notion that these four regions activate sequentially at high time resolution, and that slow metabolic imaging corresponds to a low-pass filtered version. In the second part of this study, the microstate amplitude time series are used as the basis for estimating the strength, directionality, and spectral characteristics (i.e., which oscillations are preferentially transmitted) of the connections that are mediated by the microstate transitions. The results show that the posterior cingulate is an important hub, sending alpha and beta oscillatory information to all other microstate generator regions. Interestingly, beyond alpha, beta oscillations are essential in the maintenance of the brain during resting state.

研究动机与目标

• 利用EEG识别并表征四种主导静息态微状态的皮层分布。
• 研究微状态之间的动态转换及其功能连接模式。
• 确定由微状态转换介导的频带特异性信息流（振荡传递）。
• 检验微状态代表默认模式网络高时间分辨率功能状态的假设。
• 确立后扣带皮层在静息态脑动态中的中枢枢纽地位。

提出的方法

• 对109名参与者在闭眼静息状态下的EEG记录进行微状态分析，识别出四种主导微状态。
• 应用一种新型验证性统计方法，确定每种微状态的皮层生成源，重点关注电活动的空间分布。
• 提取微状态振幅的时间序列，并用于推断功能连接，包括信息流的强度、方向性及光谱特性。
• 对微状态转换进行光谱分析，识别在脑区间优先传递的频带（如α、β）。
• 通过比较微状态动态与基于代谢定义的默认模式网络（DMN）（使用PET/fMRI数据），评估其时间与空间的一致性。
• 统计建模证实了微状态间存在共同与独特的生成区域，尤其强调后扣带皮层作为共享生成源的作用。

实验结果

研究问题

• RQ1 在EEG数据中识别出的四种主导静息态微状态的皮层分布是什么？
• RQ2 微状态转换如何介导脑区间的信息流？其流向如何？
• RQ3 在微状态转换期间，哪些频带（如α、β）被优先传递？
• RQ4 微状态网络与基于代谢定义的默认模式网络（DMN）有何关系？
• RQ5 后扣带皮层是否为静息态微状态网络的中枢枢纽？其在振荡传递中的作用是什么？

主要发现

• 所有四种微状态均共享后扣带皮层作为共同生成源，表明其在静息态动态中的核心作用。
• 其中三种微状态还涉及左/右枕叶/顶叶区域以及前扣带皮层的活动，形成了高时间分辨率下默认模式网络的碎片化版本。
• 后扣带皮层作为主导枢纽，将α和β振荡信息传递至所有其他微状态生成区域。
• 除α节律外，β振荡在维持静息态脑功能中也至关重要，提示其在持续神经计算中的功能角色。
• 微状态动态与PET/fMRI中观察到的DMN低通滤波版本一致，支持代谢成像捕捉了高分辨率微状态活动时间平均值的观点。
• 本研究提供了实证证据，表明微状态代表具有特定频带特异性信息流的瞬态功能状态，为静态代谢网络模型提供了动态补充。