皮层网络内在组织预测状态焦虑：一项fNIRS研究

摘要：

状态焦虑的脑活动特点是皮层下活动的高反应性以及其与皮层区域的自下而上的连接，但是状态焦虑的皮层网络依旧还不清楚。因此，本研究利用近红外技术来测量静息态脑皮层功能连接特征，并结合机器学习来预测被试的状态焦虑。结果表示，皮层静息态功能连接的一系列特征能很好地预测状态焦虑，但不是特质焦虑，特别是默认模式网络（Default model network，DMN）的脑皮层区与背侧注意网络（DAN）的连接和DMN内在的连接，且这些连接性都与状态焦虑程度成负性相关。此外，DMN脑皮层区与额顶叶网络(frontoparietal network, FRN), FRN与显著网络（sailence network, SN），FPN与DAN，DMN与SN之间的连接性与状态焦虑正相关。因此，内源性皮层组织可以对状态焦虑有一定的预测作用。该研究也为情绪状态的潜在神经机制和情绪障碍的诊断、预后和治疗提供了一定的启发。

一、介绍

焦虑是一种与未知威胁相关的主观情绪状态，常伴有自主唤醒与行为回避。它又被定义为特质焦虑和状态焦虑，前者反映的是个体焦虑反应的倾向性，而后者反映的是暂时地对潜在或负性威胁的主观忧虑。因此，状态焦虑体现了对威胁或恐惧的生理和心理反应的重要情境关系。状态焦虑也可以泛化和反复转为持久的特质焦虑。极端化的忧虑反应归究于一些个体易受性差异（比如高特质焦虑和神经质），这种特质是难以准确测量的，但是可以通过追踪个体事件态反应，客观又简化地测量个体差异，也能为预测和治疗焦虑障碍提供帮助。

一些研究表示状态、特质和病理性焦虑是有共同的脑网络通路，但是心理测量（与脑影像有关的）却表示认知（外源诱发）和躯体/身心焦虑（内源感受）是不同的。状态焦虑比特质焦虑更和生理和躯体反应相关。已有研究发现特质焦虑与中线皮层区域内源性连接活跃有关，而状态焦虑却和岛叶的活跃更相关。以往研究模型强调了在状态焦虑过程中增强的导叶自下向上的输入信号，但是最近的脑网络模型以及荟萃分析还表示焦虑和焦虑障碍有共同的脑区功能连接模式，包括额顶叶控制网络（FPN)、默认模式网络（DMN)、背侧注意网络 (DAN)、腹侧注意网络、显著性网络（SN）和感觉运动网络的改变。有趣的是，在持续的焦虑状态下，无论情绪操纵如何，DMN的活动持续改变，这说明了状态焦虑的内源脑活动的改变。然而，状态焦虑是否可以根据大脑网络，特别是大脑皮层网络的内在连接性来预测尚不清楚。静息状态功能连接（RSFC）被认为是能预测大脑对任务操作的反应和个体差异，且有研究发现边缘区与前额叶区域的结构和功能连接可以预测特质焦虑的个体差异。因此，我们在不同水平的状态焦虑个体中进行了功能性近红外光谱（fNIRS）研究，来探索与焦虑相关的脑网络中的皮质区域，如FPN和 DMN，是否能够预测状态焦虑。

二、材料和方法

被试和任务

研究中招募了96名健康成年人（均龄22.8±2.7岁，男女各48人），所有被试被要求在静坐闭眼不思考状态下进行7分钟的静息态近红外的扫描。之后，被试再完成状态－特质焦虑问卷。

测量技术

fNIRS测量采用ETG4000连续波光学形貌系统（Hitachi Medical Company, Tokyo, Japan）进行。以10Hz的采样率测量了两个波长（695和830nm）的近红外光的吸收。使用三组探针组，包括一块放置在额区，两个放置在双侧颞顶叶区，共形成46个通道。正面探头组是通过将其底部的中间光电二极管近似放置在国际10-20系统的Fpz上，将双侧颞顶叶探针组分别将其前下角光极近似放置在T7和T8上。源－探测器的距离为30mm。利用三维数字化仪和 NIRS-SPM软件获得了通道的皮层定位MNI坐标。通过应用修正的比尔－兰伯定律，将光吸收数据转换为含氧（HbO）和脱氧(HbR）血红蛋白数据，差异路径长度因子为6.2636。第1个和最后10秒的数据被丢弃，以确保稳定状态。对数据进行目视检查运动相关的噪声，为了消除表面的生理噪声及其相关的虚假连接，采用基于小波的方法从信号中去除全局生理噪声。数据采用带通滤波（0.01-0.08Hz）。

图1：近红外通道模板和脑区定位

特征抽取

将fNIRS通道定义为特定静息态网络中的节点，计算每个通道和所有其他通道之间的RSFC，代表网络边，得到一个包含46个节点和1035条边的静息状态网络。将RSFC定义为每对通道的时间过程之间的皮尔逊相关系数。所有1035 条边的RSFC值构成了用于预测个体表型变异的特征向量。

预测模型

考虑预测变量远远大于观测数，建立了基于岭回归的多元线性预测模型。使用了分层8折交叉验证方法和嵌套交叉验证方法来进行正则化参数估计。具体来说，将96名参与者的数据分成了8组，每一组都有12名参与者，其焦虑值的分布范围相似。然后进行了8次模型训练和测试的迭代。在第k次迭代中，我们将第k组的数据作为测试集（12个样本），并将剩下的7组的数据作为训练集（84个样本）来训练回归模型。为了确定岭回归的正则化参数 (alpha)，对于每次迭代，我们以0步遍历从0.01到10的alpha值。对于每个alpha值，我们只使用训练集进行了留一交叉验证（LOOCV)，然后将整个迭代中LOOCV的最大平均精度对应的alpha值取平均值，以获得模型训练的平均alpha值。通过最优训练模型来计算预测的焦虑得分，然后比较与实际状态/特质焦虑得分之间的均方误差（MSE）和皮尔逊相关系数（r）来评估预测的准确性。然后进行了10000次的置换检验，p值确定为来自随机数据的MSE小于或等于来自真实数据的迭代比例（计算模型见图2）。为了验证模型的性能，我们还采用不同的交叉验证方案（4、6、12、16倍）对模型进行估计，并计算实际焦虑得分与预测焦虑得分之间的相关系数。为了确定哪些特征（哪些静息状态的功能连接）对个体差异的预测有显著的贡献，使用bootstrap方法，进行了1000个bootstrap采样，生成了1000个独立的回归模型，并估计了每个特征的权重的99%置信区间。那些99%置信区间完全高于或低于零的特征被确定为显著贡献特征。最后，使用自动解剖标记模板确定了末端区域的解剖定位和静息态网络归属，以及七个网络的脑表面分割模板来显示有显著贡献作用的特征。

图2：预测模型计算流程

三、结果

预测模型

这些模型分别被用来尝试预测状态焦虑和特质焦虑。状态焦虑的得分在20~70分之间（图3A）。Permutation检验表明岭回归模型可以显著预测状态焦虑水平（平均alpha=3.93，p<0.0054，模型MSE=122.04 VS随机排列样本的平均MSE=184.42，图3B所示）。预测的状态焦虑得分与自我报告的状态焦虑得分之间的Pearson相关性显著相关[r(95)= 0.36, p < 3.43 × 10−4，图3C所示]。不同折交叉验证表明结果非常稳健（MSE值范围120.15-124.23，r值0.34-0.36，p值都显著小于0.001）。同时，在特质焦虑中拟合了相同的模型（得分范围：22-66，图3D )。Permutation检验显示，该模型对特质焦虑水平没有显著的预测作用（p=0.474，图3E)。预测的特质焦虑和自我报告的特质焦虑之间没有显著的相关性[r(95)= 0.03,p=0.75，图3F]。而状态焦虑与特质焦虑高度相关（95)= 0.67, p < 1.46 × 10− 13，图3G)。进一步将状态焦虑对特质焦虑做回归，并使用基于连接性的模型来预测残差。结果显示，预测得分与残差之间的相关性略有显著性（r=0.20，p=0.051)，说明当前的预测模型主要与状态焦虑相关，独立于特质焦虑。

图3 结果描述统计 A/D：状态/特质焦虑实际得分；B/E：置换检验后所有模型MSE值分布图；C/F：状态/特质焦虑真实和预测相关散点图；G：状态与特质焦虑的相关散点图

RSFC可预测状态焦虑

Bootstrap分析确定rsFC对状态焦虑的预测模型有显著贡献（见图4、图5和表2）。一般来说，负性预测作用的RSFC主要分布在DMN内和DMN和DAN之间（图4A/B，图5B），有正性预测的RSFC主要分布在FPN和DMN、FPN和DAN以及FPN和SN之间（图4C/D，图5C)。

图4 对状态焦虑有预测作用的RSFC

图5 6个预测网络之间的功能连接模式

四、讨论

本研究建立了一个基于皮层网络之间的内在连接特征，包括DMN、FPN、DAN和SN连接，来预测状态焦虑的模型，证明皮质区域连接组特征能预测个体的状态焦虑水平，扩展了经典的以杏仁核为中心的状态焦虑模型。同时也揭示了区分状态－特质焦虑的潜在神经基础。

许多研究表明，在状态焦虑的青少年和成人中DMN与SN的岛叶的内在连接增加，与状态焦虑水平呈正相关。SN中大脑区域在威胁监测期间激活的改变与个体状态焦虑差异有关。状态焦虑也被证明与vmPFC对威胁的反应有关。皮质振荡的跨频率耦合的改变也与状态焦虑有关。虽然过度活跃的杏仁核代表了高活跃的刺激驱动的自下而上的处理，但皮质的改变可能会代表异常的自上而下反应，比如DMN对杏仁核的抑制功能异常。这种皮层下－皮层的功能连接改变是在状态/特质焦虑个体认知任务或静息态中都能观测到的，说明了大脑皮层网络能预测焦虑状态。

本研究中建立的模型是针对状态焦虑的，而不是针对特质焦虑的。虽然功能连接性研究已经揭示了状态焦虑和特质焦虑之间的共同大脑网络，但在产生和调节焦虑时仍存在分化的短暂性焦虑和持续性焦虑的神经机制。通过放大特定状态下的个体差异实现脑状态操控，从而提高预测个体特质的效果。所以，将状态依赖的功能重组与个体差异联系起来，将有助于解释行为表型和临床症状。

最后，本研究的缺陷在于1）没有通过任务来诱发短时的状态焦虑，这样有助于和刺激诱发的短暂性焦虑情绪相区别，但也却不能排除是特质焦虑的时相化表现；2）探针位置并没有覆盖全脑区域；只是基于前人研究确定的位点；3）不能排除焦虑和抑郁的共存效应。

参考文献：Intrinsic organization of cortical networks predicts state anxiety: an functional near-infrared spectroscopy (fNIRS) study

皮层网络内在组织预测状态焦虑：一项fNIRS研究相关推荐

递归皮层网络RCN识别文本CAPTCHAS的Science论文基础知识和译文 (公号回复“递归皮层网络”可下载PDF典藏版资料)
递归皮层网络RCN识别文本CAPTCHAS的Science论文基础知识和译文 (公号回复"递归皮层网络"可下载PDF典藏版资料) 原创: 秦陇纪数据简化DataSimp 今天数 ...
不同的丘脑皮层网络动力学与慢性腰痛的病理生理学有关
丘脑皮层节律障碍(dysrhythmia)是慢性神经性疼痛的主要病理,但鉴于慢性腰痛(cLBP)的非特异性病因和复杂性,对其丘脑皮层网络的研究很少.利用fMRI,我们提出了一个分析流程来识别cLBP患 ...
STGCN时空图卷积网络:用于交通预测的深度学习框架
时空图卷积网络:用于交通预测的深度学习框架及时准确的交通预测对城市交通控制和引导至关重要.由于交通流的高度非线性和复杂性,传统的方法不能满足中长期预测任务的要求,往往忽略了空间和时间的相关性.本文提 ...
NBS-Predict：基于脑网络的机器学习预测
文章来源于微信公众号(茗创科技),欢迎有兴趣的朋友搜索关注导读大脑的图模型作为研究跨尺度和跨物种的大脑功能和结构连接的框架具有巨大的潜力.基于网络的统计(NBS)是对大脑图进行统计推断的著名工具, ...
(24) T-GCN-时间图卷积网络用于交通预测
交通预见未来(24): T-GCN-时间图卷积网络用于交通预测 1.文章信息 <T-GCN: A Temporal Graph Convolutional Network for Traffic ...
【论文阅读】Spatio-Temporal Graph Convolutional Networks:...Traffic Forecasting[时空图卷积网络:用于交通预测的深度学习框架]（1）
[论文阅读]Spatio-Temporal Graph Convolutional Networks: A Deep Learning Framework for Traffic Forecastin ...
作为默认网络指标的额-颞顶连接的发展轨迹：一项纵向fNIRS研究
默认模式网络(DMN)是一种在我们不进行任何特定的任务时被激活的大脑区域网络.虽然有大量的研究记录了成人DMN内的功能连接,但对这一网络发展的认识仍然有限.有证据表明,DMN内的功能连接在生命的头2年 ...
中国移动通信联合会元宇宙产业委员会联席秘书长、北京金山顶尖科技股份有限公司元宇宙研究院院长李正海组织百城万项.石景山元宇宙发展暨工业元宇宙三人行直播第四期活动并做《城市元宇宙体系下的产业发展策略》
中国移动通信联合会元宇宙产业委员会联席秘书长.北京金山顶尖科技股份有限公司元宇宙研究院院长李正海组织百城万项.石景山元宇宙发展暨工业元宇宙三人行直播第四期活动并做<城市元宇宙体系下的产业发展策 ...
网络间谍组织 SideCopy 攻击印度政府和军队组织
聚焦源代码安全,网罗国内外最新资讯! 编译:奇安信代码卫士 Quick Heal 公司的威胁情报团队 Seqrite 指出,有网络间谍组织正在攻击印度政府和军队组织,以恶意软件感染受害者. 该组织被 ...

皮层网络内在组织预测状态焦虑：一项fNIRS研究

皮层网络内在组织预测状态焦虑：一项fNIRS研究相关推荐

最新文章

热门文章