Cerebral Cortex：疼痛热刺激引起的脑功能网络分离与整合

目前的研究旨在确定热痛期间大脑网络整合/分离的变化，使用高时间分辨率的网络连接事件优化方法。参与者(n = 33)主动判断施加于前臂掌侧的热刺激是否疼痛，然后在每次试验后评价温暖/疼痛强度。我们表明，试验中整合/分离的时间演化与疼痛的主观评级相关。具体来说，大脑在处理疼痛刺激时从隔离状态转变为整合状态。在所有的网络中，与主观疼痛评分的关联发生在不同的时间点。然而，当在较低的时间分辨率下测量时变功能连接时，评分和整合/分离之间的关联程度消失了。此外，与疼痛相关的整合增强在一定程度上可以通过网络之间连接的相对增加来解释。我们的研究结果强调了在单一时间点尺度上研究疼痛和大脑网络连接之间关系的重要性，因为通常使用的连接数据的时间聚合可能导致网络连接的细尺度变化可能被忽视。整合/分离之间的相互作用反映了大脑网络之间信息处理需求的变化，这种适应既发生在认知任务中，也发生在痛感处理中。

1.简介

疼痛的主观感知与参与伤害感知处理的大脑区域和支持认知和情感的大脑区域之间的相互作用有关。就大脑功能而言，人们已经认识到，人类的认知和情感需要在功能专门化和整合之间取得平衡，尽管尚不清楚这种平衡是如何在疼痛处理过程中实现的。为了进一步了解支持疼痛体验的网络之间的相互作用，神经成像数据可以用网络理论建模。基于网络的大脑连通性建模方法，通过推断与大脑区域之间的信息低相关的机制属性，提供了在简单识别大脑活动之外更进一步的潜力。此外，从基于网络的脑功能成像数据建模中得到的变量可能具有作为脑疾病生物标志物的潜力，尤其是慢性疼痛疾病。

与通常报道的时间聚合连接数据(其结果基于整个实验的平均值)不同，时变功能连接(TVC)子场量化了功能连接随时间的变化(见图1)。先前的研究表明，网络整合和分离的时变特性可以准确地描述认知加工如何发生变化以满足任务需求。这对于疼痛的研究来说也是非常重要的，因为对疼痛的感知是动态的，即使是在很短的时间内也会发生变化。此外，疼痛感知的时间依赖性对慢性疼痛状况的研究具有一定的意义，因为疼痛病理的核心特征与认知灵活性和神经可塑性有关，而且在使用传统的时间聚合神经成像数据时可能无法阐明，因为某些特性可能被平均掉了。

目前，有多种方法来估计和量化TVC，其中一些用于研究与疼痛相关的神经机制。在之前的一项研究中，使用滑动窗口(SW)方法探索了疼痛和走神之间的关系，并通过计算相关功能磁共振成像(fMRI)时间序列的标准差(SD)进行了量化。然而，我们之前的研究结果表明，SW并不是最优的方法，用于追踪从采样率较低的事件相关实验设计中预期的大脑连通性快速试验变化(fMRI的采样率为2 - 3 s。通常，SW连接是基于长时间窗口(40 - 80秒)。除了SW的长时间窗口问题，使用SDs作为TVC的定量标记;在先前的疼痛研究中使用;可能是有问题的，因为它捕获了潜在的静态功能连接，使得区分静态和时变大脑连接变得困难。

本研究的目的是确定热痛期间网络整合/分离的变化，使用针对高时间分辨率的网络连接事件优化的方法。

2.材料和方法简述
2.1 被试

本研究使用的数据集是在OpenNeuro门户网站上公开提供的功能性疼痛神经成像数据，登录号为ds000140 (https:// openneuro.org/datasets/ds000140) (Woo et al. 2018)。简而言之，共有33名右撇子志愿者被纳入研究(平均年龄:27.9,SD = 9.0, 22名女性)。受试者报告无精神、神经或疼痛障碍史。关于参与者的详细信息可以在Woo等人(2015)中找到。在33名参与者中，有25人被纳入分析。由于存在过度移动(帧内位移[FD]值高于0.5，超过所获取图像总量的20%)，两名参与者的数据被删除。由于刺激设备的机械问题或所给出的确切温度变化过大，6名参与者的数据被排除在外。

2.2 方法综述

首先，我们使用jack-knife相关(JC)方法来量化TVC，该方法对功能连通性的快速变化非常敏感。其次，我们使用时间网络理论的测量方法估计了TVC的属性。我们估计了每个时间点上相对于其平均值的整合和分离的变化。因此，在本研究中，我们将JC方法与网络分离和整合程度的时间解析估计相结合。这一策略有效地为我们提供了一种量化与疼痛相关的、独立于静态功能连接的连接变化的方法。事实上，我们使用关于功能连接的大小变化的时间分辨信息，使我们能够将大脑网络的分离和整合与主观疼痛报告联系起来。图1给出了我们评估网络分离和集成的方法的示意图描述。

2.3 试验过程

数据集所属的实验方案由总共9次不同的fMRI运行组成。在我们的分析中，我们只使用了参与者在每次刺激后积极反应的五次fMRI运行。每次run包括11项试验，参与者接受热刺激，每次run包括平衡刺激。剩下的四次功能磁共振成像(fMRI)测试没有被考虑在内，它们要么是通过认知上调或下调来操纵疼痛感觉，要么是研究每个温度升高一步的环境效应。在每次试验中，对左前臂内侧进行热刺激。在最初的3 s内，刺激强度逐渐增强，随后在目标温度下进入一个持续7.5 s的平台期。最后，在关闭前的2 s内，刺激强度逐渐下降。因此，每次试验的总持续时间为12.5 s，所使用的目标温度分别为44.3℃、45.3℃、46.3℃、47.3℃和48.3℃。在每次试验之间，参与者首先评价他们是否感到疼痛。如果他们感觉到了疼痛，他们会用视觉模拟量表对自己的疼痛进行评分，从0(完全没有疼痛)到100(可以想象的最严重的疼痛)。如果他们感觉不到任何疼痛，他们将刺激的温暖程度从0(一点也不温暖)到100(非常热)。温暖的评分从0到100，疼痛的评分为101 200。更多细节见原文(Woo et al. 2015)。

3.结果
3.1 聚合(低热强度vs.高热强度)TVC

通过对所有热刺激试验中网络连接的平均估计来估计高和低热强度之间的差异(见图2)。对于7个大脑网络中的6个，与低温试验相比，高温试验显示了网络集成水平的提高，即SID参数的负值更多，如图1所示。唯一的例外是，在高温期间，大脑边缘网络的整合增加了。SID可以由网络内程度的减少或网络间程度中心性的增加来驱动。为了理清这些贡献，我们分别量化了网络内和网络间的中心性。我们观察到，在较高的热强度下，网络之间的连通性普遍增加(图2C)。在某种程度上，网络内的连通性也有所增加。置换检验显示，在比较低热刺激和高热刺激时，大脑网络整合/分离的SID估计仅在额顶(FP)网络存在显著差异，但未能经受多次比较校正。在任何脑网络中，低热强度和高热强度在网络内和网络间的度中心性方面没有统计学上的显著差异。没有GSR的数据重新分析表明，只有默认模式网络(DMN)在高低热强度之间显示出最大的差异，但在多次比较校正后，这在统计上不显著(补充图4，补充表7 9)。

图2 对SID (A)、网络内(B)和网络间度中心性©的估计在所有试验中均为平均值。

图1 计算网络整合和分离的方法脉络。

3.2 个体试验TVC与疼痛评分的关系

每次试验(即持续7个时间点/体积的热刺激事件)之后都要进行疼痛评分，我们调查了在个别试验中TVC数据和疼痛主观评分之间的关系(参见补充图2了解每种热强度的试验数据)。对每个大脑网络分别估计评分和每个时间网络测量之间的关联程度，然后进行多次比较校正。视觉(Vis)、显著性(SA)和边缘网络的评分和SID值之间存在统计学上显著的相关性。对Vis和SA网络的多次比较进行校正后结果显著(图3)。具体结果见补充表1 3。在补充图5中，我们表明，在分析没有GSR的数据时，只有Vis网络具有统计学意义(补充表10 12)。

图3 时间网络度量(SID，网络内和网络间度中心性)和疼痛评级之间的统计关系的强度。

3.3 热刺激试验中TVC网络测量在单时间点水平上的时间演化

该分析没有将TVC作为覆盖整个试验的数据的汇总度量来分析，而是测试了在一个由七个时间点组成的试验中，TVC是否存在任何时间上的变化。图4所示的结果表明，在高热强度试验的后期阶段，整合程度较高(即SID值较低)。在所有热强度中都发现了类似的模式(参见补充图3)。在视觉、背侧注意(DA)和FP网络的SID上有统计学上的显著差异;然而，在多次比较校正后，只有DA网络是显著的(图4A)。时间分辨功能连接在躯体运动(SM)网络、边缘网络、SA网络和DMN在高热强度和低热强度之间没有隔离和整合的差异。但在第6个时间点，除边缘网络外，所有网络的高强度和低强度在度间中心性方面存在显著差异。

在没有GSR的情况下分析数据仍然可以发现，高热强度下存在更多的相对整合度(补充图6)。Vis网络、SA网络和DMN的高、低热强度SID差异有统计学意义。然而，只有DNM在经过多次比较后，在一个时间点出现统计学上的显著差异。对于网络内部和网络之间的度中心性，没有显著的统计结果。

图4 该图显示了SID估计(A)、网络内(B)和网络间的度中心性©。

3.4 每时间点尺度上的时变连通性与疼痛等级之间的相关性

在一个试验中，对单个图像体积下的网络特性和疼痛评分之间的统计学显著性进行了分析。SID参数的结果(图5A)表明网络整合程度相对较高，疼痛评级较高。所有网络都显示出与评级之间的微小但统计上显著的相关性。但是，时间点之间有显著的差异。例如，SM、DA、SA和FP网络与早期时间点有正的但在统计学上不显著的关联，这一发现表明较高程度的分离与高疼痛评级相关。从时间点4开始，这种关联发生了逆转，这意味着更高的评分会带来更多的整合。图5B显示，对于除边缘网络外的所有网络，对于较高的评级，网络内度中心性普遍增加(正);然而，这在统计上并不显著。然而，边缘网络显示了一个时间点，网络内度负中心性与较高的疼痛评分相关。这意味着，随着评级的提高，边缘网络显示较小的网络内度中心性。图5C显示，网络之间的度中心性随着评分的提高而普遍增加，特别是从时间点4开始。Vis、DA和FP网络显示时间点与疼痛评分有显著的统计学相关性。补充表4-6显示了每个指标的详细结果。

我们在没有GSR的情况下重新进行分析(补充图7)。我们看到与GSR相同的模式，更多的整合意味着更高的疼痛评分。然而，在时间点和大脑网络上有明显的差异。Vis、DA、SA、FP和DNM在SID与疼痛评分之间有显著相关性。此外，网络间度中心性仅对Vis网络有统计学意义。然而，网络间连接增加的模式仍然是可见的，对应于整合增加的时间点。补充表13- 15显示了详细的结果。

图5 热刺激试验中不同时间点时间网络参数 (A SID;B网络内度中心性;C网络间度中心性)和刺激的主观评分之间的关系。

4.讨论

追踪大脑网络间连接的随时间变化的变化的能力对于理解感知疼痛的潜在机制非常重要。我们量化了随时间变化的脑网络连接，并测量了七个典型网络的相对分离和整合程度。我们的结果表明，大脑网络与增加的疼痛相结合。这在试验中的单个时间点和整个试验对应的时间点都观察到了。然而，不同时间尺度的结果有所不同。在试验时间尺度上，Vis和SA网络显示出更高疼痛评分的更多整合。当在单个时间点尺度上进行调查时，所有的大脑网络在试验中的某些时间点显示出与疼痛评级的整合程度增加。这些发现说明了探测TVC的重要性，以及随着时间的推移聚集大脑网络数据如何导致结果被平均出来。

在最近的一项研究中，TVC被用于分析在使用n-back工作记忆任务的实验中获得的功能磁共振成像数据。在这项研究中，在要求更高的2-back任务中，与0- back任务相比，网络之间的集成总体上有所增加。在这项研究中，我们看到了在高热刺激下大脑网络整合增加的类似模式。然而，在这项研究中，他们可以挑选出FP网络，它与n-back任务高度相关。在当前的研究中，我们注意到几个大脑网络的整合显著增加，以获得更高的热强度(图2)。这与之前的研究结果一致，即大脑之间的合作增加，以支持疼痛感知。由于疼痛具有很高的激励价值，并作为对我们身体组织的威胁的警报系统，它具有调节其他认知和情感功能的潜力。我们在大脑网络水平上的发现可以解释为对突出信号的关注增加，以支持疼痛的多特征体验。目前还不清楚，大脑是否会适应慢性疾病中持续的疼痛处理，以及与注意力和认知相关的神经结构是否会随着时间的推移而变得不那么完整。
大脑整合和疼痛之间的关联的发现与早期的研究结果一致，即网络模块化随着疼痛的增加而减少。利用社区检测，郑等人发现了一个大型的整合大脑网络，并减少了网络与其他网络之间的连通性。在这里，我们使用了7个典型的静息状态大脑网络，并发现网络间连接的增加可能会影响观察到的整合。这种差异可能是由于大脑网络如何定义的方法选择。此外，我们揭示了功能连通性的时间变化，并表明只有在试验中的特定时间点，大脑网络的整合/分离才能捕捉到疼痛现象体验的各个方面。例如，注意到FP和SM网络的整合与时间点4-6的评分相关，但这种相关性减弱，而DA和Vis网络的整合则继续与评分相关(图5)。我们将这些发现解释为与高疼痛水平相关的注意力负荷增加，与密集疼痛的高度显著性一致，需要将一个人的注意力引导到可能的危险。DA网络可能是根据主观疼痛强度的剂量响应方式进行招募的，它可能是除了传统疼痛网络之外理解疼痛感知差异的一个重要组成部分。此外，SA网络、边缘网络和DNM仅显示了一个时间点，在此整合与疼痛评级相关。总的来说，大脑网络的整合可能会影响刺激体验的疼痛程度。与整合相比，较低热强度下的网络分离增加可能为静息态网络之间的整合和分离提供基线值。这一观点得到了先前研究结果的支持，即在试验之间的基线期间和无害刺激期间的分离增加。

除边缘网络外，大多数网络在网络间度中心性方面表现出高低热强度的差异(图4C)，而只有DA网络在SID方面表现出统计学上显著的差异(图4A)。然而，在单个时间点尺度上，SID与疼痛主观评分的相关性最大(图5)。这表明，当结合了网络内和网络间度中心性之间的平衡时，可以区分疼痛主观评分的神经相关关系，这在SID的复合度量中表示。因此，当SID被分解为网络内部和网络之间的连接时，网络之间的相互作用和疼痛的主观评级之间的关联的全部程度可能并不明显。

通过使用单时间点方法来研究在不同疼痛强度下随时间变化的大脑连接，我们已经表明网络属性随着大脑网络和时间的变化而变化，这与疼痛主观体验的变化本质一致。在处理更强烈的热刺激时，大脑网络从分离状态转变为整合状态。这对试验时间尺度和单时间点尺度的估计都是明显的。有一些明显的差异，当TVC在试验时间尺度上估算时，整合和疼痛评分之间的关联被平均掉了。我们得出结论，与较低分辨率的TVC相比，在较高时间分辨率下测量的TVC更准确地跟踪主观报告。网络分离和整合之间的动态相互作用大概反映了与热刺激水平相关的网络之间的信息处理需求的变化。这种适应既发生在认知任务(如工作记忆)中，也发生在痛苦刺激的处理过程中，这可能有助于研究其他临床相关的大脑过程，如焦虑。
参考文献：Brain network segregation and integration during painful thermal stimulation

Cerebral Cortex：疼痛热刺激引起的脑功能网络分离与整合相关推荐

Cerebral Cortex:注意缺陷多动障碍ADHD多层网络动态重构分析
<本文同步发布于"脑之说"微信公众号,欢迎搜索关注~~> 注意缺陷多动障碍(ADHD)已被报道存在异常的脑网络拓扑结构.然而,这些研究往往将大脑视为一个静态的整体结构, ...
读《人脑连接组研究：脑结构网络和脑功能网络》
人脑连接组研究:脑结构网络和脑功能网络 doi: 10.1360/972009-2150 文章结构题目人脑连接组研究:脑结构网络和脑功能网络摘要引言 1 复杂网络中的一些基本概念 1.1 网络 ...
matlab plv,一种基于微状态的脑功能网络构建方法与流程
本发明涉及脑功能网络研究技术领域,更具体而言,涉及一种基于微状态的脑功能网络构建方法. 背景技术: 复杂网络作为近年来一种新兴的数据分析方法,被应用于各个方面.由于大脑是一个十分复杂的系统,不同神经元 ...
静息态fMRI+图论研究：难治性精神分裂症的脑功能网络
<本文同步发布于"脑之说"微信公众号,欢迎搜索关注~~> 笔者比较关注精神疾病脑功能网络的变化特征,因此,最近都在看相关的文献.本次,笔者就给大家分享一篇相关的论文,该 ...
基于Matlab的脑功能网络工具箱 BCT FCLab
基于Matlab的脑功能网络工具箱 BCT & FCLab 1.下载 BCT :https://www.nitrc.org/projects/bct FCLab:https://github. ...
PNAS:大脑如何应对压力？急性压力可促进脑功能网络整合
尽管压力普遍存在,但大脑如何在应对急性压力时重新配置其多层次.层次化的功能组织仍不清楚.我们利用全脑静息状态功能磁共振成像(fMRI),通过扩展我们最近发表的嵌套谱划分方法,来检查社会压力后大脑网络的 ...
动态脑功能网络的滑动窗口分析相关问题
最近刚开始学习动态脑功能网络,对于这方面的了解还比较少,这篇文章用做大家共同学习和提高自己的理解. 基础知识:独立成分分析(ICA),ICA是一种从这些信号的线性混合中恢复基础信号的方法,并利用高阶信 ...
慢波睡眠中脑电微状态与脑功能网络的相关性
<本文同步发布于"脑之说"微信公众号,欢迎搜索关注~~> 脑电图(EEG)的微观状态在清醒状态下已被广泛研究,并被描述为"思维原子".先前对脑电图的 ...
基于多域连接卷积神经网络的精神分裂症脑功能网络分类
©PaperWeekly 原创 · 作者|张玮玮学校|东北大学硕士生研究方向|情绪识别引言论文动机生理学研究表明精神分裂症(Schizophrenia, SZ)与大脑感觉和额叶区功能障碍有 ...

Cerebral Cortex：疼痛热刺激引起的脑功能网络分离与整合

Cerebral Cortex：疼痛热刺激引起的脑功能网络分离与整合相关推荐

最新文章

热门文章