静息态网络的认知解读长期受困于方法学瓶颈行为数据的高维结构与脑连接模式的复杂时空特征之间缺乏有效的数学映射桥梁。该研究引入非线性降维与稀疏正则化回归的组合策略在统一框架内建模静息态成分与多维度心理评估之间的心理生理交互作用。结果揭示脑-行为关联并非以直接线性方式存在而需经由低维潜在空间加以表征。这一路径为内在网络的功能意义验证提供了可检验的分析范式。摘要默认模式网络(DMN)的发现是认知神经科学领域的一项里程碑式成果。然而该网络作为对静息态功能磁共振成像数据(rs-fMRI)进行数据驱动分析的结果其心理学与临床意义一直难以阐明。这是因为静息态范式无法将特定的、可观测的任务与特定的脑连接模式直接关联这从根本上限制了我们就特定认知域与静息态网络之间的关系做出有效推论。当试图进一步将DMN与人格特质相联系时类似的方法学困境再次浮现与其他内在网络一样DMN远非一个能够直接与心理测验结果进行简单比较的指标而是一个由复杂时空特征构成的复合体。尽管过去二十年间不断有研究为理解这些关系提供洞见但学界就何种方法能够最有效地捕捉此类相互作用仍未达成共识。在此背景下本研究提出了一种替代方法基于对广泛心理评估的降维处理和内在连接成分的空间维度来建模静息态成分与行为数据之间的心理生理关系。研究结果表明连接网络与行为及人格特质之间仅存在低至中等程度的相关性或至少表明这种关联并非以直接的方式存在。这种将神经影像数据与心理评估数据相整合的策略为认知神经科学开辟了极具价值的探索路径有望精确揭示内在脑网络组织如何与个体在认知功能和人格维度上的差异相关联。引言默认模式网络(DMN)是当代神经科学中研究最为广泛的神经网络之一。该网络最初因在目标导向任务中呈现出一致的失活模式而进入研究者的视野随后在静息态功能磁共振成像研究中得到进一步表征现已成为理解自我参照加工、自发认知及多种心理功能神经基础的关键组成部分。在解剖上DMN主要由腹内侧前额叶皮层、后扣带皮层、楔前叶和外侧顶叶区域构成其在静息期间表现出高代谢活动而在外部导向注意期间则同步地表现出活动抑制。尽管在描绘DMN结构与功能特性方面已取得长足进展但确立其活动模式与心理变量之间的可靠关联至今仍是一项复杂的方法学挑战。既往研究已系统考察了DMN功能与一系列认知评估及人格测量指标之间的关系为脑-行为关联提供了重要见解。在认知领域DMN与工作记忆、注意、执行功能及记忆之间呈现出一致的关联模式以n-back范式为代表的工作记忆任务始终显示DMN的更强失活与更优任务表现相关持续性注意测量包括持续性注意反应任务(SART)和精神运动警觉性任务(PVT)亦展现出相似的模式即DMN抑制伴随注意表现的提升采用连线测验和威斯康星卡片分类测验所进行的执行功能评估揭示了DMN连接模式与认知灵活性之间的相关性而在加利福尼亚词语学习测验等任务上的情节记忆表现已被证明与编码和提取过程中的DMN参与有关。在人格测量方面五因素模型的各维度亦显示出与DMN特征的有意义关联。值得注意的是神经质被发现与DMN活动及连接的增强相关尤其集中在内侧前额叶区域外向性与DMN连接模式的关系可能反映了其背后的社交性与奖赏敏感性。此外用于评估反刍思维与心智游移倾向的自我报告量表如反刍反应量表和心智游移问卷均与DMN功能连接之间存在稳健关联。特质正念的测量包括五因素正念问卷在某些认知状态下亦与DMN活动呈负相关这为正念练习的神经生物学机制提供了重要线索。然而上述研究大多聚焦于任务态下DMN活动的变化这一策略存在明显局限网络的界定依赖于特定任务所诱发的失活因而在不同任务间缺乏可比性且在试图与不依赖于任务的人格问卷相关联时存在困难。相比之下静息态范式有效规避了不同任务间连接结果难以比较的问题因为所有行为变量均关联于同一组静息态网络因而其效应具备了可比较的基础。这一优势也使我们能够进一步甄别不同网络对同一心理构念的差异化贡献为解析脑连接与心理活动之间的关系开辟了广阔前景。本研究聚焦于DMN特征与参与者心理画像之间的关联这必然要求我们直面一项核心挑战如何有效处理极其复杂的高维数据。心理评估本身即包含多项测验及成套测验由于其中诸多测验共享潜在的心理构念这些测验分数之间存在着高度相关性。与此相对应DMN是一个复杂的网络其测量形式表现为四维静息态功能磁共振成像数据中数千个体素的变异模式。因此开发能够准确解析该网络与外部预测变量之间关系的方法绝非易事。此前有研究尝试将静息态连接直接与认知任务相关联以探究网络中的空间差异如何预测测验得分。然而这种方法仍不足以在一个统一模型内捕捉DMN的全部特征而仅仅是孤立地考察每个空间特征的独立贡献。这些发现凸显了在研究涉及网络的心理生理相互作用时选择DMN分析方法的重要性而这正是本工作所探讨的主要议题。识别静息态网络最常用的方法主要包括独立成分分析(ICA)、基于种子点的相关分析以及图论分析。基于种子点的相关分析已被广泛用于考察DMN脑区与其他脑区之间的功能连接该方法通过预先界定一组感兴趣区(即种子点)继而计算其与全脑其他区域乃至每一个体素之间的关系。该方法尤其适用于研究特定脑区对之间连接模式与心理变量的关联因此当已有先验假设或假说认为脑连接在特定脑区间发挥中介效应时其优势更为凸显。图论分析则提供了一套刻画网络拓扑结构的度量指标包括模块化、中心性和效率等这些指标均已被证实与认知及人格测量存在显著关联。与前两者不同ICA提供了一种数据驱动方法来识别包括DMN在内的内在连接网络无需任何先验的种子点选择。由此产生的成分即所谓的内在连接网络(IC网络)本质上是表征大脑活动独立特征的向量将其投射至功能磁共振成像时间序列上即可获得反映该成分活动的全脑空间地图。然而IC网络仍是以体素级三维体积形式呈现的复杂脑模式为便于检验假设和提升数据可管理性有时需进一步将信息简化为感兴趣区。网络建模方法包括应用于ICA衍生网络的图论度量已成功地将DMN的拓扑属性与认知能力和人格特质关联起来。上述研究揭示了一个困境如何将连接信息尤其是静息态网络(RSN)所蕴含的丰富信息有效综合为一组精简的、适合与心理变量进行关联分析的变量。为此研究者们采取了多种替代策略一些研究转而分析RSN的总体状态所采用的手段包括评估其全局连接水平、典型相关或计算其与样本或群体模板的拟合优度另有研究引入机器学习框架利用从ICA成分中提取的特征来预测认知表现和人格测量从而能够对DMN-行为关系进行多变量模式分析。然而此类方法通常需要大量数据才能直接应用于RSN因而往往需要额外的预处理步骤这在一定程度上削弱了其实用性。鉴于这些方法学挑战本研究采用了一种以数据驱动技术为核心的探索性策略。本研究选择独立成分分析(ICA)作为识别包括DMN在内的静息态网络(RSN)的主要工具其关键优势在于能够在不依赖先验种子点选择或基于任务定义的情况下识别大脑活动模式。迄今为止ICA仍是功能连接成分分析中应用最广泛的技术并且构成了许多新兴功能连接分析方法的方法学基础。在静息态条件下使用ICA能够在个体间建立DMN的一致性表征从而为跨不同心理变量的比较分析提供便利。在表征RSN的众多指标中本研究选择了一种数据驱动的方法即在ICA结果的空间投影之上又增加了一步降维处理。总的来说本研究采用了一套当前文献中成熟、公认的分析技术并在此基础上提出了一个整合性框架旨在将广泛的心理领域与大脑功能连接相关联。方法工作流程展示本研究所提出的方法遵循数据驱动的途径旨在对大脑连接模式与行为-表型数据之间的关系进行建模。如图1所示本研究的分析流程包括以下步骤行为数据处理该工作流程起始于对磁共振成像数据和行为数据的并行处理。行为与表型数据依次经过变量选择、缺失值插补和降维处理以构建有意义的行为成分。针对三种不同的技术评估降维质量以选择最适合此任务的技术。同时通过分析每项测验对行为成分的贡献确保所得成分具有可解释性。此外筛选出协变量以控制非认知及非人格表型变量的效应并通过线性模型控制其影响。MRI数据处理本研究采用两种并行的策略来提取静息态网络(RSNs)——CanICA和字典学习(DL)旨在比较不同ICA技术选择对结果的影响。两种方法均识别出代表功能性大脑网络的N个成分随后对其进行滤波以去除伪影并依据已建立的RSN模板加以分类。对于每个被试本研究进一步计算其成分的空间投射从而获得个体特异性的网络空间表征。然后采用与行为分析中相同的三种降维技术对这些成分进行降维处理。最后通过线性模型对协变量的效应进行控制。心理生理整合在最后阶段通过两项互补的分析整合大脑连接数据与行为数据。典型相关分析(CCA)用于考察低维连接成分与行为成分之间的整体关系。此外使用正则化线性模型逐一评估每个网络对每个行为成分的独立预测能力。所有显著性检验的结果均经过多重比较校正。图1.工作流程图。心智-脑-身体数据集为开发和检验所提出的方法本研究选用了来自莱比锡马克斯·普朗克研究所的心智-脑-身体(MBB)数据集。该数据集以其卓越的数据质量、较大的样本量以及对被试的全面评估而脱颖而出。MBB数据集采集自228名德国被试包含多种模态的MRI序列包括功能磁共振成像(fMRI)、T1加权像、扩散加权成像(DWI)和脑电图(EEG)数据以及心血管测量指标、人体测量数据、精神病学诊断和心理评估。社会人口学数据年龄以5年为间隔进行测量并编码为有序变量。被试被划分为两个年龄队列一组为20-35岁另一组为50岁以上。性别编码为分类变量0代表女性1代表男性。利手编码为三组分类变量0代表混合利手1代表右利手2代表左利手。吸烟状况依据被试的自我报告编码为三个等级的有序变量1代表不吸烟者2代表偶尔吸烟者3代表习惯性吸烟者。饮酒量以过去28天内摄入的酒精单位数来衡量。教育程度根据德国学制中的教育水平编码为有序变量0代表未接受任何学校教育1代表普通中学2代表实科中学3代表文理中学。图2展示了该数据集全部社会人口学变量的分布情况。表1和表2分别报告了连续变量与分类变量的描述性统计结果。统计数据显示性别分布并非完全均衡其中男性(64%)占比高于女性(34%)。图2.被试描述性统计特征的直方图。表1.有序和连续协变量的描述性统计。表2.分类协变量的描述性统计。所有社会人口学变量对连接变量和行为变量的效应均作为协变量加以控制。考虑到年龄队列可能对模型产生潜在影响本研究进一步分析了其效应具体方法是将样本划分为两组并比较两组在预处理后特征上的差异。MRI数据该数据集包含使用3T西门子MAGNETOM Verio扫描仪采集的多模态MRI数据。就fMRI数据而言仅222名被试具备静息态fMRI序列故本研究样本量限定为这222名被试。功能数据采集参数如下轴位扫描相位编码方向为AP体素大小2.3mm各向同性FOV202mm成像矩阵88×88共64层层厚2.3mmTR1400msTE30ms翻转角69°回波间隔0.67ms带宽1776Hz/像素部分傅里叶7/8无预扫描归一化多频带加速因子4657个体积层顺序交错时长15分30秒。畸变校正所用梯度回波场图的参数如下体素大小2.3mm各向同性FOV202mm成像矩阵88×8864层层厚2.3mmTR680msTE15.19msTE27.65ms翻转角60°带宽389Hz/像素预扫描归一化无部分傅里叶时长2分3秒。静息态fMRI畸变校正采用一对反相位编码的自旋回波EPI序列其参数为体素大小2.3mm各向同性FOV202mm成像矩阵88×8864层层厚2.3mmTR2200msTE50ms翻转角90°回波间隔0.67ms相位编码AP / PA带宽1776Hz/像素部分傅里叶6/8无预扫描归一化每个序列时长29秒。该磁共振成像数据集虽包含多模态结构像数据但本研究仅采用T1加权序列用于为fMRI序列提供脑掩膜和空间标准化。T1加权像采集参数如下矢状位采集176层TR5000msTE2.92msTI1700msTI22500msFA14°FA25°预扫描归一化回波间隔6.9ms带宽240Hz/像素FOV256mm体素大小1mm各向同性GRAPPA加速因子3层顺序交错时长8分22秒。结构像和静息态fMRI数据已由马克斯·普朗克研究小组采用Python工具包Nipype进行了的预处理。结构T1加权像的预处理流程包括使用CBS工具和通过FreeSurfer进行皮层表面重建所提取的脑掩膜来去除背景。随后使用ANTs中的非线性配准算法“SyN”将结构数据标准化至MNI152-1mm空间。针对静息态fMRI数据该研究小组首先移除了T2*加权序列的前五个体积随后采用FSL MCFlirt以刚体对齐方式将所有体积配准至第一个体积以校正头动并使用场图和一对反相位编码的自旋回波序列进行畸变校正。fMRI数据使用FreeSurfer中基于边界的配准算法在个体空间内与结构像进行配准。功能体积则使用先前从结构数据获取的脑掩膜进行掩膜。时间序列的去噪步骤如下首先在一般线性模型(GLM)中纳入头动参数及其导数取残差然后使用aCompCor计算生理噪声并再次拟合GLM以去除其效应。时间序列使用FSL进行0.01至0.1Hz的带通滤波并进行均值中心化和方差归一化。最后利用从结构数据中计算得到的变换将功能数据标准化至MNI152空间并将所有扫描序列串联成一个时间序列。在后续的连接分析中本研究直接使用这些已完成标准化和预处理的时序体积并沿用该研究小组提供的脑掩膜以控制计算成本。行为与表型数据心智-脑-身体数据集中所有可用的认知成套测验均被用于心理生理关系的探索性分析因此本研究保留了所有测验进行分析。每套测验中的变量将根据以下标准进行人工检查与筛选以确保仅保留各子测验中最具代表性的信息优先使用标准化分数(若可用)因其提供了控制人口学因素(如年龄和教育程度)的常模比较李克特量表条目被聚合为综合变量以降低模型复杂性并提高其检测相关关系的能力若可用优先使用总分而非单个条目因为总分通常具有更优的心理测量学属性包括更高的重测信度与构念效度。成套测验如表3所示。表3.认知成套测验及每套测验的具体筛选标准。以下人格测验亦被纳入分析并采用与认知成套测验相同的预处理标准。MDBF测验因得分依赖于测评当日状态而被舍弃。YFAS成套测验因测验结果无任何变化而未纳入。MARS成套测验则因数据缺失而未纳入。对于COPE和TICS本研究遵循既往文献的建议使用特定的因子分解方式。表4.人格与表型测试成套工具以及每套测试工具的具体选择标准。凡缺失值比例超过5%的子测验或成套测验均被排除。标准差低于0.2的测验因近乎无变异性亦被剔除。子测验分数采用最小-最大归一化进行处理。随后在任何子测验中缺失值比例超过10%的被试均被排除。其余缺失值使用Python包sklearn中的MICE进行插补该方法通过迭代方式依次将每个变量作为所有其他变量的函数建模并以模型预测值填充缺失项。所有行为和表型变量均采用数据驱动的方法综合至一个降维空间中以避免共线性、缩减参数数量并简化结果的解释。由于探索性分析显示部分测验呈非正态分布降维过程采用非线性方法。为确保所得成分的效度本研究对以下三种方法进行了比较测试Isomap一种非线性降维方法通过构建邻域图并以图上最短路径近似测地(流形)距离然后计算一个尽可能保留这些测地距离的低维嵌入基于拉普拉斯特征映射的谱嵌入该方法是一种基于图的算法利用最近邻算法构建相似性矩阵形成图拉普拉斯矩阵并以其主特征向量将数据嵌入低维空间以及多维标度(MDS)该方法依据给定的成对相似性或相异性矩阵寻找低维空间中各点的坐标使该表征得以保留原始数据的亲和结构。三种方法通过“可信度(trustworthiness)”指标进行比较可信度定义为新空间中元素间局部结构关系的保持程度(见公式1)。数据按70%/30%的比例划分为训练子集与测试子集通过交叉验证评估结果以防过拟合。数据预处理及所有分析均使用Python自编脚本实现。使用梯度提升回归器(GBR)从原始空间预测降维后的成分进而通过置换方法分析每个特征对成分变异性的贡献以及从降维空间重建原始特征空间的能力(见公式2)。公式1。T可信度n样本数k最近邻个数j输出空间中i的k个最近邻之一r(i,j)j与i在输入空间中的邻域秩次。公式2。ij特征j的重要性s决定系数K每个特征的随机打乱次数sk,j对列j进行随机打乱后的决定系数。静态RSN本研究的连接分析基于独立成分分析(ICA)这是静态RSN分析中最前沿的分析方法之一其数据驱动的特性使其尤其适用于探索性研究。该技术可将功能磁共振成像序列的维度压缩至有限数量的成分这些成分的线性组合至少能够再现原始空间的一部分信息。此外这些成分须具备跨被试的可泛化性即同一成分能在不同被试中代表相同的大脑激活模式。组ICA虽是完成该任务最常用的技术但CanICA和字典学习(DL)等新近方法在性能上更胜一筹因此本研究将采用这些新方法并使用Python库Nilearn(http://nilearn.github.io)来进行后续分析。CanICA是一种先进的空间ICA方法利用分层分析来寻找被试间的共同模式。该技术首先对每个被试的数据执行个体ICA分解然后应用第二级分析来提取整个群体中最一致、可重复性最高的成分。相比之下DL代表了一种性质截然不同的降维方法它在一个被称为“字典”的简化、结构化框架内寻找高维数据向量的简洁表示。该方法通过将原始数据分解为基础元素(字典原子)的稀疏组合从而以最少的成分高效地重建输入信号。与主成分分析(PCA)等旨在寻找正交成分的传统降维技术不同DL允许过完备表示即字典所包含的原子数目可超过原始数据的维度。这种灵活性使其能够更有效地捕捉数据中复杂的、非正交的模式。根据既往文献的建议30个成分足以涵盖同类研究中通常可观测到的全部静息态网络(RSN)故将此作为两种技术统一的超参数设定。所得成分随后由两位作者进行评估剔除噪声伪影并依据Kelly的判别标准以及Tahedl和Schwarzbach的RSN模板进行分类。为考察两种方法对模型结果及RSN质量的影响本研究额外设计了两项比较其一采用配对t检验比较两者对全脑活动的平均解释方差其二同样通过配对t检验分析心理生理模型调整后决定系数的分布差异。个体特异性独立成分的空间图采用双回归(dual regression)方法获得。首先将被试的fMRI序列投射至ICA空间从而将时间序列的数量压缩为有限数目的个体特异性独立成分。然后以整组被试估计出的独立成分为预测变量对个体投射所得的独立成分进行回归。这一过程为每个成分生成一幅个体化的三维空间表征反映每个大脑点(体素)的活动对该独立成分的贡献。鉴于上述降维技术本身不考量成分的空间变异性依据原始作者的建议在降维前对个体数据进行平滑处理。最后本研究采用与获取行为成分相同的降维策略以得到独立成分的低维表征。降维过程的优化通过比较Isomap、谱嵌入和MDS三种不同技术来实现。与行为成分的处理方式一致基于可信度指标(公式1)选取最优结果及最适宜的成分数量。所有前述步骤均使用Python基于scipy(https://docs.scipy.org/)和nilearn库实现。心理生理建模性别、年龄、饮酒量、吸烟习惯、利手和教育程度的影响均作为协变量加以控制因为这些因素可能对内在网络及行为数据产生显著干扰。控制其效应的具体方法是将上述协变量对认知变量和行为变量进行回归并取残差作为校正后的变量。鉴于被试被划分为两个年龄组(35岁以下和50岁以上)本研究另外检验了任一校正后变量是否在两组间存在差异。对于行为数据和静息态网络均使用多变量方差分析(MANOVA)来检验零假设即至少有一个成分的均值在年龄组间存在差异。若在控制协变量后未发现与年龄队列相关的显著差异则将所有被试合并建模若存在显著差异则需采用分组模型或分层模型。本研究的首项探索性分析采用典型相关分析(CCA)以评估所提出的心理生理模型的可行性。CCA是一种用于探究两组多变量之间关系的统计方法其目标在于识别成对的典型变量使两者之间的相关性达到最大。通过这一过程CCA有助于揭示两组变量之间的线性关联模式并识别出能够解释其相互关系的潜在结构。本研究使用CCA来考察心理变量与生理变量之间的整体关系并检验零假设即Wilks’ lambda(CCA未解释的方差度量)接近于零。因此若CCA结果不显著则后续的线性模型分析亦将缺乏实质意义。该分析在每一对低维连接成分与行为成分组之间进行计算并针对CanICA与DL两种方法得到的成分分别计算。鉴于CCA通过对输入变量进行线性变换以最大化其相关性本研究进一步采用冗余指数来评估CCA典型嵌入的效应量从而提供更为可靠的度量指标。该指数衡量的是从输入B的CCA成分中能够在多大程度上重构出输入A的原始成分。在本研究中被重建的变量为行为成分以此检验独立成分对行为的预测能力。所有显著性p值均使用FDR-BH程序进行多重比较校正。本研究使用Python包statsmodels来执行CCA以及多重校正过程。最后本研究采用ElasticNet正则化线性回归拟合预测模型。在建模之前所有特征名称均通过将空格替换为下划线进行标准化处理全部预测变量则基于整个数据集进行z分数归一化。针对每一对行为变量与连接变量使用五折交叉验证训练一个固定正则化参数(α0.1l1比率0.8)的ElasticNet模型。模型性能以交叉验证决定系数进行量化。预测表现的统计显著性通过置换检验进行评估将结局标签随机置换1000次每次置换后重新计算交叉验证的决定系数以生成零分布。经验p值计算为置换后决定系数大于或等于观测决定系数的比例。所有模型结果的p值均采用FDR-BH程序进行多重比较校正。此外本研究计算了ElasticNet在每个模型中所使用的特征数量以展示所得模型的复杂度。上述建模步骤对CanICA和DL两种方法提取的成分均分别执行。结果认知与表型数据9名被试因缺失数据比例超过10%而被排除出分析。图3展示了三种不同非线性降维技术的结果。多维标度(MDS)取得了最优表现从15个成分起可信度超过0.98。基于此本研究为MDS选定了15个成分超过该数值后信度趋于稳定(图3)。图3.Isomap(左上)、谱嵌入(右上)和MDS(左下)降维模型的优化结果。其中Isomap模型的优化在25个成分处停止因其最近邻矩阵的特征值分解产生了零值。用于检验降维技术重建能力的梯度提升回归器(GBR)模型在所有模型中的决定系数均超过0.99。表5展示了特征重要性分析的结果仅筛选出重要性高于0.03的特征。利用原始特征的相关矩阵确定关系的方向以此为各成分命名。各成分以其最具区分性的特征命名(旨在便于识别)但必须结合原始成套测验的所有特征加以解释。表5.特征重要性分析结果。多变量方差分析(MANOVA)结果显示青年与老年队列在任何行为成分上均无显著差异(Wilks’ lambda ~1.000p值~1.000)由此可知在将年龄作为协变量加以控制后已不存在年龄相关效应。静息态网络(RSN)在静息态网络(RSN)的识别结果中来自CanICA方法的11个成分以及来自字典学习(DL)的9个成分被标记为噪声并排除出后续分析。两种方法均检测出许多共同的RSN例如默认模式网络(DMN)、额顶网络、视觉网络、听觉网络或小脑网络尽管同一RSN的空间分布在CanICA与DL之间呈现一定差异。值得注意的是两种方法均分离出两个被归类为DMN的成分但具有不同的细分(图4)。通过每种连接分析方法(CanICA和DL)获得的所有成分详见附录II。图4.识别为默认模式网络的成分分别使用CanICA(左)和DL(右)提取。就解释方差而言CanICA的平均解释方差为19.15%(标准差0.02)DL为20.23%(标准差0.03)。Welch t检验结果显示两种方法之间存在显著差异(p0.0395)DL的解释方差显著高于CanICA。多变量方差分析结果显示青年与老年队列在任何静息态网络上均无显著差异(所有Wilks’ lambda及p值均接近1.000)因此在将年龄作为协变量进行控制后不存在与年龄相关的效应。图5和图6分别展示了CanICA和DL成分空间降维的成分数量优化过程。MDS的表现优于Isomap和谱嵌入最终选定以50个成分来表征每个内在连接网络。图5.降低CanICA成分维度的模型优化。比较了三种模型Isomap(左上)、谱嵌入(右上)和MDS(左下)。Isomap和谱嵌入模型的优化分别在30和40个成分后停止因为最近邻矩阵或拉普拉斯矩阵的特征分解导致零值。图6.降低DL成分维度的模型优化。比较了三种模型Isomap(左上)、谱嵌入(右上)和MDS(左下)。Isomap和谱嵌入模型的优化分别在35和40个成分后停止因为最近邻矩阵或拉普拉斯矩阵的特征分解导致零值。行为与生理成分之间的关系典型相关分析(CCA)表6和表7展示了用于考察行为成分与连接网络之间关系的典型相关分析(CCA)结果。CanICA产生的连接成分与行为成分之间的显著相关数目略多于DL其中CanICA有13个显著独立成分DL有9个。表6.CanICA成分与行为成分之间的典型相关分析结果。表7.DL成分与行为成分之间的典型相关分析结果。脑连接成分对行为成分的影响表8展示了针对各行为成分所拟合模型的调整后决定系数及其显著性。鉴于比较次数众多(CanICA与DL各进行285次)此处仅报告具有显著性的结果。表8.内在成分预测行为成分的正则化线性模型拟合度。结论本研究提出的用于建模心理生理相互作用的分析方法已被证明是评估静息态成分对认知与人格特质预测贡献的一条有效且可解释的途径。这种将稳健的脑连接度量与行为数据相结合的方法有望提升人格与认知评估的精确度与敏感性从而具备临床应用价值。此外本研究为降维技术的选择如何影响行为成分与脑连接成分的质量提供了新的证据。在未来的研究中该模型可便捷地加以调整以量化特定脑网络在临床障碍或其他认知构念中的参与程度。同样若多个研究组之间能共享标准化的认知与人格成套测验评估方案并对行为潜成分展开更深入的研究该模型将获得进一步的完善与提升。综上本研究结果为理解静息态网络在认知功能与人格中的重要性提供了有价值的证据。同时这些模型也为建立一种新的综合分析模型提供了一个有前景的起点以深化我们对静息态活动在认知及人格特质中作用的理解。参考文献Sanz-Morales, E., Melero, H. The Default Mode Network and Behavior: a Model to Analyse Psycho-Physiological Interactions in Resting State fMRI. Brain Topogr 39, 69 (2026). https://doi.org/10.1007/s10548-026-01223-5