基于静息态fMRI的精神分裂症脑网络特征解析与机制探究

基于静息态fMRI的精神分裂症脑网络特征解析与机制探究一、绪论1.1研究背景与意义精神分裂症是一种严重且复杂的精神障碍，其全球终身患病率约为1%，常发病于青壮年。据统计，在中国约有1800万精神分裂症患者，给国家和患者家庭带来沉重的经济负担。其主要症状包括幻觉、妄想、思维紊乱、情感淡漠以及社会行为障碍等，不仅严重影响患者的日常生活和社会功能，也对其家庭和社会造成了巨大的压力。目前，精神分裂症的病因和发病机制仍不十分清楚，但大量研究表明，遗传因素在其发病中起着重要作用，遗传力高达80%。此外，环境因素、神经发育异常、神经递质失衡等也被认为与精神分裂症的发病相关。尽管现代医学在精神分裂症的治疗方面取得了一定进展，如抗精神病药物治疗、心理治疗等，但仍有相当一部分患者对治疗反应不佳，且现有治疗方法难以完全根治该疾病，患者往往需要长期甚至终身接受治疗。因此，深入研究精神分裂症的发病机制，寻找更加有效的诊断和治疗方法，成为了精神医学领域的重要课题。静息态功能磁共振成像（Resting-StateFunctionalMagneticResonanceImaging，rs-fMRI）技术作为一种非侵入性的脑功能成像方法，近年来在精神分裂症研究中得到了广泛应用。该技术通过测量大脑在静息状态下血氧水平依赖（BloodOxygenationLevelDependent，BOLD）信号的自发低频波动，来反映大脑的功能活动。与传统的任务态功能磁共振成像相比，静息态fMRI具有无需受试者执行特定任务、操作简单、可重复性好等优点，尤其适用于精神分裂症患者这类难以配合完成复杂任务的人群。在精神分裂症的研究中，静息态fMRI技术具有多方面的关键作用及潜在价值。从大脑功能连接角度来看，它能够检测大脑不同区域之间功能连接的异常。研究发现，精神分裂症患者在多个脑区之间存在功能连接的改变，如默认模式网络（DefaultModeNetwork，DMN）、额叶-颞叶网络、丘脑-皮质网络等。这些功能连接的异常可能与患者的认知、情感、感知等方面的症状密切相关，有助于深入理解精神分裂症的神经病理机制。通过分析低频振幅（AmplitudeofLowFrequencyFluctuations，ALFF）和局部一致性（RegionalHomogeneity，ReHo）等指标，静息态fMRI可以揭示精神分裂症患者大脑局部神经元活动的异常。例如，有研究报道患者在某些脑区的ALFF值升高或降低，以及ReHo值的改变，这些变化可能反映了大脑局部神经活动的失调，为进一步探索精神分裂症的发病机制提供了微观层面的证据。脑网络分析方法与静息态fMRI技术的结合，为研究精神分裂症提供了全新的视角。通过将大脑视为一个复杂的网络系统，定义节点和连接边，可以构建大脑的功能网络模型。利用图论等方法对这些网络模型进行分析，可以研究精神分裂症患者脑网络的拓扑结构特征，如小世界属性、聚类系数、最短路径长度等。已有研究表明，精神分裂症患者的脑网络在拓扑结构上存在异常，这些异常可能影响大脑信息传递和整合的效率，进而导致精神症状的出现。静息态fMRI技术在精神分裂症的诊断和预后评估方面也具有潜在的应用价值。通过分析患者的静息态fMRI数据，可以寻找与精神分裂症相关的影像学标志物，为早期诊断和疾病鉴别提供客观依据。静息态fMRI指标还可能与患者的治疗反应和预后相关，有助于指导个性化的治疗方案制定和评估治疗效果。1.2国内外研究现状1.2.1静息态fMRI技术概述静息态功能磁共振成像技术是基于血氧水平依赖（BOLD）效应，检测大脑在静息状态下BOLD信号的自发低频（0.01-0.1Hz）波动，以此来反映大脑的神经活动。在静息状态下，虽然受试者没有执行特定的认知任务，但大脑并非处于完全静止状态，而是存在着持续的自发神经活动。这种自发神经活动在不同脑区之间表现出一定的同步性，通过检测BOLD信号的同步波动，可以分析脑区之间的功能连接关系。静息态fMRI技术具有诸多显著优势。该技术具有非侵入性，无需对受试者进行有创操作，避免了对大脑组织的损伤，使得研究能够在较为自然的状态下进行，特别适用于对精神分裂症患者这类特殊人群的研究，减少了因侵入性操作可能带来的不适和风险，提高了受试者的接受度和配合度。该技术具备高时空分辨率，能够在较短时间内获取大脑多个层面的图像信息，从而可以精确地定位大脑的功能区域，捕捉到大脑活动在时间和空间上的细微变化，为深入研究精神分裂症患者大脑功能异常提供了有力工具。静息态fMRI技术操作相对简单，不需要受试者执行复杂的任务，这对于精神分裂症患者来说尤为重要，因为他们往往在认知、注意力和执行功能等方面存在障碍，难以完成复杂的任务指令，而静息态fMRI只需受试者保持安静、闭眼或睁眼的静息状态，即可完成数据采集，大大降低了研究的难度和误差。静息态fMRI技术的应用领域广泛。在认知神经科学领域，它被用于研究正常大脑的功能组织和神经网络，揭示大脑在静息状态下的默认模式网络、感觉运动网络、执行控制网络等重要功能网络的活动模式和连接特征，为理解大脑的正常生理功能提供了重要依据。在临床研究中，静息态fMRI技术可用于多种神经系统疾病和精神疾病的诊断、病情评估和治疗效果监测。对于癫痫患者，通过分析静息态fMRI数据，可以发现癫痫病灶与周围脑区的功能连接异常，辅助癫痫病灶的定位和手术治疗方案的制定；在抑郁症研究中，静息态fMRI能够检测到患者大脑中与情绪调节相关脑区的功能连接改变，为抑郁症的发病机制研究和诊断提供了新的视角。1.2.2脑网络分析技术脑网络分析技术是将大脑视为一个复杂的网络系统，通过定义节点和连接边，构建大脑的功能网络模型，进而利用数学和统计学方法对网络的拓扑结构和功能特性进行分析，以揭示大脑的信息处理机制和神经活动规律。在脑网络分析中，常用的方法包括功能连接分析和图论分析。功能连接分析是基于静息态fMRI数据，通过计算不同脑区BOLD信号时间序列之间的相关性，来衡量脑区之间的功能连接强度。如果两个脑区的BOLD信号在时间上具有较高的同步性，即相关性较强，则认为这两个脑区之间存在较强的功能连接。功能连接分析可以帮助研究人员了解大脑不同区域之间的功能协作模式，发现与特定认知功能或疾病相关的功能连接异常。研究发现，精神分裂症患者在默认模式网络、额叶-颞叶网络等多个脑区之间存在功能连接的改变，这些改变可能与患者的幻觉、妄想、思维紊乱等症状密切相关。图论分析则是从网络拓扑学的角度出发，运用图论的方法对脑网络的结构特征进行量化分析。在图论中，大脑被看作是由节点（脑区）和连接边（功能连接）组成的图，通过计算网络的聚类系数、最短路径长度、小世界属性等指标，可以深入了解脑网络的拓扑结构特点。聚类系数反映了节点周围邻居节点之间的连接紧密程度，即网络的局部聚集特性；最短路径长度表示任意两个节点之间的最短距离，反映了网络的全局效率；小世界属性则是指网络既具有较高的聚类系数（类似于规则网络），又具有较短的最短路径长度（类似于随机网络），这种特性使得大脑能够在保证局部信息高效处理的同时，实现全局信息的快速传递。研究表明，精神分裂症患者的脑网络在拓扑结构上存在明显异常。一些研究发现，精神分裂症患者脑网络的聚类系数降低，最短路径长度增加，小世界属性减弱，这表明患者大脑网络的局部信息整合能力和全局信息传递效率受到了损害，可能导致大脑信息处理的紊乱，进而引发精神症状。脑网络分析还可以通过计算节点的度中心性、中介中心性等指标，来确定网络中的关键节点（hub节点），这些关键节点在大脑网络中起着重要的信息传递和整合作用。研究发现，精神分裂症患者脑网络中一些关键节点的属性发生了改变，可能影响了整个大脑网络的功能。1.2.3精神分裂症脑功能网络研究现状目前，针对精神分裂症脑功能网络的研究已取得了丰硕的成果。大量研究表明，精神分裂症患者的大脑在多个功能网络层面存在异常，这些异常与精神分裂症的发病机制、临床症状及疾病预后密切相关。在默认网络方面，该网络主要包括内侧前额叶皮质、后扣带回、楔前叶等脑区，在静息状态下高度活跃，参与自我参照加工、情景记忆提取、社会认知等高级认知功能。研究发现，精神分裂症患者默认网络内部以及默认网络与其他脑区之间的功能连接存在显著改变。患者内侧前额叶皮质与后扣带回之间的功能连接减弱，这可能导致患者在自我意识、情感调节和认知控制等方面出现障碍，进而表现出幻觉、妄想、情感淡漠等症状。默认网络与执行控制网络之间的功能连接异常也有报道，这种异常可能影响患者对认知任务的执行和调节能力，导致思维紊乱和注意力不集中。中央执行网络主要涉及额叶和顶叶的部分脑区，负责执行复杂的认知任务，如工作记忆、注意力控制、问题解决等。精神分裂症患者中央执行网络的功能连接也存在明显异常。有研究显示，患者额叶与顶叶之间的功能连接减弱，使得大脑在执行认知任务时无法有效地协调各脑区之间的活动，导致工作记忆和注意力受损，影响患者的学习、工作和日常生活能力。中央执行网络与其他脑区的异常交互也可能干扰大脑对信息的整合和处理，进一步加重精神症状。在感觉运动网络方面，精神分裂症患者也表现出一定的功能连接改变。感觉运动网络负责感觉信息的接收和运动指令的执行，其功能异常可能导致患者出现运动障碍、感觉异常等症状。有研究表明，患者感觉运动皮层与其他脑区之间的功能连接紊乱，影响了感觉信息的传递和运动控制的准确性，可能与患者的不协调动作、运动迟缓等表现有关。除了上述功能网络，精神分裂症患者在其他脑功能网络，如突显网络、听觉网络、视觉网络等方面也存在不同程度的异常。突显网络主要负责检测内外环境中的重要信息，并将注意力转移到这些信息上，其功能异常可能导致患者对自身和外界环境的感知和判断出现偏差；听觉网络和视觉网络的功能连接改变可能与患者的幻觉、错觉等症状相关。一些研究还关注精神分裂症患者脑功能网络的动态变化。传统研究多基于静态分析，而近年来的研究发现，大脑功能网络在不同时间尺度上存在动态变化，这种动态变化对于大脑适应不同的认知和行为需求至关重要。精神分裂症患者的脑功能网络动态变化模式也出现异常，如功能网络的切换频率和稳定性发生改变，这可能反映了患者大脑在应对不同任务和环境时的灵活性和适应性下降。1.3研究内容与方法1.3.1研究内容本研究基于静息态fMRI技术，旨在深入探讨精神分裂症患者的脑网络特征，具体研究内容如下：基于静息态fMRI的精神分裂症脑网络构建：收集精神分裂症患者和健康对照者的静息态fMRI数据，运用功能连接分析和图论分析等方法，构建大脑功能网络模型。通过定义脑区为节点，脑区之间的功能连接为边，量化大脑不同区域之间的功能联系，为后续分析提供基础。精神分裂症脑网络的拓扑结构特征分析：利用图论指标，如聚类系数、最短路径长度、小世界属性、度中心性、中介中心性等，对构建的脑网络进行拓扑结构分析。对比精神分裂症患者与健康对照者脑网络拓扑结构的差异，探究这些差异与精神分裂症发病机制的潜在联系。研究患者脑网络的聚类系数是否降低，这可能反映大脑局部信息整合能力的下降；以及最短路径长度是否增加，暗示全局信息传递效率的降低。分析脑网络中关键节点（hub节点）的属性变化，了解其在疾病发生发展中的作用。精神分裂症脑网络的功能连接特征分析：分析精神分裂症患者脑网络中不同功能网络（如默认模式网络、中央执行网络、感觉运动网络等）内部及之间的功能连接强度和模式变化。研究这些功能连接异常与精神分裂症患者的临床症状（如幻觉、妄想、思维紊乱、情感淡漠等）之间的关系，进一步揭示精神分裂症的神经病理机制。探讨默认模式网络与执行控制网络之间的功能连接减弱是否与患者的认知障碍和思维紊乱症状相关。脑网络特征与临床症状的相关性研究：收集精神分裂症患者的详细临床资料，包括症状评分、病程、治疗情况等。将脑网络特征指标与临床症状进行相关性分析，寻找与临床症状密切相关的脑网络标志物。通过相关性分析，确定某些脑区之间功能连接强度的改变是否与症状严重程度呈正相关或负相关，为精神分裂症的诊断、病情评估和治疗提供影像学依据。1.3.2研究方法数据采集：选取符合精神分裂症诊断标准的患者和年龄、性别、教育程度等匹配的健康对照者作为研究对象。使用3.0T或更高场强的磁共振成像仪采集静息态fMRI数据，扫描过程中要求受试者保持安静、闭眼、无明显头部运动。同时记录受试者的基本信息和临床资料。数据预处理：运用SPM、FSL或DPARSF等软件对采集到的静息态fMRI数据进行预处理，包括头动校正、空间标准化、去噪、平滑等步骤。通过头动校正去除因头部运动产生的伪影；空间标准化将数据统一到标准脑模板空间，便于后续比较分析；去噪处理去除生理噪声和其他干扰因素；平滑处理提高图像的信噪比，增强信号的空间连续性。脑网络构建：采用功能连接分析方法，计算大脑不同脑区之间BOLD信号时间序列的皮尔逊相关系数，得到功能连接矩阵。将功能连接矩阵进行二值化或阈值化处理，转化为图论中的网络模型，其中节点表示脑区，连接边表示功能连接。也可使用独立成分分析（ICA）等方法，将大脑功能网络分解为多个独立的功能成分，进一步分析各成分的特征。脑网络分析：运用图论分析工具，计算脑网络的各种拓扑结构指标，如聚类系数、最短路径长度、小世界属性等，分析脑网络的整体拓扑特征。计算节点的度中心性、中介中心性等指标，确定脑网络中的关键节点。通过统计检验（如两样本t检验、非参数检验等），比较精神分裂症患者和健康对照者脑网络指标的差异，确定具有统计学意义的脑网络异常特征。统计分析：使用SPSS、R等统计软件，对脑网络特征指标与临床症状评分进行相关性分析，采用Pearson相关分析或Spearman相关分析等方法，确定脑网络特征与临床症状之间的关系。通过多元线性回归分析等方法，探索多个脑网络指标对临床症状的联合预测作用，构建预测模型，评估模型的准确性和可靠性。二、静息态fMRI数据采集与预处理2.1实验设计与数据采集本研究选取了[X]名符合《精神障碍诊断与统计手册第五版》（DiagnosticandStatisticalManualofMentalDisorders,FifthEdition，DSM-5）精神分裂症诊断标准的患者作为病例组，同时招募了[X]名年龄、性别、教育程度等与患者组匹配的健康志愿者作为对照组。所有受试者均为右利手，年龄范围在[具体年龄区间]，无严重的躯体疾病、神经系统疾病以及其他精神障碍，且均签署了知情同意书。样本量的确定基于以往相关研究以及统计学功效分析，以确保能够检测到病例组与对照组之间脑网络特征的显著差异，保证研究结果具有较高的可靠性和统计学效力。数据采集使用[具体型号]的3.0T磁共振成像仪，该设备具备高场强和高分辨率的特点，能够清晰地捕捉大脑的细微结构和功能变化，为后续的分析提供高质量的数据基础。扫描时，受试者平躺在扫描床上，头部被固定在特制的头托内，以减少头部运动对数据采集的影响。同时，在受试者耳部放置耳塞，以降低扫描过程中的噪音干扰，使其能够在相对安静舒适的环境中完成扫描。为了确保受试者在扫描过程中保持静息状态，要求他们闭眼、全身放松，尽量避免任何有意识的思维活动和身体运动。在扫描参数设置方面，采用了自旋回波平面成像（EchoPlanarImaging，EPI）序列，该序列具有成像速度快、时间分辨率高等优点，能够满足静息态fMRI对大脑动态变化监测的需求。重复时间（TR）设置为[具体TR值]s，该参数决定了两次连续激发脉冲之间的时间间隔，较长的TR可以保证大脑在每次激发后有足够的时间恢复到稳态，从而减少信号饱和和伪影；回波时间（TE）为[具体TE值]ms，它直接影响着BOLD信号的强度和对比度，合适的TE值能够使BOLD信号达到最佳的检测效果；翻转角（FlipAngle）为[具体FlipAngle值]°，通过调整翻转角可以优化信号强度和图像质量。视野（FOV）设定为[具体FOV值]mm×[具体FOV值]mm，矩阵大小为[具体矩阵值]×[具体矩阵值]，层厚为[具体层厚值]mm，层数为[具体层数]，这些参数共同决定了成像的空间分辨率，能够清晰地分辨大脑的不同区域。扫描时间持续约[具体扫描时间]min，共采集[具体采集点数]个时间点，以获取足够的大脑静息态活动信息。在数据采集过程中，严格遵循标准化的操作流程。首先，对磁共振成像仪进行预热和校准，确保设备的稳定性和准确性。然后，引导受试者进入扫描室，帮助他们正确躺卧并固定头部，向他们详细解释扫描过程中的注意事项，消除其紧张情绪。在扫描开始前，再次确认受试者的状态和设备参数，确保一切正常。扫描过程中，密切观察受试者的情况，通过监控系统实时查看其是否有头部运动或其他异常行为。一旦发现异常，立即暂停扫描，重新调整受试者的状态或采取相应的措施。扫描结束后，及时保存数据，并对数据进行初步检查，确保数据的完整性和质量。2.2数据预处理流程在静息态fMRI研究中，数据预处理是至关重要的环节，其目的是去除数据中的噪声和伪影，提高数据质量，为后续的分析提供可靠的数据基础。本研究采用SPM12（StatisticalParametricMapping12）和DPARSF（DataProcessing&AnalysisforResting-StatefMRI）软件对采集到的静息态fMRI数据进行预处理，具体步骤如下：2.2.1头动校正在磁共振扫描过程中，受试者难以完全保持头部静止，即使是微小的头部运动也可能产生显著的伪影，严重影响数据的质量和分析结果的准确性。头动可能导致体素错位，使得原本相邻的脑区信号发生混淆，从而干扰脑区之间功能连接的测量。头动还会引入与运动相关的生理噪声，如血管搏动和呼吸变化，进一步掩盖大脑的真实神经活动信号。为了校正头动对数据的影响，本研究采用了Friston-24模型。该模型通过计算每个时间点的刚体变换参数，包括三个平移参数（x、y、z方向的位移）和三个旋转参数（绕x、y、z轴的旋转角度），来描述头部的运动状态。基于这些参数，对每个时间点的图像进行重采样，使其与参考图像（通常选择第一个时间点的图像）对齐，从而消除头部运动带来的空间偏移。在实际操作中，首先利用SPM12软件中的Realign模块进行头动校正。该模块基于迭代优化算法，通过最小化相邻时间点图像之间的空间差异，精确计算出每个时间点的刚体变换参数。对于校正后的图像，会生成相应的头动参数文件，记录每个时间点的平移和旋转参数。为了评估头动校正的效果，通常会计算一些指标，如最大平移距离（MaximumTranslation）和最大旋转角度（MaximumRotation）。如果这些指标超过一定的阈值（如最大平移距离大于2mm或最大旋转角度大于2°），则认为该受试者的头动较大，可能需要进一步检查数据质量或考虑将其排除在分析之外。2.2.2空间标准化由于不同个体的大脑在大小、形状和位置上存在天然差异，为了便于对不同受试者的脑图像进行比较和分析，需要将其空间标准化到统一的标准脑模板空间。常用的标准脑模板包括蒙特利尔神经研究所（MontrealNeurologicalInstitute，MNI）模板和Talairach模板，本研究采用MNI模板，因其在神经影像学研究中应用广泛，具有较高的通用性和可靠性。空间标准化的过程主要包括线性变换和非线性变换两个步骤。在线性变换阶段，利用仿射变换矩阵对图像进行初步的空间调整，使大脑的大致位置和方向与标准模板对齐。这一过程主要校正图像在x、y、z三个方向上的平移、旋转和缩放差异，通过优化算法寻找最佳的变换参数，使得图像与标准模板之间的空间重叠度最大。非线性变换则进一步对图像进行精细的变形，以补偿个体大脑在形状上的细微差异。通常采用基于体素的配准算法，通过计算图像中每个体素与标准模板对应体素之间的空间映射关系，对图像进行逐体素的变形，使图像在空间上与标准模板完全匹配。在DPARSF软件中，空间标准化操作相对便捷。首先，选择MNI模板作为目标模板，软件会自动调用相应的算法进行线性和非线性变换。在变换过程中，会生成一系列中间文件，记录变换的参数和结果。标准化后的图像，其空间坐标与MNI模板一致，每个体素都对应于标准空间中的特定位置，从而为后续的群体分析和统计检验提供了统一的空间基础。2.2.3时间序列滤波在静息态fMRI数据中，除了包含大脑的神经活动信号外，还存在各种噪声，如高频的生理噪声（如心跳、呼吸等）和低频的漂移信号（如设备的热漂移、被试的生理状态缓慢变化等）。这些噪声会干扰对大脑神经活动的准确分析，因此需要对数据进行滤波处理，以去除高频噪声和低频漂移，突出大脑的低频自发神经活动信号（通常在0.01-0.1Hz频段内）。本研究使用带通滤波器对数据进行时间序列滤波。带通滤波器是一种能够允许特定频率范围内的信号通过，而抑制其他频率信号的滤波器。在本研究中，设置带通滤波器的下限截止频率为0.01Hz，上限截止频率为0.08Hz。下限截止频率0.01Hz用于去除低频漂移信号，这些漂移信号可能由设备的长时间稳定性问题或被试的生理状态缓慢变化引起，其频率通常低于0.01Hz，通过设置下限截止频率，可以有效去除这些低频干扰，使数据更能反映大脑的动态神经活动。上限截止频率0.08Hz则用于滤除高频生理噪声，如心跳、呼吸等生理活动产生的信号，其频率一般高于0.08Hz，通过设置上限截止频率，可以排除这些高频噪声对大脑神经活动信号的干扰，突出大脑低频自发神经活动信号的特征。在DPARSF软件中，通过简单的参数设置即可完成时间序列滤波操作。软件会根据设定的截止频率，对每个体素的时间序列数据进行滤波处理。滤波后的时间序列数据，能够更清晰地显示大脑在静息状态下的低频自发神经活动，为后续的功能连接分析和脑网络构建提供更纯净的数据。三、精神分裂症脑网络构建方法3.1基于皮尔逊相关的脑网络构建3.1.1原理介绍皮尔逊相关系数（Pearsoncorrelationcoefficient）是一种用于衡量两个变量之间线性相关性的统计指标，其取值范围在-1到1之间。在静息态fMRI数据中，每个脑区的BOLD信号时间序列可以看作是一个变量，通过计算不同脑区时间序列之间的皮尔逊相关系数，能够量化脑区之间的功能连接强度。如果两个脑区的BOLD信号时间序列在时间上具有较高的同步性，即它们的变化趋势相似，那么它们之间的皮尔逊相关系数会接近1，表示这两个脑区之间存在较强的功能连接；反之，如果两个脑区的BOLD信号时间序列变化趋势相反，相关系数会接近-1，表示它们之间存在负相关的功能连接；当相关系数接近0时，则表明这两个脑区之间的功能连接较弱，它们的活动相对独立。基于皮尔逊相关构建脑网络的原理在于将大脑视为一个复杂的网络系统，其中脑区作为网络的节点，脑区之间的功能连接作为网络的边。通过计算所有脑区对之间的皮尔逊相关系数，可以得到一个相关系数矩阵，这个矩阵完整地描述了大脑各个脑区之间的功能连接关系。在这个矩阵中，行和列分别对应不同的脑区，矩阵中的每个元素表示相应两个脑区之间的皮尔逊相关系数，从而构建出大脑的功能连接网络。这种方法基于大脑不同区域之间神经活动的同步性假设，即功能相关的脑区在静息状态下的BOLD信号时间序列会呈现出相似的波动模式，通过检测这种同步性来推断脑区之间的功能连接。3.1.2具体步骤提取脑区时间序列：在完成静息态fMRI数据预处理后，基于特定的脑图谱模板，将大脑划分为多个感兴趣区域（RegionsofInterest，ROI）。常用的脑图谱模板有AAL（AutomatedAnatomicalLabeling）图谱、Schaefer图谱等。以AAL图谱为例，它将大脑划分为116个脑区，包括额叶、颞叶、顶叶、枕叶等不同脑叶的多个亚区。对于每个ROI，计算该区域内所有体素的BOLD信号时间序列的平均值，以此作为该脑区的代表时间序列。这样，每个受试者的大脑就可以用一组脑区时间序列来表示，其中每个时间序列对应一个特定的脑区，反映了该脑区在静息状态下的神经活动随时间的变化情况。计算皮尔逊相关系数：对于提取得到的脑区时间序列，采用皮尔逊相关系数公式计算任意两个脑区时间序列之间的相关性。假设有两个脑区的时间序列分别为X=[x_1,x_2,\cdots,x_n]和Y=[y_1,y_2,\cdots,y_n]，其中n为时间点的数量，它们之间的皮尔逊相关系数r_{XY}计算公式如下：r_{XY}=\frac{\sum_{i=1}^{n}(x_i-\bar{x})(y_i-\bar{y})}{\sqrt{\sum_{i=1}^{n}(x_i-\bar{x})^2\sum_{i=1}^{n}(y_i-\bar{y})^2}}其中，\bar{x}和\bar{y}分别是时间序列X和Y的均值。通过这个公式，可以得到每个脑区对之间的相关系数值，这些值反映了脑区之间功能连接的强度和方向。构建相关系数矩阵：将计算得到的所有脑区对之间的皮尔逊相关系数按照脑区的顺序排列，组成一个方阵，即相关系数矩阵。假设大脑被划分为N个脑区，那么相关系数矩阵的维度为N\timesN。矩阵的对角线上的元素均为1，表示每个脑区与自身的相关性是完全一致的；而矩阵中非对角线上的元素r_{ij}（i\neqj）则表示第i个脑区和第j个脑区之间的皮尔逊相关系数。这个相关系数矩阵完整地描述了大脑各个脑区之间的功能连接关系，为后续的脑网络分析提供了基础数据。在实际应用中，通常会对相关系数矩阵进行一些处理，如去除绝对值较小的相关系数，以减少噪声和冗余信息的影响，突出主要的功能连接。3.2基于稀疏表示的脑网络构建3.2.1稀疏表示原理在脑网络构建中，稀疏表示具有重要作用，它能够有效减少冗余连接，突出大脑功能连接中的关键信息，使构建的脑网络更加简洁、准确地反映大脑的真实功能连接模式。稀疏表示的核心思想是，在高维的数据空间中，寻找一种简洁的表达方式，使得数据可以由少数几个基向量的线性组合来近似表示，这些非零系数对应的基向量即为数据的稀疏表示。在静息态fMRI数据处理中，每个脑区的BOLD信号时间序列可看作是一个高维数据向量。传统的基于皮尔逊相关的脑网络构建方法，虽然能够反映脑区之间的功能连接关系，但得到的相关系数矩阵往往包含大量的弱连接信息，这些信息可能是由噪声或生理波动引起的，并非真正反映大脑功能连接的关键信息，从而导致脑网络中存在较多的冗余连接，增加了网络分析的复杂性和噪声干扰。而稀疏表示通过引入稀疏约束，使得只有少数脑区之间的连接被保留，这些保留的连接具有较强的功能相关性，能够更准确地反映大脑的功能连接模式。具体来说，稀疏表示基于这样一个假设：大脑的功能连接在某种程度上是稀疏的，即只有少数脑区之间存在紧密的功能联系，而大多数脑区之间的联系相对较弱或不存在。通过寻找这种稀疏的连接模式，可以去除那些不重要的弱连接，从而减少冗余信息，提高脑网络的质量和可解释性。从数学原理上讲，稀疏表示通常通过求解一个优化问题来实现。假设我们有一个包含N个脑区的大脑，每个脑区的BOLD信号时间序列可以表示为一个向量x_i（i=1,2,\cdots,N）。我们希望找到一组系数\alpha_{ij}，使得每个脑区的信号可以由其他脑区信号的线性组合来近似表示，即x_i\approx\sum_{j=1}^{N}\alpha_{ij}x_j，同时满足稀疏约束条件，使得大部分的系数\alpha_{ij}为零。为了实现这一目标，通常采用l_1范数约束来引入稀疏性，即最小化目标函数min\sum_{i=1}^{N}\left\|x_i-\sum_{j=1}^{N}\alpha_{ij}x_j\right\|_2^2+\lambda\sum_{i=1}^{N}\sum_{j=1}^{N}\left|\alpha_{ij}\right|，其中\lambda是一个正则化参数，用于平衡数据拟合误差和稀疏性。通过求解这个优化问题，可以得到稀疏的系数矩阵\alpha，进而构建出稀疏的脑网络，其中非零的\alpha_{ij}表示脑区i和脑区j之间存在功能连接。3.2.2算法实现实现基于稀疏表示的脑网络构建，主要包括以下算法步骤和关键参数设置：数据准备：在完成静息态fMRI数据的预处理后，按照特定的脑图谱模板（如AAL图谱、Schaefer图谱等）将大脑划分为多个感兴趣区域（ROI）。针对每个ROI，计算该区域内所有体素的BOLD信号时间序列的平均值，以此作为该脑区的代表时间序列。假设大脑被划分为N个ROI，这样就得到了一个N\timesT的矩阵，其中T为时间点的数量，每一行代表一个脑区的时间序列。选择稀疏表示算法：常用的稀疏表示算法有正交匹配追踪（OrthogonalMatchingPursuit，OMP）算法、基追踪（BasisPursuit，BP）算法等。本研究采用正交匹配追踪算法，该算法是一种贪婪算法，具有计算效率高、易于实现的优点。OMP算法的基本思想是通过迭代的方式，逐步选择与当前信号残差最匹配的基向量，直到满足一定的停止条件。在脑网络构建中，OMP算法用于求解上述的稀疏表示优化问题，以确定脑区之间的稀疏连接系数。设置关键参数：在OMP算法中，关键参数主要包括最大迭代次数和稀疏度。最大迭代次数决定了算法在寻找稀疏表示时的迭代上限，设置过大可能导致计算时间过长，设置过小则可能无法得到最优的稀疏表示。本研究根据经验和前期实验，将最大迭代次数设置为K（K为一个具体的数值，需根据实际情况调整，例如K=50）。稀疏度则表示期望得到的非零系数的数量，即希望保留的脑区之间连接的数量。稀疏度的设置需要综合考虑数据的特点和研究目的，一般通过交叉验证等方法来确定最优值。在本研究中，通过多次实验和分析，将稀疏度设置为S（S为一个具体数值，例如S=10，表示每个脑区最多与其他10个脑区存在连接）。计算稀疏连接系数：利用选定的OMP算法，对准备好的脑区时间序列数据进行处理。在每次迭代中，OMP算法从所有脑区中选择一个与当前信号残差相关性最强的脑区，将其对应的系数更新，并更新信号残差。重复这个过程，直到达到最大迭代次数或满足其他停止条件（如残差小于某个阈值）。最终得到一个N\timesN的稀疏系数矩阵\alpha，其中非零元素\alpha_{ij}表示脑区i和脑区j之间存在功能连接，其数值大小反映了连接的强度。构建稀疏脑网络：根据计算得到的稀疏系数矩阵\alpha，构建稀疏脑网络。将矩阵\alpha中的元素作为连接边的权重，当\alpha_{ij}\neq0时，在脑网络中连接脑区i和脑区j，并将边的权重设置为\left|\alpha_{ij}\right|。这样就得到了一个基于稀疏表示的脑网络，该网络中仅保留了具有较强功能相关性的脑区之间的连接，有效减少了冗余连接，突出了大脑功能连接的关键信息，为后续的脑网络分析提供了更加简洁、准确的基础。3.3加权稀疏脑网络构建3.3.1权重设计在加权稀疏脑网络构建中，权重设计是关键环节，它直接影响着网络对大脑功能连接特征的准确刻画。根据脑区功能重要性或连接强度来设计权重，具有坚实的理论基础和充分的依据。从脑区功能重要性角度来看，大脑不同脑区在认知、情感、感觉、运动等各种生理和心理功能中发挥着不同程度的作用。一些脑区，如前额叶皮质，在高级认知功能（如决策、注意力控制、工作记忆等）中起着核心作用；而海马体则在记忆的形成、存储和提取过程中扮演着至关重要的角色。在构建脑网络时，赋予这些功能重要性高的脑区之间的连接更高的权重，能够突出它们在大脑功能整合和信息传递中的关键地位。例如，在精神分裂症研究中，前额叶皮质与其他脑区之间的功能连接异常被认为与患者的认知障碍和思维紊乱症状密切相关。通过增加这些连接的权重，可以更清晰地展示出精神分裂症患者大脑功能网络中关键脑区之间的关系变化，有助于深入理解疾病的发病机制。从连接强度角度考虑，连接强度反映了脑区之间功能联系的紧密程度。在静息态fMRI数据中，通过计算脑区之间BOLD信号时间序列的相关性等方法可以量化连接强度。连接强度高的脑区之间，其神经活动的同步性更强，在大脑的功能实现中可能具有更重要的协同作用。因此，将连接强度作为权重设计的依据，可以使构建的脑网络更准确地反映大脑功能连接的实际情况。在默认模式网络中，内侧前额叶皮质、后扣带回和楔前叶等脑区之间具有较强的功能连接，这些连接对于维持默认模式网络的正常功能至关重要。在加权稀疏脑网络中，给予这些连接较高的权重，能够更好地体现默认模式网络在大脑功能组织中的特点和作用，以及在精神分裂症患者中该网络连接强度变化对整体大脑功能的影响。具体的权重设计方法可以采用多种策略。一种常见的方法是基于连接强度的归一化。首先计算脑区之间的连接强度，如皮尔逊相关系数等，然后对这些连接强度进行归一化处理，使其取值范围在一定区间内（如0-1）。归一化后的连接强度可以直接作为权重，连接强度越大，权重越高。还可以引入功能重要性因子。根据已有的神经科学研究成果，为不同脑区设定相应的功能重要性权重系数。例如，对于在精神分裂症发病机制中被认为起关键作用的脑区，赋予其较高的功能重要性权重系数。然后将功能重要性权重系数与连接强度相结合，通过某种数学运算（如乘法）得到最终的权重。假设脑区A和脑区B之间的连接强度为r_{AB}，脑区A的功能重要性权重系数为w_A，脑区B的功能重要性权重系数为w_B，则它们之间连接的最终权重w_{AB}可以表示为w_{AB}=r_{AB}\timesw_A\timesw_B。通过这种方式设计权重，能够综合考虑脑区的功能重要性和连接强度，使构建的加权稀疏脑网络更加合理、准确地反映大脑的功能连接特征。3.3.2模型求解求解加权稀疏脑网络模型是一个复杂的过程，需要运用合适的优化算法来实现。常用的优化算法包括交替方向乘子法（AlternatingDirectionMethodofMultipliers，ADMM）、近端梯度法（ProximalGradientMethod，PGM）等，本研究采用交替方向乘子法来求解模型。交替方向乘子法是一种高效的分布式优化算法，它将复杂的优化问题分解为多个子问题，通过交替更新变量和乘子，逐步逼近最优解。在加权稀疏脑网络模型求解中，交替方向乘子法的应用步骤如下：问题建模：首先，将加权稀疏脑网络的构建问题转化为一个优化问题。假设我们有一个包含N个脑区的大脑，每个脑区的BOLD信号时间序列可以表示为一个向量x_i（i=1,2,\cdots,N）。我们希望找到一组权重矩阵W和稀疏系数矩阵X，使得在满足一定约束条件下，目标函数最小化。目标函数通常包括数据拟合项和稀疏正则化项，数据拟合项用于衡量模型对原始数据的拟合程度，稀疏正则化项则用于引入稀疏性约束，使得到的脑网络更加简洁、有效。具体的目标函数可以表示为：\min_{W,X}\left\|Y-WX\right\|_F^2+\lambda\left\|X\right\|_{1,2}+\mu\left\|W\right\|_F^2其中，Y是包含所有脑区BOLD信号时间序列的数据矩阵，\left\|\cdot\right\|_F表示Frobenius范数，用于衡量矩阵的大小；\lambda和\mu是正则化参数，分别控制稀疏系数矩阵X和权重矩阵W的稀疏程度和光滑程度；\left\|X\right\|_{1,2}是混合范数，用于促进矩阵X的行稀疏性，即每个脑区与其他脑区之间的连接尽量稀疏。引入辅助变量与增广拉格朗日函数构建：为了便于使用交替方向乘子法求解，引入辅助变量Z，将原问题转化为一个等价的约束优化问题：\begin{align*}\min_{W,X,Z}&\left\|Y-WX\right\|_F^2+\lambda\left\|Z\right\|_{1,2}+\mu\left\|W\right\|_F^2\\\text{s.t.}&X=Z\end{align*}然后，构建增广拉格朗日函数：L(W,X,Z,\Lambda)=\left\|Y-WX\right\|_F^2+\lambda\left\|Z\right\|_{1,2}+\mu\left\|W\right\|_F^2+\langle\Lambda,X-Z\rangle+\frac{\rho}{2}\left\|X-Z\right\|_F^2其中，\Lambda是拉格朗日乘子矩阵，\rho是惩罚参数，\langle\cdot,\cdot\rangle表示矩阵的内积运算。交替更新变量：在交替方向乘子法中，通过交替更新W、X和Z这三个变量，来逐步求解优化问题。更新：固定X、Z和\Lambda，对增广拉格朗日函数L(W,X,Z,\Lambda)关于W求偏导，并令其等于零，得到关于W的更新公式：W=(XX^T+\frac{\mu}{\rho}I)^{-1}(X(Y^T-\Lambda^T)+\frac{\rho}{2}XZ^T)其中，I是单位矩阵。通过这个公式，可以计算出在当前X、Z和\Lambda下的最优W值。更新：固定W、Z和\Lambda，对增广拉格朗日函数L(W,X,Z,\Lambda)关于X求偏导，并令其等于零，得到关于X的更新公式。由于这一步涉及到非光滑项\lambda\left\|Z\right\|_{1,2}，通常采用近端梯度法来求解。具体步骤为：首先计算关于X的梯度，然后通过近端算子进行收缩操作，得到更新后的X值。更新：固定W、X和\Lambda，对增广拉格朗日函数L(W,X,Z,\Lambda)关于Z求偏导，并令其等于零，得到关于Z的更新公式：Z=\text{prox}_{\frac{\lambda}{\rho}}(X+\frac{\Lambda}{\rho})其中，\text{prox}_{\frac{\lambda}{\rho}}是近端算子，用于处理\lambda\left\|Z\right\|_{1,2}这一非光滑项，实现对Z的稀疏化更新。更新拉格朗日乘子：在完成W、X和Z的更新后，根据以下公式更新拉格朗日乘子\Lambda：\Lambda=\Lambda+\rho(X-Z)收敛判断：重复上述交替更新变量和拉格朗日乘子的步骤，直到满足一定的收敛条件。常用的收敛条件包括目标函数值的变化小于某个阈值、变量的更新量小于某个阈值等。当满足收敛条件时，得到的权重矩阵W和稀疏系数矩阵X即为加权稀疏脑网络模型的解，根据这些解可以构建出加权稀疏脑网络，用于后续的分析和研究。通过交替方向乘子法求解加权稀疏脑网络模型，能够有效地处理大规模的优化问题，在保证计算效率的同时，准确地找到满足条件的加权稀疏脑网络，为深入研究精神分裂症患者大脑功能网络的特征提供了有力的工具。四、精神分裂症脑网络特征分析4.1基于时间序列的局部性指标分析4.1.1子频带划分在分析精神分裂症患者大脑功能活动时，将时间序列划分子频带具有重要意义。大脑的神经活动在不同频率范围内可能承载着不同的生理和病理信息，通过子频带划分，可以更细致地研究大脑在不同频率下的活动特征，揭示精神分裂症患者大脑功能的异常模式。常用的子频带划分方法主要基于傅里叶变换。傅里叶变换能够将时域的信号转换为频域的信号，从而清晰地展示信号在不同频率成分上的分布情况。对于静息态fMRI数据的时间序列，首先对其进行快速傅里叶变换（FastFourierTransform，FFT），将每个体素的时间序列从时域转换到频域。根据神经科学研究的相关成果以及以往的研究经验，通常将感兴趣的频率范围划分为多个子频带，例如极低频段（0.01-0.027Hz）、低频段（0.027-0.073Hz）和高频段（0.073-0.198Hz）。这种划分方式并非随意确定，而是有其坚实的依据。极低频段的神经活动被认为与大脑的长程功能连接和大规模脑网络的协同活动密切相关，例如默认模式网络等重要脑网络的活动在该频段表现出明显的特征，通过分析极低频段的信号，可以深入了解大脑在静息状态下的基础功能模式以及这些模式在精神分裂症患者中的改变。低频段的神经活动与大脑的局部功能整合和信息处理相关，许多认知和情感相关的神经过程在这个频段有所体现，研究低频段的信号变化有助于揭示精神分裂症患者在认知、情感等方面出现障碍的神经机制。高频段的神经活动则可能反映大脑的快速信息传递和短期的功能调整，分析高频段的信号对于理解精神分裂症患者大脑在应对外界刺激或执行任务时的快速反应能力具有重要意义。在实际操作中，利用傅里叶变换将时间序列转换为频域信号后，通过设置相应的频率滤波器，如带通滤波器，来提取不同子频带的信号。对于极低频段（0.01-0.027Hz），设置下限截止频率为0.01Hz，上限截止频率为0.027Hz的带通滤波器，对频域信号进行滤波处理，得到极低频段的信号成分。同理，针对低频段和高频段设置相应的滤波器，从而获取各个子频带的信号，为后续的局部性指标计算和分析提供基础数据。4.1.2局部性指标计算低频振幅（ALFF）计算：低频振幅（AmplitudeofLowFrequencyFluctuations，ALFF）是一种常用的局部性指标，用于衡量大脑在静息状态下低频自发神经活动的强度。其计算原理基于傅里叶变换后的频域信号。在完成子频带划分后，对于每个体素，首先对其时间序列进行快速傅里叶变换，得到该体素在不同频率上的功率谱密度。然后，在预先设定的低频范围内（通常为0.01-0.1Hz），计算功率谱密度的平方根，得到该频率范围内的振幅。将这些振幅进行平均，即可得到该体素的ALFF值。数学表达式为：ALFF=\frac{1}{N}\sum_{f=f_{min}}^{f_{max}}\sqrt{P(f)}其中，N为低频范围内的频率点数，P(f)为频率f处的功率谱密度，f_{min}和f_{max}分别为低频范围的下限和上限频率（在本研究中，f_{min}=0.01Hz，f_{max}=0.1Hz）。较高的ALFF值表示该体素所在脑区的神经活动更为活跃，低频振荡的幅度更大，可能反映该脑区在大脑功能网络中具有更重要的作用或参与了更多的神经信息处理过程。在健康人群中，一些与认知、情感调节等重要功能相关的脑区，如前额叶皮质、海马体等，通常具有较高的ALFF值，表明这些脑区在静息状态下保持着较高的神经活动水平。局部一致性（ReHo）计算：局部一致性（RegionalHomogeneity，ReHo）是另一个重要的局部性指标，它通过计算肯德尔和谐系数（Kendall'scoefficientofconcordance）来衡量某个体素与其相邻体素之间BOLD信号时间序列的同步性。具体计算过程如下：首先，以每个体素为中心，选取一个特定大小的邻域（例如3×3×3体素的立方体邻域）。对于该邻域内的所有体素，计算它们之间BOLD信号时间序列的肯德尔和谐系数。肯德尔和谐系数是一种用于衡量多个变量之间一致性程度的统计指标，其取值范围在0到1之间。当邻域内所有体素的BOLD信号时间序列变化趋势高度一致时，肯德尔和谐系数接近1，表示该体素的ReHo值较高，说明该脑区的局部神经元活动具有较强的同步性，可能参与了紧密的局部神经功能整合。相反，当肯德尔和谐系数接近0时，ReHo值较低，表明该脑区局部神经元活动的同步性较差，可能存在神经活动的紊乱。例如，在正常大脑中，感觉运动皮层等功能相对集中的脑区，其ReHo值通常较高，反映了这些脑区内神经元活动的高度协同性，有利于感觉信息的处理和运动指令的执行。而在精神分裂症患者中，一些脑区的ReHo值可能发生改变，这可能与患者的神经功能异常有关。通过计算ALFF和ReHo等局部性指标，可以从不同角度深入了解精神分裂症患者大脑局部神经活动的特征，为进一步分析大脑功能网络的异常提供详细的信息。这些指标不仅能够反映大脑局部的神经活动强度和同步性，还能够与大脑的整体功能和精神分裂症的临床症状建立联系，有助于揭示精神分裂症的发病机制和病理生理过程。4.1.3统计分析与结果对精神分裂症患者和健康对照者的局部性指标进行统计分析，采用两样本t检验来确定两组之间是否存在显著差异。在进行统计分析之前，对ALFF和ReHo数据进行了正态性检验，确保数据符合正态分布假设，以保证统计检验结果的准确性。对于不符合正态分布的数据，采用非参数检验方法进行分析。通过两样本t检验，在ALFF指标方面，发现精神分裂症患者在多个脑区的ALFF值与健康对照者存在显著差异。在左侧颞上回，患者组的ALFF值显著低于健康对照组，这表明该脑区在患者大脑中的低频神经活动强度减弱。左侧颞上回在语言理解、听觉感知和社会认知等功能中发挥着重要作用，其ALFF值的降低可能导致患者在语言交流、对他人情感理解等方面出现障碍，进而表现出幻觉、妄想等精神症状。在右侧前额叶皮质，患者组的ALFF值显著高于健康对照组，这可能反映该脑区神经活动的过度活跃。右侧前额叶皮质与认知控制、情绪调节等功能密切相关，其ALFF值的升高可能导致患者在认知过程中出现偏差，情绪调节能力受损，表现为思维紊乱、情感淡漠等症状。在ReHo指标方面，统计分析结果显示，患者组在右侧顶下小叶和左侧前扣带回等脑区的ReHo值显著低于健康对照组。右侧顶下小叶参与空间感知、注意力分配和动作执行等功能，其ReHo值的降低表明该脑区局部神经元活动的同步性下降，可能影响患者对空间信息的处理和注意力的集中，导致患者在日常生活中出现动作不协调、注意力不集中等问题。左侧前扣带回在情绪调控、错误监测和认知冲突处理中起着关键作用，其ReHo值的降低可能使患者在面对认知冲突时无法有效调节情绪和调整行为，进一步加重精神症状。为了进一步评估这些差异的意义，计算了效应量指标，如Cohen'sd值。效应量能够衡量两组之间差异的实际大小，补充了p值仅反映统计学显著性的不足。在左侧颞上回，ALFF值差异的Cohen'sd值为[具体数值]，表明两组之间的差异具有中等效应量，具有一定的实际意义。在右侧前额叶皮质，ALFF值差异的Cohen'sd值为[具体数值]，也显示出两组之间具有较明显的差异。在右侧顶下小叶和左侧前扣带回，ReHo值差异的Cohen'sd值分别为[具体数值]和[具体数值]，均表明这些脑区的差异具有实际意义，并非仅仅是由于随机因素导致。这些统计分析结果表明，精神分裂症患者大脑在局部神经活动强度和同步性方面存在明显异常，这些异常可能与精神分裂症的发病机制和临床症状密切相关，为深入理解精神分裂症的神经病理机制提供了重要的依据。4.2基于网络连接的拓扑指标分析4.2.1拓扑指标计算在构建精神分裂症患者和健康对照者的脑网络后，运用图论分析方法，对脑网络的拓扑指标进行精确计算，以深入探究脑网络的拓扑结构特征。聚类系数（ClusteringCoefficient）：聚类系数用于衡量节点周围邻居节点之间的连接紧密程度，反映了网络的局部聚集特性。对于一个节点i，其聚类系数C_i的计算公式为：C_i=\frac{2e_i}{k_i(k_i-1)}其中，e_i是节点i的邻居节点之间实际存在的边数，k_i是节点i的度，即与节点i直接相连的边数。对于整个网络，平均聚类系数C是所有节点聚类系数的平均值，它表示网络中节点的平均聚集程度。较高的聚类系数意味着节点周围的邻居节点之间连接紧密，形成了较多的三角形结构，表明大脑在局部区域具有较强的信息整合能力，能够高效地进行局部信息处理。最短路径长度（ShortestPathLength）：最短路径长度指的是网络中任意两个节点之间的最短距离，它反映了信息在网络中传递的效率。对于节点i和节点j，它们之间的最短路径长度d_{ij}可以通过广度优先搜索等算法来确定。整个网络的平均最短路径长度L是所有节点对之间最短路径长度的平均值，其计算公式为：L=\frac{1}{N(N-1)}\sum_{i\neqj}d_{ij}其中，N是网络中节点的总数。较短的平均最短路径长度表示信息在网络中能够快速传递，大脑各区域之间的信息交流高效，有利于实现复杂的认知和行为功能。全局效率（GlobalEfficiency）：全局效率是衡量网络中信息传播效率的重要指标，它与最短路径长度密切相关。全局效率E_{global}的定义为所有节点对之间最短路径长度的平均倒数，计算公式为：E_{global}=\frac{1}{N(N-1)}\sum_{i\neqj}\frac{1}{d_{ij}}当网络中节点之间的最短路径长度较短时，全局效率较高，说明网络能够快速地传递信息，大脑的信息整合和处理能力较强。全局效率反映了大脑在整体层面上的功能协调性和信息传递的流畅性，对于理解大脑的正常功能和精神分裂症患者的神经功能异常具有重要意义。小世界属性（Small-WorldProperty）：小世界属性是脑网络的一个重要特征，它表明网络既具有较高的聚类系数（类似于规则网络），又具有较短的最短路径长度（类似于随机网络）。为了量化小世界属性，引入了两个指标：聚类系数比\gamma和特征路径长度比\lambda。聚类系数比\gamma是网络的平均聚类系数C与相同节点数和边数的随机网络的平均聚类系数C_{rand}的比值，即\gamma=\frac{C}{C_{rand}}；特征路径长度比\lambda是网络的平均最短路径长度L与相同节点数和边数的随机网络的平均最短路径长度L_{rand}的比值，即\lambda=\frac{L}{L_{rand}}。当\gamma\gt1且\lambda\approx1时，网络具有小世界属性，这种属性使得大脑能够在保证局部信息高效处理的同时，实现全局信息的快速传递，优化了大脑的信息处理效率。在精神分裂症患者中，研究小世界属性的变化有助于揭示其大脑功能网络在信息处理和整合方面的异常机制。度中心性（DegreeCentrality）：度中心性是衡量节点在网络中重要性的指标之一，它表示节点的连接程度。对于节点i，其度中心性DC_i等于与该节点直接相连的边数k_i，即DC_i=k_i。在脑网络中，度中心性较高的节点与较多的其他节点存在直接连接，这些节点在信息传递和整合过程中可能起着关键作用，被认为是网络中的关键节点（hub节点）。通过分析度中心性，能够确定大脑功能网络中的核心区域，以及这些区域在精神分裂症患者中的变化情况，为深入理解精神分裂症的发病机制提供重要线索。中介中心性（BetweennessCentrality）：中介中心性用于衡量节点在网络中信息流通的中介作用。对于节点i，其中介中心性BC_i的计算基于所有节点对之间的最短路径。具体而言，BC_i等于通过节点i的最短路径数目与所有节点对之间最短路径数目的比值之和，计算公式为：BC_i=\sum_{j\neqk\neqi}\frac{\sigma_{jk}(i)}{\sigma_{jk}}其中，\sigma_{jk}是节点j和节点k之间的最短路径数目，\sigma_{jk}(i)是节点j和节点k之间经过节点i的最短路径数目。中介中心性较高的节点在网络中处于信息传递的关键位置，对信息的流动和传播具有重要影响。在精神分裂症患者的脑网络中，中介中心性的变化可能反映了大脑信息传递路径的异常，进而影响大脑的正常功能。4.2.2统计分析与结果对精神分裂症患者和健康对照者脑网络的拓扑指标进行统计分析，采用两样本t检验（对于符合正态分布的数据）或非参数检验（对于不符合正态分布的数据）来确定两组之间是否存在显著差异。同时，计算效应量指标，如Cohen'sd值，以评估差异的实际意义。聚类系数：统计分析结果显示，精神分裂症患者脑网络的平均聚类系数显著低于健康对照组（t=[具体t值],p\lt[具体p值]，Cohen'sd=[具体d值]）。这表明患者大脑网络的局部信息整合能力受损，节点周围邻居节点之间的连接紧密程度下降，可能导致大脑在局部区域的信息处理效率降低。在一些与认知、情感调节等功能密切相关的脑区，如前额叶皮质、颞叶等，患者的聚类系数降低更为明显。前额叶皮质在认知控制、决策等高级认知功能中起着关键作用，其聚类系数的降低可能影响该脑区内部以及与其他脑区之间的信息整合，进而导致患者出现认知障碍、思维紊乱等症状。最短路径长度：患者组脑网络的平均最短路径长度显著高于健康对照组（t=[具体t值],p\lt[具体p值]，Cohen'sd=[具体d值]）。这意味着信息在患者大脑网络中传递的平均距离增加，全局信息传递效率下降，大脑各区域之间的信息交流受阻，影响了大脑整体功能的协调性。在默认模式网络中，患者的最短路径长度增加，导致该网络内部以及与其他脑区之间的信息传递延迟，可能与患者的自我意识、情感调节和认知控制等方面的障碍有关。全局效率：精神分裂症患者脑网络的全局效率显著低于健康对照组（t=[具体t值],p\lt[具体p值]，Cohen'sd=[具体d值]）。这进一步证实了患者大脑网络信息传播效率的降低，大脑在整体层面上的功能协调性受到破坏，难以高效地进行信息整合和处理，从而引发各种精神症状。在执行认知任务时，患者由于脑网络全局效率降低，无法快速地调动和整合相关脑区的信息，导致任务完成能力下降。小世界属性：通过计算聚类系数比\gamma和特征路径长度比\lambda，发现精神分裂症患者脑网络的\gamma值显著低于健康对照组（t=[具体t值],p\lt[具体p值]，Cohen'sd=[具体d值]），而\lambda值显著高于健康对照组（t=[具体t值],p\lt[具体p值]，Cohen'sd=[具体d值]）。这表明患者脑网络的小世界属性受到破坏，既无法像正常脑网络那样在局部区域高效整合信息，也不能在全局层面快速传递信息，影响了大脑对复杂信息的处理和适应能力。度中心性：在度中心性方面，发现精神分裂症患者脑网络中部分节点的度中心性发生了显著变化。在左侧海马体，患者的度中心性显著低于健康对照组（t=[具体t值],p\lt[具体p值]，Cohen'sd=[具体d值]）。海马体在记忆的形成、存储和提取过程中起着关键作用，其度中心性的降低可能导致该脑区与其他脑区之间的连接减少，影响记忆相关信息的传递和整合，进而导致患者出现记忆障碍等症状。而在右侧岛叶，患者的度中心性显著高于健康对照组（t=[具体t值],p\lt[具体p值]，Cohen'sd=[具体d值]），岛叶与情感、内脏感觉等功能相关，其度中心性的升高可能反映该脑区在患者大脑中过度活跃，与其他脑区的连接异常，导致患者在情感调节和内脏感觉方面出现问题。中介中心性：统计分析显示，精神分裂症患者脑网络中部分节点的中介中心性也存在显著差异。在右侧丘脑，患者的中介中心性显著低于健康对照组（t=[具体t值],p\lt[具体p值]，Cohen'sd=[具体d值]）。丘脑是感觉传导的重要中继站，其中介中心性的降低可能影响感觉信息在大脑中的传递和整合，导致患者出现感觉异常等症状。而在左侧前扣带回，患者的中介中心性显著高于健康对照组（t=[具体t值],p\lt[具体p值]，Cohen'sd=[具体d值]），前扣带回在认知控制、情绪调节等方面发挥重要作用，其中介中心性的升高可能导致该脑区在信息传递过程中过度参与，影响大脑对认知和情绪的正常调节，表现为患者的认知偏差和情绪不稳定。这些统计分析结果表明，精神分裂症患者的脑网络在拓扑结构上存在明显异常，这些异常可能导致大脑信息传递和整合的紊乱，进而引发各种精神症状，为深入理解精神分裂症的发病机制提供了重要的脑网络层面的证据。4.3动态脑网络特征分析4.3.1低阶动态脑网络构建为了深入探究精神分裂症患者大脑功能网络随时间的动态变化特征，采用滑窗设计构建低阶动态脑网络。滑窗设计是一种常用的时间序列分析方法，通过在时间序列上滑动一个固定长度的窗口，将连续的时间序列划分为多个重叠的子段，从而捕捉信号在不同时间窗口内的局部特征。在本研究中，对于每个受试者的静息态fMRI数据时间序列，首先确定滑窗的长度和步长。滑窗长度的选择需要综合考虑大脑神经活动的时间尺度和数据的时间分辨率。一般来说，较短的滑窗长度能够捕捉到大脑功能连接的快速变化，但可能会增加噪声的影响；较长的滑窗长度则更能反映大脑功能连接的长期趋势，但可能会丢失一些短期的动态变化信息。根据以往的研究经验和本研究的数据特点，将滑窗长度设置为[具体长度值]个时间点，步长设置为[具体步长值]个时间点。这样，每个窗口内包含了[具体长度值]个时间点的BOLD信号数据，且相邻窗口之间有[滑窗长度-步长]个时间点的重叠，以确保数据的连续性和稳定性。对于每个滑动窗口内的数据，采用皮尔逊相关分析方法计算脑区之间的功能连接强度。具体而言，对于每个窗口内的每个脑区对，计算其BOLD信号时间序列之间的皮尔逊相关系数，以此作为该脑区对在当前窗口内的功能连接强度。假设大脑被划分为N个脑区，对于第k个滑动窗口，可得到一个N\timesN的功能连接矩阵C_k，其中矩阵元素C_{ij}^k表示第i个脑区和第j个脑区在第k个窗口内的皮尔逊相关系数。将所有滑动窗口对应的功能连接矩阵按时间顺序排列，即可构建出低阶动态脑网络。这个低阶动态脑网络能够反映大脑功能连接在时间维度上的动态变化，通过分析不同窗口内功能连接矩阵的差异，可以观察到大脑功能连接随时间的演变情况，为进一步研究精神分裂症患者大脑功能网络的动态特性提供了基础数据。例如，通过比较精神分裂症患者和健康对照者的低阶动态脑网络，可以发现患者在某些时间窗口内特定脑区之间的功能连接出现异常波动，这些异常波动可能与精神分裂症的发病机制和临床症状密切相关。4.3.2高阶脑网络构建为了挖掘更复杂的脑网络特征，在低阶动态脑网络的基础上，对功能连接序列进行聚类分析，从而构建高阶脑网络。聚类分析是一种将数据对象分组为相似组的方法，通过寻找数据之间的相似性和差异性，将具有相似特征的数据点归为同一类，不同类之间的数据点具有较大的差异。在本研究中，针对低阶动态脑网络中每个脑区对的功能连接序列，采用K-均值聚类算法进行聚类分析。K-均值聚类算法是一种常用的聚类算法，其基本思想是随机选择K个初始聚类中心，然后将每个数据点分配到与其距离最近的聚类中心所在的类中，接着重新计算每个类的聚类中心，不断重复这个过程，直到聚类中心不再发生变化或满足其他停止条件。在应用K-均值聚类算法时，首先需要确定聚类的数量K。聚类数量的选择对聚类结果有重要影响，过多的聚类可能导致每个类中的数据点过少，难以发现有意义的模式；过少的聚类则可能会忽略数据的细节特征。本研究通过多次实验和分析，结合轮廓系数等评价指标，最终确定聚类数量为K=[具体聚类数量值]。在确定聚类数量后，对每个脑区对的功能连接序列进行K-均值聚类。对于第i个脑区和第j个脑区的功能连接序列r_{ij}=[r_{ij}^1,r_{ij}^2,\cdots,r_{ij}^T]（其中T为滑动窗口的总数），将其划分为K个聚类。每个聚类代表了一种特定的功能连接模式，同一聚类内的功能连接序列具有相似的变化趋势和特征。通过聚类分析，得到每个脑区对所属的聚类标签，从而构建出基于聚类结果的高阶脑网络。在高阶脑网络中，节点表示聚类后的功能连接模式，连接边表示不同聚类之间的转移概率。对于两个聚类A和B，计算它们之间的转移概率P(A\toB)，即从聚类A转移到聚类B的次数与从聚类A出发的总转移次数的比值。通过这种方式，高阶脑网络不仅能够反映大脑功能连接的静态特征，还能捕捉到不同功能连接模式之间的动态转换关系，为深入研究精神分裂症患者大脑功能网络的复杂性提供了更丰富的信息。例如，在精神分裂症患者的高阶脑网络中，可能会发现某些功能连接模式之间的转移概率异常，这可能与患者大脑在不同认知状态或疾病阶段之间的转换异常有关，有助于进一步揭示精神分裂症的发病机制和病理生理过程。4.3.3动态特征分析与结果对构建的动态脑网络进行全面的特征分析，以深入揭示其与精神分裂症之间的潜在关系。主要从时间变异性特征和拓扑特征两个方面展开分析。在时间变异性特征方面，计算动态脑网络中功能连接的标准差和变异系数等指标，以量化功能连接随时间的变化程度。标准差反映了功能连接在时间序列上的离散程度，标准差越大，说明功能连接的波动越大，大脑功能网络的不稳定性越高。变异系数则是标准差与均值的比值，它消除了均值对离散程度的影响，更能准确地反映功能连接的相对变化情况。通过对精神分裂症患者和健康对照者动态脑网络功能连接的标准差和变异系数进行比较，发现患者组在多个脑区之间的功能连接标准差显著高于健康对照组（t=[具体t值],p\lt[具体p值]，Cohen'sd=[具体d值]），变异系数也呈现出类似的差异。在默认模式网络中的内侧前额叶皮质与后扣带回之间的功能连接，患者组的标准差和变异系数均明显高于对照组，这表明患者大脑默认模式网络在功能连接上的不稳定性增加，可能导致该网络在维持自我意识、情感调节和认知控制等功能时出现异常，进而引发幻觉、妄想等精神症状。在拓扑特征方面，计算动态脑网络的聚类系数、最短路径长度、全局效率等指标随时间的变化情况，并与健康对照者进行对比分析。聚类系数反映了网络的局部聚集特性，最短路径长度反映了信息在网络中传递的效率，全局效率则综合衡量了网络的信息传播能力。研究发现，精神分裂症患者动态脑网络的聚类系数在某些时间窗口内显著低于健康对照组（t=[具体t值],p\lt[具体p值]，Cohen'sd=[具体d值]），这表明患者大脑网络在局部区域的信息整合能力下降，节点周围邻居节点之间的连接紧密程度降低。在额叶-顶叶网络中，患者在特定时间窗口的聚类系数明显低于对照组，这可能影响该网络在执行认知任务时的协同作用，导致患者出现注意力不集中、思维紊乱等症状。患者动态脑网络的最短路径长度在部分时间窗口显著高于健康对照组（t=[具体t值],p\lt[具体p值]，Cohen'sd=[具体d值]），全局效率显著低于健康对照组（t=[具体t值],p\lt[具体p值]，Cohen'sd=[具体d值]），这说明患者大脑网络在信息传递效率和整体功能协调性方面存在明显缺陷，影响了大脑对信息的快速整合和处理，进一步加重了精神症状。通过对动态脑网络时间变异性特征和拓扑特征的分析，揭示了精神分裂症患者大脑功能网络在时间维度上的异常变化，这些异常变化与精神分裂症的发病机制和临床症状密切相关，为深入理解精神分裂症的神经病理机制提供了重要的动态脑网络层面的证据，也为精神分裂症的早期诊断和治疗干预提供了潜在的生物标志物和靶点。五、脑网络特征与精神分裂症临床症状的关联5.1临床症状评估本研究采用阳性和阴性综合征量表（PositiveandNegativeSyndromeScale，PANSS）对精神分裂症患者的临床症状进行全面、系统的评估。PANSS量表是目前精神分裂症研究和临床实践中广泛应用的症状评定工具，具有良好的信度和效度，能够准确、细致地反映患者的阳性症状、阴性