休息状態fMRIを使用した位相同期に基づく睡眠の品質の予測と分類

最近、機能的ネットワーク接続（FNC）が静的分析から動的分析に拡張され、脳ネットワークの時間変化の機能組織が探求されました。現在、動的FNC（DFNC）分析フレームワークの大部分は、fMRI時系列の振幅に基づいて線形相関を持つ再発FNCパターンを特定しました。ただし、脳は複雑な動的システムであり、位相同期はより有益な測定値を提供します。このペーパーでは、位相ロック値から導出されたDFNCに基づいて、行動と認知の予測/分類のための新しいフレームワークを提案します。Human Connectomeプロジェクト（HCP）からのfMRIデータの分析に適用すると、睡眠の質の研究のために4つのDFNC状態が特定されています。状態1は、脳全体にわたって最も激しい相同期を示します。状態2と3は、それぞれ接続が低く、それぞれ弱い接続があります。状態4は、体性運動、視覚および認知制御ネットワークの接続と相互接続の強い位相同期を示します。2サンプルのt検定を通じて、睡眠の質が悪いグループでは、皮質下、聴覚、体性運動、視覚などのネットワーク内およびネットワーク間の位相同期が減少しているが、認知制御ネットワーク内の位相同期の増加、および視覚同期が減少したことを示しています。このネットワークとSomatomotor/Visual/Default-Mode/Cerebellarネットワークの間。状態4の位相同期が増加したネットワークは、状態2で反対に動作します。グループの違いは状態3にはありません。状態1には弱いです。分類用。従来のFNCとPLVベースのDFNCのパフォーマンスを相互検証と比較します。結果は、PLVベースのDFNCが、予測力と分類精度の両方の観点から、従来のFNCを大幅に上回ることを示しています。また、静的機能と動的機能を組み合わせることで、DFNC機能のみを使用して分類を大幅に改善しないことも観察します。全体として、提案されたアプローチは、予測と分類を促進するために脳の指紋として使用できるDFNCを評価するための新しい手段を提供します。

Recently, functional network connectivity (FNC) has been extended from static to dynamic analysis to explore the time-varying functional organization of brain networks. Nowadays, a majority of dynamic FNC (dFNC) analysis frameworks identified recurring FNC patterns with linear correlations based on the amplitude of fMRI time series. However, the brain is a complex dynamical system and phase synchronization provides more informative measures. This paper proposes a novel framework for the prediction/classification of behaviors and cognitions based on the dFNCs derived from phase locking value. When applying to the analysis of fMRI data from Human Connectome Project (HCP), four dFNC states are identified for the study of sleep quality. State 1 exhibits most intense phase synchronization across the whole brain. States 2 and 3 have low and weak connections, respectively. State 4 exhibits strong phase synchronization in intra and inter-connections of somatomotor, visual and cognitive control networks. Through the two-sample t-test, we reveal that for the group with bad sleep quality, state 4 shows decreased phase synchronization within and between networks such as subcortical, auditory, somatomotor and visual, but increased phase synchronization within cognitive control network, and between this network and somatomotor/visual/default-mode/cerebellar networks. The networks with increased phase synchronization in state 4 behave oppositely in state 2. Group differences are absent in state 3, and weak in state 1. We establish a prediction model by linear regression of FNC against sleep quality, and adopt a support vector machine approach for the classification. We compare the performance between conventional FNC and PLV-based dFNC with cross-validation. Results show that the PLV-based dFNC significantly outperforms the conventional FNC in terms of both predictive power and classification accuracy. We also observe that combining static and dynamic features does not significantly improve the classification over using dFNC features alone. Overall, the proposed approach provides a novel means to assess dFNC, which can be used as brain fingerprints to facilitate prediction and classification.