《Brain-Apparatus Communication: A Journal of Bacomics》:Integrative analysis of brain functional networks and EEG microstates to elucidate the neural mechanisms of motor imagery and motor execution
编辑推荐:
背景
运动执行(Motor Execution, ME)与运动想象(Motor Imagery, MI)具有部分重叠的神经机制,但在网络协调模式与时间动态上存在差异。然而,整合功能连接性与微状态分析来系统比较ME和MI的研究仍然有限。
目的
本研究旨在描述ME
背景
运动执行(Motor Execution, ME)与运动想象(Motor Imagery, MI)具有部分重叠的神经机制,但在网络协调模式与时间动态上存在差异。然而,整合功能连接性与微状态分析来系统比较ME和MI的研究仍然有限。
目的
本研究旨在描述ME和MI之间在脑区激活、网络拓扑结构及全脑动态组织方面的差异,为其在运动康复中的应用提供理论基础。
方法
研究从28名健康参与者执行ME和MI任务时采集了脑电(Electroencephalography, EEG)数据。利用相位锁定值(Phase-Locking Value, PLV)、相位滞后指数(Phase Lag Index, PLI)、皮尔逊相关系数(Pearson Correlation Coefficient, PCC)和互信息(Mutual Information)构建脑功能网络,并应用图论指标评估连接强度和全局网络效率。同时,提取了任务相关的微状态模板,并计算了时间参数以揭示快速的全脑动态。结合空间激活与时间微状态特征,实现了对ME和MI的全面比较。
结果
与MI相比,ME引发了显著更强的感觉运动同步性、更高的全局效率和更优化的信息传输。ME网络主要涉及初级运动皮层和躯体感觉皮层,而MI则更多地依赖于前运动区。微状态分析显示,ME具有更确定的转换和更长的感觉整合状态,而MI则表现出更灵活的转换以及与工作记忆相关状态的更长久投入。这些发现突显了两种运动状态之间神经协调和时间组织模式的显著差异。
结论
尽管ME和MI共享共同的运动相关网络成分,但它们表现出不同的连接强度和动态重构模式。这些差异增进了对运动控制下神经机制的理解,并支持其在运动功能障碍康复策略中的互补性应用。
论文解读:脑功能网络与脑电微状态综合分析阐明运动想象与运动执行的神经机制
一、 研究背景、问题与研究目的
本研究发表在《Brain-Apparatus Communication: A Journal of Bacomics》期刊,聚焦于运动想象(MI)与运动执行(ME)的神经机制比较。脑-机接口(Brain-Computer Interface, BCI)是记录中枢神经系统活动并将其转化为人工输出的系统,其中MI作为一种重要的BCI范式,在运动功能障碍的康复训练中具有重要应用价值。然而,现有研究面临两大挑战:一是MI存在较大的个体间变异性,导致EEG信号分类模型的泛化性能不足;二是任务复杂性如何影响神经激活模式的内在机制尚未完全阐明。传统研究已经发现MI与ME在神经机制上存在显著重叠(如共享运动计划相关的高级脑区),但也存在根本差异(如初级运动皮层激活水平、感觉反馈整合等方面)。以往的研究多从功能连接或脑电微状态单一视角展开,缺乏将两者结合以系统性比较ME和MI在皮层激活模式、网络协调特性和全脑时间动态上各自表现的研究。为此,本研究旨在通过整合脑功能网络分析与脑电微状态分析,对ME和MI的神经机制进行多维特征提取与数据挖掘,全面、动态地描绘其内在神经过程,为改进康复策略提供严格的理论基础。
二、 主要技术与方法
研究人员招募了28名健康、右利手的受试者,采集了其在运动执行和运动想象任务下的EEG数据。实验采用统一的范式,通过屏幕提示引导受试者进行左、右或双手的抓握动作(ME)或想象(MI)。使用Neuracle NeuSen W系列无线EEG系统采集64通道信号,并按国际10-20系统排列电极。在数据分析阶段,研究人员主要运用了以下关键技术:
- 1.
数据预处理:对原始EEG信号进行下采样、带通滤波(8-30 Hz),并使用独立成分分析(Independent Component Analysis, ICA)去除伪迹。
- 2.
脑功能网络分析:在Alpha(8-13 Hz)和Beta(13-30 Hz)频段,计算了相位锁定值(PLV)、相位滞后指数(PLI)、皮尔逊相关系数(PCC)和互信息(MI)四种功能连接性指标。基于此构建了功能网络,并应用图论方法计算了节点强度、全局效率、聚类系数和特征路径长度等拓扑参数。为保证网络可比性,对所有连接矩阵统一采用上四分位数阈值策略生成稀疏加权网络。
- 3.
脑电微状态分析:对预处理后的连续EEG信号,通过全局场功率(Global Field Power, GFP)峰值提取代表性头皮地形图,采用改进的K-means聚类算法提取任务相关的微状态模板。之后,将群体水平的模板反向拟合到每个受试者的数据中,计算每个微状态的平均持续时间、时间覆盖率、发生频率、状态间转移概率等动态参数。并对微状态模板进行了源定位分析,以探究其潜在的神经发生器。
三、 研究结果
3.1. 脑网络分析
3.1.1. 相似性分析
四种功能连接性指标(PLV、PLI、PCC、MI)的结果高度一致,均显示ME和MI任务引发了高度相似的脑激活和功能连接模式。特别是,单侧上肢(左手或右手)运动任务均一致地在对侧大脑半球的初级运动皮层(M1)引发最显著的激活,这与经典的运动皮层功能定位理论相符。
3.1.2. 差异分析
尽管宏观网络框架相似,但在连接强度和全局集成效率上存在根本差异。图论分析表明,ME状态下的平均节点强度和全局效率在所有四种连接性指标中均显著高于MI状态,且效应量为中等到大。这表明运动执行网络比运动想象网络具有更密集、更高效的拓扑结构。节点分析进一步发现,额中央区电极(如F2, Fz, FC4)在两种任务中均显示出最强的节点强度,但ME的强度值普遍更高。空间分布上,单侧手任务呈现对侧半球主导激活,而双手任务则表现为更双侧对称的激活模式。
特征路径长度分析显示,ME的特征路径长度在多数情况下短于MI,尤其是在MI和PLV指标上差异显著,表明ME状态下脑网络的信息传递效率更高。频率特异性分析进一步揭示,任务对脑网络拓扑的调节主要在Beta频段表达显著,而Alpha频段的网络特征在两种任务状态下相对稳定。
值得注意的是,尽管ME和MI的脑网络状态整体相关性极高,但这可能部分反映了头皮EEG分析中固有的容积传导效应。然而,图论分析揭示的显著差异表明,MI代表了ME的一种功能上减弱的模拟,保留了网络拓扑但降低了功能耦合强度与效率。
3.2. 微状态分析
研究人员对左右手及双手的ME和MI任务分别进行了微状态分析,识别出6-7个稳定的微状态,并通过源定位验证了其神经解剖学基础。各微状态在认知-运动系统中代表不同的功能过程(如注意控制、视觉感觉整合、运动命令发起、感觉运动反馈、绩效监控等)。研究发现,ME和MI共享一个共同的序列性微状态架构,涵盖了注意准备、感觉处理、运动相关激活及后续监控/评估阶段。两者的主要区别在于各状态的相对权重,而非其存在与否。
- •
运动执行(ME):表现出从注意准备、感觉整合到运动执行及感觉反馈评估的有序序列。其中,与运动发起相关的微状态(通常标记为MS3)扮演了中心枢纽角色,具有相对较高的发生率和覆盖率,反映了运动命令生成和感觉运动反馈整合的突出作用。状态间的转换更具确定性。
- •
运动想象(MI):虽然整体序列相似,但其运动相关微状态(MS3)的持续时间和转换概率较弱。同时,MI相对更侧重于视觉-感觉处理状态(MS2)以及内部监控和评估状态(MS4和MS6)。微状态转换模式更为灵活。
- •
双手任务:无论是ME还是MI,都表现出明显的双侧感觉运动网络(MS3和MS4)的交替或协调参与,反映了双手运动或想象所需的半球间协调。
微状态动态为ME和MI在时间组织上的异同提供了直接证据:ME表现出更稳定、有序的序列,而MI的序列更灵活,内部监控成分占比更高。
四、 讨论与结论
在讨论部分,研究人员总结道,本研究从脑网络和微状态动态两个层面提供了汇聚证据,表明MI和ME共享高度相似的大规模神经架构,但在网络效率和时间动态上存在差异。ME凭借其闭环的感觉运动控制(涉及运动命令的传出副本与本体感觉、体感反馈的持续整合),引发了更强的局部连接和更优化的全局信息整合。相比之下,MI主要在开环模式下运行,依赖于内部生成的运动表征而缺乏外周传入输入,这降低了对持续全局整合的需求,导致网络效率较低,微状态稳定性也较弱。在节点层面,额中央区的高强度激活证实了运动准备与执行网络在MI中的核心参与,但其强度减弱表明神经参与程度降低。Beta频段活动的特异性进一步反映了与运动相关的振荡机制。
研究结论翻译如下:
综上所述,本研究提供了聚合性证据,表明运动想象和运动执行具有高度相似的大规模神经结构,但在其网络效率和时间动态上存在差异。运动执行涉及更强的局部连接性和更整合的全局通信,而运动想象则代表了实际运动的一种功能减弱但在空间上连贯的模拟。在想象过程中观察到的网络效率和微状态稳定性的降低,很可能源于缺乏本体感觉反馈和真实的运动输出。尽管如此,两种状态之间的紧密对应——特别是在额中央激活和Beta频段振荡模式方面——证明运动想象有效地镜像了运动产生的核心神经过程。这些发现不仅加深了我们对运动模拟下神经机制的理解,而且为运动想象在神经康复和脑-机接口开发中的应用提供了神经生理学基础。