跨个体功能脑网络中动态社区结构的多层检测方法

我们提出一个统一的统计框架，用于刻画脑功能网络的社区结构，该框架可捕捉个体间差异与时间演化。现有社区检测方法仅关注动态网络的单被试分析；而近期面向多被试的扩展局限于静态网络。为克服这些局限，我们提出一种多被试、马尔可夫切换随机块模型（MSS-SBM），以识别一组个体中脑社区组织的状态相关变化。我们首先建立 SBM 的多层扩展来描述随时间变化的多被试脑网络。我们开发了一种拟合多层 SBM 的新流程，其基于多层模块度最大化，可同时揭示所有层（被试）的通用社区划分。通过引入动态马尔可夫切换过程，我们提出的方法能够捕捉一组关于被试间社区交互的、不同的、反复出现的时态状态及其间的变点。仿真显示 MSS-SBM 能在多层网络上准确恢复社区并追踪动态社区状态。在任务态 fMRI 上的应用揭示了有意义的非同配脑社区基元，例如组水平的核心—外围结构，其与语言理解和运动功能相关，提示其在复杂信息整合中的潜在作用。我们的方法检测到了由不同任务需求引发的模块化连接的动态重组，并识别了不同任务条件下独特的社区内与社区间连接剖面。所提出的多层网络表示为跨被试检测脑网络中同步的动态模块性提供了原则性途径。