从时间序列到复杂网络：在心房颤动脑血管流动模式中的应用

本文提出了一种基于网络的方法，以研究心房颤动相对于正常窦性心律期间脑血管流动模式。心房颤动是最常见的心律失常，表现为心跳加快且不规则，最近被独立认为与痴呆风险增加有关。然而，迄今为止，将这两种病理联系起来的潜在血流动力学机制在很大程度上尚未确定；因此，建模和精细统计工具的贡献具有重要价值。本文利用最近从 in silico 方法中获得的可靠人工构建信号，沿具有代表性的大脑部位（从颈动脉到毛细血管脑循环）评估了正常窦性心律和心房颤动下的压力和流速时间序列。复杂网络分析以综合且新颖的方式表明，在心房颤动期间，信号向远端/毛细血管大脑区域发生剧烈变化，这在正常窦性心律条件下是没有对应情况的。在大动脉层面，从心房颤动和正常窦性律血流动力学信号获得的网络表现出细长和链状特征，这是伪周期序列的典型特征。在心房颤动期间，这些特征在微循环中几乎完全丧失，此时网络在拓扑上更加呈环状并表现出类随机特征。因此，所有由周期性支配的微脑层面生理现象——如规律灌注、每搏平均压力和细胞层面的平均营养供应——都可能受到严重损害，因为心房颤动血流动力学信号表现出不规则行为和类随机特征。通过与经典统计工具互补的强大方法，本发现进一步强化了心房颤动血流动力学与认知衰退之间的潜在联系。