NeuroImage: 华南师范大学原彬科特聘副研究员提出新的动态元语言网络模型-杭州脑海科技有限公司

点击【下方卡片】关注我们~最新前沿资讯抢先看

开放转载，欢迎大家转发到朋友圈和微信群

可添加小编微信【13295818579】获取原文

撰文：郭晓琳原彬科

责编：展琳琳李杰

2023年4月1日，华南师范大学脑科学与康复医学研究院的原彬科特聘副研究员与合作者在影像学权威期刊NeuroImage（IF=7.4）发表了题为“The domain-separation language network dynamics in resting state support its flexible functional segregation and integration during language and speech processing”的文章，该研究首次发现了背侧语音通路和腹侧语义通路在无任务状态下动态分离的现象，并且发现原有的背侧语音通路在无任务状态下分离为两条通路，即语音感知及加工通路和运动性言语产出通路。基于此，提出了具有三条通路的动态元语言网络模型。

摘要：

目前主流的脑语言模型是双通路模型，即背侧语音通路和腹侧语义通路。研究表明，在不同的语言任务中，两条通路表现出非对称性的参与方式。在言语感知任务当中，腹侧通路起主要作用，而在言语表达任务中，两条通路均需要参与。换言之，背侧语音通路和腹侧语义通路可在不同的语言任务中灵活的分离和整合。本研究假设，功能整合和分离的基础是脑网络的分离和整合。为验证该假设，本研究采用动态条件相关方法，逐帧构建静息状态下语言网络的连接矩阵，然后分析其空间拓扑和时间属性。结果发现，静息状态下语言网络具有四种可复现的状态。这些状态表现出独特的空间拓扑和时间属性。前三个状态的核心节点分布分别与言语感知和语音加工、运动性言语产出和语义表征有关，而第四个状态所有语言区呈现弱连接状态。前三个状态的时间占比大约为15%左右，而第四个状态的时间占比超过50%。同时本研究还发现，这四个状态可以预测被试的语言任务成绩。上述结果表明，静息状态下的语言网络表现出范畴分离的动态重组特性，基于此，本研究提出了具有三条通路的动态元语言网络模型。

1 研究背景

语言和言语加工包括三个基本过程，即语音加工、语义加工和句子/句法加工。这些范畴特异性表征中所涉及的脑区横跨左侧额叶、颞叶和顶叶皮层，并且这些脑区之间是通过皮层下白质纤维束连接起来的。目前主流的言语加工模型是双通路模型，包括背侧语音和腹侧语义两条通路。

从功能上来说，背侧语音通路参与听觉和发音的语音加工，而腹侧语义通路则主要参与概念-语义加工。在解剖学中，两条通路存在不同的解剖基础。背侧语音通路主要分布在左侧前额皮层和颞上回，而腹侧通路主要分布在双侧颞叶和顶叶。已有研究证明，两条通路在不同语言任务中的参与方式和程度不同。对于从语音到概念的任务，例如言语理解，主要激活的是腹侧通路。而对于同时包含概念到语音和语音到发声的任务，例如言语产出任务，背侧和腹侧通路则同时被激活。总的来说，理解性语言任务一般只涉及腹侧语义通路，而表达性语言任务则涉及了整个语言网络。因此，这两个通路形成了一个层次性的平行结构，可以在不同的语言任务中灵活的分离和整合，表现出非对称性的参与方式。非对称性的参与方式也很好地解释了表达性和理解性语言障碍的双重分离现象。例如，背侧通路的损伤往往导致言语产出障碍，而理解功能完好，典型的语言障碍类型包括言语失用症、布洛卡失语症和传导性失语症。而腹侧通路的损伤往往同时导致表达性和理解性障碍，如威尔尼克失语症和纯词聋。以上研究表明，背侧语音通路和腹侧语义通路在不同语言任务中可以进行灵活地、动态地分离或整合，表现出非对称性的参与方式。

从认知的脑网络理论来看，脑功能上的分离（特异性加工）和整合（功能特异性网络的协同作用）的基础是脑网络的分离和整合。事实上，大脑本就是一个动态系统，它可以动态地整合特异性网络，满足各种复杂认知和行为的需求。研究表明，功能网络重组发生在多个时间和拓扑尺度上，并且在无任务状态和任务态中均会发生。脑网络的动态性使得大脑在不同的认知过程中可以灵活动态地分离或整合。已有研究也表明，大脑在无任务状态下比任务态中更具动态性和分离性。所以，基于自发脑活动具有高度动态性和分离性这一特点，本研究假设在无任务状态下，随时间变化的语言网络将表现出功能分离特性，这种分离体现在动态语言网络可以聚类为几种在时间上重复出现的状态，形成功能特异性的子网络。这些子网络构成了语言的元网络模式。为了验证假设，本研究采用动态条件相关（Dynamic Conditional Correlation, DCC）方法逐帧构建了动态大脑元语言网络，并探究无任务状态下动态元语言网络的时空分离特性。本研究还假设，元语言网络应该与认知或行为之间具有相关性，可以用来（部分）预测个体在语言任务中的表现。

2 方法

2.1 R-fMRI数据库

探索性数据集：该数据集（n = 198）来自北京师范大学臧玉峰教授团队，是1000功能连接组项目的一部分。其中，一名被试数据由于采集方向不同而被剔除，另外五名被试数据由于在预处理的协变量回归过程中发生错误而被剔除。最终，本研究对剩余的192名（女性118名，年龄18~26岁，平均值±标准差=21.17 ± 1.83）被试数据进行了分析。

验证性数据集：为了确保结果的稳定性和可靠性，本研究使用人类连接组项目（Human Connectome Project, HCP） 900 Subject Release的大型数据集对结果进行验证。为了简化计算，本研究只分析第一个run。最终，本研究对522名（女性289名，年龄平均值±标准差= 28.47 ± 3.61）被试数据进行了分析。

2.2 数据预处理

探索性数据集：1）去除前10个时间点；2）层获取时间校正；3）头动校正，确保所有被试最大平动不超过3毫米或者转动不超过3度；4）头动校正后的图像与3D-T1像对齐，再利用T1像的分割配准信息，将功能像归一化到MNI标准空间；5）使用高斯核（半高全宽, FWHM = 6 毫米）对标准化图像进行空间平滑；6）去线性飘逸；7）协变量回归，36个参数，包括平移和旋转+白质/脑脊液/全脑平均时间进程的6个参数（9个参数），以及它们的时间导数（9个参数）和18个参数的二次项，通过线性回归将这36个参数从每个体素的时间进程中去除；8）带通滤波（0.01–0.1 Hz）。

验证性数据集：除层获取时间校正外，执行相同的预处理步骤。

2.3 语言网络定义

本研究采用人类脑网络组图谱（Human Brainnetome Atlas）来定义语言和言语加工脑网络。本研究提取出在语言相关的行为或范式（例如语义，单词生成，阅读或理解）中表现显著激活的所有分区，包括左半球的33个皮层分区和右半球的15个皮层分区。考虑到无任务状态对称性连接模式和双侧语言加工，也选取了19个左半球语言区的右侧镜像同伦区和1个左侧镜像同伦区。最终定义了一个包含68个皮层ROI（每个半球34个ROI）的对称性语言网络 （图1）

图1语言网络动态分析示意图。A：在人类脑网络组图谱（Fan et al., 2016）上定义了对称的语言网络图谱（68个ROI，每半球34个ROI）。B：采用基于单变量GARCH（广义自回归条件异方差）的动态条件相关算法逐帧构建每个被试的动态语言网络。C：使用k-means算法对所有被试的动态语言网络进行聚类，得到所有帧的时间重现状态（聚类）和状态的分配。D：计算时间重现状态的时空特性，包括节点度中心性、脑网络模块化、各状态总的时间占比和状态间转移概率。

2.4 基于DCC逐帧构建语言网络

为了追踪语言网络的动态变化，本研究采用动态条件相关（DCC）方法逐帧构建时变的语言网络（图1）。已有研究证明，DCC方法在追踪脑网络动态性方面优于标准滑动窗口方法。

DCC是广义自回归条件异方差（GARCH）的一种变式。DCC包含两个步骤。首先使用单变量GARCH（1,1）估计每个时间序列的标准化残差。然后，将指数加权移动平均（EWMA）窗口应用于标准化残差，以计算ROI之间非标准化的时变相关矩阵。补充材料中给出了GARCH（1,1）模型、DCC模型和EWMA模型的数学表达式以及模型参数的估计。

为了识别动态语言网络的时间重现状态，本研究采用k-means聚类算法将dFC矩阵聚类为几种互不重叠的簇。

2.5 dFC状态的时空属性

空间属性。本研究计算了多种拓扑指标来探究dFC各状态的空间属性。在全脑水平上，本研究分析了小世界性、富人俱乐部和模块化，以评估网络的分离和整合。除此之外，本研究还计算了节点的强度和分布、聚类系数、最短路径长度、介数中心性、模块内连通度（Z分数）和参与系数来评估节点（即中心节点）重要性。

在进行分析之前，本研究对每个矩阵进行了阈值处理，以消除可能由噪声引起的弱相关性和非显著相关性。因为负连接的性质存在争议，所以本研究只考虑了正连接。由于dFC状态在连接模式和强度上存在差异，所以本研究在相关阈值范围内（r = 0.1–0.5，步长为0.05）对每个dFC矩阵进行阈值处理，并考虑到阈值以上的连接强度（即加权阈值的相邻矩阵）。

本研究还计算了介数中心性（网络中通过一个节点的所有最短路径的比例）、最短路径长度和聚类系数。本研究预测富人俱乐部区域通常具有高节点强度、高介数中心性、低最短路径长度和低聚集系数。此外，根据模块化的组织结构，本研究还计算了参与系数和模块内连通度系数，前者量化了一个节点在其模块外的连接边数和其总连接数之间的关系，后者量化了一个节点在模块内的连通性。

时间属性：1）各状态总时间占比，即一个状态在所有帧中所占百分比。2）状态间转移概率，即在当前状态为i的情况下，是否在时间t+1内发生状态转移。

2.6 各状态中富人俱乐部功能

为了评估每种状态下富人俱乐部的功能，本研究在NeuroQuery（https://neuroquery.org/）平台上进行了基于术语的元分析。为了验证功能特异性，对语言和言语相关的术语（言语感知、内部言语、语音加工、言语产出和语义加工）和非语言术语（注意网络、执行控制网络、情绪感知网络和记忆网络）进行了分析。通过计算中心节点的二值图像和元分析结果之间的dice系数（dice = 2 * (hub * meta)/(hub + meta)）对其进行评估。

2.7 dFC状态的结构基础

为了研究dFC各状态的结构基础，本研究绘制了选定的语言区和主要的长程白质纤维束之间的解剖连接图。连接这些语言区的解剖连接矩阵提取自Brainnetome Atlas的全脑结构连接矩阵。

为了评估白质纤维束和中心节点分布之间的空间一致性，本研究从HCP1065人口-平均脑纤维束成像图谱中提取了与语言相关的主要长程白质纤维束，包括弓状束（AF）、中纵束（MdLF）、下纵束（ILF）、下额枕束（IFOF）和钩束（UF）。

2.8 基于机器学习的dFC-语言预测模型

为了研究dFC与行为的相关性，本研究基于多变量机器学习构建了dFC-语言预测模型来评估dFC与语言表现之间的关系。采用线性相关向量回归（relevance vector regression，RVR）算法。本研究使用HCP数据集中两个与语言相关的测试（口语阅读识别测试[ORRT]和图片词汇测试[PVT]）作为预测标签。本研究采用留一法交叉验证（LOOCV）来计算预测模型的准确性（预测标签与真实标签之间的Pearson相关系数）。采用1000次置换检验来计算模型的显著性P值。

图2在时间上重现的四个状态及其模块化结构、节点强度分布、小世界属性和富人俱乐部。A：百分比代表各状态总的时间占比。B：节点的大小与节点强度成正比。红色的连接表示连接强度大于0.2的正连接，绿色的连接表示连接强度小于-0.2的负连接。C：四种状态的小世界性用加权网络上连接强度的函数（r~0.1–0.5，步长为0.05）来表示。在连接强度为0.2的加权网络上计算了标准化富人俱乐部曲线。

3 结果

3.1 无任务状态下语言网络有4种可复现的状态

本研究识别出四种具有不同连接模式的且在时间上重复出现的状态（图2 A）。状态1的特征是双侧PrG、PoG和STG的节点之间具有中高程度的正连接，但前额叶节点和颞叶节点之间存在较弱或中度的负连接。状态2中的前额叶节点之间的正连接较强。状态3区别于状态1和状态2，颞叶节点之间的连接较强。状态4在整体上呈现弱连接模式。在所有状态的K值范围内，标准化富人俱乐部系数均大于1。模块化分布也与状态有关（图2 B）。

3.2 不同状态中的富人俱乐部分布

四种状态的节点强度分布中，指数截断的幂律分布（图3 A）拟合的最好。在每种状态中，采用最高节点强度的前20个节点来表示富人俱乐部。富人俱乐部的分布与状态有关（图3 B）：1）状态1，主要分布于双侧pSTG、pSTS、PoG和PrG的腹侧部；2）状态2，主要分布于双侧IFG、PrG的腹侧部和pSTG；3）状态3，主要分布于双侧MTG、IPL和IFG；4）状态4，主要分布于双侧pMTG、pSTG、pSTS和IFG。有趣的是，本研究观察到每种状态下的富人俱乐部常常被分配到相同的模块（图2 B），这表明富人俱乐部不仅连接紧密，而且与非富人俱乐部高度分离。

图3各状态中的节点属性。A：累积节点强度分布的对数曲线图。指数截断的幂律分布在四种状态中拟合性最好。B：富人俱乐部的分布。C：具有最短路径长度的前20个节点。D：具有最高聚类系数的前20个节点。富人俱乐部通常具有最短的路径长度和较高的聚类系数。

图4富人俱乐部的认知功能。A：每种状态中富人俱乐部的脑区分布。B：言语感知、内部言语、语音加工、言语产出和语义加工的元分析结果来自NeuroQuery （https://neuroquery.org/）。C：富人俱乐部节点的二值图像与元分析结果之间的dice系数。考虑到元分析结果的左侧激活，本研究计算了全脑和左半球的dice系数。

3.3 富人俱乐部的认知功能

本研究发现状态1的富人俱乐部与言语感知、内部言语、语音加工、言语产出的激活高度重叠（图4 C）。由于STG在言语感知和语音加工中的关键作用，所以推测状态1中的富人俱乐部主要与言语感知和语音加工有关。状态2中的富人俱乐部与语音加工的激活高度重叠。由于IFG和PrG的腹侧部在言语产出中的关键作用，所以推测状态2中的富人俱乐部主要参与运动性言语产出。状态3的富人俱乐部与所有五个术语的激活高度重叠。考虑到IPL、ATL和眶额皮质在语义加工中的重要作用，所以推测状态3中的富人俱乐部主要参与语义加工。

图5富人俱乐部的结构基础。A：富人俱乐部的白质纤维连接。B：与语言相关的白质纤维束终末端，由Yeh （2022）提供。C：每种状态下富人俱乐部的解剖模板和与终末端图谱重叠的纤维束。D：富人俱乐部区域和每个纤维束的终末端图谱之间的dice系数。MdLF，中纵束；AF，弓状束；ILF，下纵束；IFOF，下额枕束；UF，钩束。

3.4 富人俱乐部的主要白质纤维束

在状态1中，MdLF、ILF、AF和UF的终末端图谱在空间上与核心节点重叠。在状态2中，AF、MdLF和IFOF的终末端图谱在空间上与核心节点重叠。在状态3中，AF、ILF、IFOF和MdLF的终末端图谱在在空间上与核心节点重叠。在状态4中，AF、ILF、IFOF和MdLF的终末端图谱在在空间上与核心节点重叠。除此之外，由于AF的偏侧化，本研究还观察到了预期的半球效应。

3.5 dFC的时间特征

前三种状态只在较短的时间内出现（状态1：14.14%；状态2：15.53%；状态3：15.2%），语言网络在大部分时间（55.13%）中表现为状态4的弱连接。从状态4到前三种状态的转移概率显著高于前三种状态之间的转移概率（P < 0.001）。

图6动态语言网络的时间特征。A：被试在扫描期间状态间（紫色，状态1；蓝色，状态2；红色，状态3；灰色，状态4）的逐帧状态转换（215帧，430秒）。B：各状态总时间占比，即整个组中所有窗口的状态百分比。C：通过单样本t检验得到状态间转移概率。D：状态转移路径示意图（定向）。球体表示状态，线宽与t值成正比。

3.6 dFC显著预测个体的语言成绩

结果发现，在状态1 （r = 0.21, permutation P = 0.002）、状态2（r = 0.23, P < 0.001）、状态3（r = 018, P = 0.037）、状态4（r = 0.24, P < 0.001）以及四种状态的组合（r = 0.24, P < 0.001）中，被试的dFC可以显著预测个体的口语阅读测试得分。同样的，在状态1（r = 0.19, P = 0.004）、状态2（r = 0.17, P = 0.014）、状态3 （r = 0.23, P = 0.004）、状态4 （r = 0.19, P = 0.16）以及四种状态的组合（r = 0.2, P = 0.002）中，dFC也可以显著预测个体的图片词汇测试得分。

图7 无任务状态下的动态元语言网络。

4讨论

本研究揭示了无任务状态下语言网络的动态重组时空特性。语言网络的动态重组时空特性具有范畴分离的模式，具有非随机的状态转移特性，具有特定的白质结构基础，同时也具有行为学意义。基于此，本研究提出了一个无任务状态下的动态元语言网络模型（图7）。此处的“元网络”概念指在时间上可重复出现的状态,它赋予语言网络在不同语言任务中瞬时和动态协同作用的能力。相比于双通路模型，动态元语言网络模型将原本的背侧语音通路分成了两条独立的通路，即语音感知及加工通路和运动性言语产出通路。

动态元语言网络模型具有一系列的优势：首先，它很好地解释了言语理解任务和表达任务中不同通路的非对称性参与现象，而这背后，本质上还是由于不同通路之间的独立性，赋予了大脑灵活的功能整合和分离的能力。其次，语音感知及加工通路的独立存在，不仅有其独特的白质结构基础，也更突出了威尔尼克区在语言网络中的枢纽地位。该通路的独立，可以赋予其灵活地参与言语理解任务和表达任务的能力。换句话说，语音感知及加工通路可以灵活地与运动性言语产出通路和语义存储和表征通路进行功能整合和分离。再次，该模型为动态脑网络模型，阐明了脑区之间的动态连接和重组方式。

由于动态元语言网络模型具有范畴分离特性，因此该模型可能对不同类型语言障碍患者（中风后失语、肿瘤性失语、语义痴呆、孤独症谱系障碍和精神分裂症）的异常网络机制具有高度的敏感性，该模型望揭示其特异性的脑网络机制。

在无任务状态下，为何语言网络会间歇性的激活？本研究推测，状态1的间歇性出现可能涉及初级躯体感觉加工（例如，言语感知），状态2的间歇性出现可能与隐蔽性言语或内部言语有关，这是一种同时涉及发音和感觉表征的感觉运动过程，状态3的间歇性出现可能与语义记忆相关的言语思维有关，其与默认模式网络（DMN）存在高度互动，基线状态的高频出现表明非言语思维的主导地位，这种思维通常发生在静息状态，并与DMN有关。从状态4与前三个状态的频繁转换，也表明自发言语思维和非言语思维之间关系密切。

本研究第一作者为华南师范大学脑科学与康复医学研究院原彬科特聘副研究员，共同第一作者为香港大学谢慧博士和法国国家科学研究中心王志豪博士后。通讯作者为原彬科特聘副研究员和辽宁师范大学刘东强副教授。本研究还受到华南师范大学脑科学与康复医学研究院翁旭初教授、复旦大学附属华山医院吴劲松教授和路俊锋副主任医师的大力支持。本研究受国家社科基金重大项目（20&ZD296）、广东省重点领域研发计划（2019B030335001）和国家自然科学基金（32100889）的资助。

第一作者介绍：

原彬科, 华南师范大学脑科学与康复医学研究院特聘副研究员、硕士生导师。研究兴趣为：应用磁共振、sEEG和NLP等技术，研究言语加工、语义表征、失语症和神经功能可塑性等。

全文链接

https://www.sciencedirect.com/science/article/pii/S1053811923002835

原文文献

Yuan B, Xie H, Wang Z, et al. The domain-separation language network dynamics in resting state support its flexible functional segregation and integration during language and speech processing. Neuroimage. 2023;274:120132. doi:10.1016/j.neuroimage.2023.120132

欢迎加入前沿资讯交流群，入群方式：

添加小编微信13295818579

备注（姓名-工作单位/院校-研究方向-文献交流）

（可扫描下方二维码）