数据导入
西门子、飞利浦、联影、GE…
预约产品演示
请完善以下信息，我们将联系您进行演示
发布：2026-02-12 浏览：10 次
简要总结
目的：
方法：
结果：
结论：
1 引言
阻塞性睡眠呼吸暂停（Obstructive Sleep Apnea，OSA）是一种睡眠相关的呼吸障碍，其特征是在睡眠过程中上气道频繁发生塌陷，导致间歇性缺氧和睡眠片段化。在成年女性中，OSA的患病率在6%到19%之间，而在成年男性中，这一比例可高达13%到33%。研究表明，OSA能够导致神经认知功能障碍、情绪障碍以及白天过度嗜睡，这些症状表现为大脑功能网络的中断和拓扑属性的改变。OSA可能会损害小脑的轴突投射，引发小脑内的缺氧和氧化应激状态，并导致神经组织的二次补偿以及大脑与小脑之间连接通路的中断。此外，OSA所引起的睡眠障碍会扰乱小脑的神经反射以及控制血压和呼吸功能区域的时相调节，从而增加了认知功能障碍的可能性。
小脑是OSA患者在结构和功能上易受影响的区域，暗示其可能参与了OSA的潜在机制。OSA患者小脑与其他区域之间的功能连接（Functional Connectivity，FC）受到干扰，可能成为自主神经、认知和感觉运动功能受损的基础。在OSA患者中，小脑网络表现出改变的小世界特征，以及功能和信息传递的变化。具体来说，网络中存在一个以较低的局部效率和减少的聚类系数为特征的小脑凸起。这些发现证实了OSA患者小脑网络中分化与整合之间的失衡，这被认为是该人群认知缺陷的潜在机制。此外，检查小脑和大脑之间的联系至关重要。OSA患者主要由于大脑的结构改变和灌注受损而经历脑-小脑功能连接的变化。这种影响特别与睡眠片段化和缺氧有关，它们被认为与OSA相关的认知能力下降有关。此外，慢性间歇性缺氧会在小脑与整个大脑之间的连接中引起功能和结构的改变，可能会导致OSA个体情绪、认知、情感和睡眠的一系列变化。因此，文章进一步分析了脑-小脑动态功能连接（dynamic Functional Connectivity，dFC），以确定这些特征的时间变化。
传统的静态功能连接（static Functional Connectivity，sFC）忽略了时间对网络动态的影响以及功能过程随时间变化的潜力。而dFC能够在较短时间尺度上捕捉到更多的连接模式的时间变化，并有助于区分OSA患者。因此，阐明大脑网络的时间变化整合和重新配置对于理解内在动态和对刺激的反应至关重要。dFC与OSA患者的认知障碍和临床表现相关，可能是神经认知功能障碍的关键机制。以往的研究采用了隐马尔可夫模型（Hidden Markov Model，HMM）来分析认知大脑状态之间的动态转换。这种方法可以揭示大脑网络的隐藏状态特征。因此，进一步利用HMM来验证dFC模式的可靠性，并减少潜在的偏差。此外，图论可以促进对与认知障碍相关神经病理机制的检查。使用滑动窗口（Sliding Window，SW）方法分析小脑网络的动态图论（dynamic Graph Theory，dGT）指标，可以为小脑的时间变化拓扑组织提供关键见解。
2 材料和方法
2.1 参与者
研究选取了60名男性患者和60名男性健康对照者（Healthy Control，HC）。OSA的诊断标准遵循美国睡眠医学会2007年的指南。纳入标准如下：（1）年龄在18至60岁之间的男性成年人（鉴于不同性别之间OSA与认知障碍的关联存在差异，以及小脑发育序列和拓扑网络结构在不同性别之间存在变化，选择仅纳入男性参与者，以减少潜在的性别相关混杂因素的影响）；（2）惯用右手；（3）呼吸暂停低通气指数（apnea–hypopnea index，AHI）≥15次/小时。对照组的选取标准为AHI低于5次/小时。两组的排除标准为：（1）有高血压、心血管疾病或糖尿病病史；（2）中枢神经系统疾病，包括癫痫、精神疾病、神经退行性疾病、既往头部损伤和抑郁症；（3）MRI上可见的结构性脑损伤；（4）MRI禁忌症；（5）既往有物质或精神类药物滥用史。
2.2 多导睡眠监测
所有参与者均接受了至少7小时的全面夜间多导睡眠监测（polysomnography，PSG），并在睡眠监测前一天避免摄入咖啡因、酒精以及睡眠药物。使用美国Respironics LE系列系统（Alice 5 LE）从晚上10点至次日早上6点记录生理参数，包括心电图、脑电图（electroencephalogram，EEG）、肌电图、眼动图、胸腹部呼吸运动、气流、打鼾和体位。依据标准定义，气流减少≥90%且持续≥10秒为阻塞性呼吸暂停；气流减少30%且持续≥10秒，伴随血氧饱和度（SaO₂）下降≥3%和/或EEG觉醒为低通气。AHI根据睡眠期间每小时平均呼吸暂停和低通气事件数计算。AHI≥5次/小时可诊断OSA。PSG计算并报告以下指标：睡眠分期（N1-3）、觉醒指数（Arousal Index，AI）、AHI、氧减饱和指数（Oxygen Desaturation Index，ODI）、总睡眠时间、血氧饱和度<90%的总睡眠时间百分比（SaO₂<90%）、最低/平均SaO₂、快速眼动（Rapid Eye Movement，REM）、睡眠效率（Sleep Efficiency，SE）等。
2.3 临床和神经心理学措施
每个参与者在扫描前完成了一系列标准化的神经心理学评估。Epworth嗜睡量表（Epworth Sleepiness Scale，ESS）评估白天的嗜睡程度。匹兹堡睡眠质量指数（Pittsburgh Sleep Quality Index，PSQI）评估了过去一个月的主观睡眠质量和干扰。蒙特利尔认知评估（Montreal Cognitive Assessment，MoCA）旨在评估八个领域的认知功能。汉密尔顿焦虑量表（Hamilton Anxiety Scale，HAMA）和汉密尔顿抑郁量表（Hamilton Depression Scale，HAMD）评估焦虑和抑郁症状。
2.4 静息状态fMRI数据采集
使用德国西门子公司的Magnetom Trio 3.0 T磁共振成像（Magnetic Resonance Imaging，MRI）系统扫描仪获取磁共振数据。静息态功能磁共振成像（resting‐state functional Magnetic Resonance Imaging，rs-fMRI）数据通过梯度回波平面成像（Echo Planar Imaging，EPI）序列采集，参数如下：回波时间（echo time，TE）=30毫秒，重复时间（repetition time，TR）=2000毫秒，层厚/间距=4.0/1.2毫米，视野（field of view，FOV）=230毫米×230毫米，翻转角=90°，层数=30，矩阵=64×64，持续时间=8分钟。最后，利用磁化快速梯度回波序列获取高分辨率3D T1加权脑结构MRI图像，参数如下：TE=2.26毫秒，TR=1900毫秒，层厚/间距=1.0/0.5毫米，FOV=250毫米×250毫米，翻转角=9°，矩阵=256×256，层数=176。
2.5 静息状态fMRI数据预处理
使用数据处理与脑成像分析（DPABI）软件（<https://rfmri.org/DPABI>）和统计参数图（SPM12）软件（<https://www.fil.ion.ucl.ac.uk/spm/software/spm12/>）对fMRI数据进行预处理，这些软件均运行在Matlab2018b上。预处理过程如下：（1）丢弃前10个时间点。如果受试者的最大头动在任何方向上超过1.5毫米，或者在时间序列中任何轴的旋转角度超过1.5度，则该数据将被排除。最终，有8名OSA患者和7名健康对照者被排除。（2）时间层校正和头动校正；（3）将T1加权结构图像进行共配准；（4）使用新的分割方法对变换后的结构图像进行分割；（5）将功能数据空间标准化到蒙特利尔神经研究所（MNI）模板；（6）回归协变量；（7）使用时间带通滤波。
2.6 动态功能网络连通性分析
塞茨曼图谱将整个大脑划分为273个大脑区域和27个小脑区域，小脑进一步细分为8个网络。以4毫米半径为感兴趣区（Region Of Interest，ROI），提取27个节点的平均时间序列。根据以往文献，在动态脑连接组（DynamicBC）工具箱中，采用50个TR的滑动窗口和2个TR的步长来计算dFC指标。随后获得了91个滑动窗口。采用K均值聚类方法和肘部法则来确定最佳聚类数量。最终计算了以下时变参数：dFC的平均停留时间（MDTD）、频率（FR）和转换次数（NT）。此外，利用27个小脑节点（以4毫米半径为ROI）与全脑之间的脑-小脑dFC也被计算出来。随后确定了脑-小脑dFC的变化。对于每个体素，计算了跨窗口的转换dFC的标准差，并将其用作时变连接性的度量。
2.7 动态功能网络的动态图论分析
采用动态图论方法来检查功能连接网络的拓扑属性的时间波动。所有网络分析均使用图论网络分析工具包（GRETNA，<http://www.nitrc.org/projects/gretna>）进行，以研究全局和节点的拓扑属性。对于每个网络指标，在0.05到0.40的稀疏性阈值范围内，以0.01为间隔计算曲线下面积。此外，还确定了全局和节点属性，并计算了详细的图论指标。
2.8 网络措施验证分析
HMM假设时间序列数据可以用有限的状态序列来描述。HMM中的状态数量需要提前确定。通过参考不同窗口宽度和步长（30TR，1TR和30TR，2TR）所获得的状态以及以往研究，计算出可行的状态值，以确定最佳状态数量。应用HMM多元自回归模型（HMM-MAR，<https://github.com/OHBA-analysis/HMM-MAR>）工具箱来计算HMM参数。三个关键指标表征了HMM状态的时间动态性：状态占据分数（FO）、HMM平均停留时间（MDTH）和转换率（SR）。
2.9 基于网络的统计分析
为了识别OSA中小脑亚网络的改变，文章在状态1和状态2之间进行了基于网络的统计分析（NBS）。这种非参数技术能够检测到更广泛网络中的相互连接的亚组分。采用两样本t检验比较两种状态之间的FC，为每条边产生t统计量和p值。将边的阈值设定为p=0.0001以构建初始亚网络。通过5000次迭代的置换检验，以年龄、受教育年限、体质指数（BMI）和头动作为协变量，确定亚网络相对于经验零分布的显著性（p<0.005）。
2.10 统计分析
参考以往文献，在IBM SPSS 24.0软件中，计算得出用于评估人口统计学、神经心理学和临床数据正态性的所有偏度和峰度值均在可接受范围内（-2到+2）。对于正态化数据，采用两样本t检验进行分析；对于非正态化数据，则使用Mann-Whitney非参数检验。GRETNA工具箱的两样本t检验用于评估组间网络指标差异。协变量包括年龄、教育、头动和体质指数（BMI）。在两组之间比较了dFC、动态拓扑属性以及HMM指标（p<0.05）。节点差异采用假发现率（FDR）校正，p<0.05。对于脑-小脑dFC结果的多层次比较校正，采用高斯随机场理论（GRF）校正，设定体素水平p<0.005和簇水平p<0.05的双尾联合阈值。小脑内dFC的时间变化特征、脑-小脑连接异常、HMM指标以及OSA中积极的动态图论（dGT）指标，校正头动、年龄、教育和BMI后，采用Spearman相关性分析与神经心理学和临床量表评分进行评估。统计学意义的阈值设定为p<0.05。
3 结果
3.1 参与者的人口统计学和临床特征数据
本研究共纳入60名OSA患者和60名HC对照。两组在年龄、总睡眠时间、N2、受教育年限和头动方面均无显著差异（p>0.05）。其他临床和人口统计学数据见表1。
表1 OSA患者和HC之间的人口统计学和临床数据。注：*p<0.05，被认为具有统计学意义，数据以均值±标准差表示。缩写：AHI，呼吸暂停低通气指数；AI，觉醒指数；BMI，体质指数；ESS，Epworth嗜睡量表；HAMA，汉密尔顿焦虑量表；HAMD，汉密尔顿抑郁量表；HC，健康对照组；MoCA，蒙特利尔认知评估；N，数量；N/A，不适用；ODI，氧减饱和指数；OSA，阻塞性睡眠呼吸暂停；PSQI，匹兹堡睡眠质量指数；REM，快速眼动；SaO₂<90%，总睡眠时间中血氧饱和度低于90%的百分比；SaO₂，血氧饱和度。
3.2 动态功能连接的时间变化特征
通过K均值聚类获得最佳聚类数（K=2），并通过图1展示了每个状态的聚类中心。状态1（66%）表现为低连接性，其内部和网络间的dFC值较低，更频繁地出现，但程度较轻，表明一种解离、低警觉性状态。相反，状态2（34%）表现出高连接性，其dFC矩阵更为紧密整合。尽管出现频率较低，但其dFC值更强，代表一种整合状态。两组在两种状态下的最强10%的FC矩阵如图2所示，旨在表征小脑网络内部及之间的相互作用。此外，两种状态下的内部和网络间均表现出高阶认知网络（即前顶网络和默认模式网络）之间的强大同步性。以头动、年龄、受教育年限和BMI为协变量，计算了这两种状态的时间变化特征（图3，表2）。OSA在状态2中的MDTD和FR增加；OSA在状态1中的FR显著降低，且两状态之间的NT存在显著差异。所有受试者在OSA患者和HC中的dFC聚类中心，滑动窗口长度为30 TR，步长为1或2 TR。NBS分析揭示了两种状态之间dFC的差异（pcomponent=0.0001，pedge=0.005；图4）。在状态1中，与HC相比，OSA患者表现出增强的网络间FC。而在状态2中，与HC相比，OSA患者在体感运动网络（SMN）和前顶网络（FPN）中显示出降低的FC。
图1 OSA患者和HC中所有受试者的动态功能连接性集群中心，滑动窗口长度为50 TR，步距为2 TR。HC，健康对照组; OSA，阻塞性睡眠呼吸暂停; TR，重复时间。矩阵X和Y坐标中范围从1到27的值分别对应于表1中列举的八个不同网络。
图2 所有科目中最强FC的前10%。CON，扣带神经网络; DAN，背侧注意力网络; DMN，默认模式网络; FPN，额顶叶网络; HC，健康对照; OSA，阻塞性睡眠呼吸暂停; SMN（Dor），背侧身体运动网络; SMN（Lat），身体运动网络-侧向; SN，突出性网络; VN，视觉网络。
图3 OSA患者和HC组动态功能连接状态的时间特性。(A)使用小提琴图绘制了OSC患者和HC状态之间的频率、（B）转变次数和（C）平均停留时间。水平黑色虚线表示群体中位数和四分位间距。*p < 0.05。HC，健康对照组; OSA，阻塞性睡眠呼吸暂停。
表2 OSA患者和HC中具有50 TR窗口大小的dFC状态的时间属性。
图4 使用NBS分析两组FC实力的差异。红线意味着状态1时，OSC患者的连接比HC更强，蓝线意味着状态2时，HC患者的连接比OSA更强。CON，扣钩神经网络; DAN，背侧注意网络; DMN，默认模式网络; FPN，额顶叶网络; HC，健康对照; NBS，基于网络的统计; OSA，阻塞性睡眠呼吸暂停; SMN（Dor），身体运动网络-背侧; SMN（Lat），身体运动网络-侧; SN，突出网络; VN，视觉网络
3.3 隐马尔可夫模型验证分析结果
选择所有受试者的两种隐藏状态，并由不同的dFC窗口分析指导。隐藏状态1与dFC的状态2一致，而隐藏状态2与dFC的状态1匹配。HMM结果主要涉及由高度互联的默认模式网络（DMN）和前顶网络（FPN）大脑FC网络所代表的认知功能状态。OSA患者持续处于隐藏状态1的时间更长，且更难转移到其他状态。MDTH和SR显示出显著的可靠性，在OSA患者中观察到隐藏状态1的MDTH增加，与dFC观点一致。
3.4 小脑结果
基于27个小脑种子区域的dFC变异性，在右侧内侧眶额叶皮层（MOFC）以及右侧颞上回（STG）和右侧颞中回（MTG）之间，与ROI 2、9和ROI 13、21的dFC变异性增加。而与ROI 17和右侧背外侧前额叶皮层（DLPFC）、ROI 25和左侧后内侧皮层（RSC）以及双侧背内侧前额叶皮层（DMPFC）以及ROI 26与右侧小脑Crus I/II之间的dFC变异性降低（图5和表3）。
图5 改变了27个感兴趣区域与大脑（A）以及小脑溢血（B）之间的统计学显着差异的动态功能连接性变异性。
3.5 动态小脑拓扑属性的比较
OSA患者的脑小脑网络包含一个高效率、复杂的网络系统。OSA和HC组在功能小脑连接组中均表现出显著的小世界组织。与HC组相比，OSA患者在节点属性方面没有显著差异。然而，在全局指标方面，OSA表现出增加的Eg变异性以及降低的Cp变异性（表4）。
表4 阻塞性睡眠呼吸暂停患者和高血压患者50个TR窗口的动态拓扑时间特性
3.6 相关性分析
在状态1中，MDTD与快速眼动（REM）呈正相关，与汉密尔顿抑郁量表（HAMD）和蒙特利尔认知评估（MoCA）呈负相关。相比之下，在状态2中，MDTD与HAMD呈正相关。dFC的FR与MoCA的相关性从状态1的负相关变为状态2的正相关。FO在状态1中与MoCA和HAMD呈正相关，但在状态2中则相反。HMM的SR以及dGT的Cp方差在两种状态和NT的dFC中均与REM呈负相关。此外，dFC变异性在ROI 21和MTG、ROI 25和RSC以及ROI 25和DMPFC之间与睡眠效率（SE）和Epworth嗜睡量表（ESS）呈负相关。这些相关性如图6所示。
图6 OSA患者的（A）dFC、（B）HM、（C）dGT指标和（D）海马小脑dFC变化与临床量表指标的相关性分析。Cp-var，特征路径长度的方差; dFC，动态功能连接性; dGT，动态图形理论; DMFC，背内侧前额叶皮质; ESS，Epworth嗜睡量表; FO，占有率; FR，频率; HAMD，汉密尔顿抑郁量表; HM，隐藏马尔科夫模型; MoCA，蒙特利尔认知评估; OSA，阻塞性睡眠呼吸暂停; REM，快速眼动;感兴趣区域; S1/2，状态1/2; SR，切换率。
4 讨论
本研究利用小脑种子点表征基于dFC的小脑-全脑网络以及OSA患者和HC之间的小脑拓扑变化。HMM的时间参数证明了dFC参数的可靠性以及动态时间特征。关键发现包括在本能大脑中两种重复的dFC模式。状态1代表一种“基线状态”，其特征是功能整合效率低下，而状态2则反映了一种准备执行高警觉任务的状态。OSA下，状态2的频率和平均停留时间延长。此外，网络基础统计分析（NBS）分析揭示了连接强度主要集中在默认模式网络（DMN）和前顶网络（FPN）。
4.1 小脑网络的动态功能连接
4.2 动态脑-小脑功能连接变异性
在与小脑功能连接变异性增加的区域中，内侧眶额叶皮层（MOFC）是DMN的一部分。DMN的改变可能解释了OSA患者的认知缺陷。DMN通过调节连接并激活外周认知网络来缓解认知缺陷。此外，OSA严重程度和夜间氧减饱和对语言流畅性的影响、语言网络（LN）变异性增加以及小脑连接性暗示了在OSA患者中增强协调性以保持语言能力。稳定性在左前顶网络（FPN）中，也参与语言，表明可能的LN重组，并且较少依赖左前顶区域。相比之下，右侧FPN（负责定向注意力和空间定位）方差的减少表明OSA受影响的右侧前顶区域的异常神经信号。此外，在表现出功能连接减少的大脑区域中，视觉网络（VN）和体感运动网络（SMN）对于运动控制和学习至关重要。它们之间的连接性降低可能解释了通过扰乱视觉处理而导致的认知缺陷。
DMPFC是DMN中的关键节点，参与睡眠调节。认知小脑支持执行功能和注意力转移，从小脑皮层接收输入并协调SMN活动。研究表明，OSA患者发生机动车事故的风险增加，可能与SMN功能障碍、由于FPN和DMPFC干扰导致的空间认知受损有关，导致注意力不集中和注意力问题，以及SMN-VN相互作用异常，降低了驾驶协调能力。
4.3 动态图论
当前研究结果证实，OSA患者表现出小脑连接组的小世界属性和改变的拓扑指标。调整后的Eg和Cp的变化表明，大脑的功能网络在传输效率和调节方面处于较低水平。由于邻近节点的传输容量变异性降低以及小脑中相邻节点的响应延迟，OSA患者的小脑网络处理效率降低。这种邻近节点容错性的降低使网络更容易受到干扰和损伤，从而可能构成认知缺陷的潜在机制。此时，随着时间的推移，功能大脑网络之间的波动在OSA患者中逐渐减少，表明他们更容易持续处于稳定的网络状态。因此，大脑区域之间的连接增加，更频繁地发生网络调节，增加Eg变异性以提高信息处理效率。这种优化可能有助于小脑整合和认知灵活性，允许高阶认知和感觉处理网络之间进行更多的相互作用，以增强信息传递效率。然而，这些变化代表了短暂而非最佳稳定的条件，存在低效的转换状态。
5 限制
本研究存在一些限制。首先，dFC网络计算仅检查了灰质；未来工作应优化方法以纳入白质数据。此外，文章仅研究了功能连接网络，建议未来研究检查结构连接网络拓扑变化。研究的另一个限制是OSA患者疾病持续时间的潜在变异性。未来研究应调查疾病持续时间对OSA患者小脑和功能连接变化的影响。此外，本研究纳入的所有受试者均为成年男性。未来研究应扩大样本量并纳入更多女性和儿科患者，以提高结果的普遍性。最后，尽管采用体素水平p<0.005和簇水平p<0.05的双尾联合阈值，但必须认识到固有的限制。使用宽松的统计阈值可能会增加假阳性的可能性，需要谨慎解释。
6 结论
总之，通过dFC和动态图论（dGT）分析，提出OSA患者中多个高阶和低级认知回路之间的相互作用，通过DMN调节语言、认知、睡眠、情绪和运动功能。此外，OSA患者可能通过不同大脑区域和网络之间的功能协调和补偿来维持认知稳定性。研究结果可能为OSA中内源性大脑活动提供了新的视角，并阐明了认知缺陷背后的神经机制。
精读分享
1 研究背景
阻塞性睡眠呼吸暂停（OSA）是一种以睡眠期间频繁上气道塌陷为特征的睡眠相关呼吸障碍，其在成人女性中的患病率为6% - 19%，男性可达13% - 33%。OSA可引发神经认知功能障碍、情绪障碍和白天嗜睡，表现为功能脑网络的破坏和拓扑属性的改变。小脑是OSA患者结构和功能上易受影响的区域，其与大脑其他区域的FC中断可能成为自主神经、认知和感觉 - 运动功能受损的基础。此外，OSA诱导的睡眠干扰会破坏小脑神经反射和血压、呼吸功能控制区域的时序调节，增加认知功能障碍的可能性。以往研究多关注静态功能连接（sFC），但其忽略了时间对网络动态和功能过程随时间变化的影响，而动态功能连接（dFC）能捕捉更短时间尺度上连接模式的时变特性，有助于区分OSA患者。
2 研究方法
2.1 数据来源与参与者
研究纳入了60名男性OSA患者和60名男性健康对照（HC）。OSA的诊断遵循美国睡眠医学会2007年指南，纳入标准包括：18 - 60岁成年男性；右利手；呼吸暂停 - 低通气指数（AHI）≥15次/h。HC组的AHI低于5次/h。排除标准包括：高血压、心血管疾病或糖尿病史；中枢神经系统疾病；MRI显示的结构性脑损伤；MRI禁忌症；以及既往物质或精神药物滥用史。
2.2 神经影像分析流程
静息态功能磁共振成像（fMRI）数据获取：使用3.0T MRI系统扫描，获取梯度回波平面成像（EPI）序列的静息态fMRI数据，以及高分辨率3D T1加权脑结构MRI图像。
静息态fMRI数据预处理：利用DPABI和SPM12软件进行预处理，包括丢弃前10个时间点的数据、时间层校正、头动校正、T1加权结构图像的共配准、新分割方法分割结构图像、功能数据空间归一化到蒙特利尔神经学研究所（MNI）模板、回归去除干扰协变量以及时间带通滤波等步骤。
动态功能网络连接分析：采用Seitzman图谱将全脑划分为273个大脑区域和27个小脑区域，以4mm半径的球形区域作为感兴趣区（ROI），利用滑动窗口法计算dFC指标，窗口长度为50个TR，步长为2个TR。通过K均值聚类方法和肘部方法确定最佳聚类数量，并计算平均停留时间（MDTD）、频率（FR）和转换次数（NT）等时变参数。此外，还计算了27个小脑节点与全脑之间的脑 - 小脑dFC，并计算每个体素的dFC标准差作为时变连接性的度量。
动态图论分析：运用动态图论方法，借助GRETNA工具箱考察功能连接网络的拓扑属性的时变波动，计算每个网络指标在0.05 - 0.40的稀疏性阈值范围内的曲线下面积，并确定全局和节点属性以及详细的图论指标，进而计算图论指标的时变性。
网络测量的验证分析：基于隐马尔可夫模型（HMM）假设时间序列数据可由有限状态序列描述，通过HMM - 多变量自回归模型（HMM - MAR）工具箱计算HMM参数，以分数占用率（FO）、平均停留时间（MDTH）和转换率（SR）三个关键指标表征HMM状态的时变动态性。
2.3 统计方法与模型
正态性检验：使用IBM SPSS 24.0软件计算偏度和峰度值来评估人口统计学、神经心理和临床数据的正态性，所有值均在可接受范围内（ - 2到 + 2）。
组间比较：对于正态分布的数据，采用两样本t检验；对于非正态分布的数据，使用Mann - Whitney非参数检验。GRETNA工具箱的两样本t检验用于评估组间网络指标的差异，以年龄、教育、头动和BMI为协变量，比较两组间的dFC、动态拓扑属性和HMM指标（p < 0.05）。节点差异采用假发现率（FDR）校正（p < 0.05）。脑 - 小脑dFC结果的多重比较校正采用高斯随机场理论（GRF）校正，以体素水平p < 0.005和簇水平p < 0.05的双尾联合阈值进行校正。
3 研究结果
人口统计学和临床特征数据：共纳入60名OSA患者和60名HC患者，两组在年龄、总睡眠时间、N2、教育年限和头动方面无显著差异（p > 0.05）。OSA患者组的体质指数（BMI）、呼吸暂停 - 低通气指数（AHI）、最低血氧饱和度（Nadir SaO₂）、平均血氧饱和度（Mean SaO₂）、血氧饱和度低于90%的总睡眠时间百分比（SaO₂< 90%）、睡眠效率（SE）、N1、N3、快速眼动睡眠（REM）、觉醒指数（AI）、氧去饱和指数（ODI）、Epworth嗜睡量表（ESS）评分、蒙特利尔认知评估（MoCA）量表评分、匹兹堡睡眠质量指数（PSQI）评分、汉密尔顿焦虑量表（HAMA）评分和汉密尔顿抑郁量表（HAMD）评分均显著高于HC组（p < 0.05）。
动态功能连接时变特征：通过K均值聚类得到最优聚类数为2。状态1（66%）表现为低连接性，具有较低的内网络和网络间dFC值，更频繁地出现，代表一种分离的、低警觉状态；状态2（34%）表现为高连接性，具有更紧密整合的dFC矩阵。OSA患者在状态2中MDTD和FR增加，状态1中的FR显著降低，两状态间的转换次数（NT）也存在显著差异。NBS分析显示两状态间dFC存在差异（pcomponent = 0.0001，pedge = 0.005），在状态1中，OSA患者与HC相比表现出增强的网络间FC；而在状态2中，OSA患者在感觉运动网络（SMN）和前顶网络（FPN）中表现出降低的FC。
隐马尔可夫模型验证分析结果：选择所有受试者的两个隐状态，隐状态1与dFC的状态2一致，隐状态2与dFC的状态1匹配。OSA患者在隐状态1中停留时间更长，且更难转换到其他状态。MDTH和SR表现出显著的可靠性，OSA患者在隐状态1中的MDTH增加，与dFC结果一致。
脑 - 小脑结果：基于27个小脑种子区域的dFC变异性分析显示，在OSA患者中，在右侧内侧眶额叶皮层（MOFC）、右侧颞上回（STG）和右侧颞中回（MTG）的连接中，dFC变异性增加。
本研究通过dFC和dGT分析，揭示了OSA患者小脑 - 全脑网络的动态功能连接和拓扑属性的异常变化。研究发现OSA患者在两种不同的动态网络状态中表现出不同的连接模式和时变特征，这些变化主要集中在默认模式网络（DMN）、前顶网络（FPN）、感觉运动网络（SMN）等关键认知和感觉-运动网络中。此外，OSA患者的脑-小脑功能连接变异性也发生了显著改变，提示小脑在OSA相关的神经认知功能障碍中可能扮演重要角色。动态图论分析进一步证实了OSA患者小脑网络的全局拓扑属性异常，表现为信息传输效率降低和网络整合能力下降。这些发现为理解OSA患者的神经认知功能障碍提供了新的视角，并强调了小脑在其中的关键作用。未来研究应进一步探索这些异常变化的潜在机制，并评估其在OSA治疗和康复中的应用价值。
参考文献
Li L, Long T, Liu Y, et al. Abnormal dynamic functional connectivity and topological properties of cerebellar network in male obstructive sleep apnea[J]. CNS Neuroscience & Therapeutics, 2024, 30(6): e14786.
解读：王淳
审核：吴金颖