免费医学论文发表-纵向单受试者神经影像学研究揭示了日常环境、生理和生活方式因素对功能性大脑连接的影响

 

安娜·玛丽亚·特里亚纳 ，尤哈·萨尔米，尼古拉斯·马克·爱德华·亚历山大·海沃德，贾里·萨拉麦基，恩里科·格莱恩

 

抽象

我们的行为和心理状态不断受到我们的环境和经历的影响。然而，关于大脑功能连接在不同时间尺度（从几天到几个月）对环境、生理和行为变化的反应知之甚少。这导致了对收集高频数据的纵向研究的迫切需求。为此，对于单个受试者，我们使用智能手机和可穿戴设备收集了 133 天的行为数据，并进行了 30 次功能性磁共振成像 （fMRI） 扫描，测量注意力、记忆力、静息状态和自然刺激的效果。我们在大脑连接中发现了过去行为和生理学的痕迹，这些痕迹可以追溯到 15 天。虽然睡眠和身体活动与认知要求高的任务中的大脑连接有关，但心率变异性和呼吸频率与静息状态连接和看电影更相关。这个独特的数据集是公开访问的，为进一步发现提供了绝佳的机会。我们的结果表明，我们不应该孤立地研究大脑连接，而是要承认它与环境动态、生活方式变化和短期波动（如短暂疾病或不安睡眠）的相互依存关系。这些结果反映了外部因素和神经过程之间长期而持续的关系。总体而言，此处采用的精确标测设计有助于更好地了解个体内的变异性，这可能解释了在 fMRI 结果中观察到的一些异质性。大脑连接、生理学数据和环境线索的整合将推动未来的环境神经科学研究并支持精准医疗保健。

 

数字

图 9表 1图 1图 2图 3图 4图5图 6Fig 7Fig 8图 9表 1图 1图 2

    

引文： Triana AM、Salmi J、Hayward NMEA、Saramäki J、Glerean E （2024） 纵向单受试者神经影像学研究揭示了日常环境、生理和生活方式因素对功能性大脑连接的影响。公共科学图书馆生物学22（10）： e3002797。 https://doi.org/10.1371/journal.pbio.3002797

 

学术编辑： Laura D. Lewis（麻省理工学院，美国）和 Christopher D. Chambers（卡迪夫大学，大不列颠及北爱尔兰联合王国）

 

收到： 2022 年 4 月 14 日;接受： 2024 年 8 月 8 日;发表： 2024

 

年 10 月 8 日 注意：由于这是一项预注册研究 文章中，研究设计和方法经过同行评审 在数据收集之前。接受的时间包括 执行研究所需的实验时间。了解更多信息 关于 Preregistered 研究文章。

 

版权所有： © 2024 Triana et al.这是一篇根据知识共享署名许可条款分发的开放获取文章，该许可允许在任何媒体上不受限制地使用、分发和复制，前提是注明原作者和来源。

 

数据可用性： 从实验中收集的数据可供科学界 https://zenodo.org/records/10571956。由于本研究的数据是个人数据，因此它们受《通用数据保护条例》（GDPR） 的约束。因此，可以向机构数据管理员 （researchdata@aalto.fi） 请求访问数据，并且必须在作为个人数据控制者的组织 （阿尔托大学） 和接收机构之间签订数据传输协议合同。如果接收方国家/地区不在 EU/EEA 范围内，则接收方还必须提供与 GDPR 要求兼容的数据安全级别。数据将随数据处理协议一起提供，接收方在开始任何数据传输之前也应接受该协议。从实验中收集的数据以类似的方式在整个科学界共享，用于研究目的。数字和结果中汇总的数据所依据的所有单个定量观察结果都可以在两个公共存储库中找到。试验数据可在 https://doi.org/10.5281/zenodo.13208496 的 Zenodo 版本中获得。未处理的研究数据可以在 https://zenodo.org/records/10571956 的 Zenodo 数据集版本中找到。从 https://zenodo.org/doi/10.5281/zenodo.13208811 的 GIT 存储库中可以访问从研究数据得出的处理结果。

 

资金： AMT 感谢 Ella 和 Georg Ehrnrooth 基金会的支持。https://www.ellageorg.fi/en。阿尔托大学阿尔托脑中心为 MRI 数据收集提供了资金。https://www.aalto.fi/en/school-of-science/aalto-brain-centre。JPS 感谢芬兰研究委员会（NetResilience 项目，资助号 345188 和 345183）的支持。https://www.aka.fi/en/strategic-research/。JS 感谢芬兰研究委员会的支持（项目 Bringing real-life to attention ，资助编号 325981、328954 和 353518）。https://www.aka.fi/en/strategic-research/。资助者在研究设计、数据收集和分析、发表决定或手稿准备方面没有任何作用。

 

利益争夺： 作者已声明不存在相互竞争的利益。

 

缩写： ACC， 前扣带皮层;AK， 安娜·卡列尼娜;ANS， 自主神经系统;大胆 血氧水平依赖性;CON系列 / 扣带回-鳃盖网络;脑脊液 脑脊液;dlPFC / 背外侧前额叶皮层;DMN， 默认模式网络;均线 生态瞬时评估;FD / 框架位移;罗斯福 错误发现率;功能磁共振成像 / 功能性磁共振成像;FPN、 额顶叶网络;FWHM， 半峰全宽;GLM， 一般线性模型;通用 汽车 灰质;GPS， 全球定位系统;ID-RSA、 每日间表征相似性分析;犬， 强度不均匀;国际生物中心 / 主体间相关性;IS-RSA， 主体间表征相似性分析;mPFC， 内侧前额叶皮层;NAF， 消极影响;NN， 最近邻;PAF / 积极影响;PFC / 前额叶皮层;PPG， 光电容积脉搏波描记法;PSQI / 匹兹堡睡眠质量指数;PSS、 感知压力量表;PVT， 精神运动警觉性测试;投资回报率， 感兴趣区域;RT， 反应时间;标清， 睡眠剥夺;SDC， 磁化率失真校正;SMA， 辅助运动区;tSNR / 时间信噪比;VIF / 方差 膨胀因子;WM， 白质

 

介绍

每天，我们醒来时都是一个略有不同的人，因为我们的精神状态受到许多外部因素的影响。睡眠质量、身体活动水平和我们社交互动的性质都会在不同的时间尺度上影响我们大脑的状态。这些时间尺度从毫秒（快速检测到声音 [1]）到秒（准备运动动作 [2,3]）、分钟（情绪变化 [4]）和天 （注意力状态的波动） [5]。因此，不同的时间尺度揭示了大脑动力学的不同方面。例如，在执行特定任务时，大脑区域和网络随时间的不同参与 [6]，主要精神疾病在不同的时间尺度上表现出大脑功能的巨动 [7]，功能性大脑连接模式准确跟踪情绪的日常波动 [8]。因此，大脑活动和外部因素的时间尺度都很重要。然而，很少有研究认为大脑活动不仅是被抽样个体的认知和心理特征的函数，而且是抽样个体时特定时刻的函数。

 

传统上，行为与大脑状态之间的关系是通过横断面设计来研究的，这些设计在一个特定时间点对许多人进行采样。尽管横断面设计对理解大脑-行为关系做出了巨大贡献，但有人担心，在短时间内对大量人群进行采样的研究可能无法转化为单个个体的类似发现[9,10]。更具体地说，已经表明单个测量中的方差可以比组内的方差大 4 倍 [11]。这种缺乏群体到个体的普遍性意味着将认知神经科学的发现转化为实践具有挑战性，因为几乎所有治疗方法都会从个性化计划中受益 [12]。

 

鉴于上述情况，显然需要具有频繁测量点的纵向研究来研究大脑与行为的关系。此外，纵向数据分析应考虑时间点之间的依赖关系，因为已知前几天的外部因素与接下来几天的大脑测量相关 [13]。虽然横截面设计需要大样本量 [14]，但由于其高功率和推断效度 [15]，小 N 重复测量设计也是可取的。自1960年代以来，已经使用了对少量个体进行仔细采样的设计[16,17]。例如，在心理物理学中，研究人员传统上对少数参与者进行大量试验 [18]。然而，这种抽样方法在认知神经科学中仍然被忽视，研究人员努力优化试验和参与者的数量，以获得足够的统计能力来获得显著的群体平均值。由于通常认为一个人的精神状态和认知能力在某种程度上是不变的，因此只需进行几次试验就足以正确采样一个人的大脑活动和行为。然而，这一假设是不够的，促使研究人员对每个参与者使用更多的试验 [19]。

 

近年来，这种对个体内更多试验的需求已经转化为越来越多的研究，这些研究通过功能性磁共振成像 （fMRI） 从少数受试者中密集收集大脑活动数据（参见 Gratton 及其同事的工作 [12] 的完整综述）。这种方法被称为精密功能映射[20,21]。精确功能映射研究表明，个体特异性功能连接不同于群体平均功能连接[22–25]，并且行为不同的个体群体共享共同的网络变体（即，与群体网络组织不同的大脑区域）[26]].此外，精确功能映射研究还表明，在考虑到行为 [27]、荷尔蒙变化 [28] 甚至偏头痛症状等因素的时间变化后，对一个人的功能性大脑活动进行密集采样得出的图片可能与从单次会话记录中获得的图片大不相同 [29]。

 

虽然这些研究为重复采样个体大脑活动的好处提供了强有力的概念验证，但仍然存在 2 个挑战。首先，尽管研究报告了个体在休息时大脑活动的动态变化[8,27,28,30]，但对任务期间的这些波动知之甚少。这是值得注意的，因为困难的认知任务可以提供一种方法来最小化常见的混杂因素，如头部运动，获得更强大的大脑网络，以及探索目前的发现如何推广到生态学上有效的环境中[31–33]。其次，尽管精密功能映射研究表明，外部因素也可能调节大脑活动[8,27,28]，但很少使用自动传感器来收集这种类型的数据。尽管如此，收集这些数据是完全可行的，因为智能手机和可穿戴设备的发展比传统的对数方法更适合在现实生活中以最小的受试者负担获得客观、定量的数据（参见 Sheikh 及其同事 [34] 的综述）。使用自动传感器不仅可以避免由于主观偏见而导致的金标准行为方法的关键限制 [35]，还可以提高非典型行为的可靠性 [36,37]。事实上，对这些数据的动态分析已经产生了有希望的结果，作为心理健康障碍的标志物[38–40]。

 

为了解决上述 2 个挑战，我们从单个个体那里收集了精密功能映射数据集。该数据集包含一组不同 fMRI 任务下的大脑活动数据，以及通过自动传感器收集的来自外部因素的客观数据。作为大脑功能的指标，我们选择了功能连接 [41]（大脑区域之间的统计依赖性模式），因为这种方法可以应用于所有选定的实验条件。一组精心挑选的实验条件，包括精神运动警觉性测试 （PVT） [42]、适应性 n-back [43]、静息状态和看电影 [44] 任务，使我们能够了解受试者在注意力、工作记忆、休息和自然刺激任务方面的日常变化。与此同时，最先进的智能手机和可穿戴设备使得测量（不费吹灰之力）外部因素成为可能，如睡眠、身体活动、自主神经系统 （ANS） 活动和情绪 [34]。这些数据为回答本研究中提出的以下研究问题提供了一种现实生活的方法：

 

Q1：个体前一天经历的行为、生理和生活方式因素如何影响当今的功能性大脑连接模式？

Q2：行为、生理和生活方式因素会影响前一天之后和前 15 天的功能连接吗？

上述因素（即睡眠、身体活动、ANS 活动和情绪）与功能连接之间的关系已使用各种范式进行了横断面研究。尽管该设置与精确功能映射不同，但这些研究仍然提供了有价值的提示，说明哪些大脑区域和外部因素通常在种群水平上相关，因此也值得在个体水平上进行研究。例如，几位作者深入回顾了大脑活动与睡眠[45\u201247]、身体活动[48\u201249]、ANS活动[50\u201251]（包括呼吸频率、心率和心率变异性）、情绪和情绪[52\u201253]等因素之间的关系。根据这些综述和其中引用的研究，我们通过 8 个具体假设来研究第 1 季度和第 2 季度（见表 1）。

 

缩略图 下载：

PPT的PowerPoint 幻灯片

PNG放大图片

国际电影节原始图像

表 1. Summary 表。

https://doi.org/10.1371/journal.pbio.3002797.t001

 

H1：在持续注意力任务期间，睡眠模式的波动与额顶叶、默认模式、躯体运动和扣带回盖网络内的功能连接相关

我们选择调查这些区域睡眠与注意力任务之间的关系，原因有 4 个。首先，睡眠研究的结果表明，累积的清醒时间与注意力任务的表现有关[54,55]，因此使注意力维持更加可变和不一致[56]。其次，这种可变性表现为遗漏错误（即未能及时响应或注意力缺失）和委托错误（即对不存在的刺激做出反应）。这些错误可以通过专门、可靠和有效的测试来检测，例如 PVT [46,57]，它足够简单，可以避免学习影响，并且对睡眠不足敏感 [58]。第三，大脑研究表明，在注意力任务中，睡眠剥夺 （SD） 与前额叶皮层 （PFC）、视觉、顶叶和前运动区活动减少呈正相关 [59–62]。睡眠不足也会影响丘脑，但并不均匀[47]。在睡眠休息状态下，来自丘脑的持续上行觉醒输入支持额顶网络 （FPN） 和默认模式网络 （DMN） 之间的相互抑制，这在睡眠剥夺状态下变得不稳定 [47]。最后，可以使用可穿戴设备可靠地记录睡眠持续时间、发作和偏移量 [63]。

 

H2：睡眠和身体活动模式的波动与工作记忆任务期间默认模式、额顶叶和躯体运动网络内的功能连接相关

与 H1 类似，我们的选择由 4 个原因驱动。首先，已知睡眠和身体活动会影响工作记忆 [47]。虽然睡眠剥夺会导致工作记忆表现缺陷 [64,65]，但身体活动可以改善工作记忆功能 [66,67]。其次，这种工作记忆功能可以使用 n-back 任务 [68] 通过测量响应和反应时间的准确性 [65] 来测量。第三，以前的研究表明，在工作记忆任务期间，FPN、DMN 和辅助运动区 （SMA） 的连接性会受到睡眠 [69\u201270] 和身体活动 [71] 的影响。此外，体力活动的类型会影响前扣带皮层 （ACC） 和 SMA 的激活 [72]。最后，使用现有的可穿戴设备可以可靠地测量这两个外部因素[63,73,74]。

 

H3：睡眠、自主神经系统活动和情绪模式的波动在默认模式下的功能连接、静息态 fMRI 期间额顶叶和扣带带盖网络相关

我们选择研究这些区域静息态任务期间睡眠与 ANS 活动之间的联系，原因如下。首先，rs-fMRI 范式被广泛用于研究大脑，因为受试者需要的工作量小且信号获取简单 [75]。其次，有证据表明，没有任务时的大脑活动（即静息状态）会受到睡眠 [76–78]、情绪 [79] 和 ANS 功能（例如心率变异性 [50]、呼吸和心率 [80–82] 的影响。事实上，ANS 的变化会影响血氧水平依赖性 （BOLD） fMRI 信号，并引起 fMRI 时间序列的大幅波动 [79,82]。第三，先前的研究表明，几个大脑区域与静息状态下的睡眠和 ANS 活动有关。例如，已知DMN、岛叶和顶内沟内的功能连接会受到睡眠剥夺的影响[76,77]。此外，ACC、基底神经节、丘脑、杏仁核、中脑、背外侧前额叶皮层 （dlPFC） 和内侧前额叶皮层 （mPFC） 之间的功能连接与心率变异性相关 [83–85]。此外，脑桥、丘脑、纹状体、导水管周围灰质、下丘脑、海马、SMA、运动区和顶叶皮层的活动与呼吸频率有关[86]。请注意，这些研究中的大多数与 fMRI 同时或在扫描仪外收集很短的时间收集 ANS 数据。这显然与我们的研究不同，在研究中，我们长时间测量扫描仪内外 ANS 活动的生理标志物。最后，与 H1 和 H2 类似，可以使用可穿戴设备记录睡眠和 ANS 活动 [63,87]。

 

H4：睡眠、自主神经系统活动或日间情绪模式的相似性增加反映为在看电影任务期间额顶叶、默认模式和显著性网络内的日间相似性增加

提出这个假设有 3 个原因。首先，诸如看电影等自然任务为提高生态效度和减少对混杂因素的脆弱性提供了很好的权衡[88,89]。其次，尽管在这些自然任务中对外部因素的影响研究较少[88]，但有证据表明，在视觉选择性注意力任务中，睡眠剥夺与额顶叶和视觉区域的激活减少有关[60,90]，并且生理变化与电影中的不同刺激相关[91,92]。关于情绪，Lyndon-Staley 及其同事 [93] 发现，悲伤的增加与 FPN 和 DMN 的连接性相关。在一项精确的功能映射研究中，Mirchi 及其同事 [8] 发现，积极情绪与大脑的整合有关，而消极情绪与分离测量有关。此外，Nummenmaa 及其同事 [94] 发现，负效价与丘脑、腹侧纹状体、岛叶和 DMN 中的主体间相关性 （ISC） 增加有关。第三，与其他假设类似，使用可穿戴设备测试了睡眠和 ANS 的影响 [63,87,95]。对于情绪评估，我们在智能手机上使用了生态瞬时评估 （EMA） [96]。

 

虽然假设 H1-H4 的预先指定及其分析使这份注册报告非常适合确认和扩展以前的研究结果，但本研究中收集的数据的丰富性应该允许进一步的探索性分析[97]，特别是对于研究时间尺度 （Q2）。我们通过 4 个具体假设来处理更具探索性的问题 Q2。

 

H5：过去 15 天经历的睡眠模式与持续注意力任务期间额顶叶、默认模式、躯体运动和扣带回盖网络的功能连接相关

我们根据 4 个原因研究了睡眠如何在不同时间尺度上以天和周为单位影响功能连接。首先，先前的精确功能映射研究表明，前一周的睡眠持续时间与大脑皮层厚度有关，并且这些影响在测量前的第二天到第三晚更强 [13]。其次，已经证明，持续注意力网络在不同时间尺度（包括几天和几周）对受试者内的变化很敏感 [5]。第三，纵向研究了睡眠对 PVT 任务的影响，揭示了睡眠持续时间对警觉性的显着影响，睡眠对警觉性的长期调节影响，以及在长期睡眠不稳定期间睡眠模式和认知表现的显着共同恶化 [98–100].最后，关于睡眠对功能连接的纵向影响的研究强调了睡眠质量差与功能连接性下降之间的关联 [101]。这些发现使我们假设睡眠模式的变化将与警觉性表现相关，警觉性表现会在几天甚至几周内调节注意力任务期间的功能连接。因此，在 H1 的基础上，我们选择进一步研究睡眠和功能连接的时滞互相关。

 

H6：过去 15 天经历的睡眠和身体活动模式与工作记忆任务期间默认模式、额顶叶和躯体运动网络中的功能连接相关

与 H5 类似，我们利用之前的假设 （H2） 来研究睡眠和身体活动在不同时间尺度上对功能连接的影响，同时考虑 3 个因素。首先，睡眠和身体活动对改善工作记忆表现的纵向影响的证据 [102,103]，以及运动和工作记忆发展之间密切关系的证据 [104]。其次，更好的 n-back 性能已被证明与睡眠和体力活动的增加呈正相关 [105,106]。最后，研究睡眠和身体活动对功能连接的纵向影响的研究表明，在低睡眠发作后执行工作记忆任务时，一组大脑区域的连接性会增加 [107]。

 

H7：过去 15 天的睡眠、自主神经系统活动和情绪模式与静息态 fMRI 期间默认模式、额顶叶和扣带顶盖网络的功能连接相关

遵循 H5 和 H6 的基本原理，我们进一步研究了睡眠、ANS 活动和情绪在不同时间尺度上对静息态功能连接的影响。我们利用了先前的纵向发现，这些发现表明，对于 rs-fMRI，睡眠规律性增加与更有效的网络结构相关，更好的睡眠质量与 FC 的增加相关，心率变异性与头部受伤恢复时随时间推移的功能连接轨迹相关 [101,108]。同样，使用来自 MyConnectome 的数据，Mirchi 及其同事 [8] 证明静息态功能连接模式可用于跟踪情绪的日常波动，积极的情绪由功能连接的集成架构标记。

 

H8：日间时间段分类的准确性由日常行为、生理和生活方式因素解释

在神经影像学的机器学习方法中，分类器通常使用来自 N-1 个个体的数据进行训练，然后使用遗漏的受试者测试其准确性，并报告平均分类准确性。然而，在横断面研究中观察到的分类准确性的任何个体间差异可能取决于多个混杂因素，这些因素很难理清。例如，无法判断受试者的低分类准确性是由于大脑解剖学和功能本身，还是与受试者在与行为相关的测量时的状态相混淆。这些包括受试者在扫描前一晚是否睡得好以及受试者的表型 （身高、体重等）。此外，表型因素也与扫描仪内的混杂变量有关，例如头部运动的时空模式[109]，这使得挑战更加困难。以前的研究已经测试了分类器的准确性，该分类器使用超对齐 [110] 识别 15 s 电影片段的一致时空模式，以最大限度地减少个体间差异并最大限度地提高分类准确性 [111]。研究结果表明，初级感觉区域以及与心理理论相关的区域的分类准确性最高，这在带有社交线索的电影观看时很重要。

 

通过对单个受试者进行多次扫描，我们可以控制表型、解剖学和功能大脑的差异，因此每次扫描的分类准确性可以与行为、生理和生活方式因素的日常波动直接相关。由于在以前的研究中没有进行过这种类型的分析，因此我们将其作为探索性分析。我们使用类似于 Visconti di Oleggio Castello 及其同事 [111] 的留一法进行了类似的时间段分类，使用来自 N-1 天的 fMRI 电影数据来训练分类器，并在数据集中的每一天（运行）遗漏的日期对其进行测试。然后使用回归模型将每个日常扫描会话的分类准确性与其他测量的外部因素进行比较，类似于其他提出的假设 H1-H4。

 

在这里，我们在 133 天 （19 周） 内集中收集了一名 33 岁女性受试者的 fMRI 、每日行为和每日生理数据。受试者接受了 30 次 fMRI 会议，其中我们在执行 4 项不同任务时测量了功能性大脑连接。这些任务包括PVT [42]，用于评估持续注意力、静息状态、作为自然主义范式的看电影（第2部分，布达佩斯大饭店[44]），以及用于评估工作记忆的双重1-back和2-back测试[43]。为了考虑到扫描过程中可能出现的混杂因素，在扫描仪中同时测量了眼动追踪、心率和呼吸率信号。在这 19 周内，我们还使用智能手机应用程序和 2 个可穿戴传感器收集了每日客观的生理、行为和生活方式数据，这些数据连续和被动地跟踪受试者的信号，无需受试者的输入（S1 表提供了这些信号的详细说明）。还在 MRI 会议开始前 2 周和 MRI 会议结束后 2 周收集了可穿戴设备和智能手机数据。图 1 显示了实验设计的描述。

 

缩略图 下载：

PPT的PowerPoint 幻灯片

PNG放大图片

国际电影节原始图像

图 1. 实验概述。

 

（A） 一名受试者提供了 19 周内来自 3 个数据源的频繁抽样数据。（i） 受试者接受了 MRI 会议，其中收集了结构、功能和扩散 MRI 数据。（ii） 在 19 周内，我们还使用智能手机和可穿戴设备在扫描仪外收集有关受试者行为的客观数据。受试者还进行了简短的 PVT 和 n-back 测试，以每天评估认知能力。（iii） 受试者还定期回答有关其精神状态的问卷。这些多个数据源使我们能够在实验室条件下将扫描仪中收集的数据与在扫描仪外部收集的数据在日常情况下进行映射。（B） MRI 数据在周一和周五收集，具体取决于扫描仪的可用性。在那些日子里（绿色），参与者在扫描仪中进行了 10 分钟的 PVT，而在其他日子里（粉红色），参与者在她的办公室或家中进行了 5 分钟的 PVT。（C） 要求参与者每天回答 5 份情绪问卷。两项调查安排在固定时间（黄色），而其他 3 项调查在固定时间表（棕色）之间随机安排。（D） 数据收集时间表。所有数据均在 19 周内收集。从第一天开始，使用智能手机和可穿戴设备持续收集行为数据（绿色）。PHQ9 [113] 和 PSS [114] 问卷的答案也在实验开始时保存，并每周连续收集（橙色）。大脑活动数据收集在实验开始后 2 周开始，每周收集两次（紫色）。PSS，感知压力量表;PVT，精神运动警觉性测试。

 

https://doi.org/10.1371/journal.pbio.3002797.g001

 

收集的所有数据均经过假名化，并与本注册报告一起发布。该实验提出了一种还原主义方法，因为可靠性和稳健性被嵌入到设计中。通过使用来自一个主题的数据，我们消除了横断面设计中常见的许多混杂来源;例如，控制解剖和功能因素、体重、运动等等。我们希望该数据集对其他研究人员有用，用于研究任务期间受试者内大脑功能的变化以及自然生理变化，以及开发分析多变量大脑和传感器数据的新方法。该数据集使我们能够了解任务诱发的大脑活动如何受到日常生理、行为和生活方式因素的影响，从而促进对大脑行为动力学的理解。它还使我们能够使用更少的人工刺激，同时考虑到不同时间尺度上的更多自然情况，这是当前人类行为研究面临的挑战 [112]。此设置不仅对于了解群体水平的结果与个体水平的结果之间的关系很重要，而且对于了解现象可重现的条件也很重要。我们希望该实验的结果支持未来针对临床人群的精确映射研究的设计，以实现个性化医疗。

 

方法

道德声明

这项研究得到了阿尔托大学研究伦理委员会（2019 年 6 月 28 日，芬兰赫尔辛基）的批准，并根据赫尔辛基宣言中表达的原则进行。需要进行两次更新，以纳入新的合作者，调整时间表并纳入研究的隐私声明。阿尔托大学研究伦理委员会接受了这两项更新。从参与者那里获得了书面知情同意书。经委员会批准，参与者没有因这项研究而获得任何补偿。

 

设计

概述。

在这项单受试者相关研究中，参与者总共接受了 133 天（19 周）的数据收集。第一天，参与者签署同意书，回答一系列问卷（参见设计、行为数据），然后开始收集行为数据。为了建立基线，仅在前 2 周收集行为数据（有关详细信息，请参见设计、行为数据）。MRI 数据收集从第 3 周开始。在 15 周内每周进行 2 次 MRI 检查，我们收集了结构和功能 MRI（有关详细信息，请参阅设计、脑成像数据采集）。在 MRI 会话中，采集和任务的顺序没有改变。然而，在实验的第一节和最后一节期间，收集了弥散 MRI 和 T2 加权图像。在 15 周的 MRI 数据收集后，受试者又收集了 2 周的行为数据。实验概述如图 1 所示。第一阶段协议可在开放科学框架 https://osf.io/5hu9c/ 中找到。

 

参与者。

参与者（作者 AMT）是一名右撇子女性，在研究的大部分时间里年龄为 33 岁。参与者没有严重精神疾病或任何神经系统疾病的病史。迄今为止，她总体上很健康，没有慢性病史。除了口服避孕药（左炔诺孕酮和乙炔雌醇）外，她没有给她开特殊药物，她已经服用了一年多。她很活跃，定期循环，每周锻炼 5 次（平均总能量消耗 1.467，平均每日燃烧卡路里 2416.14，根据飞行员数据，参见 S1 文本，飞行员数据，飞行员 III）。她没有任何饮食限制，不吸烟，从未使用过任何消遣性药物，也很少饮酒。她的母语是西班牙语，但她也使用专业水平的英语。

 

时间线。

数据收集的大致时间表如图 1 所示。行为数据收集持续 19 周，而 MRI 数据收集在 15 周内完成。数据收集完成后进行数据分析。

 

行为数据

初步评估。

在实验的第一天，参与者回答了一系列问卷，其中包括五大量表 [115–117]、感知压力量表 （PSS） [114]、患者健康问卷 （PHQ9） [113]、广泛性焦虑障碍 7 项量表 （GAD-7） [118,119] 和匹兹堡睡眠质量指数 （PSQI） [120]。这些使我们能够建立基准指标。

 

认知任务。

本研究采用了两种认知任务，一种 PVT 和一种双 n-back。在 19 周内每天测量这些任务的认知表现。这两项任务都使用演示软件（Neurobehavioral Systems，美国加利福尼亚州奥尔巴尼）显示，并且它们的代码可用（参见方法，代码可用性）。

 

PVT：参与者执行了 PVT 任务 [42]。简而言之，参与者被指示观察计算机屏幕上的红色矩形框，并在其上出现黄色计数器时立即按下按钮。按下按钮后，计数器停止，随后被重置。最后一次反应和新刺激之间的时间在 2 到 10 秒之间变化。指示参与者在黄色计数器出现后立即按下按钮，以便反应时间 （RT） 尽可能低，但要避免失误（即，在尚未显示刺激时按下按钮）。PVT 刺激的示意图显示在 S1A 图 1 中。

 

根据之前的结果 [42]，这项任务在部分睡眠剥夺条件下显示出良好的性能，中位数 1/RT 的效应量 （d > 0.8），失误次数和 PVT 的性能评分超过 5 分钟。事实上，Basner 及其同事 [121] 已经证明，3 到 5 分钟通常足以测量睡眠对警觉性的影响。采用了两个版本的 PVT，一个是扫描仪中使用的 10 分钟版本，另一个是每天使用的 5 分钟版本，除了使用 10 分钟 PVT 的日子（见图 1B）。我们在扫描仪中使用了更长的 PVT 任务，因为通常在 fMRI 中，较长的版本更适合收集更多的体积。尽管如此，使用 5 分钟和 10 分钟的 PVT 任务应该不会造成任何问题，因为 5 分钟 PVT 是 10 分钟 PVT 的可靠替代品 [122]。

 

双 n-back：参与者执行了自适应双 n-back 任务，与 Salo 及其同事 [43] 用于 1 和 2 个back任务的任务相同，分为 8 个交替块，每个块 20 次试验。在每个模块的开头，说明显示了参与者应该执行哪个 n-back 任务（1-back 或 2-back）。然后，参与者看到同步的正弦波音调和正弦波光栅，偶尔有听觉或视觉干扰。在每个块的末尾，会显示一般反馈。所有说明和反馈都是一行英文文本。刺激和过程之前在其他论文中已有描述[43,123]。

 

在每次试验中，都呈现了听觉音调和视觉格栅，与之前的试验相比，音调音高或光栅方向发生了变化。在试验的 1/3 中，视觉或听觉干扰物与任务相关的刺激一致。视觉干扰物是频谱复杂的纹理，而听觉干扰物是频谱复杂的声音（例如，汽车鸣笛声）。参与者的任务是通过按下按钮来指示刺激相对于前一次试验（1-back）或之前的 2 次试验（2-back）以何种方式和方向发生变化。当听觉刺激发生变化时，与 n 试验相比，如果当前音高较高，参与者应该按“向上”，如果当前音高较低，则按“向下”。当视觉刺激发生变化时，如果当前光栅方向顺时针旋转，参与者应该按“右”，如果当前光栅方向逆时针旋转，则参与者应该按“左”，与第 n 次试验相比。每次试验仅改变一种模式。任务的难度根据参与者的反应进行调整，即答案越准确，变化就越微妙。这种适应旨在通过基于无干扰物的试验的自适应楼梯方法将正确回答率保持在 70.7%。该工艺的示意图如 S1B 图 1 所示。

 

刺激对以 1,800 ms 的开始到开始间隔呈现，持续时间为 300 ms。听觉刺激的频率在 600 到 1,800 Hz 之间，根据参与者在楼梯程序中的任务表现逐步进行。音高的最大变化限制为 0.5 个八度。听觉干扰器在 200 和 7,000 Hz 处进行带通滤波，在 1,000 Hz 处使用两个八度宽的滤波器进行陷波滤波。声音的最大强度为 80 dB SPL。

 

灰度光栅方向范围在 0° 到 360° 之间，步长取决于任务性能。每个光栅的空间频率为 2 c/deg，并显示在高斯包络（直径 3°）中。格栅方向根据参与者在楼梯程序中的表现而变化。格栅的下部保持在中心，格栅旋转。最大变化限制为 90°。复杂的彩色纹理被用作视觉干扰物（尺寸 16 × 24°）。为了在试验之间保持一致性，我们从纹理中心切掉了一个 6° 的圆形区域。视觉干扰项的均方根对比度为 0.3。

 

外部因素。

使用两台可穿戴设备和 1 款智能手机应用程序从外部因素获得客观定量数据，受试者负担最小。测量睡眠、体力活动、自主神经系统活动和情绪等外部因素。参与者始终佩戴设备，除非需要为设备充电或不允许充电（例如，为某些设备去游泳池充电）。

 

使用 Oura 环（Oura Health Ltd，Oulu，Finland）测量睡眠和身体活动。smartring 是一种市售的现成设备，已针对自由生活条件下的睡眠测量活动记录仪进行了验证 [63]。该环也被用于正常生活条件下的体力活动研究[73,124]。它跟踪每天聚合的 55 个指标。但是，许多指标彼此高度相关，因此，我们在研究中只使用了其中的一部分（参见 S1 文本、实验数据、可穿戴设备的功能选择）。我们使用戒指来跟踪每日总睡眠时间、清醒时间、不安睡眠、步数和非活动时间。最初，我们选择根据飞行员数据使用每日总睡眠时间、睡眠效率、睡眠潜伏期、步数和非活动时间测量（参见 S1 文本，飞行员 III，Smartring 的功能选择）。然而，在数据质量检查期间（即，在完成数据收集之后和初始分析之前），我们注意到其他睡眠测量与睡眠潜伏期和睡眠效率之间存在高度相关性。这促使我们重新考虑要采用的变量。有关完整说明，请参阅 S1 文本、实验数据、可穿戴设备的功能选择。

 

使用手腕监测器（EmbracePlus，Empatica，Empatica，Boston，Massachusetts，USA）**测量 ANS 活动。该设备是一款医疗级可穿戴设备，可通过光电容积脉搏波描记法 （PPG）、加速度测定法和皮肤电活动测量生理数据。EmbracePlus 是 E4 腕带的继任者，E4 腕带已验证可用于在不同条件下测量心率和心率变异性 [87,125,126]。E4 腕带最初是在协议中注册的。然而，当数据收集开始时，Empatica 不再销售该设备。因此，为了确保该方案的可重复性，我们决定使用 EmbracePlus 设备。我们于 2023 年 1 月 18 日收到了编辑对此次变更的批准。我们使用监测器来跟踪呼吸频率和心率变异性。

 

使用 Aware Framework 应用程序 （https://awareframework.com/） 和 koota 服务 [127] 记录情绪和日常体验。该应用程序可免费用于 Android 和 iPhone。它是一种通过传感器工具收集移动上下文信息的工具，能够被动（即不需要用户输入）和主动（即需要用户输入）收集数据。我们使用该应用程序收集了参与者对 3 份问卷的回答，即早上、晚上和心情。上午 10：00 询问早晨问卷，并询问前一天晚上的睡眠情况。晚上 11：00 询问了问卷，包括有关社交互动、锻炼和酒精、咖啡因和茶碱消耗的问题。此外，使用国际 PANAS 的简短版本 [128] 监测情绪，该量表在早上和晚上的问卷中询问，并在上午 10：00 至晚上 11：00 之间随机进行 3 次。此外，所选的 PANAS 问卷中提供了一个自由文本框，以防参与者希望提供进一步的上下文信息。最后，参与者回答每周 PHQ9 和 PSS 问卷。S2 表中提供了完整的问题集。

 

其他测量。

除了之前的测量结果外，参与者还使用 AWARE 的自由文本框记录了每月的体重和月经周期的第 1 天。

 

使用 AWARE 应用程序收集其他被动数据。简而言之，收集了来自电池电量、屏幕使用情况、通话、消息 （SMS） 和全球定位系统 （GPS） 的数据。但是，当前实验中未使用这些数据。

 

每次 fMRI 会议后，受试者完成了一份关于扫描仪体验的问卷。使用 5 点李克特量表，受试者对每项任务的参与度进行评分。此外，该受试者还在执行 rs-fMRI 和电影观看任务时写下了关于这些想法的简短自由格式的描述。

 

脑成像数据采集。

MRI 按固定时间表进行，周一和周五 1,130 小时，视扫描仪的可用性而定。在阿尔托大学高级磁成像中心的西门子 MAGNETOM Skyra 3T MRI 扫描仪（西门子医疗保健，埃尔朗根，德国）上使用 30 通道头线圈进行成像。在每次会议中，以下数据以相同的顺序收集：定位器、 PVT、静息态、 电影观看、 N-back 和结构 T1 加权成像。在第一次和最后一次会议中，在结构 T1 加权成像之后还收集了结构 T2 加权和弥散 MRI 数据（见图 1），尽管我们在本研究中没有分析这些数据。

 

结构性 MRI。

使用 T1 加权 MPRAGE 脉冲序列（TR 2530 ms、TE 3.3 ms、TI 1100 ms、翻转角 7°、256 × 256 矩阵、176 个矢状切片、1 mm [3] 分辨率、距离因子 50%、6 分 2 秒总采集时间）获取解剖图像。

 

使用 T2 空间序列（TR 3200 ms、TE 412 ms、256 × 256 矩阵、176 个矢状切片、1 mm [3] 分辨率、4 分 46 秒总采集时间）收集 T2 加权数据。

 

弥散 MRI。

使用具有脂肪抑制功能的 dMRI 序列（TR 4400 ms、TE 128 ms、256 × 256 矩阵、72 个轴向切片、2 mm [3] 分辨率、8 分 30 秒总采集时间）获取扩散图像。

 

功能性 MRI。

使用脂肪抑制的梯度-回波-平面成像、多波段加速因子 4、TR 594 ms、TE 16 ms、翻转角 50、64 × 64 矩阵、44 个轴向切片、切片厚度 3 mm、平面分辨率 3 × 3 mm、前后相位编码，以交错方式获取全脑 BOLD 图像。此序列用于记录受试者在按顺序执行 PVT、静息状态、电影观看和 n-back 任务时的大脑数据。我们选择固定扫描顺序，以确保相同的条件（PVT、静息状态、电影和 n-back）在不同的测量会话之间具有可比性。另一种选择是平衡扫描顺序，以考虑整个会话中不断变化的潜在影响。然而，使用平衡的一个可能缺点是，有时先进行，有时最后进行相同任务（例如，反映扫描过程中的唤醒水平）带来的可变性可能大于感兴趣的外部因素的可变性。此外，固定阶设计以前已用于大规模数据收集项目，如人类连接组项目[129,130]。虽然可以通过将其视为外部混杂物来使用平衡来与更多的扫描会话一起使用，但在单参与者研究中，固定扫描顺序可以增加检测大脑行为交互的可能性，同时保持合理的扫描会话数量。

 

使用数据投影仪（PROPixx MRI/MEG，VPixx Technologies，Saint-Bruno，Canada）和 Presentation 软件将所有刺激反向投影到半透明屏幕上。使用 4 按钮菱形键盘（RESPONSEPixx/MRI，Pixx Technologies，Saint-Bruno，Canada）记录对来自 PVT 和 n-back 的刺激的答案。

 

fMRI 刺激。

PVT：参与者执行了 10 分钟版本的行为 PVT（参见行为数据、认知任务、PVT），并进行了 1 次修改以适应扫描仪条件。为避免扫描开始时出现噪音，我们在 PVT 任务前后引入了 30 秒的冲洗。在这次清除过程中，受试者在黑色背景上看到一个居中的白色十字。分析中没有考虑这种清除信号。

 

休息：每次会议包括 10 分钟的静息态 fMRI。在预处理之前丢弃扫描仪的前 30 秒，以排除漂移效应。参与者被指示让她的思绪游荡，同时保持目光注视着屏幕中央的十字（黑色背景，白色十字）。

 

电影：参与者观看了 Wes Anderson 的《布达佩斯大饭店》的第 2 部分 [44]。与 PVT 刺激类似，我们在 9.5 分钟电影刺激前后引入了 30 秒的清除。同样，清除也不包含在分析中。

 

N-back：参与者执行了方法、行为数据、认知任务中描述的相同任务，没有修改。此任务持续约 6.5 分钟。

 

在扫描会话期间收集的其他数据。

在 fMRI 期间收集眼动追踪、呼吸频率和心脉信号。使用 EyeLink 1000 眼动仪（SR Research，加拿大安大略省密西沙加）记录所有 fMRI 采集期间的眼球运动。眼动仪在每次会议前通过五点校准校准一次。使用 Biopac 系统 （Biopac Systems， Isla Vista， California， USA） 监测心跳和呼吸。使用 Drifter 软件包估计心率和呼吸频率的瞬时值 [131]。

 

最后，在每次会议结束后，都会进行一份小型问卷调查，以检查参与者在会议期间的感受和困倦。

 

致 盲。

为防止实验中出现任何有意识或无意识的偏差，在数据收集过程中没有进行数据分析。相反，仅运行质量控制检查以确保正确保存数据（请参阅设计、质量控制）。此外，为了遵守最佳实践，初步假设和分析计划记录在本注册报告中。

 

质量管理。

由于盲法，在数据收集过程中只进行了基本的质量控制。这包括日常检查，以确保传输和存储行为数据。我们只检查了数据时间戳是否有可能的缺失，即没有分析任何数据。如果某些数据丢失，我们调查了可能的原因（例如，设备故障、电池电量不足）并采取了纠正措施，避免了进一步的数据丢失。

 

质量控制还包括检查 MRI 数据是否正确传输和存储。正确存储后，使用 fmriprep 对 MRI 数据进行预处理 （参见分析计划，MRI 预处理），并研究帧位移 （FD） 和时间信噪比 （tSNR）。与行为数据类似，执行这些检查只是为了采取纠正措施（例如，提醒参与者在扫描仪中保持静止）并避免数据丢失。

 

我们还检查了扫描仪中收集的眼动追踪、心率和呼吸率数据的完整性，以寻找可能的伪影。如果每个会话中超过 20% 的数据被损坏（例如，异常值、NaN），我们会调查原因并为下一次会话采取纠正措施，以避免数据丢失。

 

采样计划

样本量。

我们收集了 1 名个体 （N = 1） 的 19 周的每日行为数据。同时，我们还收集了同一个体在 15 周内的 30 次 MRI 扫描。根据功效分析，我们选择了 30 次扫描，作为受试者的实验负荷和所有任务的足够扫描次数之间的折衷方案。

 

功率分析。

对 PVT 和 n-back 任务的飞行员数据的功率分析表明，在给定的刺激下，至少需要 14 个样本来检测体素激活。这 14 个样本在用随机场理论校正值后产生了 95% 的功效。PVT 和 n-back 任务的功率分析使用来自飞行员数据的二级一般线性模型 （GLM） 完成（参见 S1 文本，飞行员 III），并通过神经动力计算 [132]。这些分析的结果如图 2 所示，并且是公开的（参见代码可用性）。

 

缩略图 下载：

PPT的PowerPoint 幻灯片

PNG放大图片

国际电影节原始图像

图 2.

 

神经动力计算的 （A） PVT 和 （B） n-back 任务的幂分析 [132]。显示了未校正值（绿色）、随机场论（橙色）和 Bonferroni（蓝色）校正值的幂曲线。使用随机场理论完成这两项任务需要 14 次扫描才能达到 95% 的功效。曲线还显示，大于 20 次扫描的样本可确保在这两项任务中为所有类型的校正提供足够的能力。可根据要求提供 MRI Pilot 数据（请参阅数据可用性）。PVT，精神运动警觉性测试。

 

https://doi.org/10.1371/journal.pbio.3002797.g002

 

由于评估无模型刺激（即静息态和 ISC）的功率计算更加困难，因此我们根据以前采用的建议样本量进行计算。对于静息态功能磁共振成像，在类似的精确标测研究中使用了 30 次扫描，其中研究了功能连接随时间的波动 [5,28]。对于自然刺激，以前的工作 [133] 已经确定 30 次扫描在 ISC 统计收敛的最佳样本数量内。

 

排除。

数据只是因为质量低而被排除。如果在整个时间序列 （即 19 周） 内缺失值超过 40%，则排除行为数据。对于使用可穿戴设备和智能手机测量的数据，我们用数据的平均值完成了缺失值（参见分析计划，缺失数据）。如果图像中的部分大脑缺失或发现极端伪影，则排除结构 MRI 数据;例如，臭名昭著且未通过预处理校正的移动或重影伪影。rs-fMRI 体积因高移动而被排除 （即 FD > 0.2 的体积）。rs-fMRI 数据的每个会话的清理体积可能不同。对于电影 fMRI，我们检测到每个会话中具有高运动 （FD > 0.2） 的体积，并在 30 个会话中对其进行删失。丢弃体积不会影响采样大小（即要进行的扫描次数）。

 

分析计划

缺少数据。

由于对数据进行了质量控制（参见方法、质量控制），我们预计几乎没有缺失数据点。然而，在外部因素的测量中存在缺失的情况下（参见方法、行为数据），我们将缺失值替换为发现缺失的每个变量的平均值。使用飞行员数据试验后选择插补方法（参见 S1 文本，飞行员数据，飞行员 III）。如果 MRI 数据缺失，我们会在时间允许的情况下重新安排会议;整体数据收集的长度相应地延长了。如果需要将超过 20% 的会话重新安排到不同的小时或日期，则会在回归器中考虑扫描会话的时间和日期。

 

行为预处理。

大多数行为数据几乎不需要预处理。根据每个问卷的指南计算问卷分数，对初步评估的数据进行预处理。认知任务的分数是使用内部脚本计算的（参见 代码可用性）。这些脚本根据 Basner 和 Dinges [42] 根据演示软件 PVT 脚本提供的反应时间计算 PVT 分数。这些脚本还根据 Presentation 软件 n-back 脚本提供的响应和反应时间计算 n-back 测试的中位反应时间，以及正确、错误和缺失答案的数量。

 

来自智能戒指和腕带的数据由 Web 服务自动预处理。对于智能环，数据按天自动聚合，不需要任何进一步的预处理。对于腕带，心率变异性和呼吸率由平台自动计算，只需每天汇总即可。然而，由于设备的变化，我们不再需要根据心跳间隔计算心率变异性，如第 1 阶段手稿中所述。编辑于 2023 年 1 月 18 日接受更改。

 

来自情绪和日常体验的数据以 3 种不同的方式进行预处理。首先，根据选定的 PANAS 问题计算消极影响和积极影响分数。负面影响 （NAF） 是害怕、紧张、不安、敌对和羞愧问题的答案的总和。积极影响 （PAF） 是主动、坚定、专心、启发和警觉问题的答案之和。然后，计算每日中位数 NAF 和 PAF 评分。其次，在智能手机应用程序中通过自由文本记录月经天数。最后，自由文本数据没有经过预处理，而是用作对象生活事件的可能指南。

 

通过计算每小时的平均值来汇总来自智能手机的电池寿命和屏幕数据。通话和短信数据按天汇总。GPS 位置数据通过计算每日行驶距离和每日行驶时间进行假名化。

 

MRI 预处理。

MRI 数据使用基于 Nipype 1.6.1 [136,137] 的 fMRIPrep v.22.1.0 [134,135] 进行预处理;（RRID：SCR_002502）。fMRIPrep 是一种与分析无关的工具，无需人工干预即可自动使工作流程适应数据集。

 

解剖数据预处理。

使用 N4BiasFieldCorrection [138] 对 T1 加权 （T1w） 图像进行强度不均匀性 （INU） 校正，使用 ANT 2.3.3 [139] （RRID：SCR_004757） 分发，并在整个工作流程中用作 T1w 参考。然后使用 OASIS30ANT 作为目标模板，使用 antsBrainExtraction.sh 工作流程的 Nipype 实现（来自 ANT）对 T1w 参考进行颅骨剥离。使用快速 FSL 对脑提取的 T1w 进行脑脊液 （CSF） 、白质 （WM） 和灰质 （GM） 的脑组织分割 [140] （FSL 5.0.9，RRID：SCR_002823）。通过使用 antsRegistration （ANTs 2.3.3） 的非线性配准，使用 T1w 参考和 T1w 模板的大脑提取版本，将基于体积的空间归一化为 2 个标准空间 （MNI152NLin6Asym、MNI152NLin2009cAsym）。选择以下模板进行空间归一化：FSL 的 MNI ICBM 152 非线性第六代不对称平均脑立体定位配准模型 [141] [RRID：SCR_002823;TemplateFlow ID： MNI152NLin6Asym]， ICBM 152 非线性非对称模板版本 2009c [142] [RRID：SCR_008796;TemplateFlow ID：MNI152NLin2009cAsym]。

 

函数数据预处理。

对于每个主题（跨所有任务和会话）找到的每个 BOLD 运行，执行了以下预处理。首先，使用 fMRIPrep 的定制方法生成参考体积及其颅骨剥离版本。省略了磁化率失真校正 （SDC）。然后使用 flirt （FSL 5.0.9 [143]） 和基于边界的注册 [144] 成本函数将 BOLD 引用与 T1w 引用共同注册。共同配准配置为 9 个自由度，以考虑 BOLD 参考中剩余的变形。在使用 mcflirt [145] （FSL 5.0.9） 进行任何时空过滤之前，估计了相对于 BOLD 参考的头部运动参数（变换矩阵和 6 个相应的旋转和平移参数）。使用 AFNI 20160207 [146] 的 3dTshift 对 BOLD 运行进行切片时间校正 （RRID：SCR_005927）。通过应用转换来校正头部运动，将 BOLD 时间序列（包括应用时的切片时序校正）重新采样到其原始的原生空间。这些重新采样的 BOLD 时间序列称为原始空间中预处理的 BOLD 或仅称为预处理的 BOLD。将 BOLD 时间序列重新采样到标准空间中，在 MNI152NLin6Asym 空间中生成预处理的 BOLD 运行。首先，使用 fMRIPrep 的定制方法生成参考体积及其颅骨剥离版本。根据预处理的 BOLD 计算了几个混杂的时间序列： FD 、 DVARS 和 3 个区域级全局信号。FD 使用 Power （相对运动的绝对总和 [147]）和 Jenkinson （仿射之间的相对均方根位移 [145]）之后的 2 个公式计算。计算每个函数运行的 FD 和 DVARS，都使用它们在 Nipype 中的实现（遵循 Power 及其同事 [147] 的定义）。在 CSF 、 WM 和全脑掩码中提取 3 个全局信号。此外，还提取了一组生理回归因子，以允许基于成分的噪声校正 （CompCor [148]）。在对 2 种 CompCor 变体（时间 （tCompCor） 和解剖学 （aCompCor） ）的预处理 BOLD 时间序列（使用截止时间为 128 秒的离散余弦滤波器）进行高通过滤后，估计主成分。然后根据脑掩码内前 2% 的可变体素计算 tCompCor 组件。对于 aCompCor，在解剖空间中生成了 3 个概率掩码 （CSF 、 WM 和组合 CSF+WM）。该实现与 Behzadi 及其同事 [148] 的不同之处在于，aCompCor 掩码不是在 BOLD 空间上侵蚀 2 个像素，而是从可能包含 GM 体积分数的像素掩码中减去。此掩码是通过在 0.05 处对相应的部分体积图进行阈值处理获得的，它确保不会从包含最小 GM 分数的体素中提取组件。最后，这些掩码被重新采样到 BOLD 空间中，并通过 0.99 的阈值进行二值化（与原始实现一样）。在校正步骤中计算的头部运动估计值也被放置在相应的混杂文件中。从头部运动估计和全局信号得出的混淆时间序列通过包含时间导数和二次项进行了扩展 [149]。超过 0.5 mm FD 阈值或 1.5 标准化 DVARS 的帧是标记为 Motion Outliers。通过组合所有相关的变换（即头部运动变换矩阵、磁化率失真校正（如果可用）以及对解剖和输出空间的共同配准），可以通过单个插值步骤执行所有重采样。使用 antsApplyTransforms （ANT） 进行网格化（体积）重采样，并使用 Lanczos 插值进行配置，以最小化其他内核的平滑效果 [150]。使用 mri_vol2surf （FreeSurfer） 执行非网格化（表面）重采样。

 

在 fMRIPrep 预处理之后，我们应用了一个 240 s 长的 Savitzky-Golay 滤波器来消除扫描仪漂移（类似于 Çukur 及其同事 [151]）。为了控制运动和生理伪影，我们从 BOLD 时间序列中回归了 24 个与运动相关的回归变量、来自 WM 和 CSF 的 16 个信号（信号、它们的衍生物及其功率）、由 Drifter 软件包预处理的心脏和呼吸率 [131]，以及由 fmriprep 检测到的运动异常值。所有混杂因素也都使用 240 s 长的 Savitzky-Golay 滤波器进行过滤，然后回归其效果以避免再次引入伪影 [152]。最后，使用截止频率为 0.01 Hz 的高通滤波器对清理后的 BOLD 信号进行滤波。连通性分析没有应用空间平滑，因为以前的研究表明，空间平滑以非均匀和系统的方式影响连通性测量[153,154]。然而，对于使用体素单变量一般线性模型进行任务相关激活分析（参见附加分析），我们使用 FSL 软件应用了 6 mm 半峰全宽 （FWHM） 内核来对数据进行空间平滑 [155–157]。

 

功能连接估计。

功能性网络节点是根据 Seitzman 及其同事定义的脑区集定义的 [158]。在他们的工作中，Seitzman及其同事[158]产生了新的皮层下区域和小脑区域，后来他们将其与Power及其同事[159]（集合1）和Gordon及其同事[160]（集合2）的先前分组相结合。第 1 组包含 300 个感兴趣区域 （ROI），第 2 组包含 394 个 ROI。我们将使用集合 1 来推导出手稿中的主要结果。使用第 2 组的结果在 S1 文本中报告。

 

对于 rs-fMRI，节点之间的功能联系被定义为属于 ROI 的体素的平均时间序列之间的 Pearson 相关系数。这应产生大小为 300 × 300 的加权邻接矩阵。

 

对于任务fMRI（即PVT和n-back），使用β系列分析计算单个邻接矩阵[161]。这种多变量方法采用试验间变异性来表征动态的区域间交互作用。简而言之，我们构建了一个 GLM，其中每个试验的每个阶段都使用单独的协变量进行建模，并获得了每个体素的试验到试验参数估计（beta 系列）。然后，我们计算了属于 ROI 的体素的平均 beta 系列，并将这些平均 beta 系列与 ROI 相关联。这应产生大小为 300 × 300 的加权邻接矩阵。

 

对单个邻接矩阵进行 Fisher 转换，以稳定所有相关值的方差。网络中每个链路的跨会话平均头部运动（通过会话的平均 FD 来衡量）都回归出来 [28,162]。最后，我们将 Fisher 逆变换应用于回归邻接矩阵。

 

子网络度量值。

我们使用 Brain Connectivity Toolbox [41] 计算了 2 个网络测量，即参与系数和整体效率。我们选择了这两个图形指标，因为它们以前用于分析精密功能映射数据集 [8]，并且它们包括网络间和网络内测量。参与系数量化了连接其社区外节点的链路数量与该特定节点的链路总数（即网络间测量）之间的关系。为了估计参与系数，我们使用了 300 × 300 个连接矩阵和 Seitzman 及其同事 [158] 定义的网络 ID 向量。通过计算网络节点的参与系数的平均值来获得汇总参与系数。全局效率量化了网络内信息传输的难易程度，它被定义为网络中的平均逆最短路径长度 [163]。为了计算全局效率，将 300 × 300 邻接矩阵细分为更小的网络特定矩阵;这意味着全局效率仅在网络内节点之间计算。总结全局效率系数是通过计算网络节点的全局效率系数的平均值获得的。根据每个假设，仅考虑了感兴趣网络的测量（见表 1）。

 

参与系数和全局效率估计值都是在阈值二值化网络上计算的。鉴于对理想值缺乏共识，我们使用 3 个广泛采用的比例阈值值（10%、20% 和 30%）运行所有模型。这些值在已知范围内，可产生最一致的结果[164]。为了确保网络完全连接，我们首先计算相关矩阵的最大生成树，从最强到最弱对链路进行排序，然后将最强的正链路添加到网络中，直到达到选定的比例阈值，类似于 Kujala 及其同事 [165]。在这里，我们使用阈值 10% 报告了结果;其他阈值的结果在 S1 文本中报告。

 

每日表征相似性分析。

在这里，我们将主体间表征相似性分析（IS-RSA）框架[88]调整为单个主体。在这种情况下，直觉是神经反应更相似的日子在行为上也应该更相似。为了计算每日间表征相似性分析 （ID-RSA），我们为大脑和行为数据构建了 2 个成对（即每天）相似性矩阵。然后，我们通过 Mantel 检验评估了这些矩阵之间比较的显着性。大脑相似性矩阵是使用 Seitzman 及其同事定义的 ROI 之间的 ISC 框架计算的 [158]。与 ID-RSA 类似，我们通过将每日数据视为 ISC 框架中的一个主题，将 ISC 框架调整为单个主题。行为相似性矩阵使用2个模型计算，即最近邻（NN）和安娜·卡列尼娜（AK）结构[88]，基于从所选PANAS问卷的每日答案中提取的行为价值、每日总睡眠时间、清醒时间、不安睡眠、呼吸频率和心率变异性。

 

回归分析。

为了评估与外部因素相关的功能连接的时间同步变化，我们进行了以下之间的标准化回归分析：（1） 来自 FPN、DMN、躯体运动和扣带回盖网络 （CON） 的链接以及 H1 的总睡眠时间、清醒时间和不安宁睡眠;（2） 来自 DMN 、 FPN 和躯体运动区域的链接以及 H2 的总睡眠时间、清醒时间和不安睡眠、步数和非活动时间;（3） 来自 DMN、FPN 和 CON 的链接以及根据选定的 H3 PANAS 问卷计算的总睡眠时间、清醒时间、不安宁睡眠、心率变异性、呼吸率和情绪（见表 1）。对于每个模型，我们在连通性与外部因素之间没有时间关联的零假设下，通过非参数排列测试的 10,000 次迭代计算了测试统计量的经验零分布。我们使用了 lmPerm R 软件包。

 

同样，我们还在子网络测量值和为每个假设选择的外部因素之间进行了标准化回归分析（见表 1）。对于每个模型，我们在子网络测量与外部因素之间没有时间关联的零假设下使用 10,000 次迭代进行了非参数排列检验。我们使用了 lmPerm R 软件包。

 

我们没有将性能作为混淆回归因子包含在 PVT 和 n-back 任务模型中，因为我们的主要关注点是任务性能的变化，这反映在功能性大脑连接中。尽管如此，为了验证任务绩效与行为因素之间的关系，我们在以下之间进行了 2 次标准化回归分析：（1） 平均 1/RT [42] 与 H1 的总睡眠时间、清醒时间和不安宁睡眠;（2） H2 的准确性和总睡眠时间、清醒时间、不安睡眠、步数和非活动时间。这些分析的结果在 Additional analysis 部分报告。

 

关于 H3，我们将长时间闭眼的百分比作为协变量，即闭眼时间超过 10 s 的时间百分比（短暂微睡眠发作的中位数）[166]。

 

互相关分析。

为了了解行为、生理和生活方式因素对功能性大脑连接的影响，我们进行了一系列时间滞后互相关分析。这项分析帮助我们确定了功能性大脑连接估计（参与系数和整体效率）与外部因素的过去滞后之间的关系。对于每个 ROI，我们根据正在测试的假设计算了功能连接估计和外部因素对之间的滞后互相关。这意味着，例如，对于 H5，我们计算了 DMN ROI 的总睡眠持续时间和整体效率之间的互相关。滞后交叉相关系数组织在地毯图中，其中 x 轴表示滞后（以天为单位），y 轴表示行为因素。此地毯图是按网络组织的，因此按照示例，此可视化生成了 15 天内所有行为因素的全局效率地毯图和 H5 的 FPN。

 

通过估计一个空模型来评估统计显着性，该模型在功能连接估计和代理行为数据之间有 10,000 个非参数排列。对于每种排列，使用频谱合成代理行为数据，通过对每个行为预测因子的傅里叶变换相位进行洗牌并应用逆傅里叶变换。然后将代理行为数据与子网络的度量（平均参与系数或平均全局效率）相关联，以估计零模型。然后从零模型概率密度函数获得 P 值，并与其他分析中使用的相同方法（错误发现率 （FDR））进行校正以进行多重比较。

 

多重比较更正。

对于每个假设的每次分析，我们使用 Benjamini 和 Hochberg [167] 引入的方法来控制 FDR。

 

在进行排列测试后，我们对多重比较进行了校正。对于 H1、H2 和 H3 中的网络估计值（全局效率和参与系数），我们校正了模型中每个变量的网络数量，即 H1 为 4，H2 和 H3 为 3。对于 H1、H2 和 H3 中的链接，我们为模型中的每个变量校正了所选子网的链接数。

 

在使用 H5 、 H6 和 H7 中每个子网络的合成数据进行置换模型后，我们调整了子网络的数量，假设每个变量滞后对都是独立的。这意味着我们将连续几天的变量视为独立变量;例如，滞后 l1 的变量 v 与滞后 l2 的变量 v 无关，并且变量是独立的。但是，请务必注意，此假设可能不适用于所有变量，因为自相关水平和协方差可能会有所不同。例如，与情绪模式相比，睡眠模式可能表现出更高的自相关性，或者睡眠模式可能与活动模式相关。因此，虽然对 H5 （4）、H6 （3） 和 H7 （3） 中的网络数量进行了校正，但仍有 15 个滞后需要考虑。为了透明起见，我们在 GIT 中提供了所有统计值（请参阅代码可用性）。最后，使用 FSL 的 Randomise 工具对 H4 和 H8 进行多重比较校正。

 

日期之间的电影时间段分类

遵循 Visconti di Oleggio Catello 及其同事 [111] 的工作，我们对自然主义的电影观看数据使用了相同的留一法分类器。该方法在 zenodo 版本中有详细描述 [168]。简而言之，电影 fMRI 时间序列被划分为 14.85 秒的重叠片段（25 个 TR，在原始论文片段中为 15 秒长）。这些片段是使用 25 个 TRs 的滑动窗口获得的，滑动时间等于 1 TR，即每个片段有 24 个时间点与前一个片段重叠，总共 946 个片段。然后，通过计算来自左出电影 fMRI 会话的第 n 个片段之间的成对相似性（基于相关性的距离）来实现分类器。在 10 mm 半径的探照灯球体上计算成对相似性，并选择相似度最高的段作为预测的段（机会水平等于 1/946）。然后将分类器的准确性估计为整个运行中被遗漏的正确分类片段的百分比。对覆盖整个灰质大脑区域的所有探照灯球体重复该程序。每天，都会获得具有分类准确率值的脑图。然后将这些每日地图与前几节中描述的外部因素相关联，使用线性回归和校正进行多重比较，并与 FSL 随机化超过 10,000 个排列。

 

本手稿中提出的分类分析与原始分类分析的不同之处在于：首先，在原始研究中，TR 为 1 s，即连续时间段之间的时间距离为 1 s，几乎是本研究中距离的两倍 （TR = 0.594）。因此，我们通过使用 1TR、2TRs、4TRs 移动滑动窗口来探索一些时间分割方法。其次，与原始研究相反，我们没有进行超对齐，因为受试者在所有会话中都是相同的。第三，在最初的研究中，在使用 freesurfer 转换体积数据后，只考虑了皮质表面。在这里，我们将数据保存为体积格式，因为它有 2 个优点：（i） 我们还可以探索皮质下区域;（ii） 我们可以使用 FSL 随机化中实施的无阈值聚类增强校正更好地控制假阳性，因为每天的分类准确性与在扫描仪之外获得的其他行为和生理时间序列相关。最后，尽管在神经影像学文献中仍然广泛使用，但由于潜在的过拟合和异常值效应，留一法存在局限性[169]。出于这个原因，我们还通过省略 20% 的会话来探索其他形式的交叉验证，通过重复随机拆分。

 

其他分析

所收集数据的丰富性允许以不同的方式探索多个问题。尽管我们打算主要关注连接性，但我们承认一些值得探索的有趣分析。其中许多额外的分析是检查点，以进一步推动我们的结果或作为数据检查。由于其性质，这些分析因此在 Additional analysis 部分报告。

 

尽管连通性分析可以应用于所有任务，但可以使用更传统的方法（例如标准质量单变量统计）来分析 PVT 和 n-back 任务。因此，我们对 H1 和 H2 进行了补充分析。在此分析中，我们使用 nilearn [170] 计算了 PVT 和 n-back 任务的激活图。考虑到平均血流动力学反应，通过识别显示 BOLD 信号显着差异的体素来确定任务相关激活。为 PVT 任务生成了与事件相关的设计矩阵，其中我们考虑了 RT。为 n-back 任务构建了与块相关的设计矩阵。第一级分析的结果用于根据每个假设回归行为和生活方式因素的影响。平均 FD 被作为混杂因素包括在内。通过 FSL 随机化评估超过 10,000 个排列的统计效度。

 

我们选择了自适应 n-back 测试设计，其中感知负载在每次会话中都不同。通过平衡会话之间的感知负载，我们希望确保任务随着时间的推移仍然具有挑战性，并且参与者的努力在会话之间、会话之间和会话内保持最大并处于稳定水平。为了确保我们的结果反映了工作记忆负荷，我们检查了感知负荷和注意力在 n-back 任务中的影响。为此，我们进行了一项单独的分析，其中通过自适应 n-back 任务获得的阈值被作为混淆包含在内（参见 Salmela 及其同事 [43]）。与 PVT 一样，我们希望这些结果反映注意力水平，而不是工作记忆。

 

网络可视化

使用 netplotbrain [171]、nilearn [170]、matplotlib [172] 和 seaborn [173] 生成绘图。

 

试点数据

为了证明我们设计的可行性，我们进行了 3 项独立的试点研究。前 2 项试点研究旨在检查我们将要使用的传感器的数据质量，并检查 PVT 和 n-back 任务可能的学习效果。第三项试点研究旨在测试扫描仪中的任务、受试者对协议的耐受性、MRI 预处理策略，并再次检查传感器数据质量。

 

前 2 项试点研究的结果表明，来自可穿戴设备和智能手机传感器的数据流可靠。对于 PVT 任务，数据表明没有学习效果。对于 n-back 任务，数据表明有一些学习效果持续时间不超过 10 天。

 

第三项试点研究的结果表明，MRI 扫描仪中的任务成功适应，受试者对协议的良好耐受性（所有任务在 99.2% 的时间内 FD < 0.2 证明），以及来自可穿戴设备和智能手机的可靠数据流。多亏了试点数据，我们可以选择分析计划中规定的预处理策略。试点数据还用于计算功效分析（请参阅抽样计划、抽样大小）。

 

试点研究及其结果的完整描述可在 S1 Text 中找到。

 

结果

数据验证

由于技术问题，只有 1 次 MRI 会议被重新安排（第 9 次会议）。由于假期，第 24 节和第 25 节分别在星期四和星期二进行。这些会话加起来占我们样本的 10%，因此，根据我们的标准（参见分析计划、缺失数据），我们没有将扫描会话的时间和日期作为回归因子包含在我们的模型中。总体而言，MRI 数据质量良好，所有疗程的平均 FD 值均低于 0.17。在大多数会话中成功收集了 BIOPAC 和眼动仪数据，但少数例外：（i） 在最后一次会话中，用于电影观看任务的 BIOPAC 数据被损坏;（ii） 在会话编号 9、11、21 和 26 中，观看电影和 n-back 任务的眼动仪数据失败;（iii） 在会话 3 和 9 中，Eye-tracker 数据因静息态采集而损坏。由于这些数据问题，我们没有将心脏和呼吸率作为回归因子包含在最后一次看电影的 MRI 预处理中，并且我们无法估计 2 次 rs-fMRI 会话的微睡眠百分比。

 

没有数据被排除在外部因素之外。但是，某些数据源的质量低于其他数据源。值得注意的是，心率变异性和呼吸频率的每日数据收集百分比低于 50%。性能低下可归因于从 PPG 获得心率变异性和呼吸率的挑战，大多数时候需要低光照和低运动 [87]。这意味着心率变异性和呼吸率信号在睡眠期间主要是可靠的，在论文的其余部分应该这样解释。相反，在大多数日子里，其他数据源成功收集的数据的每日百分比超过 60%，这使我们能够计算出具有代表性的每日平均值。GPS 显示数据丢失最大，有 18% 的天数缺失点。

 

有关数据质量及其技术验证的详细信息，请参阅 S1 文本中的数据质量：主要数据集部分。

 

最后，为了确保线性回归模型中的不同外部因素之间没有多重共线性，我们计算了它们的方差膨胀因子 （VIF） 和它们的相关系数。S19 图 显示了所有外部因素的协方差矩阵。我们丢弃了 VIF 值大于 5 的变量。此外，如果 2 个变量高度相关 （ρ > 0.7），则只使用其中一个变量。有关所选变量的完整列表和其他信息，请参阅 S1 文本中的 回归器 部分。

 

后续各节中提供的结果已针对多重比较进行了更正。S1 文本中提供了这些分析的详细统计数据和 p 值。此外，所有统计结果都可以在 GitHub 存储库 [176] 中找到，网址为 https://zenodo.org/doi/10.5281/zenodo.13208811。

 

Q1：个人前一天经历的行为、生理和生活方式因素会影响当今的功能性大脑连接模式

H1：睡眠模式的波动与持续注意力任务期间默认模式、体运动和扣带回盖网络内的功能连接相关

我们对前一天的睡眠持续时间、床上清醒时间和不安对 FPN、DMN、CON 和躯体运动网络的未阈值链接权重的影响进行了回归分析。网络是根据 PVT 任务期间获得的功能连接数据计算的。这些分析表明，不安是模型中唯一重要的预测因子，对 5 个链接有显着影响（图 3），β系数的绝对值范围在 0.66 到 0.86 之间（p < 0.01）（有关所有链接统计数据的列表，请参见 S4 表）。大多数链接的斜率为负，表明总体而言，不安的增加与链接权重的减少有关。换句话说，睡眠期间的中断越多，大多数链路的连接性就会减少。

 

缩略图 下载：

PPT的PowerPoint 幻灯片

PNG放大图片

国际电影节原始图像

图 3. 持续注意力任务期间的功能连接与前一天的睡眠质量呈线性关系。

 

具体来说，不安睡眠与 DMN（紫色）、扣带鳃盖（青色）和躯体运动（黄色）网络内节点之间的连接有关。红色表示正相关，蓝色表示负相关。通过 10,000 次非参数排列测试迭代对结果进行经验阈值化，并进一步校正多重比较（校正 p < 0.01）。绘图是用 netplotbrain [171] 生成的。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。DMN，默认模式网络。

 

https://doi.org/10.1371/journal.pbio.3002797.g003

 

大多数链接与 DMN 相关，而只有少数节点属于 CON 和躯体运动区域。当全局信号从 fMRI 数据回归时（S18 图 和 S6 表），这种模式仍然存在，但当使用替代分块分析数据时（S17 图 和 S5 表）则不存在。在后一种情况下，确定了更多的 CON 和躯体运动节点。值得注意的是，很少有链接与睡眠不安相关，独立于整体信号消除。这些联系位于右侧额下回眶下回和右侧背外侧额上回 （β = −0.86，p < 0.01）、右侧额下回 眶下回和 右侧角回 （β = −0.66，p < 0.01） 以及左侧枕中回和小脑 （β = 0.8，p < 0.01）。

 

接下来，我们计算了阈值网络上的全局效率和参与系数。我们发现，当去除 fMRI 整体信号时，躯体运动整体效率和不安之间存在显着的负相关，β值范围为 -0.56 至 -0.61 （p < 0.01）（S18 图）。该结果在所有比例阈值中都是一致的（S7 表）。对网络间和网络内估计值的分析显示，任何网络都没有显著的结果。

 

H2：睡眠和身体活动模式的波动与工作记忆任务期间额顶叶、默认模式和体运动网络内的功能连接相关

我们进行了回归分析，以研究前一天的睡眠持续时间、清醒时间、不安睡眠、步数和非活动时间对 FPN 、 DMN 和躯体运动网络中未阈值链接权重的影响。这些链接权重来自工作内存任务期间记录的功能连接。回归结果表明，不安睡眠和非活动时间与 FPN 、 DMN 和躯体运动网络中的链接权重具有统计学上的显着关系（图 4）。所有链路都表现出稳健的关系，β系数在 0.67 到 0.89 的绝对值范围内 （p < 0.01）（有关所有链路统计数据的列表，请参见 S8 表）。我们观察到非活动时间和工作记忆连接随时间推移的混合效应，相同数量的链接显示负斜率和正斜率（图 4A）。相反，大量与不安相关的链接显示出负斜率（图 4B），表明总体而言，睡眠期间的更多中断与 FPN、DMN 和躯体运动网络内节点的连接性减少有关。

 

缩略图 下载：

PPT的PowerPoint 幻灯片

PNG放大图片

国际电影节原始图像

图 4. 工作记忆任务期间的功能连接线性取决于前一晚的睡眠质量和前一天的不活动时间。

 

（A） 单个链接的线性回归模型显示前一天的非活动时间与 DMN（紫色）、额顶叶（绿色）和躯体运动（黄色）网络中的链接之间存在显着关联。（B） 同样，分析揭示了前一晚的不安睡眠与这些相同的网络之间存在显着关系。红色表示正相关，蓝色表示负相关。（C） 用于计算参与系数的 FPN 节点。（D） 部分回归图显示 FPN 的参与系数与前一天的非活动时间成比例相关。通过 10,000 次非参数排列测试迭代对结果进行经验阈值化，并进一步校正多重比较（校正 p < 0.05）。脑图是用 netplotbrain 生成的 [171]。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。DMN，默认模式网络;FPN，额顶网络。

 

https://doi.org/10.1371/journal.pbio.3002797.g004

 

使用不同的分组 （S19 图 和 S9 表） 和全局信号回归 （S20 图 和 S10 表） 对数据进行重新分析，产生了类似的不安负连接模式。它还强调了更多与不活跃相关的负面链接。因此，补充分析似乎支持前一天活动较少与连通性较低相关。值得注意的是，6 个链接始终显示与外部因素的显着关系，与全局信号去除无关，β绝对值范围为 0.7 至 0.88 （p < 0.01）。其中 5 个链接与睡眠不安有关，只有 1 个链接与不活动有关（S8 表）。其中，我们发现了连接左前扣带回与左上回 （β = 0.88，p < 0.01） 和额中回 （β = 0.78，p < 0.01）、左丘脑和小 脑 （β = -0.88，p < 0.01） 以及顶下回和直<回 （β = 0.7，p 0.01）。

 

此外，来自网络平均参与系数的回归分析确定前一天的非活动时间是影响 FPN 网络间整合变化的关键因素 （β = −0.57，p < 0.05）（图 4C 和 4D）。 此结果表明，前一天的活动较少与与其他网络的 FPN 连接较少相关。在使用替代分包（S19 图和 S11 表）重新分析时，该发现是一致的，但在去除全局信号时，该结果并不成立。未发现与分流或全局信号去除无关的全局效率的显著结果。

 

H3：睡眠模式和自主神经系统活动的波动与静息态 fMRI 期间额顶叶、默认模式和扣带回盖网络内的功能连接相关

为了了解前一天的睡眠、情绪和 ANS 活动模式对静息态功能连接的影响，我们对 DMN、FPN 和 CON 中的无阈值链接权重运行了一系列回归模型。这些模型的结果显示，前一天在床上的清醒时间与左侧背外侧额上回和右侧丘脑之间的连接呈负相关 （β = 1， p < 0.01）（图 5A）。结果还表明，前一天的最大 HRV 与左岛叶和左颞中回之间的连接 （β = 0.95，p < 0.01） 以及右侧后扣 带回和右小脑之间的连接 8 （β = -0.73，p < 0.01） 相关（图 5C）。 虽然所有 rs 连接模型都控制了扫描仪中微睡眠的百分比，但我们也报告了一些特别受这些微睡眠事件影响的链接（图 5B 和 S12 表）。

 

缩略图 下载：

PPT的PowerPoint 幻灯片

PNG放大图片

国际电影节原始图像

图 5. 静息状态下的功能性连接性与前一晚的睡眠质量和前一天的心率变异性呈线性关系。

 

（A） 单个链接的线性回归模型显示前一天的清醒时间与 DMN（紫色）中的前额叶皮层与 CON （青色）中的皮层下区域之间的连接之间存在显着关联。（B） 分析还揭示了扫描仪中的微睡眠时间与 DMN、扣带鳃盖膜和 FPN 中的静息态连接之间的显着关系。（C） 同样，回归分析表明前一晚的最大心率变异性与 DMN 和 CON 中链接之间的连接之间存在直接比例关系。（D） 用于计算网络参与系数的 FPN 节点。（E） 部分回归图显示 FPN 的参与系数由前一天的最小心率变异性强烈预测。通过 10,000 次非参数排列测试迭代对结果进行经验阈值化，并进一步校正多重比较（校正 p < 0.05）。脑图是用 netplotbrain 生成的 [171]。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。CON，扣带-鳃盖网;DMN，默认模式网络;FPN，额顶网络。

 

https://doi.org/10.1371/journal.pbio.3002797.g005

 

补充分析，包括第二次分组和全局信号回归，显示前一天的最大 HRV 预测了 DMN、FPN 和 CON 中的链接权重，尽管与主要分析中得出的有所不同（S21 和 S22 图以及 S13 和 S14 表）。当我们使用第二个分组分析数据时，卧床上的清醒时间也成为 3 个网络中大脑连接的重要预测因子（S21 图 和 S13 表），但当全局信号回归时则不是。尽管在每项分析中发现的联系不同，但涌现模式仍然存在：与清醒时间相关的链接具有正斜率（β范围在 0.88 和 1.33 之间，p < 0.01），与 HRV 相关的链接具有混合效应（β绝对值范围在 0.73 和 1 之间，p < 0.01）。换句话说，在床上花费更多时间而不睡觉会增加所选链接中的连接性。此外，较低的最大 HRV 增强了某些链路的连接性，而降低了其他链路上的连接性。我们还发现了与所有包裹和全局信号回归分析的扫描仪中闭眼百分比相关的链接 （β绝对值范围在 0.68 和 1 之间，p < 0.01）。

 

最后，网络内和网络间估计的回归结果表明，前一天的最小 HRV 是模型中唯一重要的预测因子，显示出对 FPN 参与系数的显着影响 （β = 0.86，p < 0.01） （图 5D 和 5E）。 换句话说，前一天较低的最低 HRV 与 FPN 的较低网络间集成相关。当全局信号从 rs-fMRI 数据回归时（S22 图 和 S15 表），这种模式仍然存在，但当使用第二次分组分析数据时，这种模式不会。相反，当采用第二个分组时，我们发现平均 HRV 与 CON 参与系数相关 （β = 0.83，p < 0.05 ）。我们还发现总睡眠持续时间 （β = -0.62，p < 0.05）、平均负面影响 （β = -0.52，p < 0.05 ）、平均 HRV （β = 0.81，p < 0.05） 和 最大 HRV （β = -0.52，p < 0.05） 被发现驱动 DMN 参与系数的变化（S21 图）。

 

H4：睡眠、自主神经系统活动和情绪的相似性增加与默认模式、额顶叶和显著性网络的相似性增加无关

为了评估看电影期间大脑连接与行为（即睡眠、ANS 或情绪）之间的关系，我们计算了每个 ROI 的成对 ISC 和每个行为变量的相似性矩阵之间的 Mantel 检验。请务必记住，为了计算每个 ROI 的成对 ISC，所有会话都必须具有可比较的时间序列。因此，由于头部运动过大而从一个会话中擦除的任何体积也不可避免地必须从其他会话中擦除。为了验证数据的质量，我们按照排除标准 FD < 0.2 按会话计算了清理卷的总数。经过检查，我们注意到，经过如此严格的清理后，所有会话中丢弃了 61% 的体积，只在电影的前三分之一部分留下了一些未触及的片段（S23 图）。

 

使用这个严格的标准，我们发现任何包裹的行为因素与大脑 ISC 之间都没有显着关系。尽管如此，当回归整体信号时，我们确定了大脑 ISC 与前一天的平均 HRV （ρ = -0.19， p < 0.05） 在左侧内侧额回 （MNI 坐标 x = -5.5， y = 29.3， z = 44） 使用 AK 模型。我们还观察到前一天的平均负面影响 （ρ = -0.19， p < 0.05） 在左颞中回 （MNI 坐标 x = -53.1， y = -11.4， z = -16） 之间有显着关系使用 NN 模型。两种结果都是使用替代分包获得的。

 

为了保持高标准的数据质量，同时保持更多的 fMRI 量，我们还在电影观看任务中采用了基于百分比的清理方法。此方法涉及从所有会话中丢弃特定卷（如果在至少一个会话百分比中被标记 （FD > 0.2）。例如，对于 30 个会话的样本，10% 阈值不包括在至少 3 个会话中 FD > 0.2 的所有卷。我们应用了这种基于百分比的清理，其中包含 2 个值 10% 和 5%，并且我们能够提高丢弃体积的百分比（对于 2 种基于百分比的清理策略，分别为 5% 的丢弃和 32% 的丢弃）。使用这些百分比清理的卷数在支持信息中报告（S24 和 S25 图 ）。

 

当我们使用额外的洗涤百分比和模型分析数据时，发现其他外部因素与每日 ISC 相关（S16 表）。从这些结果中，我们使用 NN 模型 （ρ = −0.26，p < 0.05） 强调前一天的不安睡眠与左侧顶上沟 ISC 之间的负相关关系，当整体 信号回归时，基于百分比的擦洗为 5%（S16 表）。同样，使用 AK 模型 （ρ = 0.19，p < 0.05） 中左内侧额上回的平均 HRV 和 ISC 活动之间的正相关关系，这与 使用第二次分组分析数据时的 2 种擦洗策略一致。

 

Q2：个人在过去 15 天内经历的行为、生理和生活方式因素会影响当今的功能性大脑连接模式

H5：过去 15 天经历的睡眠模式与持续注意力任务期间额顶叶、默认模式、躯体运动和扣带回盖网络的功能连接相关

我们采用时滞互相关分析来确定过去的睡眠行为与 DMN、FPN、CON 和躯体运动网络的大脑网络估计 （整体效率和参与系数） 之间的关系。空分布是根据大脑估计值和代理数据之间的 10,000 个相关性创建的。我们还更正了多重比较，假设 variable-lag 的每个元组都是独立的，即每个 variable-lag 元组有 4 个网络。

 

互相关分析显示，DMN 和 FPN 节点内的全局效率与过去 2 周的睡眠习惯相关。特别是，第 14 天的睡眠持续时间 （ρ = 0.51， p < 0.05）、床上清醒时间 （ρ = −0.48， p < 0.05） 和不安宁睡眠 （ρ = 0.46， p < 0.05） 与 DMN（图 6A）和 FPN（图 6B）的整体效率相关。此外，3 天前卧床的清醒时间与 FPN 网络内整合估计值 （ρ = 0.54， p < 0.01） 相关 （图 6B）。有关其他相关统计量，请参阅 S17 表。

 

缩略图 下载：

PPT的PowerPoint 幻灯片

PNG放大图片

国际电影节原始图像

图 6. 持续注意力任务期间的全脑功能连接与过去 15 天的睡眠模式有关。

 

过去 3 天和 14 天的睡眠模式与 DMN （A） 和 FPN （B） 的整体效率相关。同样，过去 6 至 15 天的睡眠模式与 DMN （E） 、额顶叶 （F）、扣带回盖骨 （G） 和躯体运动 （H） 网络的参与系数相关。显著相关性由星号 （*） 表示。还使用不同的阈值、 parcellations 和回归全局信号对数据进行了分析。方块显示了我们在至少 2 次分析中发现显著的相关性。睡眠测量与不同时间滞后的全脑连接相关，这表明睡眠史的不同方面与不同的大脑网络功能具有特定的时间敏感关系。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。DMN，默认模式网络;FPN，额顶网络。

 

https://doi.org/10.1371/journal.pbio.3002797.g006

 

分析还表明，前一天之后的睡眠模式与 DMN、FPN、CON 和体运动网络与其他网络通信的难易程度有关。例如，前第 15 天的睡眠持续时间 （ρ = 0.4， p < 0.05） 和第 7 天前经历的不安 （ρ = 0.39， p < 0.05） 与 DMN （图 6E） 和 FPN （图 6F） 的参与系数显著相关。此外，6 天前在床上的清醒时间与 CON （ρ = 0.40，p < 0.05）（图 6G） 和体运动网络 （ρ = 0.36，p < 0.05）（图 6H）的网络连接有关。 同样，先前的睡眠持续时间和不安与躯体运动网络的参与系数相关，滞后时间为 6 至 14 天（完整统计数据见 S18 表）。

 

大多数研究结果显示呈正相关，表明更多的睡眠时间、卧床清醒时间和睡眠中断与整体效率和参与系数的增加有关。这种模式表明，睡眠质量（而不仅仅是睡眠持续时间）所涉及的多个因素对于网络内部和网络之间的节点通信效率很重要。

 

当使用其他比例阈值（S26 和 S27 图和 S17 和 S18 表）分析数据时，我们发现了不同的显著时间滞后互相关，另一种分组（S28 图和 S19 表）以及将全局信号作为回归器（S29 图和 S20 表）。图 6 显示了在至少 2 个单独的数据分析中发现显著的可变滞后元组。在所有分析中，很少有滞后是一致的。特别是，我们观察到 DMN 和 FPN 的全局效率始终与清醒时间的短滞后和睡眠持续时间的长滞后相关，而它们的参与系数不受影响。相反，CON 和躯体运动网络的参与系数与 6 天前的清醒时间（CON ρ = 0.4，躯体运动 ρ = 0.36，p < 0.05）和不安（ρ = 0.53 躯体运动，p < 0.01）相关。 这一结果表明，在注意力任务中，清醒时间对网络内和网络间整合的影响发生在 1 周的时间范围内。

 

H6：过去 15 天经历的睡眠和身体活动模式与工作记忆任务期间默认模式、额顶叶和躯体运动网络中的功能连接相关

使用与 H5 相同的方法，我们研究了外部因素（例如过去的睡眠和活动模式）与大脑连接估计之间的关系。这些估计值是在执行工作记忆任务时为 DMN、FPN 和躯体运动网络计算的。我们还更正了多重比较，假设变量滞后的每个元组都是独立的，即每个变量滞后元组有 3 个网络。

 

这些分析的结果揭示了清醒时间、步数和非活动时间的短滞后（即少于 7 天）与 DMN（图 7A）和躯体运动网络（图 7C）中的整体效率的相关性。有关完整统计数据（相关性和 p 值），请参阅 S21 表。特别是，发现前第三天的非活动时间 （ρ = 0.43， p < 0.05） 和步骤数 （ρ = −0.42， p < 0.05） 与 DMN 的整体效率有关。

 

thumbnail 下载：

PPT的PowerPoint 幻灯片

PNG放大图片

国际电影节原始图像

图 7. 工作记忆任务期间的全脑功能连接与过去 15 天的睡眠和活动模式有关。

 

过去 2 至 14 天的睡眠和活动模式与 DMN （A） 和躯体运动网络 （C） 的整体效率相关。同样，过去 5 至 15 天的睡眠和活动模式与 DMN （D） 、额顶叶 （E） 和躯体运动 （F） 网络的参与系数相关。显著相关性由星号 （*） 表示。还使用不同的阈值、 parcellations 和回归全局信号对数据进行了分析。方块显示了我们在至少 2 次分析中发现显著的相关性。睡眠和活动测量与不同时间滞后的全脑连接相关，这表明睡眠和活动历史的不同方面与不同的大脑网络功能具有特定的、时间敏感的关系。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。DMN，默认模式网络。

 

https://doi.org/10.1371/journal.pbio.3002797.g007

 

同样，我们注意到 5 天前采取的步数与 DMN （ρ = −0.37，p < 0.05）（图 7D）、FPN（ρ = − 0.48，p < 0.01）（图 7E）和躯体运动网络（ρ = −0.54，p < 0.01）（图 5F）的参与系数之间存在显著的短滞相关性 ).这些负相关表明，5 天前步数减少与上述 3 个网络的网络间估计增加有关。相比之下，7 天前的睡眠持续时间与 DMN （ρ = 0.4， p < 0.05） 和躯体运动 （ρ = 0.4， p < 0.05） 网络中的参与系数呈显著正相关。

 

对于超过 7 天的时间滞后，我们的结果显示清醒时间、步数和非活动时间与 DMN（图 7A）和躯体运动网络（图 7C）中的整体效率之间存在相关性。有关完整统计数据（相关性和 p 值），请参阅 S21 表。我们还观察到睡眠模式与 DMN （滞后 15，ρ = 0.43，p < 0.05）（图 7D）和躯体运动网络 （滞后 15，ρ = 0.37，p < 0.05）的参与系数之间存在负长期 相关性（图 7F）。 此外，前 11 至 12 天经历的步数和非活动时间与 FPN （ρ = 0.49，p < 0.01） （图 7E） 和 躯体运动网络 （ρ = 0.5，p < 0.01） 中的参与系数相关（图 7F）。 这些结果表明，与每个网络内部的链接相比，一周多前减少的身体活动和睡眠时间与 FPN、躯体运动区域和其他网络之间的链接数量减少相关。值得注意的是，其中许多显著相关性发生在第 8 天或第 14 天左右，表明与 1 周和 2 周的间隔保持一致的模式。

 

在使用其他阈值（S30 和 S31 图和 S21 和 S22 表）、另一个分组（S32 图和 S23 表）并重新分析数据，并将全局信号作为回归因子（S33 图和 S24 表）后，我们观察到了主体分析中没有发现的几个显着的时间滞后互相关，尤其是 FPN 的参与系数。图 7 显示了重新分析数据后相关性的稳定性。尽管如此，我们发现几个时间滞后的相关性在不同的分析中保持稳定。例如，DMN 的全局效率显示出与清醒时间和不活动时间的重复时滞相关性。同样，网络的参与系数始终与动态睡眠和活动模式相关。这些结果表明，在工作记忆任务中，个体之前的睡眠，更重要的是，身体活动与 DMN 和躯体运动网络的网络内和网络间整合稳步相关。相关性似乎遵循大约 3 天的短周期和大约 11 天的长周期。

 

H7：过去 15 天的睡眠、自主神经系统活动和情绪模式与静息态 fMRI 期间默认模式、额顶叶和扣带顶盖网络的功能连接相关

为了研究外部因素和静息态脑网络估计之间的时间滞后关系，我们进行了一系列互相关分析。我们通过将我们的结果与基于替代数据的 10,000 个相关性进行比较来评估显着性。我们还更正了多重比较，假设变量滞后的每个元组都是独立的，即每个变量滞后元组有 3 个网络。

 

我们的结果表明，DMN 的整体效率主要与前几天经历的 ANS 活动（呼吸频率和 HRV）相关，但与之前的睡眠因素无关（图 8A）。所有相关性和 p 值都在 S25 表中报告。同样，FPN 的总体效率主要与先前的呼吸频率相关（滞后 2，ρ = 0.5，p < 0.01 和滞后 3，ρ = −0.46，p < 0.05 ），尽管 10 天前的睡眠时间（ρ = 0.42，p < 0.05）也具有 显着相关性（图 8B）。相反，积极影响滞后是影响 CON 整体效率的重要因素（滞后 2，ρ = 0.4，p < 0.05 和 滞后 8，ρ = 0.4，p < 0.05）（图 8C）。这些模式表明，虽然 DMN 和 FPN 的全局效率可能与 ANS 活动动态相关，但情绪因素可能在影响 CON 网络内集成方面发挥更重要的作用。

 

thumbnail 下载：

PPT的PowerPoint 幻灯片

PNG放大图片

国际电影节原始图像

图 8. 静息状态下的全脑功能连接与过去 15 天的睡眠、情绪和自主神经系统活动模式相关。

 

过去 2 到 14 天的模式与 DMN （A） 、额顶叶 （B） 和扣带鳃盖 （C） 网络的整体效率相关。同样，从前一天到过去 15 天的睡眠、活动和 ANS 活动模式与 DMN （D） 、额顶叶 （E） 和扣带回盖骨 （F） 网络的参与系数相关。显著相关性由星号 （*） 表示。还使用不同的阈值、 parcellations 和回归全局信号对数据进行了分析。方块显示了我们在至少 2 次分析中发现显著的相关性。外部因素测量与不同时间滞后的全脑连接相关，这表明个体睡眠、情绪和 ANS 历史的不同方面与不同的大脑网络具有特定的时间敏感关系。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。ANS，自主神经系统;DMN，默认模式网络。

 

https://doi.org/10.1371/journal.pbio.3002797.g008

 

相比之下，DMN 的参与系数与过去的 ANS 活动之间的相关性似乎不那么重要。相反，从 15 天前开始在床上的清醒时间 （ρ = -0.44， p < 0.05） 和最近的情绪变化，最多 2 天前（消极影响，滞后 2，ρ = -0.4，p < 0.05 和 积极影响，滞后 3，ρ = 0.53，p < 0.01），在 DMN 中 似乎更有影响力（图 8D）。同样，FPN 的参与系数与情绪效应和 HRV 显示出很强的短时相关性（图 8E）。在 CON 的参与系数中也看到了类似的趋势，尤其是在短期滞后相关性方面。例如，睡眠模式，特别是过去 3 天的睡眠持续时间和烦躁不安，表明与 CON 的网络间估计相关（图 8F）。所有相关性和 p 值都在 S26 表中报告。因此，我们观察到，与网络内估计相比，网络间整合似乎与较短的睡眠、情绪和 ANS 活动周期更密切相关。

 

值得注意的是，ANS 因子与 DMN 的全局效率之间的大多数动态相关性都是负的（见 S26 表）。这表明较低的呼吸频率和 HRV 可能与 DMN 内更有效的信息传递有关（图 8A）。相反，ANS 活动与网络参与系数之间的大多数时间滞后相关性是正的（图 8D、8E 和 8F）。同样，我们注意到情绪因素与 CON 的连通性之间存在正的短滞相关性。特别是，更多的负面情绪（滞后 5，ρ = 0.61，p < 0.05 和滞后 6，ρ = 0.48，p < 0.05）和压力水平（滞 后 7，ρ = 0.51，p < 0.05） 与网络整合内和网络整合之间的较高 CON 有关（图 8C 和 8F）。

 

与 H5 和 H6 类似，我们使用其他阈值 （S34 和 S35 图 和 S25 和 S26 表） 、分包（S36 图 和 S27 表）重新分析了静息态数据，并将全局信号作为回归因子包含在 fMRI 数据预处理阶段 （S37 图 和 S28 表）。图 8 显示了我们使用至少 2 种不同的分析方法发现具有统计显著性的变量滞后对。重新分析的结果表明，ANS 因子的时滞相关性具有高度稳定性。具体来说，DMN 的整体效率与 7 天和 13 天前的呼吸率之间的相关性在所有分析变体中似乎始终显著。FPN 的参与系数和前一天的 HRV 也观察到类似的模式，在每次分析中都显示出显著的相关性。总体而言，这些发现表明，对于 rs-connectivity，HRV 在网络内和网络间整合方面都存在重要关系，发生在 7 到 13 天之前的时间范围内。

 

H8：过去 15 天的睡眠、情绪和 ANS 活动与电影观看任务期间的分类准确性相关

为了了解大脑活动与过去的外部因素（如睡眠、情绪和 ANS 活动）之间的关系，在看电影的刺激期间，我们在分类准确性脑图上运行了一系列回归模型。这些映射表示分类器的准确性，以根据在不同会话的片段之间观察到的最高相似性正确识别特定的大脑模式。回归结果显示，分类准确性与过去的积极影响 （t = 6.55， p < 0.05， MNI 坐标 x = 66， y = −30， z = 8）、呼吸频率和睡眠持续时间 （t = 5.66， p < 0.05， MNI 坐标 x = 24， y = −76， z = 42） 显著相关（图 9）。特别是，经历的最大呼吸率 5 （t = 5.47， p < 0.05， MNI 坐标 x = −40， y = −66， z = −14）， 8 （t = 6.62， p < 0.05， MNI 坐标 x = 54， y = −12， z = 40） 和 11 天 （t = 5.76， p < 0.05， MNI 坐标 x = −48， y = −74， z = 28） 先验与左侧梭形的分类精度相关， 右中央后回、右中央前回和枕中回。

 

缩略图 下载：

PPT的PowerPoint 幻灯片

PNG放大图片

国际电影节原始图像

图 9. 日间电影时间段分类准确性与过去 15 天内经历的睡眠、情绪和呼吸频率模式相关。

 

分类准确性与以下因素有关：（A） 滞后 2 时积极影响的标准差，（B） 滞后 5 时的最大呼吸频率，（C） 滞后 8 时的最大呼吸频率，（D） 滞后 11 时的最大呼吸频率，以及 （E） 总睡眠持续时间滞后 15。绘图是用 nilearn [170] 生成的。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.g009

 

补充分析，包括更长的滑动窗口和全局信号回归，表明前 8 天和 11 天的最大呼吸率与分类准确性相关（S38-S40 图，有关完整统计数据和峰值 MNI 坐标，请参见 S29-S31 表）。事实上，在所有方法中，8 天前经历的最大呼吸率在右中央后回中表现出更大的激活（图 9C）。相反，只有当整体信号从数据中回归时，11 天前经历的最大呼吸率才显示右中央前回的一致大脑激活（S40D 图和 S31 表）。然而，对于这种特定的可变滞后组合，在较长的滑动窗口中发现了右中央后回的一致激活（S38D 和 S39E 图 ），但在主要分析中没有。补充分析还显示，在不同的滑动窗口中，分类图与 2 天前经历的积极影响的标准差之间的右颞上回之间存在一致的关联。

 

所有提到的分析都对解码地图采用了 LOO 交叉验证。虽然每次 LOO 分析最多需要 8 小时，但 20% 的交叉验证需要 33 天，这是不切实际的。因此，没有使用替代交叉验证方法进行补充分析。尽管如此，我们还是分析了 ROI 的一些质心，并将这些发现与我们的主要分类准确性图进行了比较。这些结果之间的高度相关性表明，不同的交叉验证方法可能会产生相似的结果（S41 图）。

 

总之，这些结果表明，当使用电影等自然刺激时，大脑活动与 8 到 11 天内特定大脑区域的呼吸速率模式有关。

 

其他分析

按照提出的方法，我们对任务 fMRI 数据进行了 3 次额外的分析。这些计算了以下方面的质量单变量统计量：（i） 持续注意力任务;（ii） 工作记忆任务;（iii） 工作记忆任务，包括感知负荷。我们发现前一天的睡眠持续时间与 PVT 任务期间的 BOLD 信号之间存在显着关联 （t = 7.39，p < 0.05，MNI 坐标 x = 55.04，y = −58.54，z = 19.89）（S42 图）。 未发现其他显著结果。

 

PVT 的平均 1/RT 与总睡眠时间、睡眠效率和睡眠潜伏期之间的标准化回归分析未产生任何显着结果。同样，我们发现 n-back 的准确性和总睡眠时间、睡眠效率、睡眠潜伏期、步数和非活动时间的回归分析没有显着结果。

 

讨论

在这个精确功能标测项目中，我们在 133 天内收集了单个个体的 fMRI、生理和行为数据。每周两次 MRI 脑部扫描包括 4 种不同的 fMRI 情况，包括传统认知任务、静息状态和视频观看。使用智能手机和可穿戴设备收集日常生理和行为数据。这两个数据源的组合使我们能够捕捉个体在 5 个月内发生的大脑活动和行为的变化。回归模型显示睡眠、活动、情绪和生理等外部因素与默认模式下的大脑网络动力学、额顶叶、扣带鳃盖和躯体运动网络的不同关联。时间滞后互相关分析表明，大脑连接与这些外部因素之间的关联超出了前一天，跨越了过去长达 15 天，这可能反映了外部因素和神经过程之间更持久和持续的关系。我们的结果还展示了将广泛使用的可穿戴设备纳入精确映射设计中的可行性，从流行的身体活动和睡眠传感器扩展到较少探索的生理测量[177]。这些细节和研究方法促进了对大脑活动、适应性生理学和环境因素的综合理解。这些见解为个体化、精准医学 [178] 和环境神经科学研究 [179] 奠定了基础。

 

在这项工作中，我们使用了 3 种功能连接性度量：（i） 链接，可以定义为 ROI 之间平均 BOLD 信号之间的相关性;（ii） 全局效率，定义为网络中大脑区域的平均逆最短路径长度;以及 （iii） 参与系数，定义为连接其社区外节点的链路数与该特定节点的链路总数之间的关系。因此，在这项工作中，增加的链接连接意味着不同大脑区域的 BOLD 信号之间的相关性增加，提高的全局效率（或效率）意味着由于子网络的大脑区域路径短，信号传输效率更高，而参与系数（或集成）增加意味着平均而言，子网络 ROI 与其主子网之外的 ROI 在功能上更加紧密地联系在一起。

 

在持续的注意力和工作记忆任务期间，功能连接受到前几天经历的外部因素的调节

碎片化睡眠会增加主观疲劳并恶化抑制力，即使总睡眠持续时间保持不变[180]。因此，支持我们的假设也就不足为奇了，我们的结果表明，在持续注意力任务期间，不安与大脑连接的变化密切相关。事实上，已知反复睡眠中断会逐渐降低注意力，警觉的注意力缺陷在连续几天的睡眠限制中以剂量依赖性方式积累[181]。与之前的横断面研究一致，我们的结果表明过去的睡眠持续时间 [182,183] 和不安 [184] 以及大脑连接之间存在关联。此外，根据以前的研究 [77,185]，我们观察到更长的睡眠时间和更多的中断与 DMN 整体效率和躯体运动整合的提高有关。

 

睡眠在工作记忆的有效运作中也起着至关重要的作用[64,186]。我们观察到，更长的睡眠时间和更多的睡眠中断与 DMN 和 FPN 的更大整合有关。然而，睡眠持续时间对工作记忆的影响似乎不会立即发生，而是在延迟 2 周后观察到。这些结果与我们关于持续注意力的发现非常吻合，强化了注意力是工作记忆过程不可或缺的一部分的观点 [187]。虽然睡眠影响的长时间延迟是出乎意料的，但众所周知，人们对睡眠不足的适应能力存在显著差异[181,188–190]。由于这是一项单受试者研究，因此受试者可能不是特别容易受到睡眠时间波动的影响。

 

我们的结果表明，身体活动在影响与工作记忆相关的功能连接随时间的变化中起着重要作用。特别是，前一天身体活动减少与 FPN 整合减少有关。这与之前与体育锻炼干预相关的前后比较的结果一致，该研究显示体育活动对工作记忆 [66,67,191] 和 FPN 连接降低的影响 [192]。相反，通过目前的实验设计，我们发现大脑连接与最近 （<3 天） 和早期 （>10 天） 身体活动之间存在关联。这些发现表明，身体活动水平对大脑网络有直接和延迟的影响，这支持了这样的观点，即定期的身体活动对于随着时间的推移保持最佳的大脑网络整合和交流可能至关重要。

 

先前的心率变异性与静息态功能连接有关

神经内脏整合模型通过自主神经系统和反馈回路描述了大脑活动和心率之间的生理相互作用[193]。例如，已知静息 HRV 与皮质中线和边缘大脑活动相关（由 Matusik 及其同事 [194] 综述）。横断面组水平研究结果证明，HRV 与静息态连接具有复杂的关联 [83,84,195]。特别是，DMN 和显著性网络的认知灵活性和相关的时间适应性与健康受试者静息 HRV 的增加有关 [84,195]，可能是通过抑制杏仁核活动 [85,193]。我们的结果表明，最近的 HRV （<5 天） 与静息时的区域功能连接相关。具体来说，FPN 是由前一天的静息 HRV 预测的，这种关联以前在基于群体的研究中没有报道。鉴于我们从 fMRI 数据中回归扫描仪内的心脏和呼吸率，这一点值得注意，这强调了 HRV 和连接性之间关系的稳健性。尽管局灶性脑-心脏相互作用的阐明仍在继续[194]，但测量个体在心脏和FPN之间的活动可能使研究人员和临床医生能够精确量化神经应激反应或认知资源分配。

 

我们的研究结果还表明，过去的情绪和睡眠也与休息和看电影时的大脑连接有关。与之前的密集采样、深度表型研究 [8] 一致，我们观察到积极的情绪与网络参与系数相关。然而，我们的分析并不仅仅关注当天的数据，而是扩展到滞后模式。出乎意料的是，我们发现最近的 sleep 大多与任务控制网络与其他网络的集成有关。虽然这些区域通常与睡眠有关，但有研究表明，睡眠质量是影响有氧运动如何改变前岛叶（CON区）和海马体连接的关键因素[196]。

 

大脑连接和外部因素与不同的时间延迟有关

人脑不断变化，从早到晚[197]，从青年到成年[198]。同样，人类行为模式在不同的时间尺度上发生变化。在这里，我们建议两个系统都会波动，但不会一致。相反，睡眠、身体活动、情绪和 ANS 活动等外部因素似乎与大脑连接动态相关，具有不同的时间延迟。这意味着这些外部因素的变化不会直接与大脑效率和整合的变化相关，这反映了对神经过程的更持久和持续的影响。

 

该对象的行为变化和大脑连接之间的延迟关系似乎表现为 2 个不同的阶段：短波，通常持续不到 7 天，以及长波，通常持续 7 到 15 天。我们的结果表明，受试者的大脑连接性与长滞后的睡眠持续时间和短滞后的 ANS 活动有关。由于 HRV 等生理过程表现出的波动比睡眠模式等变化更快，因此预计 HRV 的影响将在较短的时间范围内表现出来，而不是较长时间。研究表明，HRV 可以对刺激和内部状态做出快速反应 [199,200]，而睡眠持续时间则表现出更慢、更渐进的变化 [199]。因此，虽然 ANS 活动可能会迅速影响大脑连接，但其他行为模式的影响预计将在更长的时间内展开。其他因素也可能介导这些观察到的滞后。例如，雌二醇水平在月经周期的第 7 天后上升，并在第 14 天左右达到峰值。鉴于性激素被认为会影响女性的睡眠模式 [201]、HRV [202] 和大脑连接 [28]，激素很可能在这些观察到的滞后中起中介作用。

 

这些观察到的波之间的区别很有趣。短波可能反映了大脑对外部因素的即时或急性反应。例如，持续的注意力会很快受到几个晚上睡眠不佳的影响 [203]。然而，这种关系可能是短暂的，使大脑能够恢复到基线状态[204]。相比之下，观察到的长波表明外部因素和大脑连接之间存在更复杂的非线性相互作用，这意味着单个事件可能会触发一系列随时间展开的变化，并且不一定需要持续暴露于触发刺激。在大脑网络的效率和整合方面，注意力和工作记忆等认知要求任务下的连接似乎更为明显。相反，对于 rs-fMRI，短波似乎与网络集成更相关，而长波往往与网络效率相关。

 

功能连接的日常变化

最近的研究强调，功能性大脑网络在个人、会话和任务之间表现出差异。虽然一些研究表明这些网络随着时间的推移保持稳定[205]，但其他研究表明存在显著的可变性[206,207]。特别是，Gratton 及其同事 [23] 证明，尽管功能网络在基本上是稳定的，但它们表现出适度的基于任务的变化，这些变化在个体之间差异很大，具有最小但可测量的基于会话的可变性。其他研究人员也使用更大的频繁采样数据集[8,27,28]测量了这种微小的变化，这表明尽管连接性主要保持稳定，但具有足够功率的频繁采样能够检测到细微的会话间变化。

 

虽然我们的研究主要不是比较日常和任务相关的变化，但我们的结果提供了对与日常活动和任务状态相关的变化的见解。我们确定了在不同时间点影响不同任务的不同因素。利用我们的样本量 （n = 30），我们可以检测到在较小数据集中可能遗漏的细微影响。

 

科学家们强调了功能连接稳定性对生物标志物发现的重要性。同样，我们的研究结果表明，虽然基于个体的连接显示出最大的可变性，但日常变化也可能起着至关重要的作用，例如，在分析个性化医疗中疾病的进展。这方面可能为诊断和靶向治疗的开发提供有价值的见解。

 

局限性和未来研究

尽管本研究报告的结果很有希望，但应考虑几个因素。首先，这项研究包括来自单个个体的数据，这限制了我们将研究结果推广到其他受试者的能力。由于个体生活方式的多样性，与一个人的功能连接相关的特定延迟模式和变量不太可能在另一个人身上完全复制[208]。因此，为了丰富我们对环境、生理和生活方式因素与功能连接之间动态关系的理解，这项精密映射研究应扩展到具有代表性的样本。这将使我们能够检查受试者之间动态连接模式的一致性，无论他们的生活方式如何。我们预计与生理过程（例如呼吸频率）相关的模式在个体之间比与行为因素（例如情绪）相关的模式更一致，后者受到一系列外部干扰的严重影响 [209]。此外，与 Newbold 及其同事 [210] 类似，检查受控、诱导变化期间网络组织的日常变化，将提供更多关于大脑如何重组以适应、承受外部扰动并从外部扰动中恢复的信息。

 

其次，我们使用 2 个模型来了解外部因素与大脑连接之间的动态关系。第一个模型考虑了前一天的因素，而第二个模型包括更长的滞后。然而，第二个模型独立分析了变量和滞后，因此没有评估变量之间的相互作用。未来扩展 GLM 滞后范围或应用部分定向相干的研究可以让我们理解大脑连接中外部因素的时间动态和潜在的延迟影响。与以前的研究类似 [28]，在未来的研究中采用更复杂的方法，如向量自回归 （VAR），也可以提高我们对大脑动力学的理解，因为大脑连接不仅会使用过去的外部因素进行建模，还会使用其以前的状态进行建模。

 

第三，虽然我们的分析考虑了非参数测量和线性关系，但我们没有分析外部因素和大脑连接之间潜在的非线性关系。然而，许多人类过程可以建模为非线性，例如运动期间的 HRV [211]、大脑区域之间的功能连接 [212] 和睡眠期间的大脑连接 [213]。因此，在未来的研究中纳入非线性动力学分析可能会加深我们对外部因素和大脑连接之间复杂相互作用的理解。

 

第四，我们的实验设计允许研究外部因素如何影响过去长达 15 天的功能连接。然而，尚不清楚这些因素的影响是否超出这 2 周的时间范围。此外，虽然我们每天对所有因素进行抽样，但并非所有因素都与同一时间尺度上的连通性有关。这表明理想的采样频率可能会因所研究的特定因素而异。需要未来的工作来了解这些时间动态并确定每个因素最合适的采样率。

 

第五，在这项工作中，我们专注于将当前的大脑连接与过去的环境、生理和生活方式因素相关联。然而，我们没有探讨当前的连接性可能预测未来因素的可能性，即考虑这样一种观点，即不仅我们的大脑受到过去经历的影响，而且我们的连接性会影响我们对未来事件的反应。考虑到在其他领域观察到的既定的时间双向关系，例如睡眠与皮层厚度维持之间的相互作用，这一点尤其重要[13]。因此，未来的研究应该探索这种双向性，以获得对这些大脑动力学的更全面理解。

 

第六，我们的主要重点是检查外部变量对大脑连接的直接动态影响。但是，重要的是要承认可能有助于观察到结果的几个未探索的因素。例如，我们需要考虑睡眠、情绪和活动数据中是否存在自相关，以及它如何影响模型，尤其是滞后互相关。此外，最初看起来是过去睡眠对当前功能连接的影响，可能源于随着时间的推移逐渐积累睡眠债务等因素。同样，一些影响可能会受到一周与周末行为模式差异的影响。因此，虽然我们的主要目标是建立和证明这些关系的存在和可衡量性，但重要的是要认识到许多其他问题仍然存在悬而未决。

 

最后，我们采用基于组的图谱 [158] 来提高我们研究结果的普遍性，因为这些图谱提供了在数百个受试者中被证明是可靠的大脑区域。此外，基于组的分组通过提供通用框架来促进与现有文献的比较。然而，最近的研究表明，基于群体的包裹掩盖了个体差异 [26]，并且个体包裹也会随着认知状态的变化而变化 [214,215]。虽然使用单个包裹进行再分析超出了当前研究的范围，但我们可以推测，这种方法不仅可以证实我们观察到的外部因素与大脑连接之间的关系，而且还可能完善我们对大脑空间动力学的见解。因此，未来需要对每个任务使用单独的包裹进行分析，以了解外部因素是否驱动了包裹中的重新配置。此外，使用个性化分组对数据进行重新分析可以进一步了解结果的稳定性和可重复性。

 

影响和更广泛的影响

我们的研究表明了各种行为因素和大脑连接之间复杂的动态相互作用。精确映射设计成为研究这些机制的一个有前途的框架。由于其探索性，我们的研究表明了几个与日常功能连接相关的外部因素，可能值得在其他个体中探索。这些因素可以作为确定应该进一步研究哪些方面和研究驱动观察到的关系的机制的基础。这可能特别相关，因为已知睡眠等因素会影响皮质结构[13]、突触强度[216]和脑脊液流动节律[217]，这与其他可能影响连接变化的生物因素（如激素[28]、突触蛋白[218]和神经胶质突[219]）相似。

 

不同的精确映射研究已经确定，单个功能网络在很大程度上是稳定的[23]，随着时间的推移有细微的变化[8,28,210]。我们的研究结果证实了这种可变性，并通过证明在生态有效背景下将可变性与几种行为测量的变化联系起来的可行性，扩展了以前的研究。考虑到心理健康障碍在数周内表现出大脑功能和数字表型测量模式的变异性增加 [27]，这一见解至关重要。我们的研究结果强调了将这些模型结合起来的潜力，以评估个体功能连接的改变是否对应于不同疾病状态下的个性化行为模型[220]。此外，可穿戴设备和智能手机的使用表明了一种经济高效的 MRI 替代方案，用于监测患者进展并将其与大脑连接相关联。例如，研究人员可以监测基于连接的经颅磁刺激干预对行为的影响。科学家们还可能在受试者中获得更高的依从率，因为可穿戴设备可能会以更少的 MRI 会话来告知大脑连接的变化。

 

该实验旨在评估行为、生理和生活方式因素与大脑连接性变异性的关系，挑战了仅少数试验就足以正确采样个体大脑活动和行为的假设。虽然我们捕捉到了大脑和行为的日常变化，但此处显示的结果提出了关键问题：这些动态因素如何导致在功能连接中观察到的异质性，以及研究人员如何解释它们，特别是如果它们不在研究的重点范围内？例如，我们的结果表明，HRV 和呼吸率与当前的大脑连接存在时间滞后相关性。即使在扫描过程中控制心脏和呼吸频率时，这些结果仍然存在，这表明过去的生理状态可能会继续影响 BOLD 信号，从而影响我们对神经活动的间接测量。正如 Duyn 及其同事所建议的那样，这种影响可能会阻碍对 fMRI 研究的解释 [221]。

 

虽然我们探讨了特定滞后的影响，但在 fMRI 研究中控制每个滞后可能是不切实际的，尤其是随着受试者数量的增加。另一种方法是调查过去几天的累积效应，例如前一周。但是，这是否会产生与单个滞后类似的结果仍然是一个悬而未决的问题。如果属实，那么使用累积方法可能是控制被视为混杂因素的更实用的替代方案。如果管理这些滞后具有挑战性，我们建议 fMRI 研究人员至少将受试者最近的行为和生理模式视为他们分析中的潜在混杂因素。例如，研究人员应考虑使用活动记录仪根据测量的睡眠模式对受试者进行分层，并将这些亚组作为可能的混杂因素纳入分析。这种纳入，即使是在群体层面，也可能显著提高 fMRI 结果的准确性，并提供有关异质性结果的更多信息。

 

最后，网络科学已成为理解生物、心理、环境和神经元系统之间复杂交互的宝贵框架。虽然有人建议使用多层框架将脑成像数据与行为数据 [222] 相结合，但采用这些方法的实际实验仍然仅限于分析瞬时脑数据变化 [223]。我们建议同时收集密集采样行为数据的精确映射研究提供了足够数量的高分辨率数据，以新颖的方式应用多层方法。例如，可以将不同的数据源建模为图层，将不同的日期建模为节点，并将每日时间序列之间的相关性建模为链接。通过这样做，我们可以将不同的行为和生物方面整合为单个网络中的层，解决生物、心理和环境因素的相互依存关系。此外，这些模型可以预测一层（大脑）的变化如何影响另一层（行为），承认它们相互依存的性质，并摆脱孤立分析大脑的还原论观点。

 

结论

在这项精确映射研究中，我们收集了任务、静息态和自然主义 fMRI 数据，进行了首批在深度采样设计中使用这些刺激的研究之一。更具体地说，我们还通过结合智能手机和可穿戴设备，扩展了在精确功能映射研究中收集行为数据的方法，确保数据更可靠。我们的研究结果表明，行为、生理和生活方式因素与不同时间尺度上的大脑连接相关，包括短期 （<7 天） 和长期 （<2 周）。这些结果有助于产生新的假设，并且可以作为进一步研究个体内变异性的基础。同样，公开可用的数据为开发分析多变量大脑和传感器数据的新方法提供了独特的机会。它们还为后续纵向研究的功效分析提供了基础，尤其是在将 fMRI、智能手机和可穿戴设备结合数天、数周和数月时。大脑活动、生理学数据和环境线索的整合将支持精准医疗保健 [178] 和未来的环境神经科学研究 [178,179]。

 

支持信息

有关试点的其他信息和其他分析。

 

显示 1/74： pbio.3002797.s001.docx

 

跳至 fig分享导航

很抱歉，我们无法加载您的数据。

1 / 74

 

 

下载

无花果分享

S1 文本。 有关试点的其他信息和其他分析。

这包括试点研究的描述以及有关完整数据集的其他分析和质量控制的信息。

 

https://doi.org/10.1371/journal.pbio.3002797.s001

 

（DOCX）

 

S1 图 认知任务示意图。

（A） PVT 任务 [42]。参与者必须观察红色屏幕，并在其上出现黄色计数器时立即按下按钮。计数器显示从计数器开始到按下按钮之间经过的毫秒数，即反应时间 （RT）。如果在未显示刺激时按下按钮，或者 RT 超过 500 毫秒，则计算失误。最后一次反应和新刺激之间的时间在 2 到 10 秒之间变化。（B） N-back 任务 [43]。听觉和视觉刺激同时呈现。每次试验只有 1 次刺激（视觉或听觉）变化。听觉刺激和视觉刺激是正弦波光栅，偶尔有听觉或视觉干扰。当音高增加/减少时，参与者应按下 Up/Down 按钮。当评分逆时针/顺时针变化时，参与者还应按下左/右按钮。

 

https://doi.org/10.1371/journal.pbio.3002797.s002

 

（TIF）

 

S2 图 试点研究 I 的 PVT 分数与时间的关系。

参与者连续 15 天 （n = 15） 测试 PVT 任务并监测她的表现。根据 Basner 和 Dinges 计算 PVT 评分 [42]。该图显示了 （A） 平均 1/RT、（B） 最慢 1/RT、（C） 中位 RT、（D） 最快的 10% RT、（E） 失误次数、（F） 失误概率和 （G） 表现的分数。与以前的报告类似 [42]，我们在 PVT 任务的任何分数中都没有观察到明显的学习效果。Pilot I 数据可以在 Zenodo 版本 [174] 中找到。

 

https://doi.org/10.1371/journal.pbio.3002797.s003

 

（TIF）

 

S3 图 在试点研究 I 期间使用智能手机和可穿戴设备收集的数据的质量评估 （n = 15）。

我们从每个传感器中绘制 1 个特征，并用红色突出显示缺少数据的天数。我们将缺失数据比率估计为每个传感器应收集的数据点总数的比例。我们显示了 （A） 睡眠、（B） 活动、（C） 体验采样方法 （ESM）、（D） 电池、（E） 灯、（F） WiFi 和 （G） GPS 位置数据的数据质量。总体而言，数据质量良好，大多数传感器丢失的数据不到 10%。只有光传感器丢失了大约 20% 的数据，并且似乎每隔一天就会丢失一种数据模式，这种模式无法与其他传感器相关联。Pilot I 数据可以在 Zenodo 版本 [174] 中找到。

 

https://doi.org/10.1371/journal.pbio.3002797.s004

 

（TIF）

 

S4 图 N-back 学习效果。

参与者连续 14 天 （n = 14） 测试了 n-back 任务，并监测了她的表现。计算了三个 n-back 分数：正确答案的数量、错误答案的数量和缺失答案的数量（即受试者没有按下按钮）。该图显示了 （A） 1 后卫和 （B） 2 后卫的分数。对于这两项任务，在试点研究开始时，正确答案和缺失答案的数量存在很大的可变性。随着时间的推移，变异性会降低，正确答案和缺失答案的数量在稳定计数上略有波动。1-back 任务大约需要 7 天，而 2-back 任务大约需要 10 天才能达到这个稳定性。此外，还评估了 （C） 音高变化（八度音阶）和 （D） 视角（度）的任务难度 d'。Pilot II 数据可在 Zenodo 版本中找到 [174]。

 

https://doi.org/10.1371/journal.pbio.3002797.s005

 

（TIF）

 

S5 图 预处理策略分析。

我们通过比较去噪前后的图像来检查我们的预处理选择如何影响 BOLD 信号。我们的目标是在不丢失信号的情况下去除选定的混杂物，因此清洁效果需要明显但适中。我们看到：（A） 大多数受影响的体素位于感兴趣的信号所在的皮层。此外，相关系数表明影响是中等的。（B） 同样，体素相关系数的分布显示体素几乎不受影响的比例很低（即粗糙的去噪）。在这种情况下，较高的相关性意味着降噪策略的效果更强。（C） 去噪策略影响全局信号 （GS）。漂移效应在回归混杂和过滤之前是显而易见的。（D） 降噪效果在单个体素信号中也可见。我们从皮层中随机选择一个体素，并绘制了混淆回归和过滤前后的信号。两个信号看起来相似，但一些峰值在去噪后减弱了（之后是体素）。（E） 全局信号和大脑体素之间的相关性。大多数全局信号与皮层和感兴趣区域中的体素高度相关。（F） 全局信号与随机选择的皮层体素的相关性。（G） 去噪前后信号的地毯图 [224]。与降噪前的地毯图（上图）相比，降噪后的地毯图（下图）的噪点更少，并且更像白噪声，这是理想的特征。脑图是用 nilearn [170] 生成的。Pilot III 数据可在 Zenodo 版本中找到 [174]。

 

https://doi.org/10.1371/journal.pbio.3002797.s006

 

（TIF）

 

S6 图 跨任务和会话的时间信噪比 （tSNR）。

对于每个任务和会话，通过计算每个体素在时间上的平均值和标准差之间的比率来生成 tSNR 映射。该图显示了脑掩码内的 tSNR 值。在任务和会话中，平均 tSNR 为 120.11。正如预期的那样，我们观察到靠近空气组织边界的区域出现信号丢失。脑图是用 nilearn [170] 生成的。Pilot III 数据可在 Zenodo 版本中找到 [174]。

 

https://doi.org/10.1371/journal.pbio.3002797.s007

 

（TIF）

 

S7 图 跨任务和会话的帧位移 （FD）。

对于每个任务和会话，我们绘制了由 fmriprep 计算的 FD。总的来说，信号质量很好;99.2% 的时间峰值低于 0.2，没有峰值超过 0.5。Pilot III 数据可在 Zenodo 版本中找到 [174]。

 

https://doi.org/10.1371/journal.pbio.3002797.s008

 

（TIF）

 

S8 图 在试点研究 III 期间（n = 37 天）对使用智能手机和可穿戴设备收集的数据进行质量评估。

我们绘制了每个传感器的 1 个特征，并用红色突出显示了数据缺失的日期。我们将缺失数据比率估计为每个传感器应收集的数据点总数的比例。我们显示 （A） 睡眠、（B） 活动、（C） ESM、（D） 电池、（E） 灯、（F） WiFi 和 （G） GPS 位置数据的数据质量。总体而言，数据质量良好，大多数传感器丢失的数据不到 10%。光线和位置传感器缺失的数据点超过 15%。虽然光传感器有模式，但位置传感器没有。鉴于电池传感器的数据缺失不到 2%，光线和位置传感器缺失可能与它们自身的技术问题有关，而不是其他因素，例如被摄体关闭手机。Pilot III 数据可在 Zenodo 版本中找到 [174]。

 

https://doi.org/10.1371/journal.pbio.3002797.s009

 

（TIF）

 

S9 图 smartring 功能之间的相关性。

（A） 完全相关矩阵。（B） 睡眠特征子集之间的相关性。（C） 活动特征子集之间的相关性。选择 B 和 C 中的功能基于 2 个原因：它们不是制造商自动计算的分数，并且与睡眠分期无关。对于所有矩阵，我们对上三角形进行了阈值处理，以显示绝对值大于 0.5 的相关系数。Pilot III 数据可在 Zenodo 版本中找到 [174]。

 

https://doi.org/10.1371/journal.pbio.3002797.s010

 

（TIF）

 

S10 图 缺失数据的不同插补方法之间的性能比较。

我们随机删除了 20% 的 （A） 睡眠和 （B） ESM 收集的数据。然后，我们使用每个插补器来生成人工缺失数据的值。最后，我们计算了真实值与插补器产生的值之间的均方误差 （MSE），并重复该过程 10,000 次。零、平均值和常见插补器分别用数据集的零、平均值和最频繁的值替换缺失的数据点。线性插补器根据现有数据计算线性模型，并使用它来预测缺失数据值。knn imputer 根据 k 最近邻方法补全缺失值。迭代插补器根据同一数据集中的其他特征估计新值。最后，小鼠通过链式方程 [225] 插补不完整的多变量数据。Pilot III 数据可在 Zenodo 版本中找到 [174]。

 

https://doi.org/10.1371/journal.pbio.3002797.s011

 

（TIF）

 

S11 图 试点研究数据与《布达佩斯大饭店》第2部分数据的ISC比较[44]。

（A） 来自试点研究数据的 ISC。（B） 来自布达佩斯数据集的 ISC。我们观察到，大脑中的相似区域在会话（试点研究）和受试者（布达佩斯）之间被激活。尽管如此，试点研究数据中的相关性值更强。脑图是用 nilearn [170] 生成的。Pilot III 数据可在 Zenodo 版本中找到 [174]。

 

https://doi.org/10.1371/journal.pbio.3002797.s012

 

（TIF）

 

S12 图 试点研究课程之间的 ISC 比较。

（A） 第 1 节与第 2 节。（B） 会话 1 与会话 3，以及 （C） 会话 2 与会话 3。我们在 3 个会话之间观察到 ISC 的高值。我们还观察到了类似的激活簇，强度相似。脑图是用 nilearn [170] 生成的。Pilot III 数据可在 Zenodo 版本中找到 [174]。

 

https://doi.org/10.1371/journal.pbio.3002797.s013

 

（TIF）

 

S13 图 主数据集的数据质量。

对于每天（x 轴），我们绘制了每个数据源（y 轴）的可用数据百分比。可用数据的百分比表示成功收集的数据点数占计划在一天内每个数据源收集的数据点总数。一些来源每周只提供几天的数据，例如每周日收集的每周问卷（用红色虚线表示）和安排在周一和周五的 MRI 会议。数据集显示缺失最小，大多数每日数据至少达到 60% 完成，但脉率变异性和呼吸频率除外，它们的收集率较低，分别为 20% 和 40%。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。

 

https://doi.org/10.1371/journal.pbio.3002797.s014

 

（TIF）

 

S14 图 MRI 和眼动仪数据质量。

（A） 在大多数会话和任务中，受试者头部运动最小，平均帧移动 （FD） 值在 0.07 和 0.17 之间。（B） 对象在大多数会话中也保持警觉，在 120 次采集中只有 18 次经历微睡眠。来自 8 次采集的数据已损坏，无法使用。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。

 

https://doi.org/10.1371/journal.pbio.3002797.s015

 

（TIF）

 

S15 图 每个会话的帧移动。

在 （A） PVT 任务、（B） 静息状态、（C） 电影观看和 （D） n-back 任务期间，逐帧位移分布显示为所有会话的小提琴图。在所有任务的所有会话中，平均 FD 都保持在 0.2 以下，尽管有一些高运动峰值。更高的峰值往往发生在 n-back 任务期间。通过 fmriprep [134,135] 预处理的 FD 数据可在 GIT 存储库 [176] 的结果文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s016

 

（TIF）

 

S16 图 使用智能手机和可穿戴设备测量的外部因素的协方差矩阵。

高相关性 （ρ > 0.7） 用星号标记。对于睡眠测量，睡眠效率和睡眠潜伏期之间的高度相关性是众所周知的。对于情绪测量，关于疼痛程度、负面影响和压力水平的不同统计数据之间的高度相关性是相关的。此外，最小负面影响和最小压力水平没有表现出变化（白色条纹）。对于生理测量，我们看到平均呼吸频率和中位呼吸频率、最大呼吸频率和呼吸频率标准差、平均 HRV 和中位 HRV 以及最大 HRV 和 HRV 标准差之间高度相关。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。

 

https://doi.org/10.1371/journal.pbio.3002797.s017

 

（TIF）

 

S17 图 持续注意力任务期间的功能连接与前一天的睡眠质量呈线性关系。

（A） 这些结果是使用第二个分包得出的（来自 Seitzman 及其同事 [158] 的 set2）。在这种情况下，不安的睡眠与 DMN（紫色）、扣带鳃盖（青色）和躯体运动（黄色）网络内节点之间的连接有关。红色表示正相关，蓝色表示负相关。通过 10,000 次非参数排列测试迭代对结果进行经验阈值化，并进一步校正多重比较（校正 p < 0.05）。所有链接都列在 S5 表中。脑图是用 netplotbrain 生成的 [171]。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s018

 

（TIF）

 

S18 图 持续注意力任务期间的功能连接与前一天的睡眠质量呈线性关系。

这些结果是通过将全局信号作为回归器并使用 Seitzman 及其同事的 set1 [158] 得出的。（A） 对于这种情况，不安睡眠与 DMN（紫色）、扣带鳃盖（青色）、额顶叶（绿色）和躯体运动（黄色）网络内节点之间的连接有关。红色表示正相关，蓝色表示负相关。（B） 用于计算参与系数的体感运动网络中的节点。（C） 部分回归图显示躯体运动网络的参与系数与前一晚的不安睡眠成正比。通过 10,000 次非参数排列测试迭代对结果进行经验阈值化，并进一步校正多重比较（校正 p < 0.05）。所有链接都列在 S6 表中。脑图是用 netplotbrain 生成的 [171]。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s019

 

（TIF）

 

S19 图 工作记忆任务期间的功能连接线性取决于前一晚的睡眠质量和前一天的不活动时间。

这些结果是使用第二个 parcellation（来自 Seitzman 及其同事 [158] 的 set2）得出的。（A） 单个链接的线性回归模型显示前一天的非活动时间与 DMN（紫色）、额顶叶（绿色）和躯体运动（黄色）网络中的链接之间存在显着关联。（B） 同样，分析揭示了前一晚的不安睡眠与这些相同的网络之间存在显着关系。红色表示正相关，蓝色表示负相关。（C） 用于计算参与系数的额顶叶网络节点。（D） 部分回归图显示额顶叶网络的参与系数与前一天的非活动时间成比例相关。通过 10,000 次非参数排列测试迭代对结果进行经验阈值化，并进一步校正多重比较（校正 p < 0.05）。所有链接都列在 S9 表中。脑图是用 netplotbrain 生成的 [171]。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s020

 

（TIF）

 

S20 图 工作记忆任务期间的功能连接线性取决于前一晚的睡眠质量和前一天的不活动时间。

这些结果是通过将全局信号作为回归器并使用 Seitzman 及其同事的 set1 [158] 得出的。（A） 单个链接的线性回归模型显示前一天的非活动时间与 DMN（紫色）、额顶叶（绿色）和躯体运动（黄色）网络中的链接之间存在显着关联。（B） 同样，分析揭示了前一晚的不安睡眠与这些相同的网络之间存在显着关系。红色表示正相关，蓝色表示负相关。通过 10,000 次非参数排列测试迭代对结果进行经验阈值化，并进一步校正多重比较（校正 p < 0.05）。所有链接都列在 S10 表中。脑图是用 netplotbrain 生成的 [171]。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s021

 

（TIF）

 

S21 图 静息状态下的功能性连接性与前一晚的睡眠质量和前一天的心率变异性呈线性关系。

这些结果是使用第二个 parcellation（来自 Seitzman 及其同事 [158] 的 set2）得出的。（A） 单个链接的线性回归模型显示前一天的床上清醒时间与扣带鳃盖网络（青色）、FPN（绿色）和 DMN（紫色）之间的连接之间存在显着关联。（B） 分析还揭示了扫描仪中的微睡眠时间与 DMN、扣带鳃盖骨和额顶叶网络中的静息态连接之间的显着关系。（C） 同样，回归分析表明前一晚的最大心率变异性与 DMN、FPN 和扣带回盖网络中链接之间的连接性之间存在直接比例关系。红色表示正相关，蓝色表示负相关。（D） 用于计算网络参与系数的 DMN 节点。部分回归图显示 DMN 参与系数由前一天的 （E） 总睡眠持续时间、（F） 平均负面影响、（G） 平均心率变异性和 （H） 最大心率变异性强烈预测。（I） 来自扣带鳃盖网络的节点，用于计算网络的参与系数。（J） 部分回归图显示 CON 参与系数由前一天的平均心率变异性强烈预测。通过 10,000 次非参数排列测试迭代对结果进行经验阈值化，并进一步校正多重比较（校正 p < 0.05）。所有链接都列在 S13 表中。脑图是用 netplotbrain 生成的 [171]。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s022

 

（TIF）

 

S22 图。 静息状态下的功能性连接性与前一天的心率变异性呈线性关系。

这些结果是通过将全局信号作为回归器并使用 Seitzman 及其同事的 set1 [158] 得出的。（A） 单个链接的线性回归模型显示前一晚的最大心率变异性与扣带鳃盖网络（青色）、FPN（绿色）和 DMN（紫色）之间的连接之间存在显着关联。（B） 分析还揭示了扫描仪中的微睡眠时间与 DMN、扣带鳃盖骨和额顶叶网络中的静息态连接之间的显着关系。（C） 用于计算网络参与系数的 FPN 节点。部分回归图显示 FPN 参与系数由前一天的 （D） 最小心率变异性、（F） 平均心率变异性强烈预测。通过 10,000 次非参数排列测试迭代对结果进行经验阈值化，并进一步校正多重比较（校正 p < 0.05）。所有链接都列在 S14 表中。参与系数的结果列在 S15 表中。脑图是用 netplotbrain 生成的 [171]。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s023

 

（TIF）

 

S23 图。 影片数据质量。

由于 ISC 计算需要具有相同体积数的 fMRI 数据，因此普通清理需要在每个会话中检测所有具有高移动 （FD > 0.2） 的体积，并在所有会话中删失它们。应用这种清理技术会审查所有会话中 60.11% 的卷。我们使用普通清理绘制了 30 个会话中要删失的 （A） 卷。每个 TR 卷显示在 x 轴上，而会话显示在 y 轴上。灰色表示 FD 和删失的卷为红色。（B） 我们还绘制了超过 FD 阈值的会话数。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s024

 

（TIF）

 

S24 图 影片数据质量。

对于每个卷，百分比清理涉及检测会话总数 （ns），>并且仅当 ns高于阈值。此阈值通常与会话的百分比相关。应用这种清理技术会审查所有会话中 31.47% 的卷。我们使用 5% 的擦除百分比绘制了要删失的 （A） 体积（即，至少 2 个高移动的会话）。每个 TR 卷显示在 x 轴上，而会话显示在 y 轴上。灰色表示 FD 和删失的卷为红色。（B） 我们还绘制了超过 FD 阈值的会话数。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s025

 

（TIF）

 

S25 图。 影片数据质量。

对于每个卷，百分比清理涉及检测会话总数 （ns），>并且仅当 ns高于阈值。此阈值通常与会话的百分比相关。应用这种清理技术会审查所有会话中 4.63% 的卷。我们使用 10% 的擦除百分比绘制了要删失的 （A） 体积（即，至少 3 个高移动会话）。每个 TR 卷显示在 x 轴上，而会话显示在 y 轴上。灰色表示 FD 和删失的卷为红色。（B） 我们还绘制了超过 FD 阈值的会话数。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s026

 

（TIF）

 

S26 图 持续注意力任务期间的全脑功能连接与过去 15 天的睡眠模式有关。

这些结果是通过在 20% 比例阈值处对网络进行阈值处理而得出的。过去 3 天和 14 天的睡眠模式与 （A） DMN 和 （B） FPN 中的总体效率相关。未发现睡眠模式与 （C） CON 和 （D） 躯体运动网络之间存在显著相关性。同样，没有发现 （E） DMN 或 （F） FPN 的参与系数的相关模式。然而，过去 6 至 9 天的睡眠模式与 （G） CON 和 （H） 躯体运动网络中的参与系数相关。显著相关性由星号 （*） 表示。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s027

 

（TIF）

 

S27 图 持续注意力任务期间的全脑功能连接与过去 15 天的睡眠模式有关。

这些结果是通过在 30% 比例阈值处对网络进行阈值处理而得出的。过去 3 天的睡眠模式与 （B） FPN 中的全局效率相关。未发现睡眠模式与 （A） DMN、 （C） CON 和 （D） 躯体运动网络之间存在显著相关性。同样，没有发现 （E） DMN 或 （F） FPN 的参与系数的相关模式。然而，过去 4 至 6 天的睡眠模式与 （G） CON 和 （H） 躯体运动网络中的参与系数相关。显著相关性由星号 （*） 表示。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s028

 

（TIF）

 

S28 图 持续注意力任务期间的全脑功能连接与过去 15 天的睡眠模式有关。

这些结果是通过使用 Seitzman 及其同事 [158] 的 set2 和 10% 比例阈值得出的。过去 3 到 12 天的睡眠模式与 （A） DMN 和 （D） 躯体运动网络的整体效率相关。未发现睡眠模式与 （B） FPN 和 （C） CON 之间存在显著相关性。同样，过去 3 到 14 天的睡眠模式与 （E） DMN 和 （F） FPN 中的参与系数相关。未发现 （G） CON 或 （H） 躯体运动网络的参与系数的相关模式。显著相关性由星号 （*） 表示。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s029

 

（TIF）

 

S29 图 持续注意力任务期间的全脑功能连接与过去 15 天的睡眠模式有关。

这些结果是通过将全局信号作为回归因子并使用 Seitzman 及其同事 [158] 的 set1 和 10% 比例阈值得出的。过去 9 至 12 天的睡眠模式与 （A） DMN 和 （D） 躯体运动网络的整体效率相关。未发现睡眠模式与 （B） FPN 和 （C） CON 之间存在显著相关性。同样，没有发现 （E） DMN、（F） FPN 或 （G） CON 的参与系数的相关模式。尽管如此，过去 6 天的睡眠模式与 （H） 体运动网络中的参与系数相关。显著相关性由星号 （*） 表示。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s030

 

（TIF）

 

S30 图 工作记忆任务期间的全脑功能连接与过去 15 天的睡眠和活动模式有关。

这些结果是通过在 20% 比例阈值处对网络进行阈值处理而得出的。过去 3 到 14 天的睡眠和活动模式与 （A） DMN、 （B） FPN 和 （C） 躯体运动网络的整体效率相关。同样，过去 3 到 8 天的睡眠和活动模式与 （D） DMN、 （E） FPN 和 （F） 躯体运动网络的参与系数相关。显著相关性由星号 （*） 表示。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s031

 

（TIF）

 

S31 图 工作记忆任务期间的全脑功能连接与过去 15 天的睡眠和活动模式有关。

这些结果是通过在 30% 比例阈值处对网络进行阈值处理而得出的。过去 3 到 14 天的睡眠和活动模式与 （A） DMN、 （B） FPN 和 （C） 躯体运动网络的整体效率相关。同样，过去 3 到 13 天的睡眠和活动模式与 （D） DMN、 （E） FPN 和 （F） 躯体运动网络的参与系数相关。显著相关性由星号 （*） 表示。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s032

 

（TIF）

 

S32 图 工作记忆任务期间的全脑功能连接与过去 15 天的睡眠和活动模式有关。

这些结果是通过使用 Seitzman 及其同事 [158] 的 set2 和 10% 比例阈值得出的。过去 3 到 15 天的睡眠和活动模式与 （A） DMN 和 （B） FPN 的整体效率相关。未找到 （C） 体运动网络的结果。同样，过去 1 到 15 天的睡眠和活动模式与 （D） DMN、 （E） FPN 和 （F） 躯体运动网络的参与系数相关。显著相关性由星号 （*） 表示。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s033

 

（TIF）

 

S33 图。 工作记忆任务期间的全脑功能连接与过去 15 天的睡眠和活动模式有关。

这些结果是通过将全局信号作为回归因子并使用 Seitzman 及其同事 [158] 的 set1 和 10% 比例阈值得出的。过去 2 至 14 天的睡眠和活动模式与 （A） DMN、 （B） FPN 和 （C） 躯体运动网络的整体效率相关。同样，过去 4 至 12 天的睡眠和活动模式与 （E） FPN 和 （F） 躯体运动网络的参与系数相关。未发现 （D） DMN 的显著结果。显著相关性由星号 （*） 表示。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s034

 

（TIF）

 

S34 图 静息状态下的全脑功能连接与过去 15 天的睡眠、情绪和自主神经系统活动模式相关。

这些结果是通过在 20% 比例阈值处对网络进行阈值处理而得出的。从前一天到过去 14 天的模式与 （A） DMN、（B） FPN 和 （C） CON 中的全局效率相关。同样，从前一天到过去 13 天的睡眠、活动和 ANS 活动模式与 （D） DMN、（E）FPN 和 （F） CON 中的参与系数相关。显著相关性用星号 （*） 表示。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s035

 

（TIF）

 

S35 图。 静息状态下的全脑功能连接与过去 15 天的睡眠、情绪和自主神经系统活动模式相关。

这些结果是通过在 30% 比例阈值处对网络进行阈值处理而得出的。过去 2 到 14 天的模式与 （A） DMN、（B） FPN 和 （C） CON 中的全局效率相关。同样，从前一天到过去 15 天的睡眠、活动和 ANS 活动模式与 （D） DMN、（E）FPN 和 （F） CON 中的参与系数相关。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s036

 

（TIF）

 

S36 图 静息状态下的全脑功能连接与过去 15 天的睡眠、情绪和自主神经系统活动模式相关。

这些结果是通过使用 Seitzman 及其同事 [158] 的 set2 和 10% 比例阈值得出的。从前一天到过去 15 天的模式与 （A） DMN、（B） FPN 和 （C） CON 中的全局效率相关。同样，从前一天到过去 15 天的睡眠、活动和 ANS 活动模式与 （D） DMN、（E）FPN 和 （F） CON 中的参与系数相关。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s037

 

（TIF）

 

S37 图 静息状态下的全脑功能连接与过去 15 天的睡眠、情绪和自主神经系统活动模式相关。

这些结果是通过将全局信号作为回归因子并使用 Seitzman 及其同事 [158] 的 set1 和 10% 比例阈值得出的。过去 2 到 15 天的模式与 （A） DMN、（B） FPN 和 （C） CON 中的全局效率相关。同样，从前一天到过去 15 天的睡眠、活动和 ANS 活动模式与 （D） DMN、（E）FPN 和 （F） CON 中的参与系数相关。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s038

 

（TIF）

 

S38 图 日间电影时间段分类的准确性与过去 15 天内经历的情绪和呼吸频率模式相关。

这些结果是通过使用 2TR 移动滑动窗口得出的。分类准确性与以下因素有关：（A） 滞后 2 时正效应的标准差，（B） 滞后 4 时的平均正效应，（C） 滞后 8 时的最大呼吸频率，（D） 滞后 11 时的最大呼吸频率，以及 （E） 滞后 12 时的最大呼吸频率。脑图是用 nilearn [170] 生成的。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s039

 

（TIF）

 

S39 图 日间电影时间段分类的准确性与过去 15 天内经历的情绪和呼吸频率模式相关。

这些结果是通过使用 4TR 移动滑动窗口得出的。分类准确性与以下因素有关： （A） 滞后 2 时正效应的标准差。（B） 滞后时的总睡眠时长 2.（C） 滞后时的平均积极影响 4.（D） 滞后 8 时的最大呼吸率。（E） 滞后时的最大呼吸频率 11.（E） 滞后时的最大呼吸频率 12。脑图是用 nilearn [170] 生成的。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s040

 

（TIF）

 

S40 图 日间电影时间段分类的准确性与过去 15 天内经历的情绪和呼吸频率模式相关。

这些结果是通过将全局信号作为回归器包括来得出的。分类准确性与以下因素有关： （A） 平均疼痛滞后 3.（B） 平均积极影响滞后 4.（C） 最大呼吸速率滞后 8.（D） 最大呼吸频率滞后 11.脑图是用 nilearn [170] 生成的。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s041

 

（TIF）

 

S41 图 使用 LOO（黑色）和 20% 省略方法（红色为 100 次迭代的中位数）的日间电影时间段分类准确性之间的比较。

对于 3 个不同的感兴趣区域，报告了 LOO 与 20%-out 的中位数之间的相关性。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s042

 

（TIF）

 

S42 图 在 PVT task-fMRI 中，大脑区域显示睡眠持续时间和激活之间存在显着的线性关联。

该星系团位于 MNI 坐标 x = 55.04， y = −58.54， z = 19.89 处。全局信号作为回归器包含在 fMRI 数据预处理中。脑图是用 nilearn [170] 生成的。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s043

 

（TIF）

 

S1 表。 研究中收集的生理、行为和生活方式数据的描述。

每个设备都提供信号流，我们使用这些信号流来了解对象在功能性大脑连接、生理、行为、精神状态和认知方面的波动。我们在实验室条件（MRI 扫描仪）和她自己的环境中监测受试者。

 

https://doi.org/10.1371/journal.pbio.3002797.s044

 

（XLSX）

 

S2 表。 每日问卷。

鼓励受试者每天回答这些问题。有些问题只在早上和晚上问，而其他问题在白天的随机时间问，与早上和晚上的问题一起问。

 

https://doi.org/10.1371/journal.pbio.3002797.s045

 

（XLSX）

 

S3 表。 选择的行为、生理和生活方式变量进行假设检验。

https://doi.org/10.1371/journal.pbio.3002797.s046

 

（XLSX）

 

S4 表。 在持续注意力任务期间与睡眠外部因素相关的重要联系。

对于每个链接，我们只列出了产生显著性的外部因素及其标准化β值。我们还根据Seitzman及其同事[158]的set1列出了MNI坐标中的链接节点及其网络。不同分析中的稳定链接用星号 （*） 表示。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s047

 

（XLSX）

 

S5 表。 在持续注意力任务期间与睡眠外部因素相关的重要联系。

这些结果是使用第二个分包得出的（set2 来自 Seitzman 及其同事 [158]）。对于每个链接，我们只列出了产生显著性的外部因素及其标准化β值。我们还列出了 MNI 坐标中的链接节点及其网络。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s048

 

（XLSX）

 

S6 表。 在持续注意力任务期间与睡眠外部因素相关的重要联系。

这些结果是通过将全局信号作为回归器并使用 Seitzman 及其同事的 set1 [158] 得出的。对于每个链接，我们只列出了产生显著性的外部因素及其标准化β值。我们还列出了 MNI 坐标中的链接节点及其网络。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s049

 

（XLSX）

 

S7 表。 在持续注意力任务期间与睡眠外部因素相关的显着整体效率。

每个网络都以不同的比例值进行阈值处理。然后，我们计算了全局效率并运行表 1 H1 中描述的回归模型。在这里，我们只列出了产生显著性的重要因子及其标准化β值。这些结果是通过将全局信号作为回归器并使用 Seitzman 及其同事的 set1 [158] 得出的。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s050

 

（XLSX）

 

S8 表。 在工作记忆任务期间与外部因素相关的重要链接。

对于每个链接，我们只列出了产生显著性的外部因素及其标准化β值。我们还根据Seitzman及其同事[158]的set1列出了MNI坐标中的链接节点及其网络。不同分析中的稳定链接用星号 （*） 表示。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s051

 

（XLSX）

 

S9 表。 在工作记忆任务期间与外部因素相关的重要链接。

对于每个链接，我们只列出了产生显著性的外部因素及其标准化β值。我们还根据Seitzman及其同事[158]的set2列出了MNI坐标中的链接节点及其网络。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s052

 

（XLSX）

 

S10 表。 在工作记忆任务期间与外部因素相关的重要链接。

这些结果是通过将全局信号作为回归器并使用 Seitzman 及其同事的 set1 [158] 得出的。对于每个链接，我们只列出了产生显著性的外部因素及其标准化β值。我们还列出了 MNI 坐标中的链接节点及其网络。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s053

 

（XLSX）

 

S11 表。 在工作记忆任务期间与睡眠和活动外部因素相关的显着参与系数。

在这里，我们只列出了产生显著性的重要因子及其标准化β值。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s054

 

（XLSX）

 

S12 表。 静息状态下与外部因素相关的重要联系。

对于每个链接，我们只列出了产生显著性的外部因素及其标准化β值。我们还根据Seitzman及其同事[158]的set1列出了MNI坐标中的链接节点及其网络。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s055

 

（XLSX）

 

S13 表。 静息状态下与外部因素相关的重要联系。

对于每个链接，我们只列出了产生显著性的外部因素及其标准化β值。我们还根据Seitzman及其同事[158]的set2列出了MNI坐标中的链接节点及其网络。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s056

 

（XLSX）

 

S14 表。 静息状态下与外部因素相关的重要联系。

这些结果是通过将全局信号作为回归器并使用 Seitzman 及其同事的 set1 [158] 得出的。对于每个链接，我们只列出了产生显著性的外部因素及其标准化β值。我们还根据Seitzman及其同事[158]的set2列出了MNI坐标中的链接节点及其网络。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s057

 

（XLSX）

 

S15 表。 静息状态下与外部因素相关的显着参与系数。

每个网络都以不同的比例值进行阈值处理。然后，我们计算了全局效率并运行了表 1 H3 中描述的回归模型。在这里，我们只列出了产生显著性的重要因子及其标准化β值。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s058

 

（XLSX）

 

S16 表。 在电影观看条件下与外部因素关联的重要节点。

在这里，我们只列出了产生显著性的重要因子及其相关值。为了评估每个显著节点的 p 值如何根据分析方法而变化，我们还列出了它们的 p 值。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s059

 

（XLSX）

 

S17 表。 滞后外部因素与注意力任务期间的整体效率之间的显著关系。

对于每个网络，我们只列出滞后处产生显著性的永恒因子，以及它的相关值 （ρ）。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s060

 

（XLSX）

 

S18 表。 在注意力任务期间，滞后外部因素与参与系数之间存在显著关系。

对于每个网络，我们只列出滞后处产生显著性的永恒因子，以及它的相关值 （ρ）。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s061

 

（XLSX）

 

S19 表。 在注意力任务期间，滞后外部因素与网络估计之间的显著关系。

这些结果是通过使用 Seitzman 及其同事 [158] 的 set2 和 10% 比例阈值得出的。对于每个网络，我们只列出滞后处产生显著性的永恒因子，以及它的相关值 （ρ）。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s062

 

（XLSX）

 

S20 表。 在注意力任务期间，滞后外部因素与网络估计之间的显著关系。

这些结果是通过将全局信号作为回归因子并使用 Seitzman 及其同事 [158] 的 set1 和 10% 比例阈值得出的。对于每个网络，我们只列出滞后处产生显著性的永恒因子，以及它的相关值 （ρ）。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s063

 

（XLSX）

 

S21 表。 滞后外部因素与工作记忆任务期间的全局效率之间存在显著关系。

对于每个网络，我们只列出滞后处产生显著性的永恒因子，以及它的相关值 （ρ）。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s064

 

（XLSX）

 

S22 表。 滞后外部因素与工作记忆任务期间的全局效率之间存在显著关系。

对于每个网络，我们只列出滞后处产生显著性的永恒因子，以及它的相关值 （ρ）。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s065

 

（XLSX）

 

S23 表。 在工作记忆任务期间，滞后外部因素与网络估计之间的显著关系。

这些结果是通过使用 Seitzman 及其同事 [158] 的 set2 和 10% 比例阈值得出的。对于每个网络，我们只列出滞后处产生显著性的永恒因子，以及它的相关值 （ρ）。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s066

 

（XLSX）

 

S24 表。 在工作记忆任务期间，滞后外部因素与网络估计之间的显著关系。

这些结果是通过将全局信号作为回归因子并使用 Seitzman 及其同事 [158] 的 set1 和 10% 比例阈值得出的。对于每个网络，我们只列出滞后处产生显著性的永恒因子，以及它的相关值 （ρ）。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s067

 

（XLSX）

 

S25 表。 滞后外部因素与静息状态下全局效率的显著关系。

对于每个网络，我们只列出滞后处产生显著性的永恒因子，以及它的相关值 （ρ）。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s068

 

（XLSX）

 

S26 表。 静息状态下滞后外部因素与参与系数的显著关系。

对于每个网络，我们只列出滞后处产生显著性的永恒因子，以及它的相关值 （ρ）。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s069

 

（XLSX）

 

S27 表。 静息状态下滞后外部因素与网络估计之间的显著关系。

这些结果是通过使用 Seitzman 及其同事 [158] 的 set2 和 10% 比例阈值得出的。对于每个网络，我们只列出滞后处产生显著性的永恒因子，以及它的相关值 （ρ）。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s070

 

（XLSX）

 

S28 表。 静息状态下滞后外部因素与网络估计之间的显著关系。

这些结果是通过将全局信号作为回归因子并使用 Seitzman 及其同事 [158] 的 set1 和 10% 比例阈值得出的。对于每个网络，我们只列出滞后处产生显著性的永恒因子，以及它的相关值 （ρ）。所有 p 值均已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s071

 

（XLSX）

 

S29 表。 日间电影时间段分类的准确性与过去 15 天内经历的情绪和呼吸频率模式相关。

这些结果是通过使用 2TR 移动滑动窗口得出的。我们列出了最低 p 值的 t 值和 MNI 坐标。报告的所有聚类均为 p < 0.05，并已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s072

 

（XLSX）

 

S30 表。 日间电影时间段分类的准确性与过去 15 天内经历的情绪和呼吸频率模式相关。

这些结果是通过使用 4TR 移动滑动窗口得出的。我们列出了最低 p 值的 t 值和 MNI 坐标。报告的所有聚类均为 p < 0.05，并已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s073

 

（XLSX）

 

S31 表。 日间电影时间段分类的准确性与过去 15 天内经历的情绪和呼吸频率模式相关。

这些结果是通过将全局信号作为回归器包括来得出的。我们列出了最低 p 值的 t 值和 MNI 坐标。报告的所有聚类均为 p < 0.05，并已针对多重比较进行了校正。未处理的研究数据可以在 Zenodo 数据集版本 [175] 中找到。从研究数据得出的处理结果可在 GIT 存储库 [176] 的 results 文件夹下访问。

 

https://doi.org/10.1371/journal.pbio.3002797.s074

 

（XLSX）

 

确认

我们感谢 Aalto Science-IT 项目提供的计算资源。

 

引用

1.Mäkinen V， May P， Tiitinen H. 瞬态脑反应预测人类声音检测的时间动态。神经影像学。2004;21(2):701–706.PMID：14980572

查看文章PubMed/NCBI谷歌学术

2.Kiebel SJ， Daunizeau J， 弗里斯顿 KJ.时间尺度和大脑的层次结构。PLoS 计算机生物..2008;4.e1000209 号。PMID：19008936

查看文章PubMed/NCBI谷歌学术

3.哈里 R，帕科宁 L，南吉尼 C。时间中的大脑：来自神经磁记录的见解。Ann N Y Acad Sci. 2010 年;1191:89–109.PMID：20392277

查看文章PubMed/NCBI谷歌学术

4.哈里 R，帕科宁 L.大脑时间：时间如何塑造和支持大脑功能Philos。Trans R Soc Lond B 生物科学 2015;370。PMID：25823867

查看文章PubMed/NCBI谷歌学术

5.Rosenberg MD、Scheinost D、Greene AS、Avery EW、Kwon YH、Finn ES 等人。功能连接预测在分钟、天和月内观察到的注意力变化。美国国家科学院院刊 2020 年;117:3797–3807.PMID：32019892

查看文章PubMed/NCBI谷歌学术

6.Bassett DS， Wymbs NF， Porter MA， Mucha PJ， Carlson JM， Grafton ST. 学习过程中人脑网络的动态重构。美国国家科学院院刊 2011 年;108:7641–7646.PMID：21502525

查看文章PubMed/NCBI谷歌学术

7.Kupper Z， Hoffmann H. 参加职业康复计划的精神分裂症患者的心理社会功能课程模式。Schizophr 公牛。2000;26:681–698.PMID：10993406

查看文章PubMed/NCBI谷歌学术

8.Mirchi N， Betzel RF， Bernhardt BC， Dagher A， Mišic B. 用功能网络模式跟踪情绪波动。Soc Cogn 影响神经科学。2019;14:47–57.PMID：30481361

查看文章PubMed/NCBI谷歌学术

9.Fröhner JH， Teckentrup V， Smolka MN， Kroemer NB.解决 fMRI 中的可靠性谬误：类似的群体效应可能来自不可靠的个体效应。神经影像学。2019;195:174–189.PMID：30930312

查看文章PubMed/NCBI谷歌学术

10.诺曼德 MP。少即是多：心理学家可以通过研究更少的人来了解更多信息。前心理学。2016;0。PMID：27379004

查看文章PubMed/NCBI谷歌学术

11.Fisher AJ、Medaglia JD、Jeronimus BF。缺乏群体到个体的普遍性是对人类受试者研究的威胁。美国国家科学院院刊 2018 年;115：E6106–E6115。PMID：29915059

查看文章PubMed/NCBI谷歌学术

12.Gratton C、Kraus BT、Greene DJ、Gordon EM、Laumann TO、Nelson SM 等人。定义精准精神病学的个体特异性功能神经解剖学。生物精神病学。2020;88:28–39.PMID：31916942

查看文章PubMed/NCBI谷歌学术

13.Wall J， Xie H， Wang X. 从个体微观纵向角度看睡眠和皮质结构维护的相互作用及其对精准医学研究的意义。前神经科学。2020;14:769.PMID：32848551

查看文章PubMed/NCBI谷歌学术

14.Marek S、Tervo-Clemmens B、Calabro FJ、Montez DF、Kay BP、Hatoum AS 等人。可重复的全脑关联研究需要成千上万的人。自然界。2022;603:654–660.PMID：35296861

查看文章PubMed/NCBI谷歌学术

15.Smith PL， Little DR. 小即是美： 为小 N 设计辩护。Psychon Bull 修订版 2018;25:2083–2101.PMID：29557067

查看文章PubMed/NCBI谷歌学术

16.Sidman M. 科学研究策略：评估心理学实验数据。第 28 页。Basic Books，英国牛津;1960.

17.斯金纳 BF。操作行为的实验分析：历史。心理学。1980;191–202.

查看文章谷歌学术

18.鲁德 JN，哈夫 JM。权力、支配和约束：关于不同设计传统吸引力的说明。Adv Methods Pract Psychol Sci. 2018;1(1):19–26.

查看文章谷歌学术

19.Westfall J， Yarkoni T. 对混杂结构进行统计控制比你想象的要难。公共科学图书馆一号。2016;11：e0152719.PMID：27031707

查看文章PubMed/NCBI谷歌学术

20.Laumann TO， Gordon EM， Adeyemo B， Snyder AZ， Joo SJ， Chen MY， et al. 高度采样个体人脑的功能系统和区域组织。神经元。2015;87:657–670.PMID：26212711

查看文章PubMed/NCBI谷歌学术

21.编辑概述：个体大脑的深度成像：过去、实践和承诺。Curr Opin 行为科学 2021;40。iii-vi.

查看文章谷歌学术

22.布拉加 RM，巴克纳 RL。个体内部的并行叉指分布式网络由内在功能连接估计。神经元。2017;95(2):457–471.PMID：28728026

查看文章PubMed/NCBI谷歌学术

23.Gratton C、Laumann TO、Nielsen AN、Greene DJ、Gordon EM、Gilmore AW 等人。功能性大脑网络由稳定的群体和个人因素主导，而不是认知或日常变化。神经元。2018;98(2):439–452.PMID：29673485

查看文章PubMed/NCBI谷歌学术

24.Gordon EM、Laumann TO、Gilmore AW、Newbold DJ、Greene DJ、Berg JJ 等人。个体人脑的精确功能映射。神经元。2017;95(4):791–807.PMID：28757305

查看文章PubMed/NCBI谷歌学术

25.布拉加 RM， 范戴克 KRA， 波利梅尼 JR， 埃尔代夫 MC， 巴克纳 RL.以高分辨率解析的并行分布式网络揭示了不同区域的紧密并置。神经生理学杂志。2019;121:1513–1534.PMID：30785825

查看文章PubMed/NCBI谷歌学术

26.Seitzman BA、Gratton C、Laumann TO、Gordon EM、Adeyemo B、Dworetsky A 等人。人类功能脑网络中的类特征变异。美国国家科学院院刊 2019 年;116:22851–22861.PMID：31611415

查看文章PubMed/NCBI谷歌学术

27.Poldrack RA、Laumann TO、Koyejo O、Gregory B、Hover A、Chen M-Y 等人。单个人类的长期神经和生理表型。Nat Commun.2015;6:8885.PMID：26648521

查看文章PubMed/NCBI谷歌学术

28.Pritschet L、Santander T、Taylor CM、Layher E、Yu S、Miller MB 等。整个人类月经周期中大脑网络的功能重组。神经影像学。2020;220:117091.PMID：32621974

查看文章PubMed/NCBI谷歌学术

29.舒尔特 LH，梅 A.重新审视偏头痛生成器：连续扫描 30 天内的偏头痛周期和 3 次自发发作。脑。2016;139:1987–1993.PMID：27190019

查看文章PubMed/NCBI谷歌学术

30.菲茨杰拉德 M、普里切特 L、桑坦德 T、格拉夫顿 ST、雅各布斯 EG。整个人类月经周期的小脑网络组织。科学代表 2020;10：20732。PMID：33244032

查看文章PubMed/NCBI谷歌学术

31.范德瓦尔 T、凯利 C、艾尔博特 J、梅耶斯 LC、卡斯特拉诺斯 FX。Inscapes：一种提高功能性磁共振成像合规性的电影范式。神经影像学。2015;122:222–232.PMID：26241683

查看文章PubMed/NCBI谷歌学术

32.Song H，罗森伯格医学博士。通过功能性大脑连接预测跨时间和上下文的注意力。Curr Opin 行为科学 2021;40:33–44.

查看文章谷歌学术

33.Finn ES、Scheinost D、Finn DM、Shen X、Papademetris X、Constable RT。可以操纵大脑状态来强调功能连接的个体差异吗？神经影像学。2017;160:140–151.PMID：28373122

查看文章PubMed/NCBI谷歌学术

34.Sheikh M， Qassem M， Kyriacou PA.用于心理健康监测的可穿戴、环境和基于智能手机的被动传感。Front Digit Health （前指运行状况）。2021;3:662811.PMID：34713137

查看文章PubMed/NCBI谷歌学术

35.Choi BCK，Pak AWP。问卷中的偏差目录。Prev 慢性病 2005;2：A13.PMID：15670466

查看文章PubMed/NCBI谷歌学术

36.格里芬 B，桑德斯 KEA。智能手机和可穿戴设备作为了解症状机制的一种方法。前心理学 2019;10：949。PMID：32009990

查看文章PubMed/NCBI谷歌学术

37.Bidargaddi N， Musiat P， Makinen VP， Ermes M， Schrader G， Licinio J. 数字足迹：通过来自日常技术的数据促进自然环境中的大规模环境精神病学研究。摩尔精神病学。2017;22:164–169.PMID：27922603

查看文章PubMed/NCBI谷歌学术

38.van de Leemput IA、Wichers M、Cramer AOJ、Borsboom D、Tuerlinckx F、Kuppens P 等人。严重减速作为抑郁症发作和终止的早期预警。美国国家科学院院刊 2014 年;111:87–92.PMID：24324144

查看文章PubMed/NCBI谷歌学术

39.Wichers M、Groot PC、Psychosystems、ESM Group、EWS Group。Critical Slowing Down 作为抑郁症的个性化早期预警信号。Psychother Psychosom。2016;85:114–116.PMID：26821231

查看文章PubMed/NCBI谷歌学术

40.Nelson B、McGorry PD、Wichers M、Wigman JTW、Hartmann JA。从精神障碍发作的静态模型转向动态模型：综述。美国医学会精神病学。2017;74:528–534.PMID：28355471

查看文章PubMed/NCBI谷歌学术

41.Rubinov M， Sporns O. 大脑连接的复杂网络测量：用途和解释。神经影像学。2010;52:1059–1069.PMID：19819337

查看文章PubMed/NCBI谷歌学术

42.巴斯纳 M， 丁格斯 DF.最大限度地提高精神运动警觉性测试 （PVT） 对睡眠不足的敏感性。睡。2011;34:581–591.PMID：21532951

查看文章PubMed/NCBI谷歌学术

43.Salmela V， Salo E， Salmi J， Alho K. 通过脑电图和 fMRI 的表征相似性分析揭示的注意力网络的时空动力学。大脑皮层。2018;28:549–560.PMID：27999122

查看文章PubMed/NCBI谷歌学术

44.di Oleggio V， Castello M， Chauhan V， Jiahui G， Gobbini MI.响应“布达佩斯大饭店”的 fMRI 数据集，这是一部社会丰富的自然主义电影。科学数据。2020;7(1):383.PMID：33177526

查看文章PubMed/NCBI谷歌学术

45.巴斯纳 M、饶 H、戈尔 N、丁吉斯 DF。睡眠剥夺和神经行为动力学。Curr Opin 神经生物学。2013;23:854–863.PMID：23523374

查看文章PubMed/NCBI谷歌学术

46.Goel N， Rao H， Durmer JS， 丁格斯 DF.睡眠剥夺的神经认知后果。Semin Neurol. 2009 年;29:320–339.PMID：19742409

查看文章PubMed/NCBI谷歌学术

47.Krause AJ、Simon EB、Mander BA、Greer SM、Saletin JM、Goldstein-Piekarski AN 等人。睡眠不足的人脑。Nat Rev 神经科学。2017;18:404–418.PMID：28515433

查看文章PubMed/NCBI谷歌学术

48.Erickson KI、Hillman C、Stillman CM、Ballard RM、Bloodgood B、Conroy DE 等人。身体活动、认知和大脑结果：2018 年身体活动指南回顾。Med Sci 体育锻炼。2019;51:1242–1251.PMID：31095081

查看文章PubMed/NCBI谷歌学术

49.Prakash RS、Voss MW、Erickson KI、Kramer AF。身体活动和认知活力。Annu Rev Psychol. 2015;66:769–797.PMID：25251492

查看文章PubMed/NCBI谷歌学术

50.Mulcahy JS、Larsson DEO、Garfinkel SN、Critchley HD. 心率变异性作为健康和情感障碍的生物标志物：神经影像学研究的观点。神经影像学。2019;202:116072.PMID：31386920

查看文章PubMed/NCBI谷歌学术

51.Zaccaro A、Piarulli A、Laurino M、Garbella E、Menicucci D、Neri B 等人。呼吸控制如何改变你的生活：关于呼吸缓慢的心理生理相关性的系统评价。Front Hum Neurosci.2018;12:353.PMID：30245619

查看文章PubMed/NCBI谷歌学术

52.Underwood R， Tolmeijer E， Wibroe J， Peters E， Mason L. 支撑情感的网络：功能和有效连接的系统评价和综合。神经影像学。2021;243:118486.PMID：34438255

查看文章PubMed/NCBI谷歌学术

53.Taylor JJ、Kurt HG、Anand A. 情绪障碍治疗反应的静息态功能连接生物标志物：综述。前心理 2021;12：565136。PMID：33841196

查看文章PubMed/NCBI谷歌学术

54.Van Donggen HPA， Maislin G， Mullington JM， 丁吉斯 DF.额外觉醒的累积成本：慢性睡眠限制和完全睡眠剥夺对神经行为功能和睡眠生理的剂量反应影响。睡。2003;26:117–126.PMID：12683469

查看文章PubMed/NCBI谷歌学术

55.Belenky G、Wesensten NJ、Thorne DR、Thomas ML、Sing HC、Redmond DP 等人。睡眠限制和随后恢复期间性能下降和恢复的模式：一项睡眠剂量反应研究。J Sleep Res. 2003 年;12:1–12.PMID：12603781

查看文章PubMed/NCBI谷歌学术

56.Durmer JS， 丁格斯 DF.睡眠剥夺的神经认知后果。Semin Neurol. 2005 年;25:117–129.PMID：15798944

查看文章PubMed/NCBI谷歌学术

57.丁格斯 DF，鲍威尔 JW。在持续操作期间，对便携式、简单的可视化 RT 任务的性能进行微计算机分析。Behav Res Methods Instrum Comput.1985;17:652–655.

查看文章谷歌学术

58.林 J，丁格斯 DF。睡眠不足和警惕的关注。Ann N Y Acad Sci. 2008 年;1129(1):305–322.PMID：18591490

查看文章PubMed/NCBI谷歌学术

59.德拉蒙德 SPA、Bischoff-Grethe A、丁格斯 DF、阿亚隆 L、梅德尼克 SC、梅洛伊 MJ。精神运动警觉任务的神经基础。睡。2005;28:1059–1068.PMID：16268374

查看文章PubMed/NCBI谷歌学术

60.Chee MWL、Tan JC、Zheng H、Parimal S、Weissman DH、Zagorodnov V 等人。睡眠剥夺期间的衰退与大脑激活的分布变化有关。神经科学杂志。2008;28:5519–5528.PMID：18495886

查看文章PubMed/NCBI谷歌学术

61.朱 Y， 习 Y， 飞 N， 刘 Y， 张 X， 刘 L， 等.睡眠剥夺一晚期间大脑对持续注意力表现的反应动力学。J Sleep Res. 2018;27:184–196.PMID：28782143

查看文章PubMed/NCBI谷歌学术

62.Mai Z， Li M， Pan L， 马 N. 睡眠剥夺后警觉性和神经网络的时间波动。欧洲神经科学杂志。2022;55:1947–1960.PMID：35388523

查看文章PubMed/NCBI谷歌学术

63.Asgari Mehrabadi M， Azimi I， Sarhaddi F， Axelin A， Niela-Vilén H， Myllyntausta S， et al. 在日常生活中针对医疗级活动记录仪对市售智能戒指和智能手表进行睡眠跟踪：仪器验证研究。JMIR Mhealth Uhealth。2020;8：e20465.PMID：33038869

查看文章PubMed/NCBI谷歌学术

64.少睡，想得更糟：睡眠剥夺对工作记忆的影响。J Appl Res Mem Cogn. 2016 年;5:463–469.

查看文章谷歌学术

65.Kuriyama K， Mishima K， Suzuki H， Aritake S， Uchiyama M. 睡眠加速工作记忆性能的改善。神经科学杂志。2008;28:10145–10150.PMID：18829972

查看文章PubMed/NCBI谷歌学术

66.扎克 S，沙洛姆 E.急性体力活动对工作记忆的影响。感知 Mot 技能。2016;122:365–374.PMID：27166321

查看文章PubMed/NCBI谷歌学术

67.Bugg JM、DeLosh EL、Clegg BA。身体活动可以缓解老年人工作记忆表现的一天中的时间差异。Exp Aging Res. 2006 年;32:431–446.PMID：16982572

查看文章PubMed/NCBI谷歌学术

68.Schmiedek F, Lövdén M, Lindenberger U.任务就是任务就是任务：将复杂的跨度、n-back 和其他工作记忆指标放在心理测量的上下文中。前心理学 2014;5：1475。PMID：25566149

查看文章PubMed/NCBI谷歌学术

69.Mu Q、Nahas Z、Johnson KA、Yamanaka K、Mishory A、Koola J 等人。睡眠剥夺后皮层对语言工作记忆的反应降低。睡。2005;28:55–67.PMID：15700721

查看文章PubMed/NCBI谷歌学术

70.林 J，朱 WC，Chee MWL。工作记忆任务中与睡眠剥夺相关的行为变化和 fMRI 激活的可重复性。睡眠 2007;30:61–70.PMID：17310866

查看文章PubMed/NCBI谷歌学术

71.Ishihara T， Miyazaki A， Tanaka H， Matsuda T. 识别有助于身体机能和工作记忆之间相互作用的大脑网络：对 1,000 多名健康成年人的 fMRI 调查。神经影像学。2020;221.117152. PMID：32668299

查看文章PubMed/NCBI谷歌学术

72.陈 FT， 陈 YP， 施耐德 S， 高 SC， 黄 CM， 张 YK.运动模式对晚年人工作记忆神经处理的影响：一项 fMRI 研究。前沿衰老神经科学。2019;11:224.PMID：31551752

查看文章PubMed/NCBI谷歌学术

73.Henriksen A， Johannessen E， Hartvigsen G， Grimsgaard S， Hopstock LA.基于 消费者的活动追踪器作为 COVID-19 大流行期间流行病学研究中身体活动监测的工具：开发和可用性研究。JMIR 公共卫生监测。2021;7：e23806.PMID：33843598

查看文章PubMed/NCBI谷歌学术

74.Henriksen A， Svartdal F， Grimsgaard S， Hartvigsen G， Hopstock LA.Polar Vantage 和 Oura 身体活动和睡眠追踪器：验证和比较研究。JMIR 形成性研究。2022;6（5）：e27248。PMID：35622397

查看文章PubMed/NCBI谷歌学术

75.Smitha KA、Akhil Raja K、Arun KM、Rajesh PG、Thomas B、Kapilamoorthy TR 等人。静息态 fMRI：静息态连通性分析和静息态网络方法综述。神经放射学杂志 2017;30:305–317.PMID：28353416

查看文章PubMed/NCBI谷歌学术

76.Sämann PG、Tully C、Spoormaker VI、Wetter TC、Holsboer F、Wehrle R 等人。睡眠压力增加会降低静息态功能连接。岩浆。2010;23:375–389.PMID：20473549

查看文章PubMed/NCBI谷歌学术

77.De Havas JA， Parimal S， Soon CS， Chee MWL.睡眠剥夺会减少默认模式的网络连接，并在休息和任务执行期间减少抗相关。神经影像学。2012;59:1745–1751.PMID：21872664

查看文章PubMed/NCBI谷歌学术

78.Chee MW， 周 J. 功能连接和睡眠不足的大脑。Prog Brain Res. 2019;246:159–176.PMID：31072560

查看文章PubMed/NCBI谷歌学术

79.Harrison BJ， Pujol J， Ortiz H， Fornito A， Pantelis C， Yücel M. 通过悲伤情绪诱导调节大脑静息态网络。公共科学图书馆一号。2008;3：e1794.PMID：18350136

查看文章PubMed/NCBI谷歌学术

80.de la Cruz F， Schumann A， Köhler S， Reichenbach JR， Wagner G， Bär K-J.心率与参与自主神经控制的大脑区域的功能连接之间的关系。神经影像学。2019;196:318–328.PMID：30981856

查看文章PubMed/NCBI谷歌学术

81.识别生理反应功能以校正与心率和呼吸相关的静息态 fMRI 的波动。神经影像学。2019;202:116150.PMID：31487547

查看文章PubMed/NCBI谷歌学术

82.Chen JE， Lewis LD， Chang C， Tian Q， Fultz NE， Ohringer NA， et al.静息态“生理网络”。神经影像学。2020;213:116707.

查看文章谷歌学术

83.Chang C， Metzger CD， Glover GH， Duyn JH， Heinze H， Walter M. 心率变异性与静息态功能连接波动之间的关联。神经影像学。2013;68:93–104.PMID：23246859

查看文章PubMed/NCBI谷歌学术

84.詹宁斯 JR、Sheu LK、Kuan DC-H、Manuck SB、Gianaros PJ。内侧前额叶皮层的静息态连接与高频心率变异性的个体差异协变。心理生理学。2016;53:444–454.PMID：26995634

查看文章PubMed/NCBI谷歌学术

85.Sakaki M， Yoo HJ， Nga L， Lee T-H， Thayer JF， Mather M. 心率变异性与年轻人和老年人的杏仁核功能连接与 MPFC 有关。神经影像学。2016;139:44–52.PMID：27261160

查看文章PubMed/NCBI谷歌学术

86.Critchley HD、Nicotra A、Chiesa PA、Nagai Y、Gray MA、Minati L 等人。缓慢呼吸和低氧挑战：心肺后果及其中枢神经基质。公共科学图书馆一号。2015;10：e0127082.PMID：25973923

查看文章PubMed/NCBI谷歌学术

87.Schuurmans AAT、de Looff P、Nijhof KS、Rosada C、Scholte RHJ、Popma A 等人。Empatica E4 腕带测量心率变异性 （HRV） 参数的有效性：与心电图 （ECG） 的比较。医学系统杂志 2020;44：190。PMID：32965570

查看文章PubMed/NCBI谷歌学术

88.Finn ES， Glerean E， Khojandi AY， Nielson D， Molfese PJ， Handwerker DA， et al. 特质同步：自然神经影像学期间从共同反应到个体差异。神经影像学。2020;215:116828.PMID：32276065

查看文章PubMed/NCBI谷歌学术

89.Eickhoff SB， Milham M， Vanderwal T. 电影 fMRI 的临床应用。神经影像学。2020;217:116860.PMID：32376301

查看文章PubMed/NCBI谷歌学术

90.Tomasi D、Wang RL、Telang F、Boronikolas V、Jayne MC、Wang GJ 等人。睡眠剥夺 1 晚后注意力网络受损。大脑皮层。2009;19:233–240.PMID：18483003

查看文章PubMed/NCBI谷歌学术

91.van Meer JN， Breakspear M， Chang LJ， Sonkusare S， Cocchi L. 观看电影会引发丰富而可靠的大脑状态动态。Nat Commun.2020;11:5004.PMID：33020473

查看文章PubMed/NCBI谷歌学术

92.Simony E， Chang C. 自然主义范式中刺激诱导的大脑动力学分析。神经影像学。2020;216:116461.PMID：31843711

查看文章PubMed/NCBI谷歌学术

93.Lydon-Staley DM、Kuehner C、Zamoscik V、Huffziger S、Kirsch P、Bassett DS。日常生活中重复的消极思维以及默认模式、额顶叶和显著性网络之间的功能连接。翻译精神病学。2019;9:234.PMID：31534117

查看文章PubMed/NCBI谷歌学术

94.Nummenmaa L， Glerean E， Viinikainen M， Jääskeläinen IP， Hari R， Sams M. 情绪通过同步个体之间的大脑活动来促进社会互动。美国国家科学院院刊 2012 年;109:9599–9604.PMID：22623534

查看文章PubMed/NCBI谷歌学术

95.Aledavood T、Torous J、Triana Hoyos AM、Naslund JA、Onnela JP、Keshavan M. 基于智能手机的抑郁症、焦虑症和精神病患者睡眠跟踪。Curr 精神病学代表 2019;21：49。PMID：31161412

查看文章PubMed/NCBI谷歌学术

96.de Vries LP， Baselmans BML， Bartels M. 基于智能手机的健康生态瞬时评估：系统评价和未来研究的建议。J 幸福梭哈。2021;22:2361–2408.PMID：34720691

查看文章PubMed/NCBI谷歌学术

97.Dirnagl U. 探索性研究的预注册：从发现的黄金时代学习。PLoS 生物学 2020;18：e3000690.PMID：32214315

查看文章PubMed/NCBI谷歌学术

98.Kalanadhabhatta M， Rahman T， Ganesan D. 睡眠和生物行为模式对多维认知表现的影响：纵向。野外研究 J Med Internet Res. 2021;23：e23936.

查看文章谷歌学术

99.Thurman S、Wasylyshyn N、Garcia J、Okafor G、Elliott J、Giesbrecht B 等人。为期 16 周的精神运动警觉性、强直和阶段性瞳孔反应与自然睡眠史之间关系的纵向研究。J Vis. 2018 年;18:873–873.

查看文章谷歌学术

100.Nieuwenhuys A， Dora J， Knufinke-Meyfroyt M， Beckers D， Rietjens G， Helmhout P. “海底 20,000 里格”：在 67 天的军事潜艇任务期间的睡眠、认知表现和自我报告的恢复状态。Appl Ergon.2021;91:103295.PMID：33130453

查看文章PubMed/NCBI谷歌学术

101.Amorim L， Magalhães R， Coelho A， Moreira PS， Portugal-Nunes C， Castanho TC， et al. 在正常衰老中，睡眠质量差与功能和结构性大脑连接性下降有关：MRI 多模式方法。前沿衰老神经科学。2018;10:375.PMID：30524267

查看文章PubMed/NCBI谷歌学术

102.Kamijo K、Pontifex MB、O'Leary KC、Scudder MR、Wu CT、Castelli DM 等人。课后体育活动计划对青春期前儿童工作记忆的影响。开发科学 2011;14:1046–1058.PMID：21884320

查看文章PubMed/NCBI谷歌学术

103.Könen T， Dirk J， Schmiedek F. 昨晚睡眠的认知益处：儿童睡眠行为的每日变化与工作记忆波动有关。J 儿童心理学精神病学。2015;56:171–182.PMID：25052368

查看文章PubMed/NCBI谷歌学术

104.里戈利 D、皮克 JP、凯恩 R、惠利尔 A、巴克斯特 C、威尔逊 P。对小学生运动协调和工作记忆进行为期 18 个月的随访调查。Hum Mov Sci. 2013 年;32:1116–1126.PMID：24120279

查看文章PubMed/NCBI谷歌学术

105.López-Vicente M， Forns J， Esnaola M， Suades-González E， Álvarez-Pedrerol M， Robinson O， et al. 学童的身体活动和认知轨迹。儿科运动科学 2016;28:431–438.PMID：27176046

查看文章PubMed/NCBI谷歌学术

106.Steenari M-R， Vuontela V， Juulia Paavonen E， Carlson S， Fjällberg M， Aronen ET.6 至 13 岁学童的工作记忆和睡眠。J Am Acad 儿童青少年精神病学。2003;42:85–92.PMID：12500080

查看文章PubMed/NCBI谷歌学术

107.Wang L， Wu H， Dai C， Peng Z， Song T， Xu L， et al.动态海马功能连接对完全睡眠剥夺后不同工作记忆负荷的反应。J Sleep Res. 2023;32（3）：e13797。PMID：36528854

查看文章PubMed/NCBI谷歌学术

108.Bickart K、Sheridan CA、Thibeault CM、Hamilton R、LeVangie J、Giza C 等人。心率变异性与杏仁核回路中静息态连接的恢复以及运动相关脑震荡后症状的持续性相互作用。神经学。2020;95：S15.2–S16。

查看文章谷歌学术

109.Bolton TAW、Kebets V、Glerean E、Zöller D、Li J、Yeo BTT 等人。Agito ergo sum：fMRI 期间时空运动特征的相关性。神经影像学。2020;209:116433.PMID：31841680

查看文章PubMed/NCBI谷歌学术

110.Haxby JV， Guntupalli JS， Nastase SA， Feilong M. 超对齐：对以特殊皮质地形编码的共享信息进行建模。Elife 的。2020：9. PMID：32484439

查看文章PubMed/NCBI谷歌学术

111.Visconti di Oleggio Castello M， Haxby JV， Gobbini MI. 共享神经代码，用于在公共表征空间中提供有关熟悉面孔的视觉和语义信息。美国国家科学院院刊2021. PMID：34732577

查看文章PubMed/NCBI谷歌学术

112.Box-Steffensmeier JM、Burgess J、Corbetta M、Crawford K、Duflo E、Fogarty L 等人。人类行为研究的未来。Nat Hum 行为。2022;6:15–24.PMID：35087189

查看文章PubMed/NCBI谷歌学术

113.克伦克 K，斯皮策 RL，威廉姆斯 JB。PHQ-9：简短抑郁严重程度测量的有效性。J Gen 实习医学 2001;16:606–613.PMID：11556941

查看文章PubMed/NCBI谷歌学术

114.Cohen S， Kamarck T， Mermelstein R. 感知压力量表 （PSS）。J Health Soc 行为。1983;24:285.

查看文章谷歌学术

115.戈德堡 LR。大五因子结构标志物的发展。心理评估。1992;4:26–42.

查看文章谷歌学术

116.约翰 OP，罗宾斯 RW，佩文洛杉矶。《人格手册：理论与研究》（吉尔福德出版社）。2010.

117.约翰 OP、瑙曼 LP、索托 CJ。向综合大五性状分类法的范式转变：历史、测量和概念问题。在 John OP、Robins RW、Pervin LA 编辑。人格手册：理论与研究。第 114-158 页。纽约州纽约市：吉尔福德出版社;2008.

118.Spitzer RL， Kroenke K， Williams JBW， Löwe B.评估广泛性焦虑症的简要测量：GAD-7。Arch 实习医学 2006;166:1092–1097.PMID：16717171

查看文章PubMed/NCBI谷歌学术

119.斯文森 RP。GAD-7 量表对诊断广泛性焦虑障碍是准确的。基于埃维德的医学 2006;11：184。PMID：17213178

查看文章PubMed/NCBI谷歌学术

120.Buysse DJ、Reynolds CF 第 3 名、Monk TH、Berman SR、Kupfer DJ。匹兹堡睡眠质量指数：精神病学实践和研究的新工具。精神病学研究 1989 年;28:193–213.PMID：2748771

查看文章PubMed/NCBI谷歌学术

121.巴斯纳 M，莫利科内 D，丁格斯 DF。简短的精神运动警觉性测试 （PVT-B） 对完全和部分睡眠剥夺的有效性和敏感性。Acta Astronaut.2011;69:949–959.PMID：22025811

查看文章PubMed/NCBI谷歌学术

122.汤普森 BJ，舒加特 C，丹尼森 K，劳德 TJ。工作年龄女性 5 分钟精神运动警觉任务的重测信度。J 神经科学方法。2022;365:109379.PMID：34627928

查看文章PubMed/NCBI谷歌学术

123.Salo E， Salmela V， Salmi J， Numminen J， Alho K. 与选择性注意、分散注意力和分心相关的大脑活动。大脑研究 2017;1664:25–36.PMID：28363436

查看文章PubMed/NCBI谷歌学术

124.Lowe DA， Wu N， Rohdin-Bibby L， Moore AH， Kelly N， Liu YE， et al.限时饮食对超重和肥胖女性和男性体重减轻和其他代谢参数的影响：TREAT 随机临床试验。JAMA 实习医学 2020;180:1491–1499.PMID：32986097

查看文章PubMed/NCBI谷歌学术

125.Milstein N， Gordon I. 验证在涉及交互式二元状态的研究环境中使用的 Empatica E4 得出的皮肤电活动和心率变异性的测量。Front Behav Neurosci.2020;14:148.PMID：33013337

查看文章PubMed/NCBI谷歌学术

126.Menghini L， Gianfranchi E， Cellini N， Patron E， Tagliabue M， Sarlo M. 强调准确性：不同条件下的腕戴式可穿戴传感器验证。心理生理学。2019;56：e13441。PMID：31332802

查看文章PubMed/NCBI谷歌学术

127.Aledavood T， Triana Hoyos AM， Alakörkkö T， Kaski K， Saramäki J， Isometsä E， et al. 通过数字平台收集心理健康研究的数据：原型的要求和设计。JMIR Res Protoc.2017;6：e110.PMID：28600276

查看文章PubMed/NCBI谷歌学术

128.Thompson ER. 开发和验证国际上可靠的积极和消极影响时间表 （PANAS） 的简称。J Cross Cult 心理学。2007 年;38:227–242.

查看文章谷歌学术

129.Harms MP、Somerville LH、Ances BM、Andersson J、Barch DM、Bastiani M 等人。将人类连接组项目扩展到各个年龄：寿命发展和衰老项目的成像协议。神经影像学。2018;183:972–984.PMID：30261308

查看文章PubMed/NCBI谷歌学术

130.Van Essen DC、Ugurbil K、Auerbach E、Barch D、Behrens TEJ、Bucholz R 等人。人类连接组项目：数据采集视角。神经影像学。2012;62:2222–2231.PMID：22366334

查看文章PubMed/NCBI谷歌学术

131.Särkkä S、Solin A、Nummenmaa A、Vehtari A、Auranen T、Vanni S 等人。BOLD fMRI 中生理噪声的动态回顾性过滤：DRIFTER。神经影像学。2012;60:1517–1527.PMID：22281675

查看文章PubMed/NCBI谷歌学术

132.Durnez J、Degryse J、Moerkerke B、Seurinck R、Sochat V、Poldrack RA 等人。“神经力量”软件。2024. 可从：https://github.com/neuropower/neuropower-core。

查看文章谷歌学术

133.帕茹拉 J，托卡 J.多少就够了？样本量对 fMRI 主体间相关性分析的影响。Comput Intell Neurosci.2016;2016:2094601.PMID：26884746

查看文章PubMed/NCBI谷歌学术

134.Esteban O， Markiewicz CJ， Blair RW， Moodie CA， Isik AI， Erramuzpe A， et al. fMRIPrep：用于功能性 MRI 的稳健预处理管道。Nat 方法。2019;16:111–116.PMID：30532080

查看文章PubMed/NCBI谷歌学术

135.Esteban O, Ross B, Christopher JM, Shoshana LB, Craig M, Feilong M, et al. FMRIPrep.软件。芝诺多。2018.

查看文章谷歌学术

136.Gorgolewski K、Burns CD、Madison C、Clark D、Halchenko YO、Waskom ML 等人。Nipype：一个灵活、轻量级且可扩展的 Python 神经影像数据处理框架。前 Neuroinform。2011;5:13.PMID：21897815

查看文章PubMed/NCBI谷歌学术

137.Esteban O， Markiewicz CJ， Burns C， Goncalves M， Jarecka D， Ziegler E， et al. nipy/nipype： 183 （183） 芝诺多。2022.

查看文章谷歌学术

138.新泽西州塔斯蒂森、Avants BB、Cook PA、Zheng Y、Egan A、Yushkevich PA 等人。N4ITK：改进的 N3 偏差校正。IEEE Trans Med 成像。2010;29:1310–1320.PMID：20378467

查看文章PubMed/NCBI谷歌学术

139.Avants BB、Epstein CL、Grossman M、Gee JC。具有互相关的对称差分图像配准：评估老年人和神经退行性大脑的自动标记。Med Image Anal. 2008;12:26–41.PMID：17659998

查看文章PubMed/NCBI谷歌学术

140.Zhang Y， Brady M， Smith S. 通过隐马尔可夫随机场模型和期望最大化算法分割大脑 MR 图像。IEEE Trans Med 成像。2001;20:45–57.PMID：11293691

查看文章PubMed/NCBI谷歌学术

141.Evans AC， Janke AL， Louis Collins D， Baillet S. 大脑模板和图集。神经影像学。2012;62:, 911–922.PMID：22248580

查看文章PubMed/NCBI谷歌学术

142.Fonov VS， Evans AC， McKinstry RC， Almli CR， Collins DL.从出生到成年的无偏非线性平均适合年龄的大脑模板。神经影像..2009;47.S102.

查看文章谷歌学术

143.詹金森 M，史密斯 S.一种用于大脑图像稳健仿射配准的全局优化方法。Med Image Anal. 2001;5:143–156.PMID：11516708

查看文章PubMed/NCBI谷歌学术

144.Greve DN， Fischl B. 使用基于边界的配准进行准确而稳健的脑图像对齐。神经影像学。2009;48:63–72.PMID：19573611

查看文章PubMed/NCBI谷歌学术

145.Jenkinson M， Bannister P， Brady M， Smith S. 改进了大脑图像稳健准确的线性配准和运动校正的优化。神经影像学。2002;17:825–841.PMID：12377157

查看文章PubMed/NCBI谷歌学术

146.考克斯 RW，海德 JS。用于分析和可视化 fMRI 数据的软件工具。核磁共振生物医学。1997;10.171–178.PMID：9430344

查看文章PubMed/NCBI谷歌学术

147.Power JD， Mitra A， Laumann TO， Snyder AZ， Schlaggar BL， Petersen SE. 检测、表征和去除静息态 fMRI 中运动伪影的方法。神经影像学。2014;84:320–341.PMID：23994314

查看文章PubMed/NCBI谷歌学术

148.Behzadi Y， Restom K， Liau J， Liu TT.一种基于成分的噪声校正方法 （CompCor），用于 BOLD 和基于灌注的 fMRI。神经影像学。2007;37:90–101.PMID：17560126

查看文章PubMed/NCBI谷歌学术

149.Satterthwaite TD、Elliott MA、Gerraty RT、Ruparel K、Loughead J、Calkins ME 等人。一个改进的混淆回归和过滤框架，用于在静息态功能连接数据的预处理中控制运动伪影。神经影像学。2013;64:240–256.PMID：22926292

查看文章PubMed/NCBI谷歌学术

150.Lanczos C. 噪声数据的评估。工业与应用数学学会杂志，B 系列：数值分析。2006.

查看文章谷歌学术

151.Çukur T， Nishimoto S， Huth AG， Gallant JL.自然视觉期间的注意力扭曲了整个人脑的语义表示。国家神经科学。2013;16:763–770.PMID：23603707

查看文章PubMed/NCBI谷歌学术

152.Lindquist MA， Geuter S， Wager TD， Caffo BS. 模块化预处理管道可以将伪影重新引入 fMRI 数据。嗡嗡脑 Mapp。2019;40:2358–2376.PMID：30666750

查看文章PubMed/NCBI谷歌学术

153.Alakörkkö T， Saarimäki H， Glerean E， Saramäki J， Korhonen O. 空间平滑对功能性大脑网络的影响。欧洲神经科学杂志。2017;46:2471–2480.PMID：28922510

查看文章PubMed/NCBI谷歌学术

154.Triana AM， Glerean E， Saramäki J， Korhonen O. 空间平滑对功能性脑网络群体水平差异的影响。网络神经科学。2020;4:556–574.PMID：32885115

查看文章PubMed/NCBI谷歌学术

155.Woolrich MW、Jbabdi S、Patenaude B、Chappell M、Makni S、Behrens T 等人。FSL 中神经影像学数据的贝叶斯分析。神经影像学。2009;45：S173–S186。PMID：19059349

查看文章PubMed/NCBI谷歌学术

156.Jenkinson M、Beckmann CF、Behrens TE、Woolrich MW、Smith SM. FSL 神经影像。2012;62(2):782–790.Epub 2011 年 9 月 16 日 pmid：21979382。

查看文章PubMed/NCBI谷歌学术

157.Smith SM、Jenkinson M、Woolrich MW、Beckmann CF、Behrens TEJ、Johansen-Berg H 等人。功能和结构 MR 图像分析和 FSL 实施的进展。神经影像学。2004（23 增刊 1）：S208–S219。PMID：15501092

查看文章PubMed/NCBI谷歌学术

158.Seitzman BA、Gratton C、Marek S、Raut RV、Dosenbach NUF、Schlaggar BL 等人。一组功能定义的大脑区域，皮层下和小脑的代表性得到改善。神经影像学。2020;206:116290.PMID：31634545

查看文章PubMed/NCBI谷歌学术

159.Power JD、Cohen AL、Nelson SM、Wig GS、Barnes KA、Church JA 等。人脑的功能性网络组织。神经元。2011;72(4):665–678.PMID：22099467

查看文章PubMed/NCBI谷歌学术

160.Gordon EM， Laumann TO， Adeyemo B， Huckins JF， Kelley WM， Petersen SE. 从静息态相关性生成和评估皮质区域分离。Cereb Cortex 2016 年;26:288–303.PMID：25316338

查看文章PubMed/NCBI谷歌学术

161.Rissman J， Gazzaley A， D'Esposito M. 在认知任务的不同阶段测量功能连接。神经影像学。2004;23:752–763.PMID：15488425

查看文章PubMed/NCBI谷歌学术

162.Power JD， Barnes KA， Snyder AZ， Schlaggar BL， Petersen SE. 功能连接 MRI 网络中的虚假但系统性相关性源于受试者运动。神经影像学。2012;59:2142–2154.PMID：22019881

查看文章PubMed/NCBI谷歌学术

163.Latora V， Marchiori M. 小世界网络的高效行为。物理学评论莱特 2001;87。PMID：11690461

查看文章PubMed/NCBI谷歌学术

164.Garrison KA、Scheinost D、Finn ES、Shen X、警员 RT。功能性脑网络的（不）稳定性跨阈值测量。神经影像学。2015;118:651–661.PMID：26021218

查看文章PubMed/NCBI谷歌学术

165.Kujala R， Glerean E， Pan RK， Jääskeläinen IP， Sams M， Saramäki J. 图形粗粒度揭示了功能性脑网络模块级结构的差异。欧洲神经科学杂志。2016;44:2673–2684.PMID：27602806

查看文章PubMed/NCBI谷歌学术

166.Poudel GR， Innes CRH， Bones PJ， Watts R， Jones RD. 失去保持清醒的挣扎：微睡眠期间丘脑和皮质活动的不同。嗡嗡脑 Mapp。2014;35:257–269.PMID：23008180

查看文章PubMed/NCBI谷歌学术

167.Benjamini Y， Hochberg Y. 控制错误发现率：一种实用而强大的多重测试方法。JR 统计 Soc B 方法。1995;57:289–300.

查看文章谷歌学术

168.Visconti di Oleggio Castello M， Haxby JV， Gobbini MI. mvdoc/identity-decoding： 触发 zenodo 的初始版本。2021.

查看文章谷歌学术

169.Varoquaux G、Raamana PR、Engemann DA、Hoyos-Idrobo A、Schwartz Y、Thirion B. 评估和调整大脑解码器：交叉验证、注意事项和指南。神经影像学。2017;145:166–179.PMID：27989847

查看文章PubMed/NCBI谷歌学术

170.Nilearn 贡献者，Chamma A， Frau-Pascual A， Rothberg A， Abadie A， Abraham A， et al..2024. 尼学习 （0.10.4）。芝诺多。可从： https://doi.org/10.5281/zenodo.10948303

171.NetPlotBrain：用于可视化网络和大脑的 Python 包。网络神经科学。2023;7(2):461–477.PMID：37397883

查看文章PubMed/NCBI谷歌学术

172.亨特 JD。Matplotlib：一个 2D 图形环境。计算科学工程 2007;9(03):90–95.

查看文章谷歌学术

173.Waskom M. seaborn：统计数据可视化。J 开源软件。2021;6:3021.

查看文章谷歌学术

174.Triana A， Glerean E. AnaTomomi/协议：stage1_v3 （stage1_v3）。芝诺多。2024.

查看文章谷歌学术

175.Triana A， Glerean E. 日常环境、生理和生活方式因素对功能性大脑连接的影响 [数据集]。芝诺多。2024.

查看文章谷歌学术

176.Triana A， Glerean E. AnaTomomi/externalfactors_on_functionalconnectivity： EF_BC_v2 （EF_BC_v2）.芝诺多。2024.

查看文章谷歌学术

177.Triana AM， Saramäki J， Glerean E， Hayward NMEA.神经科学遇见行为：关于大脑磁共振成像与真实世界数字表型相结合的系统文献综述。嗡嗡脑 Mapp。2024;45（4）：e26620。

查看文章谷歌学术

178.Naithani N， Sinha S， Misra P， Vasudevan B， Sahu R. 精准医学：概念和工具。武装部队 Med J 印度。2021：77. PMID：34305276

查看文章PubMed/NCBI谷歌学术

179.Berman MG、Kardan O、Kotabe HP、Nusbaum HC、伦敦 SE。环境神经科学的前景。Nat Hum 行为。2019;3:414–417.PMID：31089299

查看文章PubMed/NCBI谷歌学术

180.Benkirane O， Delwiche B， Mairesse O， Peigneux P. 睡眠碎片化对认知和疲劳的影响。国际环境研究公共卫生杂志。2022;19.PMID：36497559

查看文章PubMed/NCBI谷歌学术

181.哈德森 AN， 范东根 HPA， Honn KA.睡眠剥夺、警惕注意力和大脑功能：综述。神经精神药理学。2020;45:21–30.PMID：31176308

查看文章PubMed/NCBI谷歌学术

182.Mummaneni A、Kardan O、Stier AJ、Chamberlain TA、Chao AF、Berman MG 等人。功能性大脑连接可预测青年和成人的睡眠持续时间。嗡嗡脑 Mapp。2023;44:6293–6307.PMID：37916784

查看文章PubMed/NCBI谷歌学术

183.Yeo BTT， Tandi J， Chee MWL.静息觉醒期间的功能连接预测了睡眠剥夺的脆弱性。神经影像学。2015;111:147–158.PMID：25700949

查看文章PubMed/NCBI谷歌学术

184.Chen L-T， Fan X-L， Li H-J， Ye C-L， Yu H-H， Xin H-Z， et al.阻塞性睡眠呼吸暂停患者的大脑功能连接组异常。神经精神病学 Dis Treat。2018;14:1059–1070.PMID：29713176

查看文章PubMed/NCBI谷歌学术

185.Ning Y， Zheng S， Feng S， Li K， Jia H. 大脑网络的功能连接和拓扑结构改变与睡眠剥夺后认知障碍相关。Nat Sci 睡眠。2022;14:1285–1297.PMID：35873714

查看文章PubMed/NCBI谷歌学术

186.Okuda M、Noda A、Mabuchi S、Iwamoto K、Banno M、Miyata S 等人。健康成人的睡眠碎片化和工作记忆。睡眠科学 2021;14:111–117.PMID：35082979

查看文章PubMed/NCBI谷歌学术

187.视觉工作记忆作为视觉注意力随着时间的推移在内部持续。神经心理学。2011;49:1407–1409.PMID：21295047

查看文章PubMed/NCBI谷歌学术

188.Chua EC-P、Sullivan JP、Duffy JF、Klerman EB、Lockley SW、Kristal BS 等。使用精神运动警觉性测试性能的基线特征对注意力对完全睡眠剥夺的脆弱性进行分类。科学代表 2019;9：12102。PMID：31431644

查看文章PubMed/NCBI谷歌学术

189.Patanaik A， Tandi J， Ong JL， Wang C， 周 J， Chee MWL.动态功能连接及其行为相关性超出了警惕性。神经影像学。2018;177:1–10.PMID：29704612

查看文章PubMed/NCBI谷歌学术

190.Ashbrook LH， Krystal AD， Fu Y-H， Ptáček LJ.人类生物钟和睡眠稳态器的遗传学。神经精神药理学。2020;45:45–54.PMID：31400754

查看文章PubMed/NCBI谷歌学术

191.Zhidong C， Wang X， Yin J， Song D， Chen Z. 体育锻炼对老年人工作记忆的影响：系统和荟萃分析评价。Eur Rev 老龄化物理法案。2021;18：18。PMID：34535084

查看文章PubMed/NCBI谷歌学术

192.Hsu CL， Best JR， Wang S， Voss MW， Hsiung RGY， Munkacsy M， et al.有氧运动对额顶叶网络连接的影响及其与活动性的关系：一项为期 6 个月的随机对照试验的探索性分析。Front Hum Neurosci.2017;11:344.PMID：28713255

查看文章PubMed/NCBI谷歌学术

193.Thayer JF， Sternberg E. 超越心率变异性：同种异体系统的迷走神经调节。Ann N Y Acad Sci. 2006 年;1088:361–372.PMID：17192580

查看文章PubMed/NCBI谷歌学术

194.Matusik PS， Zhong C， Matusik PT， Alomar O， Stein PK. 心率变异性神经相关性的神经影像学研究：系统评价。临床医学研究杂志 2023;12。PMID：36769662

查看文章PubMed/NCBI谷歌学术

195.Kumral D、Schaare HL、Beyer F、Reinelt J、Uhlig M、Liem F 等人。静息心率变异性与功能性大脑连接之间的年龄依赖性关系。神经影像学。2019;185:521–533.PMID：30312808

查看文章PubMed/NCBI谷歌学术

196.Alfini AJ、Won J、Weiss LR、Nyhuis CC、Shackman AJ、Spira AP 等。运动对老年人情绪的影响由睡眠调节，并由大脑连接改变介导。Soc Cogn 影响神经科学。2020;15:1238–1251.PMID：33201227

查看文章PubMed/NCBI谷歌学术

197.Shannon BJ、Dosenbach RA、Su Y、Vlassenko AG、Larson-Prior LJ、Nolan TS 等人。人脑新陈代谢和记忆回路的早晚变化。神经生理学杂志。2013;109:1444–1456.PMID：23197455

查看文章PubMed/NCBI谷歌学术

198.Edde M， Leroux G， Altena E， Chanraud S. 人类一生中的功能性大脑连接变化：从胎儿发育到老年。神经科学研究杂志 2021;99:236–262.PMID：32557768

查看文章PubMed/NCBI谷歌学术

199.Khalsa S、Mayhew SD、Przezdzik I、Wilson R、Hale J、Goldstone A 等人。累积习惯性睡眠持续时间的变异性可预测清醒功能连接。睡。2016;39:87–95.PMID：26414900

查看文章PubMed/NCBI谷歌学术

200.马瑟 M，塞耶 J.心率变异性如何影响情绪调节大脑网络。Curr Opin Behav Sci. 2018;19:98–104.PMID：29333483

查看文章PubMed/NCBI谷歌学术

201.布朗 SG、莫里森 LA、卡利布索 MJ、克里斯蒂安森 TM。月经周期和性行为：与饮食、运动、睡眠和健康模式的关系。女性健康。2008;48:429–444.PMID：19301532

查看文章PubMed/NCBI谷歌学术

202.Brar TK， Singh KD， Kumar A. 月经周期不同阶段对心率变异性 （HRV） 的影响。J Clin Diagn Res. 2015 年;9：CC01-4。PMID：26557512

查看文章PubMed/NCBI谷歌学术

203.梁 RL，Chee MW。了解睡眠改善认知的必要性。Annu Rev Psychol. 2023;74:27–57.PMID：35961036

查看文章PubMed/NCBI谷歌学术

204.Arnal PJ、Sauvet F、Leger D、van Beers P、Bayon V、Bougard C 等人。Sleep Extension 对完全睡眠剥夺和恢复之前和期间的持续注意力和睡眠压力的好处。睡。2015;38:1935–1943.PMID：26194565

查看文章PubMed/NCBI谷歌学术

205.Laumann TO、Snyder AZ、Mitra A、Gordon EM、Gratton C、Adeyemo B 等人。关于 BOLD fMRI 相关性的稳定性。大脑皮层。2017;27:4719–4732.PMID：27591147

查看文章PubMed/NCBI谷歌学术

206.Allen EA， Damaraju E， Plis SM， Erhardt EB， Eichele T， Calhoun VD.跟踪静息状态下的全脑连接动力学。大脑皮层。2012;24:663–676.PMID：23146964

查看文章PubMed/NCBI谷歌学术

207.Hutchison RM、Womelsdorf T、Allen EA、Bandettini PA、Calhoun VD、Corbetta M 等人。动态功能连接：承诺、问题和解释。神经影像学。2013;80:360–378.PMID：23707587

查看文章PubMed/NCBI谷歌学术

208.Boogert NJ， Madden JR， Morand-Ferron J， Thornton A. 测量和理解认知的个体差异。Philos Trans R Soc Lond B 生物科学，2018 年;373(1756):20170280.PMID：30104425

查看文章PubMed/NCBI谷歌学术

209.Blagrove M， Akehurst L. 人格和睡眠不足对情绪和认知影响的调节。个人个人差异。2001;30(5):819–828.

查看文章谷歌学术

210.Newbold DJ、Laumann TO、Hoyt CR、Hampton JM、Montez DF、Raut RV 等。废弃的人脑回路中的可塑性和自发活动脉冲。神经元。2020;107：580–589.e6.PMID：32778224

查看文章PubMed/NCBI谷歌学术

211.Gronwald T， Hoos O， Hottenrott K. 短期骑行间隔训练和主动恢复对耐力训练骑行者心脏自主神经活动非线性动力学的影响。J Clin Med Res. 2019;8。PMID：30736284

查看文章PubMed/NCBI谷歌学术

212.哈特曼 D、赫林卡 J、帕鲁斯 M、曼蒂尼 D、科贝塔 M。非线性在计算静息态功能磁共振成像脑网络的图论特性中的作用。混沌。2011;21:013119.PMID：21456833

查看文章PubMed/NCBI谷歌学术

213.Migliorelli C、Bachiller A、Andrade AG、Alonso JF、Mañanas MA、Borja C 等人。健康年轻人脑电图连接的改变提供了睡眠深度的指标。睡。2019;42.PMID：30944934

查看文章PubMed/NCBI谷歌学术

214.Salehi M、Greene AS、Karbasi A、Shen X、Scheinost D、警员 RT。即使对于单个个体，也没有单一的功能图谱：功能宗地定义会随任务而变化。神经影像学。2020;208:116366.PMID：31740342

查看文章PubMed/NCBI谷歌学术

215.Salehi M， Karbasi A， Barron DS， Scheinost D， Constable RT. 个体化功能网络随认知状态重新配置。神经影像学。2020;206:116233.PMID：31574322

查看文章PubMed/NCBI谷歌学术

216.Raven F， Van der Zee EA， Meerlo P， Havekes R.睡眠在调节结构可塑性和突触强度中的作用：对记忆和认知功能的影响。睡眠医学修订版 2018;39:3–11.PMID：28641933

查看文章PubMed/NCBI谷歌学术

217.Hodkinson DJ、O'Daly O、Zunszain PA、Pariante CM、Lazurenko V、Zelaya FO 等人。在正常夹带条件下，人类功能连接和区域脑血流的昼夜节律和稳态调节。J Cereb 血流代谢。2014;34:1493–1499.PMID：24938404

查看文章PubMed/NCBI谷歌学术

218.Soldan A， Moghekar A， Walker KA， Pettigrew C， Hou X， Lu H， et al. 静息态功能连接与非痴呆老年人突触蛋白 NPTX2 的脑脊液水平有关。前沿衰老神经科学。2019;11:132.PMID：31231205

查看文章PubMed/NCBI谷歌学术

219.Wilton DK、Dissing-Olesen L、Stevens B. 突触消除中的神经元-胶质细胞信号传导。Annu Rev 神经科学。2019;42:107–127.PMID：31283900

查看文章PubMed/NCBI谷歌学术

220.Kraus B， Zinbarg R， Braga RM， Nusslock R， Mittal VA， Gratton C. 从大脑和行为的个性化模型中获得见解，以识别精神病学中的生物标志物。神经科学生物行为修订版 2023;152：105259。PMID：37268180

查看文章PubMed/NCBI谷歌学术

221.Duyn JH， Ozbay PS， Chang C， Picchioni D. 影响 fMRI 推断的睡眠生理变化。Curr Opin 行为科学 2020;33:42–50.PMID：32613032

查看文章PubMed/NCBI谷歌学术

222.McGowan AL， Sayed F， Boyd ZM， Jovanova M， Kang Y， Speer ME， et al. 精神病学研究的密集抽样方法：结合扫描仪和智能手机。生物精神病学。2023;93:681–689.PMID：36797176

查看文章PubMed/NCBI谷歌学术

223.De Domenico M. 人脑网络的多层建模和分析。GigaScience。2017;6:1–8.PMID：28327916

查看文章PubMed/NCBI谷歌学术

224.幂 JD。一种简单但有用的评估 fMRI 扫描质量的方法。神经影像学。2017;154:150–158.PMID：27510328

查看文章PubMed/NCBI谷歌学术

225.van Buuren S， Groothuis-Oudshoorn K. 小鼠：R 中链式方程的多元插补。J 统计软件。2011;45.

查看文章谷歌学术