基于复杂主成分分析揭示小脑时空模式的个体功能与行为特质研究

一、 研究团队与发表信息 本研究由北京理工大学跨学科科学学院的Shuo Lv, Jinlong Li, Ruoqi Yang, Xinyu Wu, Zhiming Wang, Wenjing Zhu, Tan Gao, Guoyuan Yang（通讯作者）以及北京大学麦戈文脑科学研究所的Jia-Hong Gao共同完成。研究成果以题为“Three parsimonious spatiotemporal patterns in cerebellum reveal individual traits in function and behavior”的论文形式，于2026年发表在学术期刊《自然·通讯》（*Nature Communications*）上。该文章目前为“in press”状态，即已接受但尚未正式排版发布的版本。

二、 学术背景与研究目的 本研究隶属于认知神经科学和计算神经影像学领域，聚焦于人类大脑自发活动的时空动力学。静息态功能磁共振成像（rs-fMRI）揭示的脑内低频血氧水平依赖（BOLD）波动蕴含着大脑内在功能组织的关键信息。以往研究主要通过两类互补的方法探索这些模式：零滞后方法（如独立成分分析ICA、功能连接梯度）刻画同步共激活的空间布局；而时间滞后方法（如准周期模式QPP、滞后投影）则揭示神经活动在脑区间传播的动态波状模式。然而，这些研究主要集中于大脑皮层，对于包含超过80%神经元、在认知和情感调节中扮演重要角色的小脑，其内在的时空动态结构却相对被忽视。

小脑通过长距离的脑-小脑环路与皮层广泛连接，已有证据表明小脑内部也存在类似皮层的功能梯度和传播模式。但一个关键的科学问题尚未解决：能否在一个统一的框架下，同步捕捉小脑活动空间和时间维度的组织规律？这些低维的时空模式是否稳定，以及它们能否反映个体差异，如性别和多样的行为特质？

为此，本研究旨在应用一种名为复杂主成分分析（Complex Principal Component Analysis, CPCA）的方法来解析小脑的rs-fMRI数据。CPCA能够将复值信号（通过希尔伯特变换获得）分解为同时编码空间结构和时间传播的潜在成分。研究的具体目标包括：1）识别并刻画小脑中占主导地位的低维时空模式；2）验证这些模式与已知功能连接拓扑的对应关系；3）检验基于这些模式的信号重建是否保留小脑功能网络的模块化结构；4）探究个体化的CPCA特征是否能够有效预测生物学性别和认知、情感、警觉性及人格等行为特质。

三、 详细研究流程 本研究设计严谨，流程环环相扣，主要包含数据处理、模式提取、验证和应用预测四大阶段，并使用了多个人类连接组计划（Human Connectome Project, HCP）的数据子集以确保结果的稳健性和可推广性。

1. 数据与预处理： 研究数据主要来源于HCP年轻成人数据集（HCP-YA）和HCP发展数据集（HCP-D）。为了不同的分析目的，研究者从HCP-YA中明确划分了四个子集： * 子集1（发现集）：100名无亲缘关系的被试，用于提取群体水平的CPCA模式。 * 子集2（验证集）：170名同时拥有3T和7T场强rs-fMRI数据的被试，用于跨场强测试-重测验证。 * 子集3（性别分类集）：280名性别、年龄和头动匹配的被试（男女各140名），用于机器学习性别分类。 * 子集4（行为预测集）：335名拥有完整行为评估数据的被试，用于脑-行为关联分析。 此外，还使用了HCP-D的100名被试（8-21岁）进行独立队列验证。 所有rs-fMRI数据均经过标准预处理，包括空间标准化、平滑、时间序列标准化、合并扫描方向以及0.01-0.1 Hz的带通滤波。分析焦点限定在小脑区域。

2. 核心分析方法——复杂主成分分析（CPCA）： 这是本研究的关键创新方法。流程如下： * 信号转换：对每个体素的时间序列进行希尔伯特变换，得到包含瞬时振幅和相位信息的复值信号。 * 群体分解：将所有被试的复值数据矩阵在时间维度上拼接，进行随机化奇异值分解（SVD），得到一组复值主成分（PCs）。每个PC包含两部分：实部图（反映空间振幅波动模式，即零滞后结构）和相位角图（反映信号传播的相对时间延迟，即时间滞后结构）。 * 个体化特征提取：对每个被试单独进行CPCA，获得个体水平的实部图和相位图。为了便于跨被试比较和回归分析，将相位图进一步转换为正弦相对相位图，将循环的相位值映射到连续的线性域。

3. 时空模式的验证与表征： * 空间验证：将前三个CPCA实部图与多种经典功能连接拓扑方法（如空间ICA、时间ICA、功能连接梯度等）生成的空间图进行空间相关性比较，并使用基于莫兰随机化的置换检验评估显著性。 * 时间验证：将第一个CPCA相位图与两种经典的传播动力学估计方法（滞后投影和QPP）的结果进行空间相关性比较。 * 零模型检验：通过对时间序列进行时间点随机重排（同时保留血流动力学卷积引入的自相关），构建零模型，以确认CPCA模式反映的是有意义的时空结构而非随机或静态相关。 * 信号重建与模块化检验：仅使用前三个CPCA成分重建BOLD时间序列，并计算重建信号的功能连接矩阵。通过模块化检测（卢万算法）和标准化互信息，评估重建网络是否保留了原始功能连接的模块化组织。 * 跨任务与跨数据集验证：在HCP-YA的任务态fMRI数据中检验CPCA模式的稳定性；在HCP-YA的3T vs 7T数据以及独立的HCP-D数据中重复整个分析流程，验证模式的可靠性和普适性。

4. 个体差异预测分析： * 性别分类：使用个体化的前三个CPCA实部图和SRP图作为特征，训练线性支持向量机和人工神经网络分类器，通过5折交叉验证评估性别分类准确率，并使用置换检验（打乱标签1000次）评估统计显著性。同时，控制了小脑总体积的影响。 * 行为表型预测：从HCP行为数据中选取35个涵盖警觉性、认知、情绪和人格四大领域的指标，通过主成分分析降维得到8个行为主成分。使用稀疏典型相关分析，将个体CPCA特征（选取变异度最高的10%体素）与行为主成分关联，寻找最大相关的脑-行为维度对。

5. 对照分析： 为了明确小脑模式的特异性（而非全脑或皮层模式的简单反映），研究并行地对“仅小脑”、“仅皮层”和“全脑”数据分别进行了CPCA分解，并在模式比较、性别分类和行为预测等多个层面进行了直接对比。

四、 主要研究结果 1. 识别出小脑三个主导的时空模式： CPCA成功分解出三个主导成分，累计解释了小脑BOLD信号可解释方差的72.67%。 * PC1（单模态-跨模态进展梯度，解释方差47.68%）： * 实部图：显示后下部小脑叶（如小叶IX）振幅较低，而前外侧区域（尤其是Crus I/II）振幅较高，形成了一个从感觉运动区向高级联合区过渡的空间梯度。 * 相位图：呈现一个连续的时间梯度，活动从后下部（单模态网络，如视觉、躯体运动网络）向前外侧（跨模态网络，如默认模式、额顶网络）传播。该模式与滞后投影和QPP结果高度相关（r > 0.77），证实其捕捉了规范的波状传播动态。 * PC2（功能拮抗模式，解释方差16.62%）： * 实部图：显示Crus I/II（跨模态网络相关）与小叶VI-VIII及蚓部（感觉运动网络相关）之间存在空间上的负相关（拮抗）模式。 * 相位图：呈现清晰的两相对立的相位，表明这两大功能集群处于反同步的波动状态，可能反映了内部导向与外部导向处理状态之间的竞争或切换。 * PC3（半球不对称模式，解释方差8.37%）： * 实部图与相位图：均显示出明显的半球不对称性，尤其体现在左、右Crus I/II区域。这种不对称性提示小脑自发活动存在侧化传播的动态。

2. CPCA模式的有效性与稳健性： * 空间对应性：前三个CPCA实部图与绝大多数经典功能连接拓扑图存在强空间相关性（|r| > 0.5），表明CPCA成功概括了已知的小脑空间组织。 * 重建保真性：仅用前三个成分重建的BOLD信号，其功能连接矩阵虽在边水平上与原始矩阵中度相关（r = 0.474），但关键的网络模块化结构得到了高度保留（标准化互信息NMI = 0.939）。在信噪比更高的7T数据中，重建保真度有所提升。 * 跨验证稳健性：这三个模式在3T和7T扫描仪间高度一致，在独立的HCP-D发展队列中也成功复现，证明了其跨设备和跨年龄段的稳健性。任务态分析显示，PC1在不同认知任务中高度稳定，而PC2和PC3则表现出一定的任务依赖性，尤其是PC3对认知背景最为敏感。

3. 个体化特征预测性别与行为： * 性别分类：基于CPCA相位图（SRP）的分类性能优于实部图。其中，SRP PC3（不对称模式）的分类准确率最高（AUC = 0.87）。网络权重分析显示，分类器主要依赖感觉运动网络和边缘网络等区域的差异。重要的是，控制小脑总体积后，分类性能并未受到影响，表明预测能力源于时空动态模式而非单纯的体积差异。此外，“仅小脑”CPCA特征在性别分类上的表现优于“仅皮层”特征以及从“全脑”分解中提取的小脑特征，证明了小脑模式信息的独特性。 * 行为表型预测：稀疏典型相关分析揭示了CPCA特征与多种行为维度之间的显著关联。 * SRP PC1（传播梯度）与情绪调节、语言理解、工作记忆、人格和警觉性等多个行为成分正相关。 * SRP PC3（不对称模式）与认知功能和恐惧相关特质正相关。 * Complex PC2（拮抗振幅模式）与攻击性行为正相关。 这些关联表明，小脑不同的低维时空动态分别支持着不同的认知和情感功能维度。

五、 研究结论与意义 本研究系统性地证明，人类小脑的自发活动可以通过三个简洁的时空模式进行有效描述：一个从单模态到跨模态的传播梯度、一个功能拮抗模式和一个半球不对称模式。这些模式不仅概括了小脑已知的功能组织，还揭示了其内在的、具有时间结构的传播动态。

研究的科学价值在于： 1. 提供了小脑功能组织的新视角：将CPCA这一统一框架应用于小脑，首次同步刻画了其时空动态的核心维度，弥补了该领域的研究空白。 2. 确立了小脑作为个体差异生物标志物的地位：研究证明，源自小脑低维时空模式的个体化特征，能够可靠地预测性别和一系列复杂的行为特质，且这些信息与皮层模式互补而非冗余。这挑战了将小脑视为单纯运动辅助结构的传统观点，将其定位为大脑全局时空组织和个体特质敏感的“主动整合器”。 3. 连接了宏观动力学与微观机制：研究发现的时空模式（如PC2的拮抗模式）与功能网络的模块化结构高度对应，提示时间上的反同步动态可能是形成和维持空间功能模块的一种驱动机制。 4. 提供了方法论范例：展示了CPCA结合机器学习在挖掘神经影像数据中个体差异信息方面的强大潜力，为未来基于脑影像的个体化预测和诊断研究提供了新思路。

六、 研究亮点 1. 方法创新性：首次将CPCA系统应用于小脑rs-fMRI数据分析，在一个框架内同时提取了具有明确生理意义的空间结构和时间传播模式。 2. 发现的重要性：识别出小脑三个稳定、可复现的低维时空模式，并将其与个体稳定的生物学特质（性别）和行为表型成功关联，为理解小脑在高级认知和个体差异中的作用提供了坚实证据。 3. 严谨的验证体系：研究设计了多层次、多数据集的验证流程，包括跨扫描仪验证、独立队列验证、任务态验证、零模型检验以及与经典方法的对比，确保了发现的可靠性。 4. 特异性分析：通过并行分析“仅小脑”、“仅皮层”和“全脑”数据，有力论证了小脑时空模式信息的独特性和非冗余性，增强了结论的说服力。

七、 其他有价值内容 研究也坦诚地指出了其局限性：CPCA作为一种线性分解方法，可能无法捕捉非线性或非平稳的动态特征；低维表示虽提高了可解释性，但不可避免地丢失了部分信号细节；此外，CPCA对相位结构的捕捉可能更倾向于周期性的生理节律信号。这些为未来研究指明了方向，例如采用非线性或时变方法来探索更精细的小脑动态。总体而言，这项工作为重新定义小脑在全脑功能整合中的角色——一个积极的、动态的、体现个体特质的功能整合器——提供了重要的理论依据和实证支持。