资源描述：
《默认网络神经机制、功能假设和临床应用》由会员上传分享，免费在线阅读，更多相关内容在工程资料-天天文库。
1、默认网络神经机制、功能假设和临床应用摘要：认知神经科学的迅速发展使得研究者对大脑的功能有了深刻的认识。近些年来，研究者对大脑在进行外在注意任务时产生的负激活有了更多的了解，默认网络(DefaultModeNetwork)的概念被提出，并引起了很多神经科学家的关注，关于默认网络的相关理论也已提出。当前综述对默认网络的研究历史，概念理论，个体和种系发展，及其与疾病的关系以及临床应用等方面进行了概括总结。未来研究可从默认网络的个体发展，种系差异，与其他大脑网络(如注意网络，视觉网络，执行控制网络)的关系以
2、及与具体疾病的关系等角度入手进行研究，共同来探讨默认网络的神经机制。关键词：默认网络；负激活；功能连接；临床应用分类号：B8421＞引言近些年，认知神经科学发展迅速，取得了丰硕的成果。功能磁共振成像(fMRI)关注脑区激活(activation),即大脑活动增加。然而，有一些脑区包括内侧前额叶(medialprefrontalcortex,MPFC),后扣带回/前楔叶(PCC/Precuneus),角回(angulargyrus,AG)在很多认知任务实验条件下几乎不激活。Shulman等人(1997
3、)综述了相关正电子发射断层扫描(PET)的研究，发现这些脑区的大部分在安静条件下的活动比主动任务条件下高，被试在进行认知任务时，这些脑区总是表现出负激活(deactivation)o随后，Raichle(2001)提出大脑功能“默认模式(Defaultmode)的概念，以指当大脑不加工外在任务时回归到基线状态(baselinestate),并将支持这一功能的脑区称之为"默认网络(DefaultModeNetwork,DMN)”。这一概念逐渐被其他研究者所接受。近十年来研究者对默认网络的认识越来越深刻
4、，提出了一些重要的理论，相关的研究日益增多。本文主要综述默认网络的研究进展。第一，对默认网络的神经解剖进行简要介绍。第二，综述当前的默认网络功能理论。第三，综述默认网络的个体与种系发展。第四，综述近些年的相关疾病研究。第五，介绍默认网络可能的临床价值。最后，对未来的研究进行预期与展望。在这之前，先简要介绍研究默认网络的方法。近些年，默认网络的研究方法主要集中于以下几种。第一，任务诱发激活或负激活(task-inducedactivation/deactivation),如进行需要外在注意任务时，默认
5、网络负激活，而进行自我参照加工时，默认网络正激活。第二，静息态功能连接(restingstatefunctionalconnectivity,RSFC),这种方法主要考察安静状态下大脑不同区域低频血氧信号随着时间变化而同步活动的程度，以血氧信号同步活动推测其神经活动的同步性，主要指标是脑区之间时间序列(time-seriesl信号上的相关系数，这种方法可以研究脑区之间功能整合(Friston,2011)o通常的做法是设定一个种子点(seed),然后计算该脑区和其他脑区的功能连接强度(Koyamaet
6、al.,2011)□第三，低频振幅(amplitudeoflow-frequencyfluetuation，ALFF；fractionalALFF,fALFF)和局部一致性(Regionalhomogeneity,ReHo)(Zang,Jiang,Lu,He,&Tian,2004；Zangetal.,2007),前者是指大脑自发活动的幅度，幅度越大说明脑区活动越强烈，后者是指某一个体素(voxel)与该体素周围的体素血氧信号同步活动的相关程度。第四，弥散张量成像(diffusetensorimagi
7、ng,DTI)技术，这种技术主要研究大脑内部脑区之间神经纤维的连接情况，包括纤维粗细，信息传递的效率等指标，比如连接左右半球的脐月氐体(corpuscallosum)以及连接布罗卡区(Brocasarea)和威尔尼克区(Wernicke，sarea)的弓形束(arcuatefasciculus)就可以通过这种技术测得，存在纤维连接的两个脑区可能共同对某一个功能起作用。第五，独立成分分析findependentcomponentanalysis,ICA),独立成分分析主要是对整个大脑的低频血氧信号进行
8、数据驱动，分解出不同的静息态网络(如默认网络，注意网络，视觉网络，感知运动网络)，网络内部脑区活动具有高度同步性，说明网络内部脑区可能共同对某一功能起作用(Damoiseauxetal.,2006)o第六，以图论(GraphicTheory)为主的复杂脑网络分析技术，图论分析技术关注整个大脑结构或功能网络，主要衡量指标有节点度(nodedegree),集群系数(clusteringcoefficient),最短路径长度(shortestpathlength),中心度(
