圖論現在正在成為系統神經科學的標準工具。然而，將觀察到的大腦解剖和動態變化賦予到一個復雜網絡表征表示通常涉及隱蔽的理論假設和方法選擇，這些假設和方法選擇影響從實驗數據重建網絡的方式，并最終影響網絡屬性及其解釋。在這里，我們回顧了一些與大腦網絡重建相關的基本概念基礎和技術問題，并討論了它們如何在闡明大腦功能的組織中相互影響。本文發表在Human Brain Mapping雜志。(可添加微信號siyingyxf或18983979082獲取原文，另思影提供免費文獻下載服務，如需要也可添加此微信號入群，原文也會在群里發布)。
溫故而知新，建議結合以下腦網絡相關解讀閱讀（直接點擊，即可瀏覽，加微信號siyingyxf或18983979082獲取原文及補充材料）：
腦部疾病功能網絡組織的圖論方法
靜息狀態fMRI功能連通性網絡中的比例閾值的選擇
網絡閾值和加權對結構腦網絡的影響
連接大腦的涌現特性
宏觀人腦功能網絡的通用分類
基于圖論的腦功能連通性腦電圖建模
腦網絡組織的多尺度建模
現代物理評論：大腦網絡中的動力學控制
重放，默認模式網絡和記憶的級聯系統控制網絡和hubs
Nature Neuroscience：網絡神經科學
PNAS：節食可調節年輕人腦網絡的穩定性
網絡閾值和加權對結構腦網絡的影響
復雜大腦網絡的結構和功能人腦的連接性中心節點促進了人腦網絡的模塊化 大腦狀態的重構與認知行為之間的映射 大腦是一種什么樣的網絡? 大尺度功能腦組織結構：6個主要原則
腦網絡的小世界屬性
圖論方法在大腦網絡中的應用
大腦網絡結構、功能和控制的物理學
腦網絡研究中的圖論指標詳解
從宏觀尺度腦網絡的角度看結構--功能關系
圖論在靜息態和動態腦連接評估中的應用：構建腦網絡的方法
腦網絡組織的經濟性
兒童神經認知網絡的動態功能連接 動態功能連接：前景、問題和解釋Nature reviews Neuroscience：認知加工相關的默認網絡自閉癥研究中的默認網絡默認網絡：最新的解剖、生理研究及其研究發展過程中的新觀點
DMN:大腦的默認網絡
腦網絡核心節點的發育
抑郁癥，神經影像學和連接組學
重度抑郁癥多成像中心的泛化腦網絡標志物
Biological Psychiatry：精分患者大腦的組織體積變化與腦網絡
Neuron：從簡單映射到多維網絡
腦網絡視角下的精神分裂癥
基于人腦連接組學將疾病癥狀映射于腦網絡
大腦連接障礙中跨腦疾病的連接圖論在識別人腦網絡連通性模式中的應用
1.引言
復雜網絡理論在神經科學中的引入代表了一場深刻的方法論革命，但在許多方面也是一場概念革命，促進了新的研究途徑。網絡是節點和節點之間成對關系的集合，稱為邊或連接。賦予一個系統以網絡結構意味著將它的某些部分與其它部分相聯系。盡管這一行動顯然直截了當，但從概念和實踐的角度來看，這一行動非常重要，而且伴隨著一系列往往是隱含的假設。
用一個網絡結構來表示一個系統并不一定意味著這個系統的屬性就是相關網絡的屬性，也不一定意味著這個系統實際上是作為一個網絡來工作的。因此，在基礎層面上，網絡神經科學必須解決這樣一個問題：網絡結構是否反映了大腦現象的真實方面，或者是協同動態活動的附帶現象。但是，即使解決了上述問題，對神經科學家來說，一個同樣重要的問題是如何從數據中提取這種結構。因此，在解決本體論問題之前，有必要確定重建是否適當地進行。當然，“恰當”的含義是非常重要的，是特定于背景的，關鍵取決于大腦活動數據的收集、分析和解釋的方式。
根據經驗數據進行網絡重建涉及的所有步驟需要謹慎選擇，因為圖論本身并沒有提供方向。例如，對于用網絡結構表示的空間的選擇，以及其邊界、節點和邊的定義，沒有標準。一般的重建過程，特別是這些選擇，在某種程度上與對所研究系統的特征的假設有關。例如，將大腦解剖和動態賦予到一個網絡，表面上看起來可能是相當相似的過程，但在一些基本的(不僅僅是技術的)方式上是不同的。一個明顯的區別在于邊的定義，前者比后者簡單得多，但最基本的區別在于功能腦成像的對象的定義，即功能性腦活動。
在余下的部分，我們回顧了功能網絡重建的概念基礎（第2節）。特別是，我們表明，定義功能腦活動，從神經成像數據中提取它，并用真正的功能網絡表示它。本文分析了在其他神經科學綜述中很少涉及的問題，但這些問題對理解重建過程的技術方面至關重要（第3節）。本文還討論大腦功能活動表征和網絡表征之間的相互作用，以及大腦活動中功能的定義在多大程度上取決于大腦網絡重建的特定方式。
2. 網絡重建導論
系統水平的功能神經成像技術提供神經生理學的某些方面的離散時變成像（discretetime-varying images），通常與某些生理或認知功能相關。因此，神經影像學數據可能可以反映“真實”大腦活動。
第一個重要問題是確定用于量化神經成像數據的變量，允許恢復系統并使系統變成可觀察的條件和程度，即整個系統的內部狀態可以從系統的輸出進行重建。因此，神經成像數據分析可以被認為是一個重建或逆問題 (參見第2.2.2節)。假設大腦活動實際上具有某種結構，例如對稱性，神經成像數據分析的目的應該是至少保留潛在結構的某些特性。
第二個重要問題是，需要量化的東西通常不是大腦的動態變化，而是大腦的功能活動。用神經成像技術記錄的活動，如功能性磁共振成像(fMRI)、腦電圖(EEG)或磁腦電圖(MEG)，通常被稱為功能性的，但其本身并不是真正的功能性的。功能性大腦活動可以被認為是大腦動態變化的一種特殊結構。因此，功能性腦成像應該提供真實和粗粒度空間各自結構之間的映射。
最后，網絡神經科學旨在描述大腦解剖和動態變化的特征，并最終通過賦予它們一個網絡表征來發揮作用。一個網絡可以被認為是一個連續空間的離散版本，具有特定的結構。網絡節點和節點之間的關系(即邊)都被賦予了基本屬性�？傊�，系統水平的神經成像的網絡分析涉及系統功能空間的復雜表征。至關重要的是，這些特性取決于大腦功能活動的定義方式。定義腦功能活動、從神經成像數據中提取腦功能活動并用真正的功能網絡表示腦功能活動，相當于許多粗�；^程。
2.1 從腦動態到腦功能活動
最常見的表示系統水平腦活動的方式，以及由標準神經成像技術產生的時變數據，是作為嵌入在3D解剖空間中的潛在空間擴展動態系統的輸出。與腦動態相關的空間Φ通常在從實驗到發育或進化的時域中，或者在頻域、相空間中被視為標量場、矢量場或張量場。
不管它被定義在哪個領域，空間一般都有一些附加的結構，也就是說，它的元素之間有某種關系。空間Φ通常等同于解剖空間本身，并被視為平滑的歐幾里得（Euclidean）空間。這意味著在這樣一個空間上定義了一個距離，也就是說，定義了一個計算連接該空間各點的曲線長度的規則，并且可以使用標準計算工具在該空間內進行運算，并比較或評估不同條件下的差異。然而，當考慮整個大腦空間尺度時，解剖學和全腦動態變化通常都不能被認為是簡單的歐幾里得空間。由腦回化產生的折疊結構產生了具有非平凡的幾何形狀的物體。也許更重要的是，解剖學上相鄰的大腦腦區在動態變化和功能上可能有根本的不同。Φ空間仍然可以使用一些幾何圖形，提供一種定義距離的方法。這可以通過假設解剖學嵌入的動態空間是局部歐幾里得的來實現，這是解剖學數據分析中通常采用的近似。由此得到的空間是一個流形M，即由歐幾里得（Euclidean）小塊集合組成的幾何對象，Euclidean小塊是Φ空間的局部描述。總的來說，得到的幾何圖形在小塊內是歐幾里得的，但是在更長的空間上是不同的性質標度(參見第3.3.1節)。這種空間的主要問題是理解其各部分可區分的條件，圖表如何相互關聯，如何處理兩個獨立圖表之間的重疊以及在不同坐標中描述同一集合的變化 (見圖1)。
圖 1一個n維流形M可以用n維實空間Rn局部的描述。一個局部圖(φ，u)是流形U ⊆ M的一個開放子集加上一個一對一的映射φ:U→Rn從這個子集到歐幾里得空間的開放子集。逐段一對一映射到歐幾里德空間允許將歐幾里得空間的性質推廣到流形上。Rn的兩個開放子集之間的過渡圖提供了一種比較地圖集的兩個圖表的方法。
將大腦活動視為動態系統的輸出，可以將其建模為拓撲動態系統，其中除了規定重疊圖表之間的匹配條件的規則之外，還定義了一些說明這種結構的時間演化的函數�？紤]到這種系統的動態，情況就復雜了。這是因為大腦活動不僅在解剖空間中具有非隨機結構，而且在其動態變化中也具有非隨機結構。例如，在長時間尺度下，大腦波動的特征在于非平凡的屬性，如尺度不變性。這種性質的存在導致例如時域中的特定幾何形狀(分形幾何形狀)。這種結構與空間結構相互作用，潛在地產生任意復雜的拓撲性質。
2.1.1 功能空間的概念
神經成像有助于達到認知神經科學的雙重目標：一方面了解大腦解剖結構和在其上的動態變化如何控制功能，另一方面了解認知或生理任務的需求如何作用于大腦解剖和動態，在大腦中產生功能細分。這可以通過將認知功能空間ψ{ψ1，ψ2，…，ψJ}映射到有限的，與可觀察到的大腦解剖學或生理學方面的一組功能有限集合{Φ1，Φ2，…，Φk}∈Φ上來實現，它與在靜息態或任務態被試者的指標 {γ1, γ2, …, γL} ∈Γ相關。使用神經成像技術定義功能性腦活動包括劃分兩個復雜空間，這兩個復雜空間分別通過行為和腦記錄技術變得可觀察，將結構置于等價類的集合上，并且映射對應的結構，從而通過一個空間將另一個空間參數化。如何構造這些分區，相應的空間可能采取什么形式，什么可能被視為功能，取決于（Ψ,SΨ）和（Φ，SΦ），其中S表示一個通用結構，通過π（或π’）定義的并相互映射的。在這樣的空間中，一個空間中的圖表之間的坐標和轉換是由另一個空間中的相應圖表來定義的。
功能空間的結構
功能空間的細分取決于Φ和Ψ的定義方式，它們各自的結構以及它們通過某些函數π（或π’）映射到彼此的方式（見圖2）。π可以被認為是一個保持結構的映射，因為理想情況下，人們希望一個空間中的細分映射到另一個空間中的細分上，盡管它的本質、屬性（例如，可逆性、連續性）等是基于情況而定的。功能結構是兩個方面結合的結果：一方面是神經生理空間的可及性結構，也就是說，哪些可觀察到的變化在所評估的空間中是可實現的；另一方面是神經生理中性結構，即那些在一個空間中的變化對它們被投射到的空間沒有影響。這兩個因素的結合可能會產生一個相當不平凡的結構。值得注意的是，當考慮功能而不是純粹的動態時，各種重要的性質，例如鄰近性和鄰域，可能會發生質的變化，前者可能不是一個度量空間，甚至不是一個拓撲空間。其他屬性的定義，如路徑依賴和魯棒性，也可能在動態到功能的轉換中發生變化。
圖2 真正的功能活動是由神經生理空間Φ的結構SΦ和認知功能的抽象空間ψ的結構Sψ之間的復雜關系產生的。因此，一個空間中的細分被用來定義另一個空間中的細分。
2.2 從功能活動到功能網絡
2.2.1 網絡結構
一種越來越流行的為神經成像數據配備結構的方法是賦予它們網絡結構。一個網絡是一個對G=（V，E），其中V是節點的有限集合，E⊆VÄV是V的有序對的集合，稱為邊（或連接）。對于簡單網絡，E是V上的對稱關系，對于有向網絡，E是反對稱關系。
在某種意義上，網絡分析的運作方式與神經成像本身相同。神經成像數據可以初步被認為是帶有噪聲的動態模型，該噪聲是在給定記錄設備上檢測不到的并對大腦活動進行平均。這意味著，在不可觀測活動和可觀測活動之間存在一個映射π: ΦNObs→ΦObs。將大腦空間與網絡結構相關聯構成了一種特定的粗�；�，其中ΦObs的每個部分，一個基本上連續的空間(盡管經驗數據當然是離散的)，用一個離散點來標識。ΦObs可以被粗略地認為是神經活動在特定神經成像技術無法觀察到的尺度上發生的重正化。微觀尺度重正化為宏觀尺度的方式以及π映射所產生的性質還不太清楚，但可以幫助確定Φ局部同構于Rn的尺度，并可以有效地被視為拓撲流形。
重要的功能元件也包含在網絡節點之間的關系中。在網絡神經科學中，關系E基于連通性和相關性，廣義上通常被用作相關空間中相鄰的代理。連通度是拓撲空間最重要的性質之一，它表達了一個直觀的想法，即一個實體不能被表示為彼此分離的兩個部分的和。在保持給定空間的拓撲性質的映射下，連通性是保持的。連接的選擇與動態連接在健康大腦功能以及在一些神經系統和精神疾病方面中的作用是一致的。連通性的選擇與動態連通性在健康大腦功能和幾種神經和精神疾病。組件節點之間的關系導致度量(盡管不是歐幾里德的)和拓撲性質。
總之，雖然網絡表征原則上應該闡明功能腦活動的關鍵方面，但是反過來，關于什么應該被視為功能性的假設對相關網絡具有深遠的影響，在功能腦活動的定義和量化之間引入了循環。
2.2.2 重建相關原則
網絡神經科學是一個特殊的逆問題。就活動場被離散化而言，關鍵方面不是動態本身而是功能，使用網絡重建來表征功能腦活動包括確定產生給定功能的所有網絡的集合。根據定義，反問題在沒有邊界條件的情況下是不適定的。規定這些條件涉及不同程度的任意選擇。重建應該理想地滿足一些部分相關的標準:
1.還原性。一個基本問題涉及到大腦活動是否真的可以簡化為一個網絡表征。大腦是一個無序的空間擴展系統，具有復雜的動態和不完全理解的功能組織。雖然復雜網絡的屬性能夠很好地反映這種系統的許多方面，例如其強烈的無序度，但離散化會導致多少信息丟失，以及信息丟失的程度取決于網絡重建的特定方式，這些仍然是很難理解的問題。
2. 可觀察性。網絡表征在何種程度和何種條件下能夠實現良好的可觀測性。
3. 結構相似性。理想情況下，網絡結構應該反映功能空間的結構，也就是說，它們之間應該有一個保持結構的映射。
4. 特性保留。一個合適的結構應該保留空間的基本動態和結構特性。這些特性包括(a)獲得系統動態規則的能力以及對稱性。至少在經典模擬中，網絡表示引入了對稱性，而對稱性可能不是系統固有的。
5. 內在性。網絡屬性應該是內在的，也就是說，它們應該相對于用來識別它們的網絡結構的重建方式表現出某種不變性。
大腦動態和功能網絡的哪些屬性可以、實際上做到了或應該被記錄了以上原則，以及這些意味著什么，構成了網絡重建中需要解決的基本問題。
如果您對腦網絡等數據分析感興趣，可瀏覽思影科技課程及服務，感謝轉發支持（可添加微信號siyingyxf或18983979082咨詢，另思影提供免費文獻下載服務，如需要也可添加此微信號入群）:
南京：
第七十六屆磁共振腦影像基礎班（南京，1.10-15）
第三十五屆磁共振腦網絡數據處理班(南京，2.1-6）
第二十六屆腦影像機器學習班（南京，2.17-22）
重慶：
第二十三屆磁共振腦影像結構班（重慶，2.8-13）
第七十三屆磁共振腦影像基礎班(重慶，2.17-22）
第二十五屆腦影像機器學習班（重慶，2.26-3.3）
北京：
第三十四屆磁共振腦網絡數據處理班（北京，2.9-14）
第七十五屆磁共振腦影像基礎班（北京，2.23-28）
上海：
第七屆擴散磁共振成像提高班（上海，1.12-17）
第二十五屆磁共振腦影像結構班（上海，2.3-8）
第二十九屆擴散成像數據處理班（上海，2.11-16）
第十四屆任務態功能磁共振數據處理班（上海，2.22-27）
第七十七屆磁共振腦影像基礎班（上海，3.3-8）
數據處理業務介紹：
思影科技功能磁共振(fMRI)數據處理業務
思影科技彌散加權成像（DWI）數據處理
思影科技DTI-ALPS數據處理業務
思影科技腦結構磁共振（T1)成像數據處理業務
思影數據ASL數據處理業務
思影科技定量磁敏感（QSM)數據處理業務
思影科技嚙齒類動物（大小鼠）神經影像數據處理業務
思影科技靈長類動物fMRI分析業務
思影科技腦影像機器學習數據處理業務介紹
思影科技微生物菌群分析業務
招聘及產品：
思影科技招聘數據處理工程師 （上海，北京，南京，重慶）
BIOSEMI腦電系統介紹
Artinis近紅外腦功能成像系統介紹
目鏡式功能磁共振刺激系統介紹
3.大腦網絡重建
以網絡表征大腦動態變化與將全局大腦活動作為來自于振蕩神經元集合的耦合的模型一致。在這個意義上，網絡神經科學可以被視為一種特定的神經場理論，其中有限數量的神經塊根據給定的依賴于特定情景的拓撲結構進行交互。
然而，不僅基于經驗數據編寫大腦動態方程是一項艱巨的任務，而且在標準的系統水平的神經成像中，定義振蕩器不是一件小事。在這些尺度上，節點的定義遠不如單神經元尺度上的直觀，在單神經元尺度上，單位是明確定義的。節點應該以不同的方式來識別。這通常涉及解剖空間上功能投影，由此節點映射系統的微觀尺度的空間局部特征。然而，解剖結構-功能映射是復雜的，人們對其了解甚少。
功能網絡重構通常表現為節點和邊定義的過程，并且包括一系列離散的步驟。這種劃分在很大程度上既是啟發式的，因為每一步的決策關鍵取決于其他步驟的選擇，也是不完整的，因為節點和邊的表征在邏輯上是在選擇定義網絡結構的空間之前進行的。
3.1 空間識別
被賦予網絡結構的空間與記錄動態變化的解剖空間是同構的。通常，解剖空間將構成動態的嵌入和配置空間。這種表征可以簡化分析。例如，空間可以被賦予歐幾里得度量。此外，它使生理學術語的解釋和解剖與動態網絡之間的比較變得簡單明了。
在fMRI研究中，解剖空間不僅是大腦動態變化發生的空間，也是成像數據收集的空間。所有大腦的解剖空間并不相同。特別地，在每個受試者的所謂的自然空間中收集fMRI數據，并且還可以將MEG和EEG數據源建模到自然空間。然而，用作功能網絡節點的大腦區域(參見3.2.1節)是在一些標準空間中定義的，最常用的是MNI空間。因此，在網絡構建之前，神經成像數據通常被轉換到標準空間。該轉換旨在將不同受試者的成像映射到標準空間中。根據功能和解剖之間的假設聯系，這可以通過匹配大腦大小和輪廓或更詳細的解剖結構如腦溝來實現。另一個更罕見的選擇是將ROI映射到每個受試者的個體空間，并在那里構建網絡。一些研究報告了空間之間的網絡度量沒有差異，也有研究者表明個體空間中構建的模型有更多的局部結構和更清晰的局部節點。此外，在個體空間中計算的網絡度量比其標準空間的網絡更好地預測癲癇兒童的智商，盡管標準空間度量優于非標準化的個體空間度量。然而，標準空間變換對網絡結構和度量的影響還不完全清楚，最佳空間的選擇可能取決于多個因素，包括網絡節點的定義。
3.2 空間分割
節點是網絡結構的基本對象，構成了網絡分析的微觀尺度。除了它們的點態性質，網絡理論對它們的性質沒有任何規定。
從動態腦成像數據中定義節點意味著空間分割，根據給定的屬性來確定空間的方向，并識別由離散點產生的開放集合。這是通過一個復雜的重正化過程來實現的，該過程涉及許多自由選擇，以定義以下部分相關的屬性:
1. 一般構建標準/原則。這些可能包括基于解剖學的規則，例如求助于可用的圖集，和數據驅動的方法。
有一類方法，數據驅動方法，試圖盡可能少地依賴于先驗理論，讓功能從動態中浮現出來。最大的不確定性可能涉及到由記錄大腦設備的精度引起的微觀尺度的一對一映射。對于非侵入式的電生理技術，這種空間劃分可能與傳感器空間表面上一致，主要問題是傳感器如何很好地采樣動態系統。在源重建空間上工作將允許在解剖學上定義的大腦區域活動進行更可靠的解釋，但是逆模型的準確性和源點的劃分都會影響分析結果，并且往往會限制可重建網絡的大小。在fMRI中，用體素進行分區，但是主要問題是找到在功能上有意義的分區。另一類方法，是基于先驗圖譜，使用先驗知識，例如解剖學或組織學，來定義解剖空間的分區，考慮到功能空間的無序性質，一般想法是直接將功能上有意義的分區劃分出來。在這里，問題在于復雜的解剖-動態-功能之間的關系。
2. 成員規則（Membership rules），例如解剖空間中的定位或統計標準，如聚類方法，直接反映了所選擇的重建原則。
3. 空間分割規則，例如，嚴格意義上的分割、模糊分割或重疊分割或大小規則，以不同方式對相關空間進行分隔。此外，空間劃分不必是時間不變的，節點的定義可以是時間可變；例如，節點在解剖空間中可能是空間不穩定的(參見第3.4.3節)。
4. 幾何或拓撲規則。通常，分割解剖空間包括稱為感興趣區域(ROI)的大節點。在這種情況下，通常需要解剖空間中的其他重要屬性，例如局部性、緊密性和連通性。這些屬性是由經典的解剖到功能的投影所激發的，但也是由在相關空間中執行操作的需要所激發的，例如比較空間的不同部分(參見第3.3.1節)。
作為一項基本要求，分割應該使從體素到ROI的轉換中丟失的信息量最小化。為此，感興趣區域必須在功能上是同質的，或者換句話說，包括足夠相似的體素，以便用單個感興趣區域時間序列來表示。功能同質性可以作為例如體素時間序列的相似性，體素連接性，描述體素激活的一般線性模型參數，或觀察到的活動z得分來測量。功能同質性的適當測量的選擇取決于如何觀察ROI時間序列。
在所有這些措施中創造一個最優分割是具有挑戰性的。因此，采用何種分割方案取決于研究的總體目的。例如，如果目的是表征腦功能或模擬腦活動，那么節點應該緊密地反映想要模擬的屬性。
3.2.1 定義ROI
使用ROI的動機
典型的全腦fMRI大約有106個體素，而在MEG/EEG中，當應用源重建時，由數百個傳感器收集的數據通常被逆建模為約106個源點的時間序列。這些體素或源點可以作為功能性腦網絡分析的自然候選節點出現。然而，網絡節點通常描繪更大的體素或源點的空間連續團塊，稱為ROI。ROI的適當定義對于fMRI和源模型腦磁圖和腦電圖數據的分析同樣重要。通常，相同的ROI定義方法可用于分析兩種成像模式，特別是如果腦磁圖或腦電圖源重建基于MRI的解剖信息。相反，ROI定義的問題與傳感器空間MEG和EEG分析無關。
使用ROI作為網絡節點有幾個原因。最重要的是降維:大量的節點可能導致噪聲鄰接矩陣，特別是因為體素和源點時間序列的信噪比(SNR)通常不是特別高。一般來說，對于體素和源點級網絡，解釋關系甚至提供圖形表示可能會很困難。此外，體素和源點級網絡中的大量節點增加了計算成本。而且，已知認知功能覆蓋大于單個體素或源點的皮質區域。因此，ROI水平分析的結果可能比體素或源點水平分析的結果更容易在神經生理學背景下解釋。
與許多其他網絡的節點不同，ROI在空間上不是點狀的。因此，它們的重建包括定義邊界和內部屬性，這些屬性決定了每個區域與其他區域相互作用的方式。
先驗圖集還是數據驅動的分割？
缺乏大腦分割的標準方法產生了多種節點定義。從方法論的角度來看，各種ROI定義方法可以分為兩類。大多數分割技術基于先驗圖譜，根據例如解剖或功能來定義。另一種方法是使用當前數據的特征來分割大腦，即數據驅動技術。
大腦功能從高度局部化到高度擴展。圖譜方法基于以下假設：相對少量的局部ROI可以準確地捕獲大腦動態變化。然而，這一假設不能保證成立，并且很難用實驗數據來檢驗其有效性。事實上，在就功能同質性以及從體素到ROI的轉換中信息的保留能力方面，數據驅動的分割優于先驗地圖集。此外，基于fMRI數據和數據驅動的分割方法的分類模型產生更高的預測準確性。盡管有證據支持數據驅動的分割，先驗圖集仍然被普遍使用，因為它們易于應用，并且可以比數據驅動的方法更直接地解釋結果。
從概念的角度來看，比較這些方法的不同之處在于它們允許功能出現的方式(參見第2.1.1節)。這兩種方法屬于兩種性質不同的方法，分別是理論驅動和數據驅動，在用于參數化大腦活動的空間上有所不同�；趫D譜的方法使用解剖結構上的局部功能投影，而數據驅動的方法通常使用數據的動態特征。令人感興趣的是，功能既作為動態變化發生的空間的先驗成分，又作為在適當耦合值下從網絡動態出現的關聯空間的子集。在數據驅動的方法中，分割以及最終的功能都來自于動態特征。
基于圖譜的分割方法，參數化空間在構造上是靜態的，數據驅動的分割方法，它可能是隨時間變化的。然而，隨著時間軸的折疊，這兩種方法失去其中一個不同的維度。這些因素有助于解釋為什么，盡管地圖集和數據驅動方法之間的差異可能看起來是根本性的，但在某些情況下，這兩種方法可能會產生重疊的結果。
ROI邊界的重正化
在接下來的章節中，我們回顧了分割策略，這些策略根據它們所利用的大腦特征和它們旨在優化的ROI屬性進行分組。
微結構分割。根據細胞水平的微觀結構對大腦進行分組具有悠久的傳統，可以追溯到Brodmann關于腦細胞結構的開創性工作以及Vogt關于脊髓結構的工作。這些分割策略是基于大腦中細胞類型的多樣性:不同的細胞被假設專門從事不同的任務，因此功能相似的ROI的邊界應該遵循不同細胞類型之間的邊界。
早期的顯微結構分割基于光學顯微鏡研究，沒有參考大腦的解剖標志，而現代方法將細胞水平染色方法與大規模結構神經成像相結合。例如，Ding等人應用尼氏染色和NFP和PV免疫標記，以及MRI和擴散加權成像，標記了一名34歲女性大腦中的862個灰質和白質結構。Julich–Brain項目結合了來自不同亞研究的概率細胞結構圖，這些圖是使用從23名受試者中選擇的10名受試者的尸檢數據，通過改良的Merker染色和MRI的解剖學信息獲得的。目前，Julich-Brain圖譜包含每個半球120個區域，覆蓋了大約80%的皮層體積;然而，隨著新的子研究的發表，該圖集不斷更新新的區域。
解剖分割。在許多常用的分割策略中，定義皮質區域的標準基于解剖空間中皮質區域水平的結構-功能關聯。解剖分割策略使用非侵入性成像方法收集的數據，通常是結構性MRI。
解剖ROI通常被用作功能性腦網絡的節點，該功能性腦網絡由fMRI和源建模的腦磁圖和腦電圖數據構建�？赡茏畛Ｓ玫氖亲詣咏馄蕵擞�(AAL)圖譜。AAL的最新版本AAL3 包含166個ROI。另一種常用的解剖分割，Desikan–killi any圖譜是通過將40名不同年齡和健康狀況的受試者的皮質手動標記為每個半球34個區域，并使用概率算法將這些區域轉化為皮質圖譜而構建的。Desikan-killiany地圖集還構成了哈佛-牛津概率圖譜的一部分。在哈佛-牛津概率圖譜中，每個體素分別被賦予屬于48個皮層和21個皮層下ROI的概率。
哈佛-牛津概率圖譜,Desikan–Killiany, and AAL都提供了一個圖譜，在將數據從受試者的個體空間轉換到標準空間后，將ROI標簽分配給體素。在空間分割中，ROI標記的先驗圖譜首先被變換到個體空間，并且在變換到標準空間之前，體素被賦予ROI標簽。
由解剖分割創建的ROI的大小往往變化很大。雖然這種變化可能是大腦的真實屬性，但它也可能使網絡分析的結果產生偏差，這取決于網絡邊是如何定義的。為了消除這種偏差，一些研究進一步微調了解剖ROI，將它們沿軸分割成體素或源點位置方差最大的子區域。
功能分割。在功能分割方法中，ROI被定義為功能等價類，即具有相似功能的體素或源點組。這些分割的定義取決于記錄技術和大腦活動的時間尺度。功能性ROI可以由刺激特性和響應函數來定義，例如，動態范圍，即由刺激產生的可區分的神經反應，或動態指令集，即不同的反應的數量。另一方面，對于缺乏特征持續時間和刻板印象的過程，如思維或推理，功能分割在概念上和技術上都是艱巨的。
歷史上，ROI一詞指的是大腦的一部分，通常是一組fMRI體素，由于在某項任務中觀察到它的激活，因此受到特定關注。這仍然是定義功能性ROI的標準方式:ROI質心被定義為與一個任務或一組任務相關的激活圖的峰值坐標，并且ROI通過在質心周圍設置相對小的球體或立方體來形成。這種方法產生至少近似均勻尺寸的ROI。通常，球形功能感興趣區域僅覆蓋一部分，這顯然會導致被排除體素的信息丟失。
以數據驅動的方式分割需要額外的成像數據。因此，這些分割通常被用作先驗圖譜，不能解釋受試者之間的個體差異。Blumensath等人通過最大化ROI內體素時間序列的相似性而不是定位活動峰值來解決這個問題。該方法是雙重的:第一，小團塊在許多種子體素周圍生長。接下來，使用分層聚類將這些團塊組合成最終ROIs，在不同階段切割聚類樹產生不同數量的ROI。
另一種常用的功能分割方法，特別是在fMRI分析中，是獨立成分分析(ICA))。眾多的ICA方法可以分為兩個領域:時間ICA (tICA)和空間ICA (sICA) )。tICA識別時間上獨立的信號成分，可能源自空間上重疊的區域。根據定義，這些組件是不相關的，這排除了它們作為網絡節點的用途。另一方面，sICA將數據分成一組空間獨立的成分，即源自非重疊體素的成分。對于群體水平的分析，首先執行群體sICA，然后將檢測到的成分注冊回每個受試者的原生空間。盡管sICA的空間獨立性要求，但是組件之間的時間依賴性是可能的，從而允許將網絡的邊定義為sICA時間組件之間的相似性�？臻g獨立性要求確保了基于sICA的節點不會重疊；然而，取決于所選擇的組件數量，節點可以是空間不連續的。
基于獨立成分分析的分割方法尋找在時間或空間上獨立的大腦活動成分。然而，大腦活動成分不太可能在任一域中完全獨立，這質疑了基于ICA的ROI的準確性。PROFUMO方法通過使用貝葉斯推理模型將大腦活動劃分為概率功能模式(PFM)來解決這個問題。雖然PROFUMO最大限度地提高了PFM在空間和時間上的聯合獨立性，但對于單獨在任何一個域中的獨立性沒有嚴格的條件。因此，PFM可能在空間上重疊并相關，允許研究它們之間的功能連接。
基于連接的分割。基于連接的分割旨在產生包含具有最大相似連接的體素或源點的ROI。這種方法將拓撲(連接性、連續性、緊密性)和幾何(局部連續性)標準相結合。
這些分割既可以在單個受試者層面進行，產生單個感興趣區域，也可以在群體層面進行，結合在多個受試者中觀察到的關聯性�；谶B接的分割方法可以大致分為兩類:局部梯度方法和全局相似性方法。
局部梯度方法將ROI邊界檢測為兩個相鄰體素之間連通性的突然變化。這種方法是由Cohen等人引入并由Nelson等人進一步開發的，為3mm網格中的每個種子點創建了與其余種子相比的連通性相似圖。然后，邊緣檢測算法在每個相似性圖中檢測潛在的ROI邊界。這些邊界的組級平均值給出了每個體素成為ROI邊界的一部分的概率，并且可以通過在該概率圖上應用分水嶺算法來檢測ROI。后來，Power等人用一系列功能定義的ROI補充了這種分割方法，以創建Power atlas。Wig、Laumann和Petersen和Gordon等人提出了類似的方法。
梯度方法不直接解決體素連接的相似性，盡管它們在實踐中經常產生具有相對高連接的同質性的ROI。另一方面，基于全局連通性相似性的分割方法將具有最大相似連接性的體素聚類在一起，而不依賴于它們的空間位置。例如，Craddock等人使用標準化切割(NCUT)譜聚類獲得了ROI，該聚類最大化了聚類內部的相似性和聚類之間的不相似性；優化目標可以是體素時間序列的時間相似性或它們的連接圖的空間相似性。通過在NCUT之前對連接矩陣進行平均，或者通過對聚類成員矩陣進行第二輪聚類，從41名受試者中獲得了用于先驗使用的組級ROI地圖集。
基于全局相似性的分割方法可以產生比局部梯度方法產生的ROI更適合于網絡節點的ROI。然而，全局相似性的最大化不一定導致空間上連續的ROI。Craddock等人通過在聚類目標函數中添加連續性項解決了這一問題。
與功能分割類似，基于連接的分割方法在腦磁圖和腦電圖研究中并不特別流行。由于成像模式的時間尺度的差異，從fMRI數據構建的基于連接的先驗圖譜對于分析腦磁圖和腦電圖數據可能不是最佳的。然而，許多數據驅動的方法本質上是網絡聚類方法，可以應用于腦磁圖和腦電圖數據的源點級連接矩陣，以獲得基于連接的ROI。
隨機分割。除了基于神經成像數據的不同特征的分割之外，可以隨機定義功能性腦網絡節點。通常，隨機分割用作參照，與其他分割方法進行比較。
3.3 邊的識別
除了空間分割，大腦網絡重建的另一個關鍵步驟需要識別邊。邊在網絡結構中起著雙重作用:一方面，它們包含了結構的相關信息；另一方面，在統計力學方法中，系統的自由度由相互作用來表示，因此，邊而不是節點構成了系統的真正粒子，它們的最大數量起到了系統體積的作用。
邊通常被設計成反映大腦動態特征和功能的基本方面。因此，原則上，邊應該包含研究目的所需的盡可能多的神經生理學細節。然而，邊度量的神經生理學似然性受到許多其他約束的影響。為了提供已知性質的數學表征，邊重建主要從非線性動力學和同步理論和信息論中得出其概念框架，以產生具有各種特征的各種邊的度量。
邊度量可以量化統計依賴性(通常稱為功能連接性)或因果相互作用(有效連接性)。一些連接度量可以是對稱的，而其他的，例如，格蘭杰因果關系，根據圖形學習算法或轉移熵是直接和不對稱的。測量可能會或可能不會區分直接和間接連接。
大腦記錄設備的特征，例如，設備的噪聲源和偽像或每種技術用來表征大腦活動的生理信號特征，可能對重建邊的生理意義構成進一步的限制。例如，fMRI較差的時間分辨率嚴重限制了可能的度量范圍，因此功能連接通常通過大腦區域之間的Pearson相關性來估計。
另一方面，復雜的邊識別可以幫助補償網絡結構中的噪聲。在腦磁圖和腦電圖分析中，這種噪聲的一個常見來源是信號混合，即由多個測量傳感器捕獲每個源的動態引起的假邊 (詳情請參考第3.5.2節)。由信號混合產生的假邊的很大一部分是零相位滯后連接，因此可以通過使用對零相位滯后連接不敏感的連接度量來消除。
總體而言，所使用的特定指標由功能假設、可用數學工具和與記錄技術相關的約束以及給定研究的特定目標所決定。
3.3.1 邊度量對網絡特性的影響
特定度量或度量類別的選擇可能潛在地引起相關聯網絡結構的屬性的相應改變。此外，雖然嵌入空間的選擇本質上是與網絡分析無關的自由選擇，但是邊度量決定了子空間的性質和它允許的操作集。
不同的邊度量也可能導致不同的物理學與系統的網絡結構相關聯。例如，對稱連接很容易解釋平衡系統，然而，不對稱耦合矩陣可以用于解釋非平衡系統。從這個角度來看，與邊相關的選擇和這些邊的構建方式，例如，具有空間和時間變化特性的混合重建，不僅代表了技術上的挑戰，也代表了理論上的挑戰，因為它們誘導了具有非平凡幾何形狀和相應物理性質的空間。
3.3.2 經典重建與貝葉斯重建
具體來說，貝葉斯推理認為數據是固定的，模型參數是隨機的，這與頻率論推理相反。此外，貝葉斯推理與頻率論不同，它估計全概率模型，包括假設檢驗。忽視這種不確定性可能導致錯誤拓撲結構的檢測，特別是導致對規則性和非隨機結構。
3.3.3 修剪和二值化
在許多情況下，前面的邊緣識別步驟的自然結果是加權集合:當用于估計功能連接的度量產生值而不是統計測試時，對應于檢測到的功能強度，將權重分配給每個邊緣。然后，這樣的集合通常被二值化，也就是說，根據應用于邊權重的一些規則來修剪全連通圖，并且將權重分配給幸存的邊。對加權集合的直接分析原則上代表了最好的解決方案，因為它們編纂了關于大腦動力學的所有可用信息；另一方面，任何修剪過程都不可避免地刪除一些信息。盡管如此，網絡二值化帶來了一些重要的優勢。
網絡二值化有兩個主要方法，分別稱為絕對閾值和比例閾值。在前一種情況下，強度超過絕對閾值τ的所有邊被保留，而所有其它邊被刪除。這可能導致網絡指標的統計學顯著差異，即使這些差異不是由于潛在的疾病相關拓撲差異。因此，這種方法被認為不太適合病例對照研究。第二種方法通過在每個網絡中保留固定數量的最強邊，因此稱為比例。
3.4 網絡動態學
在實踐中，大腦功能的網絡重建往往獨立于潛在的動態特征。這意味著，功能大腦網絡通常被構建為靜態網絡:在整個測量時間序列上計算連接，從而獲得代表整個測量的平均連通性的網絡結構。這種方法可能有助于提高連通性估計的靈敏度，從而產生噪聲更小的網絡。然而，由于大腦需要在連續變化的環境中對變化的刺激作出響應，便會自然而然地假設功能連接也隨時間變化。因此，靜態方法可能無法揭示功能連接的全貌。更深入理解功能網絡動態的重要一步是時間記憶組的概念。雖然連接體代表大腦區域之間的靜態連接，但時間連接體還涉及時間維度，將大腦功能描述為一組重復發生的時間連接模式。
功能性腦網絡的動態學可以從多個不同的角度來解決。在下文中，我們采用 Iraji, Miller,Adali, 和 Calhoun的三重劃分：網絡邊的變化、用作網絡節點的ROI邊界的變化以及邊和節點的變化。
3.4.1 邊的動態學
在從fMRI和MEG/EEG數據中提取的功能大腦網絡中，已經廣泛報道了邊權重和相關網絡結構的變化。這些變化發生可以在更長的時間尺度上，比如在人類的一生中或健康與疾病之間，或在更短的范圍內，例如不同認知任務之間以及在休息時隨著時間的推移而自發產生。即使是功能連接的自發變化也不是隨機的:功能性大腦網絡在不同的亞穩態連接模式之間產生波動。功能大腦網絡往往會隨著時間的推移和不同任務發生重組。
大多數關于功能大腦網絡短期動態的研究都使用時間窗。在這種方法中，神經成像時間序列被分為一組連續或重疊的時間窗口，并在每個窗口內構建一個網絡。窗口應足夠短，以捕捉功能連接的變化，而窗口長度過短容易導致噪聲連接估計。最佳窗口重疊取決于手頭的研究問題。通常，在不同時間窗口中構建的網絡共享一組公共節點，這允許研究單個邊和更多全局網絡屬性隨時間的演化。
盡管時間窗方法很受歡迎，但對其結果的解釋并不完全簡單。特別是，需要仔細評估觀察到的功能連接變化的統計顯著性。使用貝葉斯推理將數據劃分為具有特征活動和連接模式以及先前未知生命周期的狀態或通過時頻分析，其中小波傳遞相干用于量化兩個信號的相似性，作為時間和頻率的函數可以解決這個問題。然而，盡管這些方法檢測在某個時間點顯示相似動態的區域，但是它們不構建網絡，因此不允許進一步的面向網絡的分析。
3.4.2 ROI邊界的變化
到目前為止，大多數功能腦網絡動態學的研究都集中在靜態感興趣區域之間的連接上。然而，ROI的內部連接結構和功能同質性都會隨著時間而變化。因此，如果目標是最小化節點重正化中的信息損失，則ROI應當以時變方式改變。例如，Salehi等人使用基于樣本的聚類從fMRI數據中定義時間依賴性功能ROI。這些ROI的邊界在認知任務之間是不同的。
空間同步組方法將大腦分為源或時間同步的神經組件。這些源可以是ROI或更大的功能系統(有時稱為大腦網絡)；大腦功能網絡的節點代表來源。源不必是靜態對象；相反，它們可以表現為與源時間序列強烈同步的體素的一組空間狀態。由于源的空間位置可能會隨時間變化，因此靜態節點無法模擬其連通性。
作為源空間狀態變化的一個例子，Iraji，DeRamus等人報告了fMRI數據中存在的四種不同狀態，每種狀態由一組部分不同的體素組成，用于眾所周知的默認模式網絡。在另一項fMRI研究中，Iraji，Fu等人檢測了九個大腦系統的空間狀態，并進一步將它們聚類為不同系統的空間狀態的功能模塊，這些空間狀態比其他系統更頻繁地同時出現。在腦磁圖數據中也報道了類似的所謂靜止狀態網絡的時變空間狀態。
3.4.3 具有時變的節點的時變網絡
迄今為止，很少有研究應用網絡工具來研究具有時間相關節點的功能性大腦網絡。Nurmi、Korhonen和ki vel介紹的方法基于多層網絡。該網絡的層代表時間窗，并且通過將fMRI體素聚類成具有最大功能同質性的ROI，在每層上獨立地定義節點。層內邊緣根據皮爾森相關性或一些其他相似性度量來量化功能連接性，而層間邊代表ROI的空間重疊。在構建網絡后，該方法允許進行更復雜的分析，例如，多層聚類分析。
使用時間相關節點需要特別嚴格的方法：隨著時間的推移，重新規范化ROI邊界可能導致節點數量的波動，并且在比較相關拓撲時應當小心。然而，考慮到腦網絡動態特性的證據越來越多，使用時間相關節點進行腦網絡分析的益處是顯而易見的。事實上，腦網絡的時空動力學研究是網絡神經科學最重要的未來方向之一，而新的具有時間依賴節點的網絡方法的出現只是一個時間問題。
3.5 缺失數據、子采樣和誤差
實驗科學中的一般假設是，可用的數據準確地采樣了動態系統。然而，神經成像數據始終被視為具有大量異構數據和不完整的，重建過程的各個方面可能會導致丟失邊或節點，還有，相關空間的有偏采樣。
圖 3 事后迭代網絡重建參數的一般方法。該方法不是先驗固定參數（例如，邊緣密度，提取拓撲度量），而是使用大量不同參數重建網絡；然后使用分類問題和兩組最明顯差異的患者來評估相應的鑒別能力。
4.結論
定義大腦活動中的功能是一項艱巨的任務。功能網絡重建最終使功能性腦活動可以進行表征，因此有助于解決這一問題。然而，正如我們所說明的，它所提供的功能圖像至少部分地依賴于對功能的先驗假設。因此，對諸如“網絡表征在多大程度上有助于揭示大腦現象學”等基本問題的回答，“網絡屬性是如何出現的？，”“它們有功能意義嗎？，”“我們可以從標準的神經成像技術記錄中重建大腦活動的哪些網絡相關方面？”在某種程度上取決于重構這些網絡的方式，更具體地說，基于重建過程的（通常是隱蔽的）假設。人們對方法的重要程度知之甚少，各種問題仍然沒有答案。例如，所有的網絡屬性對方法的選擇是否都同樣敏感？現有文獻表明，某些性質可能比其他性質更穩健。例如，使用不同的節點定義的大腦網絡有非常相似的無標度和小世界特征，即便是基于隨機選擇的節點。然而，盡管在健康受試者的簡單網絡分析中，所選擇的腦分割可能相對不重要，但當旨在檢測由于例如疾病或衰老而導致的網絡結構的細微變化時，節點定義的作用可能更為關鍵。
評估網絡表征在多大程度上真實地記錄了大腦執行其功能的方式，最終等同于確定拓撲性質是內在的還是外在的，從而更好地理解功能動態學的出現。要做到這一點，就需要在各級采取步驟。
在網絡表征水平，這涉及到構建一個能夠記錄，并且理想情況下，能夠生成這些屬性的結構。一方面，盡管邊(和節點)定義的幾個方面在很大程度上獨立于構建網絡的空間，并且這里所說的許多內容同樣適用于多層圖、超圖或簡單圖等結構，但標準網絡結構的替代結構可能會修改微觀網絡規模屬性并引入新的屬性。另一方面，重溫功能網絡重建的基礎及其主要目標是我們重新考慮在追求該目標時所使用的結構的作用。一個依賴于時間的、可能在空間上重疊的節點結構還能被稱為網絡并被這樣分析嗎？同樣，網絡神經科學可能會經歷一個軌跡，其中節點和連接將以不同的方式思考，可能會整合神經活動的不同已知屬性，如抑制或復雜的反饋回路。因此，它們的規格將不同于當前的規格。雖然網絡特征在歷史上是基于動力系統和信息理論來預測的，但網絡神經科學可能會越來越多地從計算拓撲或統計物理學等學科，以及不同層次和不同類型的解釋中構造。
在評估層面，這將涉及檢查統計數據，但更重要的是，還包括網絡屬性的功能顯著性�？傮w而言，相關問題系列應為：從數據到網絡的映射是否可靠？是否具有統計學顯著性？它在功能上是否重要？然而，最終，真正的突破還需要在不同層面上理解真正的大腦功能的方式并發展平行概念。
最后，有一個方面默默地支撐著大多數功能網絡重建的工作，但很少被明確地表達出來，那就是復雜網絡表征是大腦活動的一種非常簡化的表征，通常集中在一些特定的方面，例如，信息如何在不同的大腦區域傳播并尋求特定問題的答案，例如，病理學如何改變這種傳播。一個網絡表征可能是有用的，它的價值是特定情景的，而不是一般性的。網絡神經科學家應該選擇那些最適合他們特定目標的方式進行表征。
如需原文及補充材料請添加思影科技微信：siyingyxf或18983979082獲取,如對思影課程及服務感興趣也可加此微信號咨詢。另思影提供免費文獻下載服務，如需要也可添加此微信號入群，原文也會在群里發布，如果我們的解讀對您的研究有幫助，請給個轉發支持以及右下角點擊一下在看，是對思影科技的支持，感謝！
微信掃碼或者長按選擇識別關注思影
非常感謝轉發支持與推薦
歡迎瀏覽思影的數據處理業務及課程介紹。（請直接點擊下文文字即可瀏覽思影科技所有的課程，歡迎添加微信號siyingyxf或18983979082進行咨詢，所有課程均開放報名，報名后我們會第一時間聯系，并保留已報名學員名額）：
核磁：南京：
第七十六屆磁共振腦影像基礎班（南京，1.10-15）
第三十五屆磁共振腦網絡數據處理班(南京，2.1-6）
第二十六屆腦影像機器學習班（南京，2.17-22）
北京：
第三十四屆磁共振腦網絡數據處理班（北京，2.9-14）
第七十五屆磁共振腦影像基礎班（北京，2.23-28）
上海：
第七屆擴散磁共振成像提高班（上海，1.12-17）
第二十五屆磁共振腦影像結構班（上海，2.3-8）
第二十九屆擴散成像數據處理班（上海，2.11-16）
第十四屆任務態功能磁共振數據處理班（上海，2.22-27）
第七十七屆磁共振腦影像基礎班（上海，3.3-8）
重慶：
第二十三屆磁共振腦影像結構班（重慶，2.8-13）
第七十三屆磁共振腦影像基礎班(重慶，2.17-22）
第二十五屆腦影像機器學習班（重慶，2.26-3.3）
腦電及紅外、眼動：南京：
第二十九屆腦電數據處理入門班（南京，2.26-3.3）
北京：
第二十六屆近紅外腦功能數據處理班（北京，1.12-17）
第五屆R語言統計班（北京，2.1-5）
第三十屆腦電數據處理入門班（北京，2.16-21）
數據處理業務介紹：
思影科技功能磁共振(fMRI)數據處理業務
思影科技彌散加權成像（DWI）數據處理
思影科技DTI-ALPS數據處理業務
思影科技腦結構磁共振（T1)成像數據處理業務
思影數據ASL數據處理業務
思影科技定量磁敏感（QSM)數據處理業務
思影科技嚙齒類動物（大小鼠）神經影像數據處理業務
思影科技靈長類動物fMRI分析業務
思影科技腦影像機器學習數據處理業務介紹
思影科技微生物菌群分析業務
思影科技EEG/ERP數據處理業務
思影科技近紅外腦功能數據處理服務
思影科技腦電機器學習數據處理業務
思影數據處理服務六：腦磁圖（MEG）數據處理
思影科技眼動數據處理服務
招聘及產品：
思影科技招聘數據處理工程師 （上海，北京，南京，重慶）
BIOSEMI腦電系統介紹
Artinis近紅外腦功能成像系統介紹
目鏡式功能磁共振刺激系統介紹
