🧬 biology

Entropy measures as indicators of connectivity paths in the human brain

本文利用无模型的信息论熵度量来分析基于任务的 fMRI 数据，从而能够在不依赖先验假设的情况下，检测不同认知任务期间脑区之间线性与非线性的连接路径。

原作者： Ania Mesa-Rodríguez, Ernesto Estevez-Rams, Holger Kantz

发布于 2026-07-14

📖 1 分钟阅读☕ 轻松阅读

原作者： Ania Mesa-Rodríguez, Ernesto Estevez-Rams, Holger Kantz

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ⚕️ 这是一篇未经同行评审的预印本的AI生成解释。这不是医疗建议。请勿根据此内容做出健康决定。阅读完整免责声明

想象一下，你的大脑不仅仅是一张静态的电线图，而是一个繁忙的城市，数以百万计的小型信使在其中不断地呐喊、低语，并随着你正在进行的任何活动律动。多年来，科学家们一直试图弄清楚这座城市的哪些部分是在“工作”，而哪些只是在“闲逛”。他们通常使用的工具假设这座城市的交通流量是沿着直线、可预测的路径流动的。但如果大脑更像是一个爵士乐队，在进行着狂野的、非线性的即兴发挥，而那些直线型的工具却会错过这些变化呢？

这正是来自马克斯·普朗克研究所和哈瓦那大学的研究团队决定调查的内容。他们没有使用僵化的规则手册或预设的模型，而是基于信息论构建了一种新型的“复杂度检测器”，用以倾听大脑在四种不同活动中的“喋喋不休”：手指运动、记忆提取、情绪识别，以及听故事或做数学题。

“爵士乐 vs. 乐谱”的发现

研究团队将大脑的信号视为一段漫长且杂乱的乐曲。他们针对大脑的每一个区域（或邻里）提出了两个简单的问题：

这首歌有多不可预测？（熵密度）。它是一场混乱的鼓独奏，还是一个无聊且重复的嘀嗒声？
这首歌中有多少是在重复自身？（有效测度复杂度）。在这段噪音中是否存在某种模式、记忆或结构？

他们在巨大的图表上绘制了每个大脑区域。那些“无聊”的区域（即那些只是在闲逛的区域）具有高随机性和低模式性。而那些“工作”中的区域呢？它们表现得随机性较低且更有模式感。这就像是当一个大脑区域开始投入工作时，它不再进行狂野的即兴发挥，而是开始演奏一段特定的、有结构的旋律。

这种方法发现，在进行运动任务（敲击手指）时，大脑的运动和感觉区域变得高度结构化。在进行情绪任务（观察愤怒或恐惧的面孔）时，负责识别面孔的视觉区域因结构化而“亮起”。在进行语言任务（听故事和做数学题）时，听觉和数学处理区域登上了舞台。

他们排除了什么

这是至容的部分：作者明确反对那种认为你需要假设大脑按直线运作，或者需要一个“设计矩阵”（即关于大脑应该在做什么的预设计划）来寻找活动的观点。

许多旧方法，如格兰杰因果关系（Granger causality）或简单的相关性，都假设如果区域 A 与区域 B 对话，它是发生在一个直线且可预测的路径上的。论文指出这种看法是错误的。他们展示了其方法在无需假设线性关系的情况下也能奏效。他们还排除了这样一种观点，即在测量两个区域之间的连接性时，必须精确知道信号发生的时间。他们的方法测量的是两个区域共享多少相同的“模式”，无论其中一个是在时间上稍领先还是稍落后于另一个。

“骨架”与“专家”

研究人员不仅观察单个区域，还观察了区域之间如何对话。他们使用了一种“距离”度量标准（Lempel-Ziv 距离）来观察两个不同大脑区域的“歌曲”有多相似。

他们发现了一个迷人的结构：

专家（The Specialists）： 当任务发生时，活跃的区域（例如情绪任务中的面部识别区域）会聚集在一起。它们根据各自的功能形成紧密的集群。
骨架（The Backbone）： 那些并非在执行特定任务的区域呢？它们并没有仅仅保持沉默。它们形成了一个巨大的、高度连接的“骨架”，在所有任务中保持不变。这就像是城市的背景嗡鸣声。活跃区域就像是专门的任务小组，从这种背景嗡鸣中脱离出来，去执行其特定的工作，从而创造出一种与背景噪音截然不同的独特模式。

他们的结论有多可靠？

作者对他们的测量结果相当自信，但也保持了谨慎，没有过度夸大。

他们测量了： 他们分析了来自人类连接组计划（Human Connectome Project）中 153 名受试者的数据。
他们验证了： 他们将结果与三种主要方法（Cole-Anticevic 网络、Neurosynth 元分析以及标准 GLM 模型）进行了对比。
- 他们发现，该方法在“大局观”上与其他方法保持一致（例如，视觉网络在视觉任务中活跃）。
- 然而，他们注意到，在活跃区域的表现上，其方法发现的结构比标准模型更多。例如，在语言任务中，标准模型认为某些区域是“不活跃”的，因为它们没有比基准线更响亮；但熵方法看到它们高度活跃，因为它们的内部模式变得更加复杂了。
他们建议： 他们认为这种“无模型”的方法更适合探索大脑，因为它不会将数据强行塞进某个框架。他们并不声称已经解决了意识之谜，但他们声称找到了一种稳健的新方法，可以在无需预设规则的情况下观察大脑是如何组织自身的。

“惊喜”发现

由于他们没有依赖旧有的假设，因此发现了一些通常被忽略的区域。例如，他们观察到在语言任务期间，与数学认知相关的区域表现出强烈的活动（因为该语言任务包含了数学问题），尽管如果仅观察“故事”处理过程，标准模型可能会忽略它们。他们还发现，在静息状态（仅仅睁开眼睛坐着）下，大脑的左侧和右侧呈现出明显的非对称性，而在执行任务期间，它们则变得高度对称且协调。

底线

这篇论文并不声称拥有能够治愈大脑疾病的灵丹妙药。相反，它提供了一副新的眼镜。这副眼镜不假设大脑是一个简单的机器，而是假设它是一个复杂的、产生模式的系统。通过测量大脑噪音的“结构化”程度，而非仅仅测量其“响度”，研究人员可以观察到大脑隐藏的架构：一个支持专门化、任务特定集群的灵活背景。这是一种在不强迫大脑演奏乐谱的情况下，去聆听大脑爵士乐的方法。

技术摘要：熵测度作为人类大脑连接路径的指标

问题陈述
大脑的拓扑与功能复杂性跨越多个尺度，从微观神经元单元到宏观网络。虽然诸如 fMRI 等技术可以提供大规模功能专业化的见解，但分析这些信号仍面临重大挑战。现有的推断脑区之间直接相互作用的方法通常依赖于强假设，这限制了其在探索性研究中的效用。因果模型通常需要特定的先验知识；Granger 因果关系及相关的频域度量（如 DTF、PDC）假设线性与平稳性，无法检测瞬时或非线性效应；基于相关性的方法仅能捕捉线性关联，且易受间接连接的干扰；而图论或社区检测方法则对阈值选择和算法选择高度敏感。

目前缺乏一种能够表征认知状态并恢复功能连接，且不依赖于预设参数、生成模型或正确网络先验知识的数据分析方法。具体而言，需要一种不假设线性响应，也不将非线性仅仅视为扰动的分析方法，同时还要对 fMRI 数据中固有的血流动力学响应函数（HRF）延迟保持鲁棒性。

方法论
作者提出了一种基于应用于 fMRI 时间序列的信息论变量的分析框架。该研究利用了来自人类连接组计划（HCP）的任务态 fMRI 数据，涵盖五种状态：静息态、运动、工作记忆、情绪识别和语言任务。大脑被划分为使用 Glasser 图谱的 360 个皮层感兴趣区域（ROI）。

分析流程如下：

离散化： 使用均值作为阈值将连续 BOLD 信号二值化。这保留了高于和低于基线的相对时间占比，同时将信号简化为二进制序列。作者指出，这种二值化不会破坏相关的动力学信息，这一点已通过与谱熵的对比得到证实。
熵测度： 为每个区域计算三个信息论量：
- 熵密度 ( $h_{LZ}$ )： 通过 Lempel-Ziv (LZ) 分解进行估计，衡量信号中新模式产生的速率（不可预测性）。
- 有效测度复杂度 ( $E_{LZ}$ )： 通过对 LZ 复杂度进行随机洗牌程序来估计，量化时间序列两半之间的互信息，反映跨尺度的模式持久性或记忆。
- 信息距离 ( $d_{LZ}$ )： 源自 LZ 复杂度，衡量两个序列之间的距离，该距离基于将一个序列转换为另一个序列所需的算法信息，且与时间滞后无关。
复杂度-熵映射： 将区域绘制在二维 $(h_{LZ}, E_{LZ})$ 平面上。通过基于数据云线性拟合残差的客观阈值准则，将“活跃”区域（具有较低 $h_{LZ}$ 和较高 $E_{LZ}$ , 表明具有结构化、低随机性的动力学特征）与“不活跃”区域区分开来。
连接性分析： 计算成对的 $d_{LZ}$ 值以构建距离矩阵。利用这些矩阵生成层次树状图（通过邻接连接聚类）和连接图（通过在第 5 百分位数处进行阈值处理），以揭示功能结构。

核心贡献与结果

无模型激活检测： 该框架能够在没有设计矩阵、血流动力学响应模型或调优参数的情况下，成功识别任务相关区域。生成的复杂度-熵图与已建立的任务相关区域高度吻合（例如，视觉任务下的视觉皮层、运动任务下的运动/感觉皮层、语言任务下的听觉/语言区域）。
动力学差异化： $(h_{LZ}, E_{LZ})$ 图提供了比简单基于振幅的激活更丰富的特征。它能够区分处于不同动力学机制下的活跃区域（例如，在运动任务中，视觉区域在模式生成方面相对于运动区域表现较弱）。
恢复功能层次结构： LZ 距离分析揭示了在所有任务中一致的层次化和模块化结构：
- 活跃区域： 根据功能专业化（如视觉、运动、注意集群）在树状图的较低层级聚集在一起。
- 不活跃区域： 形成了一个在所有任务中共享的、高度互连的“骨干”，表明存在一种区别于任务驱动活动的共同背景动力学。
验证： 熵衍生出的活跃集合通过三个独立的参考标准进行了验证：
1. Cole-Anticevic 网络划分： 活跃区域在预期的功能网络（如情绪/记忆任务中的视觉网络、运动任务中的躯体运动网络）中显示出显著的富集。
2. Neurosynth 元分析： 激活的空间模式与特定术语的关联图匹配，恢复了核心认知网络（如工作记忆中的背外侧前额叶皮层）。
3. HCP GLM 激活： 虽然由于测量结构与振幅的统计方法差异，该方法在全脑范围内的 GLM 效应量相关性普遍较弱，但在特定功能网络内发现了强相关性。值得注意的是，熵测度识别出了语言任务中的额顶叶参与，而 GLM 将其分类为“任务负向”（失活），这凸显了该方法检测独立于基线振幅变化的结构的能力。
半球对称性： 研究观察到在执行任务期间存在高度的半球间对称性，但在静息态期间这种对称性显著打破，揭示了熵密度的自发不对称性。

意义与主张
本文声称，该分析框架为探索性研究提供了一个鲁棒、无模型的工具。通过利用熵密度和有效测度复杂度，该方法可以捕捉线性与非线性动力学，而不假设线性或平稳性。使用 Lempel-Ziv 复杂度使得检测线性方法往往会遗漏的非线性相互作用成为可能。

这项工作的意义在于其能够：

在没有关于数据或网络拓扑的先验假设的情况下，识别区域参与度和功能专业化。
恢复一种层次组织，其中任务特定的子网络被发现与一个共享的、高度连接的非活跃区域背景在信息上是截然不同的。
促进对先前未报道的连接或模式的发现，正如在标准基于任务的分析中未被重点强调的区域（如语言和运动任务中的特定额叶和顶叶区域）所识别出的那样。

作者总结道，虽然目前的框架侧重于无向连接，但它作为一个统一的工具，可用于分析大脑激活和功能连接。他们建议，引入方向性以分析有效连接是未来工作的自然延伸。该方法被认为在研究大脑跨多个功能层级的显著非线性相互作用方面特别具有价值。

技术摘要：熵测度作为人类大脑连接路径的指标

类似论文