蔣偉雄，譚敬德，胡春光，黃任之，李勇帆，姜華，王維

風(fēng)險決策是指個體在風(fēng)險情境下，權(quán)衡判斷不同選擇的結(jié)果從而做出決策的過程[1]。風(fēng)險決策是我們生活中經(jīng)常遇到的決策形式，尤其是青春期個體由于身心發(fā)展的不協(xié)調(diào)，更容易發(fā)生與風(fēng)險決策相關(guān)的風(fēng)險行為，從而危害到他們的身心健康[2]。

近年對風(fēng)險決策現(xiàn)象開展了一些認(rèn)知神經(jīng)機(jī)制方面的研究，發(fā)現(xiàn)大腦前額葉在風(fēng)險決策中起著重要作用[3]，青少年前額皮層區(qū)的活動強(qiáng)度與其風(fēng)險行為呈負(fù)相關(guān)[4]，而內(nèi)側(cè)眶額葉與獎賞加工密切相關(guān)，其活動強(qiáng)度與獎賞大小呈正相關(guān)[5]。有學(xué)者認(rèn)為由于青少年期前額皮層發(fā)展的不成熟，使得認(rèn)知控制能力不足，從而做出不計后果而冒險的決定[2]。隨著研究的深入，人們開始從腦網(wǎng)絡(luò)上對風(fēng)險決策進(jìn)行神經(jīng)機(jī)制研究，發(fā)現(xiàn)青少年的風(fēng)險決策行為跟認(rèn)知控制網(wǎng)絡(luò)和情感網(wǎng)絡(luò)有關(guān)[5]。

目前的腦網(wǎng)絡(luò)研究主要是使用了靜態(tài)功能連接分析，即默認(rèn)整個掃描時程內(nèi)功能連接是固定的[6]。而最近研究發(fā)現(xiàn)在靜息態(tài)下的功能連接顯示出顯著的振幅波動性[7]，基于這種波動得到的連接稱之為動態(tài)功能連接，它為研究人類的行為提供了一些重要的腦活動信息[8]。我們猜想這種動態(tài)的相互作用可能與青少年的風(fēng)險決策行為相關(guān)。因此，筆者擬利用動態(tài)功能連接對個體的風(fēng)險決策行為進(jìn)行腦網(wǎng)絡(luò)分析，以實現(xiàn)對風(fēng)險決策的腦網(wǎng)絡(luò)特征探索。

1 材料與方法

1.1 研究對象

本研究從社區(qū)召募了50名右利手對象(18～23歲，受教育年限6～9年)，男性，不酗酒，不吸毒，無精神類疾病(比如抑郁癥；焦慮癥，精神分裂癥等)，視力正?；虺C正正常，身體健康，智商正常。實驗前向所有被試詳細(xì)告知實驗過程，簽署知情同意書。本研究經(jīng)過中南大學(xué)湘雅三醫(yī)院倫理委員會同意。

1.2 風(fēng)險決策的實驗范式

我們使用氣球模擬風(fēng)險決策任務(wù)(balloon analog risk task，BART)進(jìn)行風(fēng)險決策能力的評估。實驗時，通過按鍵使電腦屏幕上的氣球吹氣變大，氣球越大屏幕上顯示的收益越多，但氣球爆炸的風(fēng)險系數(shù)也越高，一旦氣球吹爆，則該次收益就降為零或負(fù)值。實驗者通過自主決策確定是繼續(xù)充氣得到更多的可能收益還是停止充氣得到現(xiàn)有的收益，最終收益總額反映了受試者的風(fēng)險決策能力。這種風(fēng)險決策受多種因素調(diào)控，包括受試者對實驗風(fēng)險的敏感度，對實驗結(jié)果的學(xué)習(xí)和反饋能力等[9]。為了保證配合，我們承諾根據(jù)其最終總額給予相應(yīng)的現(xiàn)金獎勵。BART實驗范式接近于現(xiàn)實生活中的風(fēng)險決策場景，并已成功應(yīng)用于對風(fēng)險決策的功能磁共振(functional magnetic resonance imaging，fMRI)研究[10]。

1.3 圖像數(shù)據(jù)獲取

所有對象的磁共振數(shù)據(jù)都從中南大學(xué)湘雅三醫(yī)院的Philips磁共振成像3.0 T系統(tǒng)掃描得到。實驗前，告知被試實驗時放松、閉眼，頭部不要動，不要睡覺，也不要進(jìn)行特定的思維活動。掃描時平躺在實驗臺上，戴上降噪耳機(jī)，掃描序列為梯度平面回波成像序列，參數(shù)設(shè)置如下：TR 2000 ms，TE 30 ms；掃描層數(shù)36，層厚4.0 mm，無間隙；FOV 240 mm×240 mm；反轉(zhuǎn)角90°；掃描矩陣128×128；掃描時長400 s，共200幅全腦圖像。

1.4 數(shù)據(jù)預(yù)處理

對所有靜息態(tài)fMRI數(shù)據(jù)使用軟件SPM8按照如下步驟進(jìn)行預(yù)處理：首先對所有對象移去前5幅全腦圖像以降低磁場飽和以及被試對環(huán)境適應(yīng)的影響；接著對余下的195幅圖像進(jìn)行空間校正和頭動校正，去掉頭動平移超過1 mm、旋轉(zhuǎn)超過1°的1個被試；對校正后的圖像進(jìn)行空間標(biāo)準(zhǔn)化，使用EPI模板(MNI坐標(biāo))進(jìn)行重采樣(3×3×3的體素大小)；再使用8 mm半高全寬的高斯核函數(shù)進(jìn)行空間平滑，使用Chebyshev帶通濾波器(0.01＜f＜0.1 Hz)進(jìn)行時間濾波；為了減少潛在的生理噪聲對動態(tài)分析的影響，對頭動參數(shù)、腦平均信號、白質(zhì)信號和腦脊液信號等參數(shù)進(jìn)行回歸[8]。

1.5 功能連接的動態(tài)性分析

把預(yù)處理后的功能圖像按照模板劃分成160個感興趣腦區(qū)(region of interest，ROI)[11]，對每個ROI腦區(qū)內(nèi)所有體素的時間序列求平均從而得到基于ROI的時間序列；然后計算在40 s的空間滑動窗口下任意兩個ROI腦區(qū)信號的皮爾遜相關(guān)系數(shù)，從而對每個對象都得到176個對稱的相關(guān)系數(shù)矩陣(160×160)，它反映了時間序列的動態(tài)變化，稱之為動態(tài)功能網(wǎng)絡(luò)；提取網(wǎng)絡(luò)矩陣的下三角元素并使用Fisher's Z-變換進(jìn)行標(biāo)準(zhǔn)化，從而得到每一個對象每一個窗口的12 720維的相關(guān)系數(shù)時間序列，即每個對象都有176個相關(guān)系數(shù)時間序列；此相關(guān)系數(shù)窗口序列的波動振幅(amplitude of low-frequency fluctuations-functional connections，ALFF-FC)表征了連接在低頻范圍內(nèi)的信號能量，能很好地度量每一條連接的動態(tài)特性[7]。為了計算ALFF-FC，我們首先根據(jù)滑動窗大小w對相關(guān)系數(shù)時間序列進(jìn)行1/w的低通濾波，以去除由于滑動窗的使用而引入的冗余波動；接著應(yīng)用快速傅立葉變換，并對系數(shù)求和從而得到從0到1/w的動態(tài)功能連接頻段內(nèi)的ALFF-FC值[7，12]。相關(guān)系數(shù)序列的ALFF-FC值反映了功能連接的動態(tài)變化，作為下面預(yù)測分析的特征。

1.6 對風(fēng)險決策分?jǐn)?shù)的預(yù)測分析

使用多變量模式分析(multivariate pattern analysis，MVPA)的方法對風(fēng)險決策分?jǐn)?shù)進(jìn)行預(yù)測[13]。首先，進(jìn)行特征選擇以減少數(shù)據(jù)的冗余，方法是計算每一條動態(tài)功能連接的ALFF-FC值與氣球模擬風(fēng)險決策分?jǐn)?shù)的皮爾遜相關(guān)系數(shù)，選擇P＜0.01的連接作為特征；接著使用多項式核函數(shù)的支持向量回歸(support vector regression，SVR)方法訓(xùn)練數(shù)據(jù)進(jìn)行擬合，在此使用留一法交叉驗證(leave-one-out cross-validation，LOOCV)方法進(jìn)行模型建立和樣本預(yù)測，即在每輪實驗中，留出一個樣本的數(shù)據(jù)作為測試樣本，剩下的48個樣本的數(shù)據(jù)作為訓(xùn)練集，再對之前留出的那個測試樣本進(jìn)行預(yù)測。所有49輪實驗完成之后，我們計算所有對象的預(yù)測值和實際測量值的皮爾遜相關(guān)系數(shù)來評估動態(tài)功能連接對風(fēng)險決策行為的預(yù)測能力。

為了進(jìn)一步研究與風(fēng)險決策呈現(xiàn)正相關(guān)性和負(fù)相關(guān)性的特征網(wǎng)絡(luò)在對風(fēng)險決策的預(yù)測中所起的作用，我們根據(jù)特征選擇(P＜0.01)時皮爾遜相關(guān)系數(shù)的符號(正或負(fù))建立了正的特征模型和負(fù)的特征模型[14]，并分別重復(fù)上述迭代過程，通過訓(xùn)練數(shù)據(jù)擬合正負(fù)兩個方向的回歸，并通過計算正負(fù)模型下的預(yù)測值和實際測量值的皮爾遜相關(guān)系數(shù)來評估正負(fù)特征網(wǎng)絡(luò)的預(yù)測能力。

1.7 與風(fēng)險決策相關(guān)的動態(tài)功能連接和腦網(wǎng)絡(luò)分析

由于在留一法交叉驗證中，每一次迭代所選擇的訓(xùn)練集對象稍有差異，從而機(jī)器學(xué)習(xí)時得到的功能連接也會有差異，在每一次迭代中均出現(xiàn)的功能連接定義為一致性功能連接[10]，表明對風(fēng)險決策行為有較強(qiáng)的預(yù)測能力。

根據(jù)功能網(wǎng)絡(luò)模板，即小腦、帶狀蓋網(wǎng)絡(luò)、默認(rèn)網(wǎng)絡(luò)、額頂網(wǎng)絡(luò)、枕葉網(wǎng)絡(luò)和感覺運(yùn)動網(wǎng)絡(luò)[11]，我們利用一致性功能連接進(jìn)一步研究各個網(wǎng)絡(luò)在風(fēng)險決策中的作用，并使用網(wǎng)絡(luò)權(quán)重來衡量這個作用，包括網(wǎng)絡(luò)內(nèi)權(quán)重和網(wǎng)絡(luò)間權(quán)重。把動態(tài)功能連接與風(fēng)險決策的相關(guān)系數(shù)定義為連接權(quán)重，則網(wǎng)絡(luò)內(nèi)權(quán)重定義為網(wǎng)絡(luò)內(nèi)連接權(quán)重的絕對值和，而網(wǎng)絡(luò)間權(quán)重是把屬于不同網(wǎng)絡(luò)但與該網(wǎng)絡(luò)相關(guān)的連接權(quán)重的絕對值加起來，取權(quán)重和的一半。

2 結(jié)果

2.1 對風(fēng)險決策的預(yù)測結(jié)果

由氣球模擬風(fēng)險決策任務(wù)BART我們得到了每一個被試的風(fēng)險決策實驗分?jǐn)?shù)，其均值是167，標(biāo)準(zhǔn)差是32，最低分91，最高分219。基于風(fēng)險決策分?jǐn)?shù)我們首先評估了動態(tài)功能連接是否能預(yù)測風(fēng)險決策行為?；谔卣鬟x擇閾值P＜0.01，預(yù)測值和觀察值之間的相關(guān)系數(shù)是r=0.3612 (P=0.0108；圖1)，可見產(chǎn)生了顯著的預(yù)測。

表1 與風(fēng)險決策顯著性相關(guān)的動態(tài)功能連接Tab. 1 Dynamic functional connectivity correlated with risky decision making

圖1 預(yù)測結(jié)果圖Fig. 1 Prediction result.

圖2 與風(fēng)險決策行為相關(guān)的動態(tài)功能連接。節(jié)點顏色表示所屬網(wǎng)絡(luò):深藍(lán)色代表默認(rèn)網(wǎng)絡(luò)，綠色代表帶狀蓋網(wǎng)絡(luò)，淡藍(lán)色代表額頂網(wǎng)絡(luò)，黃色代表感覺運(yùn)動網(wǎng)絡(luò)，紫色代表枕葉網(wǎng)絡(luò)，紅色代表小腦；線條顏色表示相關(guān)性符號，藍(lán)色線條代表與風(fēng)險決策行為呈正相關(guān)，灰色線條代表負(fù)相關(guān)Fig. 2 Dynamic functional connectivity correlated with risky decision making. The nodes are color-coded according to networks (default, darkblue; cingulo-opercular, green. Fronto-parietal, light-blue. Sensorimotor,yellow. Occipital, purple. Cerebellum, red), the edges are also color-coded accord its symbol, blue presents positive correlation with risky decision making and grey presents negative correlation.

對正的特征模型，基于特征選擇閾值P＜0.01，預(yù)測和觀察值之間的相關(guān)系數(shù)是r=0.4370(P=0.0017)，而負(fù)的特征模型沒有產(chǎn)生顯著的預(yù)測。

2.2 與風(fēng)險決策相關(guān)的功能連接

圖3 與風(fēng)險決策行為相關(guān)的腦網(wǎng)絡(luò)分析。藍(lán)色表示總權(quán)重，粉紅色表示正相關(guān)，綠色表示負(fù)相關(guān)；Within network：網(wǎng)絡(luò)內(nèi)，Between network：網(wǎng)絡(luò)間Fig. 3 Brain network analysis correlated with risky decision making. Blue presents total weight of each network, pink presents positive correlation with risky decision making and green presented negative correlation.

在LOOCV中，由于在每輪實驗中進(jìn)行特征選擇時其訓(xùn)練樣本集略有不同，從而所選擇的動態(tài)功能連接也略有差異。在本研究中，當(dāng)P＜0.01時，出現(xiàn)在每一輪交叉驗證里的一致性功能連接一共有17條(圖2，表1)，可見這17條動態(tài)功能連接具有較強(qiáng)的預(yù)測能力，其中10條動態(tài)功能連接與風(fēng)險決策行為呈正相關(guān)(圖2藍(lán)色線條，表1)，7條動態(tài)功能連接與風(fēng)險決策行為呈負(fù)相關(guān)(圖2灰色線條，表1)。我們進(jìn)一步計算了每一條一致性連接與風(fēng)險決策實驗分?jǐn)?shù)的Pearson相關(guān)性，其相關(guān)系數(shù)r值和顯著性P值均列于表1中。

2.3 與風(fēng)險決策相關(guān)的腦網(wǎng)絡(luò)特征

對網(wǎng)絡(luò)的總權(quán)重大小進(jìn)行分析，發(fā)現(xiàn)默認(rèn)網(wǎng)絡(luò)權(quán)重最大，表明默認(rèn)網(wǎng)絡(luò)在風(fēng)險決策中起了較大的作用；然后是額頂網(wǎng)絡(luò)和帶狀蓋網(wǎng)絡(luò)，表明控制網(wǎng)絡(luò)對風(fēng)險決策有重要影響；其他網(wǎng)絡(luò)也都有一定的作用。按照正負(fù)相關(guān)的進(jìn)一步分析發(fā)現(xiàn)在正相關(guān)中默認(rèn)網(wǎng)絡(luò)、枕葉網(wǎng)絡(luò)以及帶狀蓋網(wǎng)絡(luò)對風(fēng)險決策的預(yù)測能力較強(qiáng)，而負(fù)相關(guān)中默認(rèn)網(wǎng)絡(luò)、額頂網(wǎng)絡(luò)以及感覺運(yùn)動網(wǎng)絡(luò)有較強(qiáng)的預(yù)測能力(圖3)。

對連接是處于網(wǎng)絡(luò)內(nèi)還是網(wǎng)絡(luò)間進(jìn)行分析，發(fā)現(xiàn)除了默認(rèn)網(wǎng)絡(luò)內(nèi)有兩條連接，其他的連接全部位于網(wǎng)絡(luò)之間(圖3)，表明風(fēng)險決策主要與網(wǎng)絡(luò)間的動態(tài)連接有關(guān)。

2.4 與風(fēng)險決策相關(guān)的腦區(qū)

根據(jù)一致性功能連接對腦區(qū)進(jìn)行了分析，發(fā)現(xiàn)與風(fēng)險決策相關(guān)的腦區(qū)如下(圖2，表1)：在默認(rèn)網(wǎng)絡(luò)中主要是扣帶后回(post_cingulate)，前額葉前部和上部(aPFC，sup_frontal)，楔前葉(precuneus)，梭狀回(fusiform)等腦區(qū)；在帶狀蓋網(wǎng)絡(luò)中主要是顳葉(temporal)，前額葉腹部(vFC)，基底節(jié)(basal_ganglia)，丘腦(thalamus)等；在額頂網(wǎng)絡(luò)中主要包括前額葉背側(cè)、背外側(cè)和前部(dFC，dlPFC，vent_aPFC)，頂下小葉(IPL)和頂內(nèi)溝；而在感覺運(yùn)動網(wǎng)絡(luò)則主要是頂葉(parietal)和中央前回(precentral_gyrus)；小腦的相關(guān)區(qū)域則主要在小腦中部(med_cerebellum)。

3 討論

越來越多的證據(jù)表明在靜息態(tài)下大腦的連接模式不是靜態(tài)的而是呈現(xiàn)出復(fù)雜的時空動態(tài)性[14]，低頻振蕩振幅在某種程度上很好地反映了動態(tài)的神經(jīng)活動[15]。筆者利用功能連接的動態(tài)性較好地預(yù)測了風(fēng)險決策行為，它提供了與決策認(rèn)知相關(guān)的一些有意義的腦網(wǎng)絡(luò)信息。

3.1 功能連接對風(fēng)險決策的影響

對動態(tài)網(wǎng)絡(luò)模式的分析中我們發(fā)現(xiàn)與風(fēng)險決策相關(guān)的17條連接除了2條位于默認(rèn)網(wǎng)絡(luò)內(nèi)部，其他全部位于網(wǎng)絡(luò)之間，可見風(fēng)險決策行為主要跟網(wǎng)絡(luò)之間的信息傳遞有關(guān)，高風(fēng)險行為的個體出現(xiàn)的原因可能是網(wǎng)絡(luò)之間的信息傳遞出現(xiàn)了異常。同時分析發(fā)現(xiàn)默認(rèn)網(wǎng)絡(luò)對風(fēng)險決策行為具有重要影響，然后是兩個控制網(wǎng)絡(luò)即額控制網(wǎng)絡(luò)和帶狀蓋控制網(wǎng)絡(luò)。默認(rèn)網(wǎng)絡(luò)執(zhí)行著一些與風(fēng)險決策相關(guān)的重要功能，如自我的監(jiān)測[16]、情感的調(diào)整[17]。在我們的研究中，隨著風(fēng)險行為的增加，默認(rèn)網(wǎng)絡(luò)和跟外界連接降低可能反映了在自我監(jiān)測和自適應(yīng)調(diào)整上出現(xiàn)了困難。額頂網(wǎng)絡(luò)和帶狀蓋網(wǎng)絡(luò)是兩個分工合作的控制網(wǎng)絡(luò)，都執(zhí)行著重要的高級認(rèn)知控制功能，對人類的各種行為起著保持、調(diào)整和控制的作用[18]。本研究結(jié)果顯示隨著風(fēng)險的增加，這兩個網(wǎng)絡(luò)間的連接發(fā)生了改變，一些連接變強(qiáng)，一些連接變?nèi)酰渌W(wǎng)絡(luò)間的連接也是如此。可能正是由于這些網(wǎng)絡(luò)之間的連接出現(xiàn)了問題，從而導(dǎo)致了個體更多風(fēng)險行為的發(fā)生。

3.2 腦區(qū)對風(fēng)險決策的影響

在本研究中，我們也發(fā)現(xiàn)與風(fēng)險性決策相關(guān)的腦區(qū)，主要是背外側(cè)前額葉(dIPFC)和前額葉其他區(qū)域(dFC，vent_aPFC，vFC，aPFC，sup_frontal)，扣帶后回(post_cingulate)，楔前葉(precuneus)，梭狀回(fusiform)，顳葉(temporal)，基底節(jié)(basal_gangli)和丘腦(thalamus)，這些主要的腦區(qū)與之前的風(fēng)險決策研究一致。本研究中出現(xiàn)的前額葉皮層、扣帶回和楔前葉是大腦默認(rèn)網(wǎng)絡(luò)的重要腦區(qū)，在風(fēng)險行為的自我監(jiān)測和情感調(diào)整中發(fā)揮著重要作用[15-16]。dIPFC在沖突選擇，獎賞和認(rèn)知控制中起了重要作用，對風(fēng)險決策的任務(wù)態(tài)fMRI激活研究也發(fā)現(xiàn)dIPFC在風(fēng)險決策時激活增加[19]。而額中回和扣帶回可能與避免風(fēng)險的潛在機(jī)制有關(guān)，對風(fēng)險決策的任務(wù)態(tài)fMRI研究發(fā)現(xiàn)額中回和扣帶回激活降低[20]。最近一個使用BART實驗對青少年的研究發(fā)現(xiàn)在從事風(fēng)險決策時，額葉激活增加，丘腦激活下降，表明這些腦區(qū)在風(fēng)險決策中都起了重要作用[21]?？赡苷怯捎谏鲜瞿X區(qū)與其他腦區(qū)連接的不成熟導(dǎo)致了青少年更多風(fēng)險行為的發(fā)生。

此研究不僅表明使用動態(tài)功能連接能較好地預(yù)測風(fēng)險決策行為，而且從腦網(wǎng)絡(luò)上闡明了風(fēng)險決策行為的特征，這對風(fēng)險決策行為的預(yù)測具有潛在的應(yīng)用價值。在以后的工作中將擴(kuò)大樣本量，并利用基于任務(wù)態(tài)的fMRI對風(fēng)險決策進(jìn)行進(jìn)一步研究。