静息态功能连接(FC)的动态特性为研究脑-行为关系提供了丰富的信息。动态模态分解(dynamic modes, DMD)是一种用来表征FC动态特性的方法。然而，动态模式(DMs)表征时空一致性模式，是否能提供个体行为差异的信息，目前尚不清楚。

Shigeyuki Ikeda等在NeuroImage杂志发表研究文章，建立了一种使用DMs预测个体行为差异的方法学方法。

分析过程

该实验研究了DMs在7个特定频带(0 0.1，…，0.6 0.7 Hz)中对预测的贡献。为了验证该方法，该研究测试了59项行为测量中的每一项是否可以通过对Gram矩阵进行多变量模式分析来预测，该矩阵是使用受试者的静息状态功能磁共振成像(rs-fMRI)数据计算得到的特定DM来创建的。

动态模态分解(DMD)、时间独立分量分析(ICA)和空间独立分量分析(10个分量)的预测结果。

动态模态分解(DMD)、时间独立分量分析(ICA)和空间独立分量分析(10个分量)的预测结果比较。

不同频段的预测结果。

聚类结果(0-0.1 Hz)。

在该研究中，DMD成功地预测了行为，并优于传统的提取空间活动模式的数据分解方法—时空独立分量分析。在一个排列测试中，大多数的行为测量都与认知有关。该研究发现，0.2 Hz频段内的DM要用于预测，其空间结构类似于几种常见的静息态网络。

该研究成功地建立了一种方法，可用于预测rs-fMRI活动所固有的DM行为测量的个体差异。表明DMD优于时空ICA。基于特定频段的预测分析表明，DMs<0.2 Hz对预测的贡献较大。聚类分析结果表明，在<0.2 Hz的图中发现了许多类似于RSNs的空间结构，但≥0.2 Hz的图中没有发现类似RSNs的空间结构。此外，DM可能主要编码认知行为测量的个体差异信息。

总之，该研究结果强调了DMD在从rs-fMRI数据中提取时空特征的数据分解方法中的优越性。未来的研究应探讨DMD是否可以作为精神疾病的生物标志物，这将有助于更深入地了解DMD的有效性。

DMD能够有效地从rs-fMRI数据中提取时空特征。

原文出处

Predicting behavior through dynamic modes in resting-state fMRI data