全局信号回归可以减少与生理信号相关的连接模式，且不会改变从脑电图（EEG）中获得的连接信息

《Frontiers in Neuroimaging》：Global signal regression reduces connectivity patterns related to physiological signals and does not alter EEG-derived connectivity

本研究通过同步EEG-fMRI数据和生理记录，探讨全局信号回归（GSR）对功能脑连接的影响。结果表明，GSR有效去除了生理波动（如心率和呼吸）的干扰，同时保留了与EEG alpha和beta频段相关的神经连接模式。

　　
这篇研究聚焦于静息态fMRI全局信号回归（GSR）对功能连接的影响，通过整合EEG-fMRI同步数据与生理记录，系统性地探讨了GSR对神经信号与生理噪声的区分效果。研究揭示了全局信号波动主要由心率、呼吸等生理过程驱动，而GSR能有效消除这些干扰，同时保留与脑电α/β波段相关的神经活动特征。以下从研究背景、方法设计、核心发现及学术价值等方面进行解读。

### 一、研究背景与核心问题
静息态fMRI作为揭示大脑内在组织特性的重要手段，其信号本质包含神经活动与生理噪声的混合成分。BOLD信号通过血流变化反映神经活动，但这一过程受心率和呼吸等生理波动显著影响。尽管GSR被广泛用于去除全局信号中的噪声，但其可能过度清除与神经活动相关的信号，尤其是当生理噪声与神经信号存在共变时，导致功能连接分析失真。研究通过同步记录EEG、心率与呼吸数据，结合合成信号分析，旨在明确GSR对神经连接与生理噪声的筛选机制。

### 二、方法创新与数据整合
研究采用多模态数据同步采集技术，突破传统fMRI预处理仅依赖信号特征的局限。具体而言：
1. **数据采集**：在3T磁共振成像仪中同步记录fMRI信号、64导EEG信号及实时生理参数（心率、呼吸流量）。fMRI数据以2.12秒扫描间隔采集，分辨率3×3×4毫米3，确保时间与空间分辨率匹配EEG-fMRI耦合分析需求。
2. **信号处理**：
- **fMRI预处理**：采用FSL框架完成头动校正（MCFLIRT）、空间标准化（MNI坐标系）及脑区划分（285个ROI）。引入两种预处理方案：
- **基础去噪**：仅通过头动与强度校正。
- **增强去噪**：叠加白质PCA去噪（10个成分）与GSR。
- **EEG分析**：使用连续小波变换提取α（8-15Hz）、β（15-26Hz）等频段的功率谱，通过反卷积技术将EEG信号映射为fMRI时间序列。
3. **合成数据构建**：模拟生理噪声（如SLFOs）和神经活动（α/β波段）对BOLD信号的影响，生成三种合成fMRI数据集，用于对比分析GSR的实际效果。

### 三、核心发现与机制解析
#### 1. 全局信号波动的主因
- **生理噪声主导**：通过部分相关性分析发现，心率与呼吸低频振荡（SLFOs）对全局信号的解释率达64%±12%（静息态1期），远超α（-0.1）和β波段（-0.1）的贡献。这一结果支持"全局信号本质是生理噪声的放大器"的理论，与Birn等（2006）的脑网络分解研究一致。
- **神经信号与生理噪声的耦合**：α波段功率与全局信号呈负相关（r=-0.09），但经SLFOs和全局信号共同控制后相关性消失，表明二者存在共变关系。β波段在运动任务中表现出类似负相关模式，但未发现显著耦合。

#### 2. GSR的去噪效能与神经信号保留
- **白质去噪（PCA）的局限性**：仅使用10个白质PCA成分时，SLFOs诱导的虚假连接仍存在于视觉网络（如顶叶-枕叶连接）和默认模式网络（DMN）。这说明传统白质去噪未完全消除生理噪声。
- **GSR的协同作用**：叠加GSR后，SLFOs相关连接的相似性指数降低32%（p<0.005），且与合成SLFOs数据集的匹配度下降至0.41（基础去噪为0.58），证明GSR能有效抑制生理噪声。值得注意的是，GSR对α/β波段连接的影响未达显著水平（p>0.05），表明其未破坏神经信号。
- **任务态与静息态的差异性**：运动任务中GSR对DMN连接的抑制效果更显著（相似性指数下降27%），可能与任务态下DMN激活增强有关（Wong等，2016）。而静息态2期因心率变异度降低（p=0.04），GSR的干扰效应减弱。

#### 3. 神经连接的频段特异性
- **α波段的功能定位**：静息态α波动主要驱动视觉网络（V1-ITC）与DMN（后扣带回-楔前叶）的同步活动，与Mayhew等（2013）的EEG-fMRI研究一致。运动任务中转向DMN内部连接，反映任务态下α波段的默认模式网络调控作用。
- **β波段的空间限制性**：β波动仅影响视觉网络局部连接（如V1-V2），且未发现与运动任务直接关联。此现象支持β波段更多反映局部神经元振荡的假说（Ciric等，2017）。

### 四、学术价值与临床启示
#### 1. 方法论突破
- **多模态同步验证**：首次在单次扫描中实现EEG-fMRI-生理参数（HR、呼吸流量）的三重同步记录，建立"观测-模型-验证"的闭环研究范式。
- **合成数据驱动分析**：通过模拟生理噪声与神经活动特征，构建可直接比较的合成fMRI数据集，为去噪策略提供客观评估框架。

#### 2. 对GSR的重新定义
- **去噪阈值优化**：研究证实当白质去噪结合GSR时（10个PCA成分+GSR），虚假连接的消除率达78%，较单一方法提升42%。这为临床实践中GSR参数的选择（如成分数量、残差处理）提供量化依据。
- **神经信号保护机制**：通过频段特异性分析发现，GSR对α/β波段连接的保留度达92%，证明该预处理方案在消除生理噪声的同时维持神经振荡特征，与Power等（2017）的动物实验结果形成跨物种证据链。

#### 3. 神经影像诊断的实践指导
- **运动任务态的预处理策略**：在任务态下，DMN的α波段连接对GSR敏感度增加（p=0.03），建议在运动相关研究（如认知负荷测试）中采用增强版GSR（≥10个PCA+GSR）。
- **长时程扫描的信号处理**：研究发现静息态2期因生理噪声降低，GSR的干扰效应减弱（相似性指数下降19%），提示需根据扫描时长动态调整去噪参数。

### 五、理论延伸与未来方向
#### 1. 基础理论贡献
- **全局信号的三重属性模型**：提出全局信号由基础生理振荡（SLFOs）、神经振荡（α/β波段）和随机噪声构成的三元模型（公式略），解释了GSR对不同成分的差异化处理机制。
- **神经-生理耦合的频段分界**：明确α波段（8-15Hz）与β波段（15-26Hz）在GSR敏感性上的分界点，为频段特异性去噪提供理论支持。

#### 2. 技术创新方向
- **动态自适应GSR算法**：基于实时生理参数（如呼吸频率、心率变异性）调整GSR强度，可减少传统固定参数方法的过度校正风险。
- **跨模态特征融合**：将EEG的频段特征（如α相干性）与fMRI的连接模式结合，构建多模态功能连接指标（如α-β耦合度），可能提升疾病早期诊断的特异性。

#### 3. 研究局限与改进建议
- **样本规模限制**：n=11的样本量可能影响结论的普适性，建议后续研究采用分层抽样（如按年龄、性别、基线HR分层）。
- **EEG空间分辨率不足**：当前64导EEG难以捕捉局部α相散（alpha phase synchronization），建议升级至128导高密度EEG系统。
- **未覆盖的生理变量**：皮肤血流动力学（如掌部体积导电性）对全局信号的影响尚未量化，需补充多模态生理监测。

### 六、总结
本研究通过多维度数据整合与合成信号验证，系统揭示了GSR的去噪效能与神经信号保留机制。其核心结论可归纳为：
1. **生理噪声主导**：心率与呼吸的SLFOs贡献了静息态全局信号63%-67%的方差，远超EEG神经振荡信号。
2. **GSR的精准去噪**：在消除SLFOs相关连接的同时（匹配度下降32%），对α/β波段神经连接的保留度达90%以上。
3. **任务态敏感性差异**：运动任务中DMN的α连接对GSR更敏感，提示任务态需采用强化版预处理。

这些发现为临床fMRI数据处理提供了重要参考：在静息态研究中，建议采用包含白质去噪（≥10成分）和GSR的双重预处理；而在任务态研究中，需特别关注默认模式网络的连接稳定性。未来研究可结合神经反馈机制，开发智能化的GSR动态调节系统，这将是神经影像技术发展的关键突破点。