大脑的结构一般分为3类：灰质（GM）、白质（WM）和脑脊液（CSF）。采用T1（纵向弛豫时间）加权成像序列获取结构磁共振成像（structural MRI，sMRI）。T1加权成像是基于不同脑组织之间的弛豫时间差异形成的。脑灰质主要由神经元细胞体组成，是中枢神经系统最重要的组成部分，能直接反映脑功能。由神经元组成的复杂网络系统不仅是人类思维活动的物质基础，也是调节身体所有功能的最高中心。
1.基于体素的形态学分析
基于体素的形态测量学（VBM）由Wright在1995年首次提出，可用于检测不同组群间特定脑组织（灰质、白质、脑脊液等）的浓度或体积差异。VBM是一种基于全脑的分析技术，其采用计算机自动处理和基于体素的全脑灰质、白质分析，能定量地计算局部灰质、白质密度的改变，从而精确地显示脑组织形态的变化。它具有良好的客观性和可重复性，能全面评价受试者脑组织形态的变化，其处理流程可以简单地描述为：灰白质分割、空间标准化、图像平滑、统计分析（见图2-1）。
图2-1 VBM处理的一般流程图（引自张远超，2010）
我们采集20例杨氏太极拳专业组老年人，22例与他们年龄、受教育年限相匹配的对照组老年人进行VBM分析，结果显示，太极拳组老年人左侧海马、右侧旁海马、左侧脑岛、右侧颞上回灰质密度大于对照组（见图2-2）。
Taubert通过让受试者参与一项复杂的全身平衡任务，在练习2周、4周和6周后，使用MRI测量进行纵向观察，2周后，发现受试者次级运动区域的灰质密度显著增加。这些变化是短暂的，并在接下来的几周内逐渐减少，而在6周的训练中，前额叶前部皮质的灰质密度逐渐增加（Taubert，2010）。
图2-2 太极拳组与步行组灰质密度差异脑图（引自本课题组）
2.基于皮质厚度的形态学分析
基于皮质厚度的形态学分析（surface-based morphometry，SBM）是另一种分析大脑结构形态数据的方法。大脑皮质是大脑的灰质部分，是指脑脊液与灰质的交界面到白质皮质与灰质皮质的交界面之间的距离。人类运动皮质的一个有趣的方面是其显著的可塑性。SBM用数学方法对大脑皮质表面积、体积、厚度和皱纹进行测量（见图2-3）。整个大脑皮质的表面积和厚度等指标对描述大脑褶皱程度具有重要意义。沟回、曲率和曲率导数（如高斯曲率）是与脑褶皱复杂性相关的形态学指标。这些指标反映了基于不同角度的单个大脑沟回褶皱折叠的局部和详细形态特征。
图2-3 FreeSurfer计算皮质厚度及表面积流程图
在一项复杂的平衡任务中练习1小时后，我们发现运动者的运动灰质体积局部增加。在长期的平衡训练中，参与平衡任务的初级运动区域和高阶运动区域的加工需求会发生变化。主要运动区域可能是在平衡训练的早期，而随后的练习将改变运动控制过程，这可能会将处理需求转移到涉及的高阶方面的区域（Taubert，2016）。
3.弥散张量成像
弥散张量成像（DTI）是近年发展起来的一种新的脑功能成像技术。它利用水分子在生物体中存在较强的各向异性这种弥散特性，对人体内的组织结构进行研究，显示出组织微结构的变化。能在活体上定量测量脑组织内水分子弥散特性进行成像。弥散（diffusion）是指分子的随机运动和不规则运动，它是人体重要的生理活动，是物质在体内的运输方式之一，又称布朗运动（Brownian motion）。“张量”（tensor）一词实际上来源于物理学领域和工程学领域，它使用一组三维矢量来描述固态物质中的张力。为了使扩散张量可视化，我们可以把它视为一个椭圆球体。位于弥散椭圆球体的三个正交轴中，最长轴代表最大弥散值（eigenvalue，本征值）和弥散方向（eigenvector，本征矢量），最短轴代表最小弥散值和弥散方向。如果三个轴相等，则弥散是各向同性的（isotropic）。例如，在脑脊液和大脑灰质，其弥散张量就可看作球体形。如果三个轴线的长度不相等，则此种弥散叫作各向异性（anisotropic）弥散，人体组织的弥散特征大多表现为各向异性，尤以大脑白质为著。
研究人员通常使用各向异性分数（fractional anisotropy，FA）和平均弥散率（mean diffusion，MD）来检测大脑微观结构的变化（见图2-4）。DTI可以根据弥散方向和弥散能力对白质纤维束进行跟踪和检测，这是目前唯一能在活体内显示大脑纤维束方向的成像技术。一般认为，弥散张量的主特征向量表示体素中纤维的方向，通过追踪连续张量场的主方向，可以重建组织的整个纤维路径。弥散张量模型因其简单稳定而受到广泛关注，目前已有许多相关研究报道，如降噪、数据正则化、采样方式优化、统计学研究等。弥散张量技术是近年发展起来的一种磁共振成像技术。它不但可以研究健康组织的结构和功能，而且对探讨一些影响组织结构连接的疾病具有重要作用，因此广泛应用于脑发育和神经退行性脑疾病的研究中。目前，DTI主要用于揭示人脑的发育过程，评价组织结构的完整性和结构功能的病理变化。DTI在临床、脑中枢系统研究、认知科学脑结构研究等领域发挥着不可替代的作用。
图2-4 弥散张量成像的弥散指标（引自本课题组）
我们对20名年轻的女性专业舞蹈演员与20名年龄和受教育程度与之相匹配的非舞者在大脑结构和功能上进行了对比。使用扩散张量、形态测量、静息状态和与任务相关的功能磁共振成像，发现专业舞者皮质脊髓束具有较低的各向异性。在观看舞蹈动作的刺激序列时，专业舞者相比非舞者，激活了动作观察网络（action observation network，AON）。由此观察到专业舞者AON和运动学习网络的功能连接发生了变化。这些功能连接性差异与舞蹈技能、平衡和训练诱导的结构特征有关（Burzynska et al.，2017）。
本课题组对太极拳组老年人，以及与之年龄、受教育年限相匹配的对照组老年人，采用弥散张量成像和确定性纤维追踪方法，构建两组受试者的白质结构脑网络（见图2-5、图2-6）。图形分析结果显示，太极拳组的小世界属性高于对照组，太极拳组的聚集系数、整体效率和局部效率属性均高于对照组。但在节点属性和边缘分析上，两组间无显著性差异。
图2-5 基于白质骨架的统计学处理流程（引自本课题组）
图2-6 基于弥散张量成像构建脑网络过程（引自本课题组）
注：个体的FA像配准到个体的结构像，然后个体的结构像非线性配准到ICBM152标准空间，得到一个变换矩阵，再借助上面两步的逆变换矩阵将AAL解剖标记图谱配准到个体空间，重建整个大脑白质纤维。通过计算连接每对大脑区域的纤维数量，创建每个受试者的加权网络。通过组水平构建两组人的脑网络矩阵，进而计算脑网络属性。
4.独立成分分析
独立成分分析（independent component analysis，ICA）是由Mc Keown等人于1998年率先引入fMRI信号分析中来的。ICA是在只知道混合信号，而不知道源信号、噪声以及混合机制的情况下，分离或近似地分离出源信号的分析过程。目前比较流行的ICA算法有FastICA、Infomax、Fixed-point。它们的根本区别是求取分离矩阵的方法不同。
ICA通过对大脑内混合的BOLD信号的盲源分离提取出多个空间上或者时间上独立的成分。ICA具有不需要先验知识，仅依靠f MRI数据自身的结构特点就能进行数据分析的优点，它使这些成分间的相互独立性保持最大。使用空间ICA方法（见图2-7）分析fMRI数据，能够识别出许多稳定的空间模式（Calhoun et al.，2002）。它是一种数据驱动的分析方法。该方法经过数据产生、数据降维、成组数据独立成分估计与数据反重构四个步骤得到与每个受试者相对应的独立成分与时间序列。这种方法不需要提前对模型进行假设，根据数据的独立性就能够将BOLD信号、心跳声、机器扫描噪声等独立分开，进而提取到相关的脑网络信息，因此在静息态分析中应用广泛。
图2-7 空间ICA示意（引自Calhoun，2009）
本课题组收集了20例太极拳组老年人与22例对照组老年人的静息态磁共振数据，通过独立成分分析方法分解不同功能成分，发现太极拳组老年人与对照组老年人静息态功能磁共振的默认网络、感觉运动网络、视觉网络存在显著的差异（见图2-8）。
图2-8 太极拳组与对照组默认网络组间比较结果脑图（引自本课题组）
注：A.太极拳激活脑区大于对照组。B.对照组激活脑区大于太极拳组。C.太极拳组与对照组有差异脑区图。统计阈值为p＜0.05，cluster＞20体素，结果通过FWE校正。
5.功能连接分析
功能连接是指在空间上大脑远端区域之间的时间相关性。整个大脑其他体素与感兴趣区域之间的功能连接可以根据事前确定的感兴趣区域来计算。基于种子的相关分析（seed-based correlation analysis）是最常用的功能连接统计分析方法。其主要原理是相关性分析，具体方法是预先选择一些脑区作为感兴趣区域，并根据所选的种子点与其他脑区进行相关性分析，然后得到相关系数并设置阈值。如果相关系数达到该阈值，则认为研究区域和选定种子点之间存在功能上的连通性。种子点分析是静息态功能磁共振（RS-fMRI）中最常用的方法之一，但是这种方法需要研究人员具有很强的先验知识。
本课题组采集了受试者颅脑结构像和静息态磁共振数据，采用基于体素的形态学分析和功能连接，比较长期太极拳锻炼组和对照组受试者的脑结构和功能差异。研究表明，太极拳组不仅左侧海马灰质密度大于对照组，左侧海马与左、右丘脑功能的连接也大于对照组（见图2-9）。
(www.xing528.com)
图2-9 太极拳组与对照组功能连接示意（引自本课题组）
注：以左海马为种子点，进行静息态全脑功能连接分析，发现太极拳组的左侧眶部额上回、左侧丘脑、右侧丘脑功能连接强度大于对照组。使用p＜0.001，voxel＞10的MNI坐标。
Tao探讨了太极拳和八段锦练习对老年人认知控制网络的静息状态功能连接作用。两个运动组的参与者练习太极拳或八段锦12周，然后发现太极拳组背外侧前额叶皮质（dorsolateral prefrontal cortex，DLPFC）与左上额叶的功能连接，脑回和前扣带回皮质显著降低，八段锦组的脑功能在DLPFC和左侧壳核的静息态连接明显下降（Tao，2017）。
Voss使用功能磁共振成像技术研究了参与为期1年的干预试验前后的老年人的认知相关的低频一致性（0.008 Hz＜ƒ＜0.08 Hz）与静息态脑网络的相关性，比较了有氧运动和非有氧运动对脑功能和认知的影响效果。结果表明，有氧训练提高了老年人认知网络的静息功能效率。步行锻炼一年后增加了默认模式网络（Default mode network，DMN）额叶中部、后部、颞叶皮质与额叶执行网络的功能连接。锻炼时间是一个重要因素，研究表明，6个月锻炼后无显著改变，在训练12个月后才观察到有利于步行组的效果。无氧拉伸在6个月和12个月时显示出DMN和额顶网络（fronto-parietal network，FPN）的功能连接性增加，这可能反映出经验依赖的可塑性（Voss et al.，2010）。
6.低频振幅分析
低频振幅（ALFF）分析方法是臧玉峰等首次开发并应用于静息态功能磁共振研究的数据处理方法，它反映的是大脑功能活动BOLD信号相对基线变化的幅度，而比率低频振幅（fractional amplitude of low-frequency fluctuation，f ALFF）是Zou等在ALFF的基础上提出的，fALFF可以从能量的角度反映各个体素在静息态脑自发活动水平的高低，能更好地反映大脑功能网络特征。该方法是某个特定频段的振幅强度与可探测到的全频段范围信号幅值和的比率，即相对强度，如图2-10所示（臧玉峰等，2007）。这一方法是对ALFF方法的改进，一方面减弱了无关信号的干扰，另一方面对大脑自发活动有更好的敏感性和特异性。
图2-10 低频振幅分析（引自Zang等，2007）
注：A.ALFF分析示意图；B.带通滤波（0.01～0.08 Hz）的时间进程；C.快速傅里叶变换功率谱；D.0.01～0.08 Hz功率谱的平方根，即ALFF；E.0.01～0.08 Hz的平均ALFF（14.60）；F.0.01～0.08 Hz的标准化ALFF（6.45）。
利用DPARSF软件分析去线性漂移后未滤波图像的fALFF值。首先对0.01～0.08 Hz信号的功率谱进行开方运算，得到了ALFF值。然后，将该范围内低频振幅的值相加所得和，除以全频振幅的总和，得到fALFF值。最后，将每个体素的fALFF值除以全脑信号振幅的平均值，对全脑体素进行标准化处理，使每一个受试者得到一个平均低频振幅率（mf ALFF）（见图2-11）。
图2-11 比率低频振幅分析（引自Zou，2008）
本课题组采集20例杨氏太极拳专业组老年人与22例年龄、受教育年限与之相匹配的对照组老年人，通过fALFF分析，对太极拳组与对照组静息态下大脑自发性活动进行探索。在0.01～0.08 Hz频段，左侧额中回的fALFF值太极拳组大于对照组，太极拳组的左侧额中回fALFF值与工作记忆刷新任务的反应时间存在相关性，而在对照组之间没有明显的相关性。静息态下太极拳组左侧额中回存在激活，这可能是因为长时间的太极拳锻炼对额叶产生持续累积效应引起认知脑功能变化，并通过提高工作记忆的能力延缓了老年人认知功能的衰退（见图2-12）。
图2-12 太极拳组与对照组差异脑区定位（引自本课题组）
7.Re Ho
局部一致性（regional homogeneity，ReHo）计算方法最初由臧玉峰等人提出，是一种通过计算肯德尔和谐系数（Kendall's coefficient of concordance，KCC）来评估每个体素与其相邻体素时间序列之间相似性的数据处理方法，主要用于测量大脑静息状态下自发产生的低频波动信号的局部同步性（臧玉峰等，2004），重点研究了区域内体素间时间序列的相关性，从一致性角度显示了大脑的局部功能状态。它可以同时考虑体素之间的局部域信息和时间序列信息，摆脱传统的“刺激-响应”模式。该方法具有良好的重测信度，能可靠地反映局部脑活动。这一目标主要通过计算某一体素与其相邻体素的肯德尔和谐系数的一致性来实现。一般来说，其方法是选择一个特定体素与其相邻的26个体素的时间序列的相关性作为KCC值，先得到该体素的KCC值，再得到整个大脑的KCC图。这一方法主要用于研究静息态下被给定的体素与其相邻体素之间自发的神经元活动的一致性，能够反映脑区局部时间序列的同步性，现已被广泛应用。
对每个体素的Re Ho值采用REST软件计算，具体的计算公式如下：
其中，R i表示第i个时间点的等级（rank）秩和，R表示R i的平均值，K代表所测量的计算单元（多个相邻体素构成的计算Re Ho值的最小单元），K的范围为0～1，K越接近1，表示某体素与周围相邻体素在时间序列上的活动越一致，反之则接近0，n表示等级的格式（即时间点数），i的范围是从1到n，肯德尔和谐系数的值（W）的范围是从1到n。通过公式可以得到每个体素的Re Ho值，从而得到每个受试者的脑Re Ho图，Re Ho值的标准化值＝每个体素的Re Ho值／全脑Re Ho值。
本课题组对太极拳组老年人与对照组老年人进行了静息态磁共振的Re Ho值比较。通过静息态磁共振分析发现，在阈值p＜0.001，体素数量大于20的条件下，长期锻炼的太极拳受试者的左侧海马、右侧中央前回、左侧脑岛Re Ho值大于对照组。右侧顶上回Re Ho值对照组大于太极拳组（见图2-13）。
一项持续6周包括认知训练、太极锻炼和团体咨询的干预研究发现，实验组的颞上回、颞中回和小脑后叶的血氧水平依赖性（BOLD）信号自发波动的Re Ho和认知能力得到改善，干预引起的局部自发活动一致性的变化与个体认知能力的提高有关（Zheng et al.，2015）。
图2-13 太极拳组与对照组ReHo值差异脑区定位（引自本课题组）
注：Re Ho分析显示，长期锻炼的太极拳组左侧海马、右侧中央前回、左侧脑岛Re Ho值大于对照组。右侧顶上回Re Ho值对照组大于太极拳组。使用p＜0.001（未校正阈值）的MNI坐标。
8.结构网络
对大脑的理论探索表明，功能分离（functional segregation）和功能整合（functional integration）是大脑运行的两个主要规律（Friston et al.，2009）。尽管功能分离是大脑组织分布最基本的原则，但功能整合强调不同脑区之间存在相互作用，随着脑功能和结构网络理论研究的成熟，人脑连接组的概念正式被提出。
基于结构构建的脑网络分析。结构连接网络是功能连接的物质基础，结构连接是根据不同脑区的形态学数据之间的相关性来定义的。He等人通过计算大脑皮质54个脑区皮质厚度之间的相关性首次构建了人脑结构网络（见图2-14），并发现该网络具有小世界属性（He et al.，2007）。
图2-14 结构网络的构建过程
本课题组通过VBM软件将太极拳组与对照组的结构像分割为灰质、白质、脑脊液，通过灰质构建结构网络，利用大脑灰质体积来计算各个脑区直接的相关系数，构建出太极拳组与对照组的大脑结构网络。在整个稀疏度区间范围内，并没有发现太极拳组与对照组之间的脑结构网络参数指标具有统计意义下的显著性差异（见图2-15、图2-16），但发现太极拳练习组的小世界属性在不同稀疏度下高于对照组（见图2-17），推测可能是长时间的太极拳运动对大脑的一种可塑性，长期的太极拳锻炼能够优化老年人的大脑属性，进而延缓大脑的认知衰退。
图2-15 太极拳组与对照组在不同稀疏度下集聚系数结果（引自本课题组）
图2-16 太极拳组与对照组在不同稀疏度下最短路径结果（引自本课题组）
图2-17 太极拳组与对照组在不同稀疏度下小世界属性结果（引自本课题组）
功能神经影像技术的快速发展，已成为研究认知和临床脑疾病的重要手段。利用不同模态的神经影像新技术（如静息态和任务态fMRI、弥散张量成像、脑神经网络技术等），研究人员可以获得脑结构、功能、代谢等多方面的信息。神经影像新技术在认知科学和神经／精神科学领域的研究和应用已经越来越广泛，虽然前人在太极拳促进人体健康机制研究方面取得了一定的进展，但太极拳运动与复杂的脑网络理论和神经机制的关联，目前仍然缺乏清晰的了解。结构连接、功能连接的多模态脑网络分析方法为了解太极拳运动对老年人影响提供了影像证据，有助于我们深入理解太极拳运动对大脑的影响机制。
免责声明：以上内容源自网络，版权归原作者所有，如有侵犯您的原创版权请告知，我们将尽快删除相关内容。
