0 引言

       运动功能障碍的神经系统疾病中，脑卒中与创伤性脑损伤是国内及全球范围内发病率和致残率最高的疾病，其中创伤性脑损伤更是年轻人致残的首要原因之一^{[1, 2]}。基于运动想象（motor imagery, MI）的脑机接口技术，作为一项新兴的康复手段，在改善此类患者运动功能方面展现出巨大潜力。功能磁共振成像（functional magnetic resonance imaging, fMRI）图论分析能够从脑网络整体拓扑属性层面定量解析神经机制^{[3, 4]}，为脑机接口的疗效评估与优化提供关键技术支持。然而，近期研究指出，当前脑机接口康复实践仍面临MI训练流程缺乏标准化、对精细运动意图解码困难等挑战。既往基于脑电图的研究已从脑网络角度比较MI与实际运动（motor execution, ME）的神经机制差异^[5]，而现有关于MI与ME的fMRI研究多集中于脑区激活、功能连接及部分网络指标等方面^{[6, 7]}，基于任务态功能磁共振成像（task-based functional magnetic resonance imaging, tb-fMRI）对二者运动相关脑网络拓扑组织，尤其是全局整合与局部信息处理特征方面的研究尚未见报道，MI及脑机接口神经机制有待完善。为此，本研究创新性系统运用任务态fMRI图论分析方法，对比健康受试者右手握拳MI与ME状态下运动控制网络的拓扑特性，旨在为后续阐明运动功能障碍患者MI的神经网络机制及推动脑机接口在运动功能康复中的精准应用提供新的影像学生物标志物和理论依据。

1 材料与方法

1.1 研究对象

       于2025年1月至6月期间在深圳市中西医结合医院前瞻性招募了41名健康志愿者，其中1名受试者因初始图像质量检查发现明显头动相关伪影，予以排除，最终纳入40名受试者进行分析。纳入标准：（1）年龄18~30岁；（2）右利手；（3）无神经系统疾病及认知障碍；（4）无习惯性吸毒及饮酒史；（5）能够理解并配合完成实际运动及MI任务。排除标准：（1）存在MRI检查禁忌证；（2）扫描过程中存在明显运动伪影，或图像质量差影响后续分析者；（3）未能按指令完成右手握拳或想象握拳动作，经任务后询问或个体水平任务态fMRI质控判断不适宜纳入分析者。本研究遵守《赫尔辛基宣言》，经深圳市中西医结合医院伦理委员会批准，批准文号：KY-2024-140-01、KY-2024-140-03。所有参与者均已了解研究内容并签署知情同意书。

1.2 样本量估算

       本研究主要比较同一受试者在ME与MI两种任务状态下脑网络拓扑属性的差异，属于配对设计。采用 G*Power 3.1.9.7软件，选择配对样本t检验（双侧），设定检验水准α=0.05，检验效能1-β=0.80，预设中等效应量Cohen's dz=0.50。配对样本设计中的效应量采用Cohen's dz表示，其计算公式为：dz=μD/σD式中，μD为两种任务状态下指标差值的均值，σD为差值的标准差。基于配对样本t检验进行样本量估算时，非中心参数可表示为：λ=dzn式中，λ为非中心参数，n为所需样本量^[8]。

1.3 任务设计与流程

       采用GE Signa HDi 1.5 T磁共振扫描仪，配备8通道头部线圈。tb-fMRI采用单次激发梯度平面回波。扫描参数：TR 3000 ms，TE 40 ms，FOV 240 mm×240 mm，矩阵64×64，FA 90°，层厚5 mm，体素5.00 mm×3.75 mm×3.75 mm，层数30层（降序隔层扫描），扫描128个时间点，扫描时间6 min 24 s。3D T1WI（BRAVO）：TR 12.4 ms，TE 5.2 ms，相位时间350 ms，层厚1.2 mm，FOV 240 mm×240 mm，FA 20°，矩阵256×256，扫描时间2 min 57 s。

       为了排除实际运动对MI潜在的影响，扫描前及两次任务态扫描之间，受试者均未进行高强度的手部运动练习。此外，本研究中的MI任务与实际运动任务在不同扫描序列中独立完成，两者之间设置了20 min的休息间隔，且MI期间受试者未接收实际运动执行后的本体感觉反馈。因此，本研究所考察的MI属于延迟MI，而非紧接实际运动执行的即刻MI。

       所有受试者在进行tb-fMRI扫描前均接受了任务培训，扫描期间全程佩戴MRI专用语音耳机，通过缓冲支撑固定受试者头部并嘱其闭眼平躺，在静息状态期间，受试者被要求保持清醒、放松，闭眼平躺，不进行任何有目的的思维活动，避免刻意回忆或计划事情。任务态采用了经典的组块设计，包含两种试验条件：①实际运动，受试者使用右手进行重复性握拳运动；②MI，受试者在静止状态下动觉想象右手进行握拳运动。受试者根据耳机播报指令及语音节拍执行任务，先完成实际运动而后进行MI。每种任务扫描由6个30 s①/②任务（A）和6个30 s静止休息状态（B）组成，任务与静息状态交替进行（ABAB模式）。实际运动与MI任务均由语音节拍控制，受试者每2 s完成1次右手握拳或相应的动觉想象，以保证两种任务的时间节律一致。

1.4 图像预处理

       本研究采用分阶段数据处理策略。第一阶段，在数据采集完成后，于GE ADW 4.6工作站使用Functool软件对每例受试者的任务态fMRI数据进行实时个体水平后处理，获得脑激活图，用于评估受试者任务配合情况及图像质量并完成入组筛选。MI任务状态下见初级运动皮层、辅助运动区^[9]等核心运动相关脑区的激活趋势（体素数目≥10个的连续激活团簇）且未见与ME相当的广泛强激活，则予以入组，相应脑区无激活的受试者视为任务配合度较差予以剔除。该脑激活图仅用于任务质控，不作为本研究主要统计推断结果，示例图像如图1。第二阶段，对于通过筛选的受试者数据，采用基于fMRIPrep标准化框架的预处理流程，并结合XCP-D后处理规范进行批量数据处理^[10]。在此基础上，进一步开展脑网络构建及图论分析。T1WI预处理包括强度非均匀性校正与颅骨剥离，采用FSL FAST进行灰质、白质及脑脊液分割，并将解剖像标准化至MNI空间。tb-fMRI预处理包括无场图畸变校正与头动校正，并配准至T1WI，随后按XCP-D流程进行去噪处理，具体包括基于fMRIPrep/XCP-D流程自动识别并处理非稳态时间点，以帧位移（framewise displacement, FD）评估头动并标记FD>0.5 mm的时间点，采用16参数回归模型（6个头动参数、白质及脑脊液平均信号及其一阶导数）进行混杂校正，并结合尖峰回归、带通滤波（0.008~0.080 Hz）、线性趋势回归、离群点剔除及空间平滑（FWHM＝4 mm）。

点击查看大图

图1  实际运动（1A）与运动想象（1B）任务态功能磁共振成像激活脑区对比。1A与1B采用相同color bar显示，黄色区域表示实际运动任务诱发的激活脑区，橙色区域表示运动想象任务诱发的激活脑区。
Fig. 1  Comparison of task-fMRI activated brain regions during motor execution (1A) and motor imagery (1B). 1A and 1B are displayed using the same color bar. Yellow regions indicate brain activation induced by the motor execution task, and orange regions indicate brain activation induced by the motor imagery task.

1.5 功能网络构建与图论分析

       本研究采用Schaefer 2018图谱^[11]进行分析，选用了1000个脑区的高分辨率版本，并基于Yeo定义的17网络模板划分：选取“左侧躯体运动网络”评估拓扑属性（图2）。为兼顾局部功能模块内部组织特性与全脑整合能力，本研究计算两类指标：模块内图论指标（local graph metrics）：表征某一功能模块（子网络）内部节点间的连接组织特性，反映其信息处理的局部效率与特异性；模块-全脑图论指标（global graph metrics）：表征该模块中节点与全脑其余区域的连接模式，反映其在全脑网络中的整合程度与枢纽作用^[12]。本研究计算了五种常见的图论指标：网络密度、全局效率、节点效率、聚类系数、介数中心性。具体而言，网络密度计算为实际连接数与全连接时连接数的比值，其余指标以全脑功能连接矩阵为基础构建网络后，对每个功能模块内所有节点的对应指标取算术均值，作为该模块的代表性指标值。

       在完成预处理与去噪后，提取每个感兴趣区（region of interest, ROI）的时间序列并计算任意两ROI之间的Pearson相关系数r，构建功能连接矩阵。使用Brain Connectivity Toolbox（BCT, https://sites.google.com/site/bctnet/）软件构建大脑功能网络，根据数据集特性，选定网络稀疏度阈值的取值范围为0.02~0.50，以0.01为步长，并计算曲线下面积（area under the curve, AUC）作为最终指标^[13]，以消除单一阈值选择带来的偏差。图像处理与图论分析均由2名具有5年以上诊断经验的影像科医师独立完成，采用双盲设计屏蔽分组与临床信息，不一致数据由高级职称医师复核确认，确保操作一致性。

点击查看大图

图2  Schaefer 17网络左侧躯体运动网络A（红色）和左侧躯体运动网络B（蓝色）分别在大脑外侧面（2A）与内侧面（2B）的ROI空间位置。
Fig. 2  Spatial locations of the ROIs of the left somatomotor network A (red) and left somatomotor network B (blue) from the Schaefer 17-network atlas on the lateral (2A) and medial (2B) surfaces of the brain.

1.6 统计学分析

       统计学分析采用MATLAB R2022b软件，采用配对样本t检验比较ME和MI下的网络拓扑属性，并将L-SMN A和L-SMN B两个网络内所有图论指标一同进行错误发现率（false discovery rate, FDR）校正，校正后P<0.05认为差异具有统计学意义。计算Cohen's d值评估差异的效应量大小，将|d|≈0.2、0.5、0.8分别视为小、中、大效应量。

       鉴于全局信号回归在功能连接分析中的争议，本研究分别采用16P（不含全局信号）与18P（含全局信号）两种回归策略重复计算关键指标并比较结果方向一致性，同时为降低网络稀疏度阈值选择带来的主观偏倚，在多个单一比例阈值（0.20~0.50）下再次计算各网络指标，并与阈值范围（0.02~0.50）结果进行对照，以评估结论对阈值设定的敏感性。

2 结果

2.1 样本量估算及受试者纳入结果

       按配对样本t检验进行样本量估算，至少需纳入34名受试者。研究期间共招募41名右利手健康志愿者，其中1名受试者因扫描过程中出现明显头动伪影被排除，最终纳入40名受试者，男女各20名；年龄19~28（22.85±2.48岁），达到样本量估算要求。

2.2 实际运动与MI tb-fMRI的左侧躯体运动网络A结果对比

       与实际运动相比，MI状态下左侧躯体运动网络A（left somatomotor network A, L-SMN A）的模块-全脑图论指标中，网络密度、全局效率及介数中心性均升高（FDR校正，P=0.004、0.004、<0.001），节点效率及聚类系数降低（FDR校正，P=0.009、0.005）；模块内图论指标差异均无统计学意义（FDR校正，P>0.05）（表1、图3）。

点击查看大图

图3  左侧躯体运动网络A中运动想象与实际运动任务态的图论指标比较。云雨图显示志愿者在运动想象（Image）与实际运动（Motor）状态下的模块内及模块-全脑图论指标数据分布与条件间差异。Local为模块内图论指标，Global为模块-全脑图论指标，L-SMN A为左侧躯体运动网络A。3A：密度；3B：全局效率；3C：介数中心性；3D：节点效率；3E：聚类系数。蓝色为运动想象，橙色为实际运动。**表示P<0.01，***表示P<0.001。
Fig. 3  Comparison of graph theoretical metrics between motor imagery and motor execution tasks in the left somatomotor network A. Raincloud plots show the distributions and between-condition differences of local graph metrics and global graph metrics in volunteers under motor imagery (Image) and motor execution (Motor) conditions. Local denotes local graph metrics, corresponding to module-internal graph metrics; Global denotes global graph metrics, corresponding to module-to-whole-brain graph metrics, and L-SMN A denotes the left somatomotor network A. 3A: density; 3B: global efficiency; 3C: betweenness centrality; 3D: nodal efficiency; 3E: clustering coefficient. Blue indicates motor imagery and orange indicates motor execution task. ** indicates P < 0.01, *** indicates P < 0.001.

点击查看表格

表1  实际运动与运动想象状态下左侧躯体运动网络A与左侧躯体运动网络B的图论指标差异
Tab. 1  Differences in graph theory metrics of left somatomotor network A and left somatomotor network B under motor execution and motor imagery conditions

2.3 实际运动与MI tb-fMRI左侧躯体运动网络B的结果对比

       左侧躯体运动网络B（left somatomotor network B, L-SMN B）与L-SMN A呈现相似变化趋势。MI状态下模块-全脑图论指标中的网络密度、全局效率及介数中心性均高于实际运动（FDR校正，P=0.022、0.029、0.003），其余模块-全脑图论指标（节点效率和聚类系数）与模块内图论指标差异均无统计学意义（FDR校正，P>0.05）（表1、图4）。

点击查看大图

图4  左侧躯体运动网络B中运动想象与实际运动任务态的图论指标比较。云雨图显示志愿者在运动想象（Image）与实际运动（Motor）状态下的模块内及模块-全脑图论指标数据分布与条件间差异。Local为模块内图论指标，Global为模块-全脑图论指标，L-SMN B为左侧躯体运动网络B。4A：密度；4B：全局效率；4C：介数中心性；4D：节点效率；4E：聚类系数。蓝色为运动想象，橙色为实际运动。*表示P<0.05，**表示P<0.01。
Fig. 4  Comparison of graph theoretical metrics between motor imagery and motor execution tasks in the left somatomotor network B. Raincloud plots show the distributions and between-condition differences of local graph metrics and global graph metrics in volunteers under motor imagery (Image) and motor execution (Motor) conditions. Local denotes local graph metrics, corresponding to module-internal graph metrics; Global denotes global graph metrics, corresponding to module-to-whole-brain graph metrics, and L-SMN B denotes the left somatomotor network B. 4A: density; 4B: global efficiency; 4C: betweenness centrality; 4D: nodal efficiency; 4E: clustering coefficient. Blue indicates motor imagery and orange indicates motor execution task. * indicates P < 0.05, ** indicates P < 0.01.

2.4 稳健性分析结果

       在网络稀疏度方面，于0.20~0.50单一比例阈值下重算网络指标并与0.02~0.50阈值范围结果对照，各单一阈值总检验数均为180，P<0.05显著比例介于0.239~0.267之间，分布平稳，提示结论对阈值设定无明显敏感性（表2）；在回归策略方面，采用不含全局信号的 16P 与含全局信号的18P策略重算关键指标，MI与实际运动对比组中二者显著比例分别为0.288和0.212，结果趋势一致。

点击查看表格

表2  单一阈值稀疏度下的稳健性分析
Tab. 2  Stability analysis under a single sparsity threshold

3 讨论

       本研究通过tb-fMRI与图论分析，比较了健康受试者在右手实际运动与MI状态下左侧躯体运动网络的拓扑组织差异。结果显示，与ME相比，MI状态下左侧躯体运动网络A表现为模块-全脑层面的网络密度、全局效率及介数中心性升高，而节点效率与聚类系数降低；左侧躯体运动网络B则表现为模块-全脑层面的网络密度、全局效率及介数中心性升高，但节点效率与聚类系数差异无统计学意义。上述结果提示，MI与ME在左侧躯体运动网络中存在不同的拓扑组织模式，且L-SMN A与L-SMN B对不同运动状态的响应存在一定差异。本研究从脑网络拓扑层面补充了二者神经机制差异的影像学证据，可为脑机接口特征提取及运动功能康复策略优化提供一定参考。

3.1 左半球躯体运动网络子网络的功能异质性

       本研究基于高分辨率的Schaefer 2018图谱，将左侧躯体运动网络进一步细分为L-SMN A与L-SMN B两个子网络进行分析^[11]。结果发现，这两个子网络对不同运动状态的响应模式存在一致性，同时具备显著的功能特异性。在ME和MI的比较中，L-SMN A和B均表现出相似的模块-全脑拓扑属性变化趋势，即MI状态下两个子网络的网络密度、全局效率及介数中心性均高于ME，但二者也存在明确差异化表现：L-SMN A在MI状态下模块-全脑层面的节点效率及聚类系数降低，而L-SMN B的节点效率及聚类系数无明显统计学差异，模块内图论指标也均未表现出条件间差异。这一差异提示，左侧躯体运动网络内部可能存在功能分工与模块化特征^{[14, 15]}。L-SMN A可能更侧重于运动指令的执行与感觉运动整合，在实际运动过程中对侧初级运动皮层的高强度激活、初级体感皮层的参与，均需要该子网络实现局部脑区的高效信息处理与信号传递，因此其节点效率与聚类系数在ME状态下表现出优势。而MI无实际的运动执行与体感反馈，对局部信息处理的需求降低，该类拓扑指标也随之呈现下降。此外，L-SMN B可能更多地参与运动计划、动作表征的内部构建等认知过程，因此其网络节点效率与聚类系数在ME与MI间无变化，仅在涉及内部模拟的MI任务中，网络密度、全局效率等指标发生改变。这种子网络特异性的发现，深化了我们对躯体运动网络复杂性的认识，未来研究可结合脑区解剖定位进一步阐明其具体功能角色。

3.2 MI与实际运动的网络机制分离

       MI和ME具有一定的功能等价性^{[16, 17]}，传统激活分析证实ME与MI均能激活辅助运动区、运动前区、顶叶运动相关区域等核心运动脑区，验证二者神经基础的重叠性，而图论分析从网络拓扑属性角度揭示了两者的系统性差异^{[18, 19]}。MI状态下更高的网络密度、全局效率及介数中心性，可能反映了其作为一种纯内部认知模拟过程，无实际运动执行与体感反馈的参与，需要通过增强全局网络的连接强度与信息传递效率，实现辅助运动区对初级运动皮层的调控与运动表征的内部构建，从而形成高度互联的全局网络构型。相反，ME状态下L-SMN A表现出更高的节点效率与聚类系数，提示其网络重组更侧重于优化特定运动相关脑区（如初级运动皮层、辅助运动区及初级体感皮层）内部及其之间的信息传递效率，以适应快速、精确的运动执行和感觉反馈处理需求^[20]。这种模块-全脑整合特征与子网络特异性局部拓扑差异，为区分两种运动认知状态提供了超越局部脑区激活的新型生物标志物，也为解析运动认知的神经调控机制提供了新的视角。值得注意的是，本研究采用 ME先于MI的任务顺序，虽然两次任务扫描之间设置20 min间隔，且实际运动任务负荷较低，可一定程度降低信号残留及疲劳效应的影响，但仍不能完全排除任务顺序效应对结果的潜在影响，未来研究可采用随机化或平衡顺序设计进一步验证。

3.3 临床意义与未来方向

       本研究的发现对神经系统疾病的运动功能康复具有重要临床启示与应用价值。神经系统疾病，尤其涉及运动功能损伤的疾病，如脑卒中与创伤性脑损伤后运动功能障碍，是导致残疾和生活质量下降的重要原因^{[21, 22, 23]}。现有治疗手段，包括药物治疗、物理治疗及康复训练，在促进神经功能重塑方面仍存在一定局限，例如疗效个体差异明显、恢复周期较长^{[24, 25]}。因此，深入阐明运动认知的神经机制，对于优化脑机接口辅助康复及神经调控策略具有重要意义^[26]。

       MI疗法作为一种无创康复手段已被广泛应用，但其疗效的神经机制，尤其是在脑网络层面的调控作用，尚不清晰。本研究明确了MI状态下左侧躯体运动网络的特异性拓扑特征，可作为评估MI训练脑网络效应的潜在影像学指标，为康复疗效客观评价及训练方案优化提供参考^[27]。更重要的是，这些网络特征不仅深化了对运动认知神经机制的理解，可为下一代脑机接口系统的解码算法提供关键信息^{[28, 29, 30]}。通过识别反映MI意图的特异性网络拓扑指纹，有望提高脑机接口对MI状态的分类准确率和鲁棒性^[31]，从而开发出更精准、自适应的神经反馈康复策略^[32]。为提高研究结果的临床可转化性，并考虑部分潜在目标患者可能存在金属植入物及未来植入式脑机接口的应用等3 T及以上MRI设备相对禁忌症的情况，本研究前瞻性采用1.5 T MRI设备进行数据采集。

3.4 局限性

       本研究存在一定局限性。研究对象为年轻健康成人，结果在中老年人群及卒中患者中的适用性仍需进一步验证；1.5 T MRI在信噪比和空间分辨率方面存在一定限制；任务范式较为简单，仅涉及右手握拳运动，未来需结合高场强MRI、随机化顺序设计及复杂运动范式，以提高研究结果的稳定性和临床转化价值。此外，未来还应结合多模态影像技术，并探索利用人工智能方法^{[33, 34, 35]}对识别的网络拓扑特征进行建模与预测，以推动其向临床评估与个性化干预的转化。

4 结论

       综上所述，本研究证实右手实际运动与MI在左侧躯体运动网络中呈现不同拓扑组织模式。MI状态下，L-SMN A和L-SMN B均表现为模块-全脑层面的网络密度、全局效率及介数中心性升高；而实际运动相关的节点效率和聚类系数优势主要集中于L-SMN A，提示左侧躯体运动网络内部可能存在功能异质性。上述结果可为MI训练评估、脑机接口特征提取及运动功能康复策略优化提供一定影像学依据。