由于具有非侵入性和高时空分辨率，功能磁共振成像(fMRI)已成为在人类和动物模型中执行系统级神经科学的选择方法。大多数功能磁共振成像研究使用由Seiji Ogawa (Ogawa et al, 1990)首次提出的血氧合水平依赖(BOLD)对比机制。当参与者执行一项任务时，会有更多的神经元放电导致血管扩张，并增加大脑激活区域的血流量。这导致更多的含氧红细胞功能磁共振信号相较于脱氧红细胞信号的失相减少，与任务对应的特定大脑区域的活动增加。因此，在任务激活研究中，参与者在短时间内(10-20秒)呈现一个刺激，与相同时间的控制条件交替出现。尽管基于任务态的功能磁共振成像已被广泛用于识别与特定任务对应的大脑区域，但某些人群，如婴儿、阿尔茨海默病患者和其他使人衰弱的临床疾病患者，可能无法执行医生所要求的某些特定任务。

静息状态功能磁共振成像(rs-fMRI)通过观察静息状态的大脑信号来绘制大脑功能，已经成为任务型功能磁共振成像的替代方法。这种方法在1995年首次被证明：在静息状态下的大脑激活可以表现出类似于任务状态下的大脑区域之间的相关性(Biswal et al, 1995)。结果表明，感觉运动皮层及其相关皮层的静息状态功能磁共振信号在皮层内具有显著的时间相关性，但与其他脑区无明显相关性。相同的研究表明，在包括视觉皮层在内的其他功能区域也会产生(Lowe et al, 1998)。静息状态功能磁共振成像主要专注于测量BOLD信号中的自发活动，这是在参与者不执行可能改变大脑活动的特定任务的静息状态下测量的。这些静息状态功能磁共振成像信号具有非常低的振幅波动，主要停留在0.01至0.1 Hz范围内(van den Heuvel和Hulshoff Pol et al., 2010)。

静息状态功能磁共振成像与任务型功能磁共振成像相比有几个优势。首先，这是一种更简单的测试，不需要对参与者形成刺激，也不需要参与者对刺激做出反应。对于某些患者群体，如年幼的人或老年人，也更容易进行成像，因为他们不需要执行可能有困难的动作(Maknojia et al.，2019)。此外，人们还发现静息状态功能磁共振成像可以捕捉到任务态功能磁共振成像不能或不能捕捉到的大脑趋势。例如，一项研究使用静息状态功能磁共振根据感觉运动网络(SMN)的连通性对个体的社会和神经认知表现进行分类。这项研究也使用了基于任态的功能磁共振，但它对检测大脑连通性不太敏感，而且该发现在另一个独立的测试样本中没有很好地复现，而静息状态功能磁共振却可以完成以上任务(Viviano et al, 2018)。此外，基于任务的功能磁共振成像只显示了由特定任务引起的大脑活动和连接，其中特定的大脑区域被激活，而不是整个大脑。如果研究的重点是一个特定的心理模型或过程，那么这将提供有用的信息;然而，如果关注的是整个大脑，那么静息状态功能磁共振可能是一个更好的选择。要理清大脑活动和任务表现之间的联系也很困难，因为其相互作用可能是复杂的或非线性的。另一方面，静息状态方法没有对大脑活动和任务表现之间的相互作用做任何假设，因为没有涉及到任务。由于这些优点，静息态功能磁共振已成为神经成像的重要工具，对该技术的了解可以极大地帮助我们了解人类大脑。

1.2 功能磁共振的分析

功能磁共振成像中建立连接的常用方法是功能连接(FC)。FC是一种测量方法，通过分析大脑中两种不同的神经元激活的时间序列数据，然后使用这些数据来确定是否存在时间序列的连接相关性(Smitha et al.，2017)。通过这种方式，可以根据特定的功能建立不同的网络，如默认模式网络(DMN)。DMN是一个以帮助自我思考、认知和情感思考的网络，与大脑执行任务时相比，它在休息时高度活跃，这使得它在静息态功能磁共振中占据重要地位(Smitha et al.，2017)。

除了DMN，其他的静息态网络，如感觉运动网络（SMN）、执行控制网络(ECN)、显著网络(SN)、听觉网络、视觉网络、额顶网络(FPN)和小脑网络(CN) (Heine et al, 2012) 也被发现。其中最活跃的静息态网络是感觉运动网络（SMN），其中包括初级和次级体感觉皮层、前运动皮层、初级运动皮层和补充运动区(Biswal et al., 1995)。与DMN相比，ECN与更多外部驱动的思想相关(Ng et al.，2016)。另一个重要的静息状态网络是突显网络(SN)，它在对个人特别重要的思想中被激活，包括认知、稳态和/或情感。听觉和视觉网络分别对听觉和视觉刺激做出反应。更复杂的网络是额顶网络(FPN)，因为它在对各种刺激做出反应时被激活，涉及注意力、执行控制和认知控制它被认为是一个“功能中枢”。最后，由小脑组成的大脑中枢也涵盖了广泛的功能，如平衡、工作记忆、情感学习和执行功能(Chen et al., 2013)。尽管已经确定了这些静息态网络，但重要的是要注意到它们没有被普遍接受的网络命名约定，即对于使用哪种命名约定存在一些争议。然而，Uddin及其同事已经努力实现标准化，他们提出了六种经常出现在文献中的功能脑网络:枕部网络、中心周围网络、背侧额顶网络(DFPN)、外侧额顶网络(L-FPN)、扣带中岛网络(M-CIN)和内侧额顶网络(M-FPN) (Uddin et al., 2019，宏观人脑功能网络的通用分类）。

尽管有许多不同的方法来探索和寻找FC，但在本文中，我们只讨论和解释最常用的选项。我们讨论的主要方法概述如表1所示。首先，有必要定义功能分离和功能集成之间的区别。功能分离是通过将大脑划分为不同区域和网络来探索FC，并仅在这些区域内探究FC。功能整合将着眼于整个大脑，以检查两个不同区域或网络之间的FC及其相互作用，以发现更多的全局趋势(Lv et al., 2018)。