功能性核磁共振技術在神經工程管理中的應用探究

0 引言

功能性核磁共振成像（fMRI）是一種非侵入性成像技術，主要通過測量大腦在執行特定任務、接受刺激或處于靜息狀態時的血氧水平變化等來反映大腦的功能活動[1]。fMRI技術能夠提供大腦在不同區域的激活情況，為研究人類認知、情感、行為等神經心理過程及診斷某些腦部疾病等提供重要信息。

1890年，Roy和Sherrington提出大腦血液循環增加與新陳代謝有關，確定了神經元活動與大腦循環代謝之間的密切關系[2]。20世紀70 年代，Mansfield等[3]提出回波平面成像（Echo PlanarIm-aging，EPI）技術。1990年，Ogawa等4首先提出血氧水平依賴（Blood Oxygenation Level Dependent，BOLD）效應，為fMRI奠定了理論基礎。1991年，Belliveau等[5首次進行了大腦結構和功能聯系相關的fMRI展示，運用靜脈內注射順磁性造影劑進行動態磁敏感對比核磁共振成像，生成了人類任務激活的fMRI圖。20世紀90年代后，fMRI技術迅速發展，被廣泛應用于神經科學研究和臨床診斷。2003年，諾貝爾生理學或醫學獎授予了對fMRI技術有重大貢獻的三位科學家，進一步確認了這一技術在現代醫學中的重要地位。如今，多模態融合成為趨勢，fMRI與腦電圖（Electroencepha-logram，EEG）、腦磁圖（Magnetoencephalogram，MEG）、正電子發射性計算機斷層顯像（PositronEmissionTomography，PET）等技術結合，實現優勢互補，從不同角度研究大腦功能。高場強的fM-RI設備能夠提供更清晰的圖像細節，這對于精確定位和解析大腦活動區域至關重要。隨著技術的進步，fMRI設備正朝著更高場強發展，從而提供更詳細的腦活動圖像。這不僅有助于理解大腦如何處理復雜任務，還為神經科學研究和臨床診斷提供了更為精確的工具。

1fMRI在神經工程管理領域中的研究

2012年，馬慶國[6提出神經工程管理概念，覆蓋安全標志的神經響應與安全標志的設計、工作中神經負荷與體力負荷的關系、情緒對工作（施工）質量的影響、壓力下高層決策的神經活動特征等。神經工程管理為工程管理研究提供了全新視角，通過神經科學工具深入解析大腦活動，揭示管理者在復雜決策中的思維模式，優化應急預案，提升施工安全。神經科學工具可以大致分為兩類[7]：生理學工具和神經生理學工具[8-9]。最常用的生理學工具包括心電圖（Electrocardiogram，ECG）、心率變異性（HeartRateVariability，HRV）、肌電圖（Electromyogram，EMG）、皮膚溫度（SkinTemperature，ST）、皮膚電活動（ElectrodermalActivity，EDA）、血容量脈搏（BloodVolumePulse，BVP）和眼動追蹤（EyeTracking，ET）;而常用的神經生理學工具指EEG、fMRI、功能性近紅外光譜（Functional Near-Infrared Spectroscopy，fNIRs）[10-11]。在神經工程管理領域，眼動追蹤和腦電圖是最常用的工具，而功能性近紅外光譜、功能性磁共振成像和三叉神經刺激仍處于應用的初始階段[]

在現有研究中，fMRI被應用于建筑隱性審美情感[12]，揭示了連貫性、迷戀性和同質性這三個潛在心理結構的變化與視覺皮層內可分離區域的大腦激活有關。采用SPM12軟件對fMRI參數進行分析，探究神經激活與各圖像相關的一致性、吸引力及相似性評分變化之間的相關性[13]。Chatter-jee等[14]重新分析了早期fMRI研究的數據，發現參與者在觀看相同圖像時做出了美麗和接近-回避的決定。Choo 等[16]利用fMRI對構造噪聲進行了研究，發現持續的噪聲暴露可能會改變邊緣回（特別是扣帶回和海馬旁回），以及黏附位置，包括小腦的前楔葉和后葉[15]。在高級視覺區域識別了建筑風格和建筑的可解碼神經表征，而不是在專門用于低水平特征的皮層區域，如初級視覺皮層。

目前，暫無學者將fMRI應用于可持續建設管理研究，如建筑廢棄物再生品認知。但在既有fM-RI研究中，已有學者揭示了認知控制過程與背側前扣帶皮層（Dorsal Anterior Cingulate Cortex，dACC）及前額葉-頂葉網絡的功能連接密切相關[17]，風險決策涉及背內側前額葉皮層（DorsomedialPrefron-talCortex，dmPFC）、前島葉（AnteriorInsula，AI）等腦區的特異性激活[18-19]。這些研究為神經工程管理的認知實驗提供了有力的佐證。

2 fMRI實驗原理及實驗設計

2. 1 實驗原理

人體含有大量氫原子，其核帶正電并能自旋。在強靜磁場中，氫原子核趨向與磁場方向一致或相反，形成不同能量狀態。施加特定射頻脈沖，氫原子核吸收能量躍遷到高能態，產生磁共振現象。停止射頻脈沖后，氫原子核釋放能量回到低能態并發出信號，被檢測到。fMRI基于BOLD效應。神經元活動增加時，耗氧量增加，血流量和血氧水平上升，導致血紅蛋白比例變化。脫氧血紅蛋白先上升，隨后腦血管擴張，含氧血紅蛋白增加，脫氧血紅蛋白下降[20]。fMRI設備利用梯度磁場產生不同空間位置的磁場強度變化，結合射頻脈沖激發，確定氫原子核空間位置，實現大腦區域成像，展現大腦活動。

2.2 實驗優勢與局限

fMRI實驗的優勢在于其無創性、高空間分辨率、全腦覆蓋和安全性。它不需注射放射性物質，使用強磁場和無線電波，風險較低。fMRI的空間分辨率可以精確到毫米級別，有助于研究大腦結構功能對應關系。它還能提供全腦圖像，使研究者能同時觀察多個腦區活動。與PET等技術相比，fMRI無須放射性示蹤劑，便于重復實驗和縱向研究。

fMRI實驗的局限性包括時間分辨率、間接測量、環境限制、成本、數據分析復雜性、個體差異和頭部運動敏感性等。fMRI的時間分辨率雖然優于PET，但比EEG和MEG差，BOLD信號變化滯后于神經活動，可能影響對快速神經過程的捕捉。fMRI測量的是血氧變化而非直接神經活動，可能受其他生理活動干擾。fMRI機器噪聲大，要求被試保持不動，可能限制某些實驗設計。同時，成本和維護費用高，普及度不如EEG。數據處理和分析復雜，需要高級技術，易產生誤讀。個體差異和環境因素，如頭部移動、生理狀態變化等，會影響數據質量，不同實驗室的處理流程差異可能導致結果不一致。

2.3 實驗條件設計

2.3.1實驗范式選擇

實驗范式是研究問題和假設的選擇基礎，是實驗設計的核心，決定了刺激和任務的呈現方式。fMRI實驗常見的范式包括區塊設計、事件相關設計和混合設計。區塊設計集中呈現相同任務或刺激，信號強但分辨率低，適用于穩定認知過程研究。事件相關設計隨機呈現單個刺激或任務，具有高時間分辨率，適合研究快速變化的認知過程，但信號強度較低?；旌显O計結合了區塊和事件相關設計的優點，能研究穩定和動態的認知過程。區塊設計與事件相關設計的特性對比見表1。

表1區塊設計與事件相關設計的特性對比

2.3.2 刺激參數控制

刺激參數控制涉及間隔、持續時間、強度與頻率、同步觸發等。血流動力學響應特性決定刺激間隔，慢事件設計大于15s，快事件設計可短至0.5s 。區塊設計中，任務塊的持續時間一般為15～30s ；而在事件設計中，單次刺激可為1～5s或持續至 10s 。在神經調控研究中，精確控制刺激強度和頻率至關重要，不同參數影響BOLD激活模式，如高頻脊髓電刺激（SCS）能增強感覺運動皮層的激活，而低頻刺激則更容易激活前額葉。

2.3.3 基線條件設定

基線通常為中性狀態（如注視十字、空白屏），用于排除非特異性激活。

2.4實驗控制變量與參數設置

在fMRI實驗中，控制變量設定包括被試變量控制、實驗環境控制和數據采集控制。被試變量控制主要是控制被試的年齡范圍、教育背景、利手、性別等。實驗環境控制主要是控制設備的同步性、視覺參數的一致性。數據采集控制主要是控制fMRI掃描設備參數的一致性、預實驗刺激的有效性。

參數設置對數據質量和實驗結果至關重要。參數設置包括行為實驗的參數和fMRI掃描設備的參數。

行為數據主要是用于記錄被試在實驗過程中的行為反應。常用的行為記錄軟件有E-Prime、Psy-choPy、Presentation、Matlab + Psychtoolbox、OpenS-esame等。在參數設置時，特別需要注意同步性、時間精度和數據記錄的完整性。時間同步的字段中，觸發時間（TriggerTime）是記錄掃描儀發送的第一個晶體管-晶體管邏輯（Transistor-TransistorLogic，TTL）脈沖的時間戳，作為實驗的絕對時間起點（ t=0 ）。起始時間（OnsetTime）是記錄每個試次中刺激開始呈現的時間，相對于TriggerTime的延遲，OnsetTime =300ms 表示刺激在觸發后的300ms 開始。偏移時間（OffsetTime）記錄刺激結束的時間，用于計算刺激實際呈現的時長。反應時間（ReactionTime，RT）是被試從刺激呈現到按鍵的反應時間，需要與OnsetTime對齊。

fMRI設備的參數包括時間參數、空間分辨率參數和功能成像關鍵參數。時間參數有重復時間（RepetitionTime，TR）和回波時間（Echo Time，TE）。TR指兩次連續掃描同一腦區的時間間隔，TE指射頻脈沖發射到信號采集的時間間隔。空間分辨率參數有體素大小（VoxelSize，VS）和視野（FieldofView，FoV）。VS一般是構成腦體素模型的基本單元，如（ |1×1×1| ） mm³ 。體素越小，空間分辨率越高，但是會降低信噪比、延遲掃描時間。FoV是掃描區域的大小，一般覆蓋全腦（避免信號丟失），通常與頭部線圈尺寸匹配。功能成像關鍵參數包括掃描層方向、層厚（SliceThickness）、多波段加速（Multiband/SMS）、翻轉角（FlipAngle）等。層方向由軸位（Axial）和傾斜角控制。層厚通常與體素高度一致，避免層間串擾。多波段加速同時激發多個層面，縮短TR或提高空間分辨率。TR可縮短至 400ms ，減少層間時間差異。翻轉角是指射頻脈沖翻轉磁化矢量的角度，梯度回波（GradientEcho，GRE）序列中，翻轉角設置在 70^°～90^° （最大化信號），而回波平面成像（EPI）序列的翻轉角通常固定為 90^° 。

3 fMRI實驗數據處理分析

3.1fMRI實驗數據處理流程

fMRI實驗是研究者以預先設計的認知任務引發的行為作為研究對象，利用fMRI設備通過獲取圖像數據分析和探索認知任務與誘發行為間的相互關系，最終目的是探究大腦在其中所發揮的作用。fMRI研究的開展通常包括確定研究目的、實驗設計、掃描序列選擇與優化、結構像掃描、功能像掃描、數據獲取、數據預處理、數據分析[21]，fMRI實驗流程如圖1所示。對fMRI實驗數據的分析可以分為三階段。第一階段是數據預處理，第二階段是激活檢測，第三階段是對激活的腦區或感興趣區域進行定量分析[22]

3.2 數據預處理

數據預處理是fMRI數據處理與分析非常關鍵的部分。fMRI數據預處理分為空域和時域兩方面，其中空域方面有序列圖像對齊、多模態圖像聯合配準、標準化處理、平滑處理等方法，時域方面有剔除時間序列信號自相關特性、生理噪聲處理、熱噪聲處理等方法[23-24] O

fMRI實驗的數據預處理流程如圖2所示。在掃描完成后創建的原始圖像一般是以某種標準格式保存，其中以醫學數字成像和通信（Digtal Ima-ging and Communication in Medicine，DICOM）格式最為普遍和標準。在獲取原始實驗數據后，研究者需要將其轉換為“nifti”格式，該格式可通過統計參數映射（Statastical Parametric Mapping，SPM）、功能性神經分析（Analysis of Functional NeuroImag-es，AFNI）和牛津大學腦功能磁共振成像中心軟件（FMRIBSoftwareLibrary，FSL）等常見的處理軟件包進行格式轉換。

圖2fMRI實驗數據預處理流程

fMRI對運動非常敏感，因此消除運動偽影影響是數據預處理的關鍵，包括頭動校正、空間平滑等方法。

選擇功能性磁共振序列時，需考慮研究目的、對象、多模態組合、數據質量和可獲取性等因素。獲取結構信息時，T1加權和T2加權序列是常用選擇，T1加權在軟組織對比上表現佳，而T2加權對水分含量高的組織（如水腫、炎癥）顯示更清晰。多種序列組合，如T1加權、BOLD等，在情緒認知研究中可提供更全面數據，提高影像組學特征的鑒別和預測能力。

3.3 BOLD響應的辨識

BOLD響應是fMRI技術利用核磁共振設備檢測任務刺激引起的局部腦血流和代謝變化。盡管BOLD響應復雜且未完全明了，但基于血氧水平依賴對比的方法是目前最常用且敏感的方法。BOLD對比包括線性和非線性效應，其物理基礎是血紅蛋白的磁化率差異。氧合血紅蛋白有抗磁性，而脫氧血紅蛋白有順磁性，導致磁場扭曲和局部梯度形成，進而影響氫質子的進動頻率，造成信號衰減。

任務刺激大腦后，大腦被激活，局部動脈血流增加，導致血液中氧合血紅蛋白增加、脫氧血紅蛋白減少，扭曲磁場也隨之減少，從而整體磁場的扭曲度降低，fMRI信號隨之增強。但是為什么刺激會導致局部血流量增加如此之大，以至于影響到局部血液中氧合作用超過基線的根本原因還不清楚。血流動力學反應和fMRIBOLD信號如圖3所示。

研究者通過fMRI的血氧水平依賴原理構建數學模型，開展數據信號分析。BOLD信號表示的是刺激模式與激活區域信號之間非常復雜的聯系，從而建立起BOLD信號動力學模型，分析模型參數變化。血流動力學響應函數（HemodynamicRe-spnseFunction，HRF）是外部刺激后產生的局部BOLD 響應，血流動力學響應函數如圖4所示[25]BOLD響應的峰值一般在刺激5～8s的潛伏期后達到。若要回到基線水平，同樣需要 5～8s 的時間。HRF響應非常緩慢的特質充分體現了fMRI高空間分辨率、低時間分辨率的特點。

3.4 激活區檢測

fMRI最大的特點是高空間分辨率，在完成掃描后數據分析首先是識別實驗刺激后被激活的腦區。20O5年，PatricHagmann 和Olaf 基于MRI技術首次提出了連接組（Connectome）的概念。自此，該概念逐漸成了認知神經科學領域的基本范式[26]。所謂連接組，指大腦為一組復雜的網絡連接，這些網絡連接具體地描述了大腦不同功能區、神經元之間的關系。隨著fMRI的快速發展，這種連接不僅局限于白質纖維連接，大腦區域和大腦區域之間的功能連接所構成地功能連接組2也成為連接組范式中重要的組成部分。

圖4血流動力學響應函數

激活區檢測常用的方法根據是否有模型分為兩大類。有模型的方法包括廣義線性模型（Gener-alizedLinearModel，GLM）、事件相關分析（Event-RelatedAnalysis）、多變量模式（MultivariatePat-tern Analysis，MVPA）[28]。無模型的方法包括獨立成分分析（Independent Component Analysis，ICA）、非負矩陣分解（non-negative Matrix Factorization，NMF）、功能連接分析[29]、聚類分析[30]等。激活區檢測的最終目的是分析大腦不同功能區神經活動的相關性。

（5）fMRI腦部激活反應

圖3血流動力學反應和fMRIBOLD信號

3.5 動態功能連接分析

動態功能連接分析研究大腦區域間隨時間變化的連接。無論腦部是否執行任務，都存在活動。靜息狀態下，腦區活動頻率波動，通常在 0.01Hz～ 0.08Hz 范圍內。但最新研究顯示，功能連通性隨時間波動，表明在靜息狀態下，假設大腦活動保持不變的測量方法可能過于簡化[31]

動態功能連接的研究方法有滑動時間窗口法（SlidingWindowApproach）、時間頻率分析（Time-FrequencyAnalysis）、隱馬爾可夫模型（HiddenMark-ovModel）、貝葉斯方法（BayesianMethods）等?；瑒訒r間窗口法是分析fMRI數據的常用技術，其通過將時間序列分割成多個時間窗口，并在每個窗口內計算功能連接矩陣，以追蹤大腦網絡連接隨時間的變化。該方法使用預處理后的標準數據，重點在于選擇合適的窗寬和步長。窗寬需足夠捕捉變化，同時保持動態特性，步長通常定義為一個時間點或 50% 重疊，以提高時間分辨率，但增加計算量。功能連接的計算通常采用Pearson相關系數來衡量感興趣區域或體素間的時間序列線性相關性，從而生成時間序列的功能連接矩陣。

4基于fMRI的建筑廢棄物再生產品認知實驗設計案例

建筑廢棄物再生產品認知實驗設計流程如圖5所示。

4.1 明確研究目的

建筑廢棄物再生產品認知實驗的研究目的：一是探究大腦中與建筑廢棄物再生產品內隱態度相關的區域；二是探究圖片刺激是否能改變被試對建筑廢棄物再生產品的認知；三是將圖片與視頻對比，探究哪一個刺激源能更有效地改變被試對建筑廢棄物再生產品的認知?；趯嶒災康?，分別設計了內隱態度測試實驗、圖片干預實驗、視頻干預實驗共3個fMRI實驗。實驗設計已通過校級倫理審查。

4.2 實驗范式設計

內隱態度實驗和圖片干預實驗采用區塊設計，視頻干預實驗采用事件相關設計。

結構像序列：3DMPRAGE（T1加權像），參數：體素 1mm×1mm×1mm ， TR=2300ms ， TE= 2.26ms ，時間層厚度為 1.00mm 。

功能像序列：梯度回波EPI，選用 序列。參數： TR=1900ms ， TE=30ms ，體素 2mm× 2mm×2mm ，72層。

4.3行為實驗設計與開發

fMRI實驗需要結合行為實驗開展。本研究擬用E-Prime設計和開發程序，記錄實驗過程中被試的行為數據。完成實驗后，導出這些數據的Excel文件，用于后期行為數據分析和功能性核磁共振實驗數據分析。

4.4預實驗與正式實驗開展

本研究fMRI實驗采用西門子prisma3.0掃描，大學核磁實驗室實景圖如圖6所示。實驗分為預實驗和正式實驗。預實驗的目的是通過小規模的數據采集和測試，優化實驗設計，驗證技術可行性，并排除潛在問題。待完成預實驗后，即可開展正式實驗。本實驗中預實驗掃描2個被試，對程序進行了兩次調試后，正式開始掃描。最終一共掃描26個被試（不含預實驗被試），男女比例為1：1，年齡跨度為 20～25 歲，均為右手。掃描由專業人員完成，結束后從設備上拷貝數據文件。每個被試為一個獨立文件。

圖6大學核磁實驗室實景圖

4.5 數據預處理

在Matlab中嵌入SPM12，對數據進行分析。第一步是預處理，根據建筑廢棄物再生產品認知實驗的設計目的，數據預處理選用 Slice Timing $$ Realign $$ Coregister→Segment→Normalize $$ Smooth 6個步驟完成。數據預處理可逐步進行，也可編輯Matlab程序一次進行。在本研究，以被試10為例，進行單個被試的數據預處理，被試10預處理效果圖如圖7所示。

圖7被試10預處理效果圖 （截圖）

對于預處理后無法達到預期刺激效果的數據，進行剔除。待所有數據分析完成后，根據數據分析結果判斷是否需要補充被試數量。所有被試數據完成預處理后，再對其進行最終數據分析。由于篇幅所限，本文不對最終結果進行詳細論述。

5 結語

fMRI技術作為一種神經影像學工具，正在推動工程管理科學從觀察外部行為轉向解構內部認知，其高精度和快速時間捕捉能力為揭示管理決策的神經生物基礎提供了獨特視角。fMRI技術的核心價值體現在三個方面：認知量化、決策解析和協作優化。

未來技術發展將聚集于四大方向：快速成像序列、深度學習降噪算法、神經數據庫構建，以及智能決策支持系統的研發。在應用層面，fMRI可用于提升實時決策質量、優化跨部門協作效率和設計個性化培訓方案等。盡管面臨諸多挑戰，fMRI為理解復雜協作系統提供了新的工具。未來，通過多模態融合與深度學習算法的應用，有望進一步提升信噪比，推動神經工程管理從行為觀測向神經機制解構的范式轉變，為工程管理的神經證據支持提供新路徑。

參考文獻

[1］張一鳴，車文華．核磁共振技術在生命科學中的應用［J].生命科學儀器，2003（1）：6-9.

[2]FRIEDLAND R P，IADECOLA C. Roy and sherrington（1890） ：acentennial reexamination of“on the regulation of the blood-sup-plyof the brain”[J].Neurology，1991，41（1）：10-14.

[3]MANSFIELDP，PYKETTIL.Biological and medical imaging byNMR［J]．Journal of Magnetic Resonance，1978，29（2）：355-373.

[4]OGAWA S， TSOCMING L. Magnetic resonance imaging of bloodvesselsathigh fields：invivoand in vitromeasurementsand im-agesimulation［J].MagneticResonance inMedicine，1990，16（1）：9-18.

[5]BELLIVEAUJW，KENNEDYDN，MCKINSTRYRC，etal.Functional mapping of the human visual cortex by magnetic reso-nance imaging[J].Science，1991，254（5032）：716-719.

[6］馬慶國．工程管理與神經工程管理的體系框架［J]．科技進步與對策，2012，29（18）：9-12.

[7]SUNQ，XU D，XUP，et al. Neuroscience meets building：acomprehensive review of electroencephalogram applicationsinbuilding life cycle [J].Journal of Building Engineering，2024（85）：108707.

[8]STASIA，SONGAG，MAURIM，etal.Neuromarketingempiri-cal approaches and food choice：a systematic review ［J].FoodResearch International，2018（108）：650-664.

[9]BOZH，ARSLANA，KOCE. Neuromarketingaspect of tourismpricing psychology[J].TourismManagementPerspectives，2017（23） ： 119-128.

[10]ALVINO L，PAVONE L，ABHISHTA A，et al. Picking your brains：where and how neuroscience tools can enhance marketingresearch[J].Frontiersin Neuroscience，2O2O（14）： 577666.

[11]WANG M，LIU X，LAI Y，et al. Application of neuroscience tools in building construction-an interdisciplinary analysis [J]. Frontiers in Neuroscience，2022（16）：895666.

[12]MA Q，HU L，WANG X. Emotion and novelty processing in an implicit aesthetic experience of architectures [J].NeuroReport，2015，26（5）：279-284.

[13] COBURN A，VARTANIAN O， KENETT Y N，et al. Psychological and neural responses to architectural interiors[J].Cortex， 2020（126）： 217-241.

[14]CHATTERJEE A，COBURN A，WEINBERGER A. The neuroaesthetics of architectural spaces [J].Cognitive Processing， 2021，22（S1）：115-120.

[15]DAI C，LIAN Z. The effects of sound loudness on subjective feeling，sympathovagal balance and brain activity[J]. Indoor and Built Environment，2018，27（9）：1287-1300.

[16]CHOO H，NASARJL，NIKRAHEI B，et al.Neural codes of seeing architectural styles[J]．Scientific Reports，2017，7 （1）：40201.

[17]SOHRABI A，SMITHAM，WESTRL，et al.An fMRI study of riskydecision making：the role of mental preparation and conflict[J].Basic and Clinical Neuroscience，2015，6（4）： 265-270.

[18]ZHANG X，LI S，LIU Y，et al. Gain-loss situation modulates neural responses to self-other decision making under risk [J]. Scientific Reports，2019，9（1）：632.

[19]DINU-BIRINGER R，NEESF，FALQUEZ R，et al. Different roads to the same destination—the impact of impulsivity on decision-making processes under risk within a rewarding context in a healthy male sample [J].Psychiatry Research：Neuroimaging， 2016（248）：12-22.

[20］黃菊英，李海云，王春燕，等．血氧水平依賴的腦功能磁 共振成像的發展［J]．醫療衛生裝備，2008（8）：30-32.

[21]RAMSEY NF，HOOGDUINH，JANSMA JM. Functional MRI experiments：acquisition，analysis and interpretation of data [J].Eur Neuropsychopharmacol，2002，12（6）：517-526.

[22］劉森．功能磁共振成像數據處理與分析［D]．南京：南京 理工大學，2016.

[23]ARTHURS O J，BONIFACE S. How well do we understand the neural origins of the fMRI bold signal[J]．Trends in Neuroscience，2002，1 （25）：27-31.

[24]Glover G H. Overview of functional magnetic resonance imaging [J].Neurosurgery Clinics of North America，2011，22（2）： 133-139.

[25]LOGOTHETIS N K，PAULS J，AUGATH M，et al. Neurophysiological investigation of the basis of the fMRI signal.[J]. Nature，2001，412（（6843）：150-157.

[26]MARKETT S，MONTAG C，REUTER M. Network neuroscience and personality[J].Personality Neuroscience，2O18（1）： e14.

[27] SMITH S M， BECKMANN C F，ANDERSSON J，et al. Restingstate fMRI in the human connectome project [J].NeuroImage， 2013 （80）：144-168.

[28]SUN F T，MILLER L M，D'ESPOSITO M. Measuring interregional functional connectivity using coherence and partial coherence analyses of fMRI data [J].NeuroImage，2O04，21（2）： 647-658.

[29]NANDY R R. A novel approach to estimate the intrinsic dimension of fMRI data using independent component analysis [C]//SINHA B K，BAGCHI S B. Strategic Management， Decision Theory，and Decision Science. Singapore：Springer， 2021.

[30]JAHANIAN H，SOLTANIAN ZADEH H，HOSSEIN ZADEHG A.Functional magnetic resonance imaging activation detection： fuzzy cluster analysis in wavelet and multiwavelet domains [J]. Journal of Magnetic ResonanceImaging，2005，22（3）：381- 389.

[31] CHANG C，LIU Z，CHEN M C，et al. EEG correlates of timevarying BOLD functional connectivity [J].NeuroImage，2013 （72）：227-236.PMT

收稿日期：2025-03-18

作者簡介：

毛穎（1990—），女，博士生，研究方向：建筑人因工程。熊朝陽（1996一），男，博士生，研究方向：建筑人因工程。丁志坤（通信作者）（1978—），男，博士，教授，博士研究生導師，副院長，研究方向：建筑人因工程、智能建造。