一、读到这篇文章的起点
最近在看两个相互关联的方向：一个是无创神经调控，另一个是静息态 fMRI 里动态功能连接（dynamic functional connectivity, dFC）的方法如何真正用来解释脑网络变化。在这个过程中，一个很自然的问题会冒出来：很多 neuromodulation 研究都说“某种刺激会影响脑网络”，但这种影响到底是改变了哪些网络状态、哪些子系统之间的关系、这种变化和情绪调节有没有关系，往往并没有讲得特别清楚。
带着这个问题，就读到了这篇论文 “Transcutaneous Auricular Vagus Nerve Stimulation Modulates the Dynamic Functional Connectivity of Default Mode Network”。这篇文章最吸引我的地方在于，它不是只看默认模式网络（DMN）的静态连接，而是直接把重点放在 DMN 及其子系统的动态状态变化 上，想回答 taVNS 到底怎样影响脑网络随时间变化的模式。
二、论文与会议来源
这篇文章收录于 2024 7th Asia Conference on Cognitive Engineering and Intelligent Interaction (CEII 2024) 论文集。论文首页给出了会议名称、IEEE 版权信息和 DOI：10.1109/CEII65291.2024.00009；相关会议论文页面显示该文页码为 1–5。
从 CEII 2024 官方历史页面来看，这一届会议于 2024 年 12 月 14–16 日在新加坡南洋理工大学举行，采用线上线下结合形式，会议聚焦认知工程与智能交互相关研究；官网同时说明，会议录用论文由 IEEE CPS 出版。
三、这篇文章主要在解决什么问题
这篇文章要解决的核心问题可以概括为：
经皮耳迷走神经刺激（taVNS）是否会改变默认模式网络（DMN）及其子系统的动态功能连接状态，以及这种变化是否可能与自我意识和情绪调节有关。
作者在摘要和引言里讲得很清楚：已有研究表明 taVNS 是一种安全、非侵入式的神经调控技术，能够调节一些关键脑区活动，并可能影响情绪；但相关机制还没有被充分解释。尤其是在 DMN 这个网络上，以前很多研究更偏向静态连接，而对 DMN 内部不同子系统之间连接如何动态变化，关注还不够。
论文还特别指出，DMN 并不是一个整体，而是可以分成三个子系统：
- core subsystem
- dMPFC subsystem
- MTL subsystem
这些子系统与社会认知、情绪生成、自我反思等过程密切相关。也正因为如此，作者把问题进一步聚焦到：taVNS 会不会改变 DMN 子系统之间的动态耦合模式。
四、为什么这个问题难做
读下来会发现，这个问题并不只是“做个前后对比”那么简单，它难在三个层面。
1. 以往研究多看静态连接，容易忽略脑活动的时间变化
作者在引言中明确指出，多数 taVNS-fMRI 研究主要采用静态方法，但人脑活动本身具有动态性，静态连接分析可能不足以刻画这种随时间变化的神经交互。相较之下，dFC 能更细致地描述不同脑区之间随时间变化的协同关系。
也就是说，这篇文章的出发点之一，就是认为：
如果只看平均连接强度，可能会把真正有价值的状态切换信息给“平均掉”。
2. DMN 本身不是单一区域，而是有内部层次结构
文章反复强调，DMN 由 core、dMPFC、MTL 三个子系统组成，而且它们在认知与情绪中的功能分工不同：MTL 更偏向基于记忆的场景建构，dMPFC 更偏向当前心理状态评估，而 core 区域中的 aMPFC 和 PCC 与自我相关情绪判断密切相关。
这就意味着，问题不只是“DMN 变没变”，而是：
DMN 的哪个子系统变了？子系统内部连接变了，还是子系统之间的负连接变了？
3. taVNS 的影响可能不是直接“增强或减弱”那么简单，而是改变脑网络进入某些状态的概率
这篇文章最后发现的关键结果，并不是某一条固定连接在所有时刻都增强，而是某个特定动态状态——state 2——在实验组里出现频率升高。也就是说，taVNS 的调节作用更像是在改变脑网络“更容易进入哪种状态”。
这个思路其实很重要，因为它比简单的“前后均值比较”更接近真实脑活动过程。
五、作者是怎么拆解这个问题的
这篇文章很值得学习的一点，是它没有直接把问题写成“刺激前后脑区连接是否显著不同”，而是做了一个更细的拆解。
第一步：先把研究对象限定为 DMN 及其子系统
文章没有做全脑无约束探索，而是聚焦在 DMN 及其三个子系统上。这样做的好处是，研究问题更集中，也更容易把结果和自我相关加工、情绪调节这些功能联系起来。
第二步：再把“连接变化”改写成“动态状态变化”
作者不满足于看一个静态 FC 矩阵，而是用滑动时间窗构建每个时间窗的功能连接矩阵，再对这些矩阵做聚类，得到若干个离散的动态连接状态。换句话说，作者真正想回答的不是“taVNS 会不会改变连接”，而是：
taVNS 会不会改变 DMN 在不同动态状态之间的分布、停留时间和出现频率。
第三步：最后再把状态变化投回到子系统层面解释
在得到不同状态之后，作者没有停在“state 1、state 2、state 3、state 4”这种抽象标签上，而是进一步分析这些状态下：
- core 内部连接如何
- dMPFC 与 MTL 之间关系如何
- 哪个状态最可能对应更强的自我觉察或情绪调节
这样一来，论文就形成了一条很清晰的逻辑链：
taVNS → dFC 状态变化 → DMN 子系统关系变化 → 可能的情绪/自我加工机制解释。
六、技术路线：这篇文章的方法框架
从方法部分来看，这篇文章的技术路线可以理解成四个主要模块。
1. 实验设计与刺激方案
论文共招募了 40 名 20–25 岁的健康大学生，随机分成实验组和对照组，各 20 人。实验组接受 左侧 cymba conchae 的 taVNS，对照组接受 左侧耳垂刺激。作者说明之所以选左侧，是因为左侧刺激不会影响心脏功能。
整个流程包括：
- 电刺激适应
- 静息期
- 刺激前 fMRI
- 30 分钟耳部刺激
- 刺激后 fMRI
刺激参数为：
- 20 Hz
- 总时长 30 分钟
- 分成 20 个循环
- 每个循环 30 秒刺激 + 1 分钟休息
- 强度设为个体可耐受的最高非疼痛感觉
这一部分让我觉得文章做得比较规范，因为它把刺激位点、对照位点、刺激频率和周期都交代得比较清楚。
2. fMRI 采集与预处理
fMRI 数据使用 Siemens 3.0T Skyra 扫描仪采集。预处理在 CONN 软件中完成，包括常规的：
- slice timing correction
- head motion correction
- spatial normalization
- smoothing
- 结构像分割与标准化
- 去噪和线性趋势去除
随后，作者基于 AAL 模板 从 DMN 中提取 11 个 ROI 的平均时间序列。这个设定说明，作者不是做 voxel-wise 分析，而是采用 ROI-level dFC。
3. 动态功能连接构建
这一部分是方法核心。作者采用滑动窗方法来构建动态功能连接矩阵：
- 窗长：25 TR
- 步长：1 TR
- 对每个时间窗计算 ROI 对之间的偏相关系数
- 最终得到维度为 11 × 11 × 235 的 dFC 矩阵
从这个设置可以看出，作者关心的是：随着时间推进，DMN 内部连接模式如何不断变化，而不是只取整个扫描期的一个平均矩阵。
4. 聚类分析与状态指标提取
在动态 FC 矩阵基础上，作者先用 Elbow method 确定最佳聚类数，再做 K-means clustering，并把迭代次数固定为 1000。结果表明，DMN 的动态连接模式可以分成 4 个状态。
随后，作者又对每个状态中的子系统连接做进一步层次聚类，并计算以下 temporal characteristics：
- number of transitions
- average duration
- temporal coverage
- frequency of occurrence
此外还计算了聚类系数、路径长度、全局效率、局部效率等网络指标。
七、实验结果说明了什么
1. taVNS 后，实验组在 state 2 上出现了显著变化
论文最核心的结果是：在四个动态状态中，state 2 在实验组与对照组之间表现出显著差异。具体来说，实验组在 taVNS 后 state 2 的出现频率显著增加，而对照组则在刺激后出现 state 2 的 temporal coverage 显著下降。
这说明 taVNS 的影响，并不是简单地“把某个连接增强”，而更像是让脑网络更倾向于进入某种特定的动态功能状态。
2. state 2 的特征与 core 内部增强、dMPFC-MTL 负连接增强有关
摘要和讨论部分都指出，state 2 的主要特征包括：
- core subsystem 内部连接增强
- dMPFC subsystem 与 MTL subsystem 之间的负连接增强
文章进一步结合已有研究解释说：
- core 区域里 PCC 和 aMPFC 的紧密连接，可能和自我意识/self-consciousness 有关；
- dMPFC 与 MTL 子系统之间更强的负连接，可能和情绪调节状态有关。
这一解释并不是直接证明，而是作者基于先前文献做出的机制推断。读这篇文章时，我觉得这一点需要分清：结果是实测的，功能意义是推断的。
3. 论文真正支持的是“可能的神经机制”，而不是直接的临床疗效
文章结论部分写得其实比较克制。它认为，taVNS 可能对 DMN 具有调节作用，这为把 taVNS 作为一种 neuromodulatory technique 提供了神经学依据，并为未来医疗应用提供了可行性分析。
但这项研究的对象是健康个体，并没有直接在情绪障碍患者上验证疗效；同时也没有在这篇文章里提供配套的行为学结果去直接证明“情绪真的改善了”。所以更准确的理解应该是：
这篇文章提供的是一种脑网络层面的机制线索，而不是直接的临床结论。
八、读完之后的几个感受
1. 这篇文章最有意思的地方，不是“taVNS 有效”这个结论本身，而是它把问题放到了动态脑网络上
如果只看结论，很容易把这篇文章理解成“taVNS 影响了 DMN”。但真正值得学的是作者的思路：不是只做静态 FC，而是用 dFC 去看网络状态切换。这使得结果更接近真实脑活动过程。
2. 文章把 DMN 拆成子系统来看，是一个很关键的选择
如果只把 DMN 当成一个整体，很多信息会被抹平。文章把 core、dMPFC、MTL 拆开后，至少能更细地讨论：是自我相关处理变了，还是记忆-心理状态相关的耦合关系变了。
3. 这篇文章更像是一篇机制探索论文，而不是最终应用论文
它的优势在于问题切得很清楚，方法路径也完整；但它也有很明显的边界：
- 样本量不大，只有 40 人
- 研究对象是健康大学生
- 结果主要基于脑网络状态解释
- 缺少行为指标与临床量表的直接对应
所以读这篇文章时，更适合把它看成：
taVNS—DMN—情绪调节机制链条中的一个中间证据。
九、一个简短总结
如果用一句话概括这篇文章，可以写成：
这篇论文利用静息态 fMRI 和动态功能连接分析发现，taVNS 会改变默认模式网络及其子系统的动态状态分布，尤其使一个表现为 core 内部连接增强、dMPFC 与 MTL 负连接增强的 state 2 更频繁出现，这一变化可能与自我觉察增强和情绪调节有关。
它最值得记住的，不只是“taVNS 影响了 DMN”，而是它比较清楚地说明了：
- 为什么不能只看静态连接；
- 为什么 DMN 要拆到子系统层面来理解；
- 为什么某个特定动态状态的出现频率变化，可能比单条连接变化更有解释力。
十、论文引用信息
Chen, Y., Zhang, X., Lin, P., Zhang, Y., Ge, S., Wang, W. (2024). Transcutaneous Auricular Vagus Nerve Stimulation Modulates the Dynamic Functional Connectivity of Default Mode Network. In: 2024 7th Asia Conference on Cognitive Engineering and Intelligent Interaction (CEII). IEEE, pp. 1–5. DOI: 10.1109/CEII65291.2024.00009.
十一、会议网站
CEII 2024 会议页面：https://www.ceii.asia/his2024.html
IEEE 会议论文集页面：https://ieeexplore.ieee.org/xpl/conhome/11037609/proceeding
