人类的大脑具有一个非常复杂的工作机制,多年以来,很多国家的学者一直在深入研究大脑的工作原理。大脑成像技术的进步,让人们对人脑的探索从最开始的解剖定位发展到人脑活动的进一步检测,功能磁共振成像(Functional Magnetic Resonance Imaging,fMRI)技术的迅速发展使人们探索大脑变得便捷、有效,同时在静息态下获得的大脑信号的生理意义尤为重要。分裂型人格障碍(schizotypal personality disorder,SPD)是神经障碍性疾病的一种,主要特点是具有较高的发病率,诊断方法主观性较强,并且还缺少比较好的治疗方法。所以,本文运用fMRI技术揭示分裂型人格障碍的大脑在静息态下功能区域的活动情况,并找出分裂型人格障碍患者与正常被试之间在大脑功能网络上的差异,这在神经影像与临床研究方面具有重要的意义。首先,18名分裂型人格障碍患者与18名正常被试分为两组,并且没有性别、年龄等显著性差异。利用静息态功能磁共振数据处理软件对数据进行预处理,并将处理好的图像与标准空间进行配准,利用成组独立成分分析算法(Group ICA)提取时间序列并找出相应独立成分在大脑的空间位置,获取两组被试的默认模式网络。对分裂型人格障碍患者与健康对照组的默认模式网络进行组内分析,得到两组针对默认模式网络的统计图和用于组间分析的模板,随后进行组间分析比较两组被试的默认模式网络在空间域上的差异,实现结果表明在两组被试的默认模式网络中,健康被试的某些脑区的功能活动要低于分裂型人格障碍患者,而有一部分脑区的功能活动又高于分裂型人格障碍患者,所得研究结果有助于疾病发病机理的解释并能对疾病的治疗提供帮助。其次利用大脑的低频特性,将成组独立成分分析算法提取的时间序列进行Welch变换,得到相应独立成分的低频振幅比例(fALFF)和功率谱密度(PSD),再利用成组独立成分分析算法提取的时间序列和在大脑上时间序列对应的空间位置找出除默认模式网络以外的常见脑功能网络,包括:突显网络(Salience)、背侧注意网络(Dorsal-Attention)、执行网络(Executive)、感觉运动网络(Somatomotor)、视觉网络(Visual)、边缘系统网络(Limbic)。利用统计知识分析这7个脑网络相应独立成分的低频振幅比例(fALFF)、功率谱密度(PSD)相似性在分裂型人格障碍患者与正常被试之间以及在脑网络之间的差异。结果发现在不同的频域范围内,患者组与健康对照组在上述7个脑网络上存在明显差异。最后进行全脑网络分析,利用自动解剖标签模板(Automatic Anatomical Labeling,AAL)将两组被试分为90个感兴趣区,通过皮尔逊相关分析构建大脑功能连接网络,同理利用成组独立成分分析算法提取的7个脑网络对应独立成分的时间信号和通过Welch变换获取的7个脑网络对应独立成分的频域信号进行皮尔逊相关分析构建大脑功能网络,即先提取每一个脑区的平均时间序列,再计算每个被试每对脑区的皮尔逊相关系数,即脑区与脑区之间的相关性,再通过Fisher-z变换,将矩阵转换为Z矩阵,随后基于复杂网络理论,计算出两组网络拓扑参数,找出两组之间的显著性差异。结果表明,与正常被试组相比,分裂型人格障碍患者虽然具有小世界特性,但与正常被试相比已经发生了变化,即大脑网络的拓扑参数已经发生了改变。