基于Kernel Granger因果关系的精神分裂MEG网络分析

科学领域:

• 神经科学是一个神经科学.
• 网络科学 网络科学
• 生物物理学的生物物理.

背景情况:

• 脑网络分析对于理解精神分裂症等神经系统疾病至关重要.
• 磁脑电图 (MEG) 为研究大脑连接提供了有价值的数据.

研究的目的:

• 引入和验证用于构建定向加权脑网络的多变异异同质多项式内核格兰杰因果关系 (MKGC) 方法.
• 用MEG数据来描述精神分裂症患者和健康对照人之间大脑网络拓学的差异.

主要方法:

• 开发并测试MKGC与现有的格兰杰因果关系方法使用模拟数据.
• 将MKGC应用于从精神分裂症患者 (SCZs) 和健康对照者 (HCs) 的磁脑电图 (MEG) 数据.
• 量化网络特征,包括强度,不平衡和复杂性 (香农).

主要成果:

• 与双变的线性和不均的多项式内核格兰杰因果关系方法相比,MKGC表现出优越的性能.
• 与健康对照组相比,精神分裂症患者的有效连接网络密度较低.
• 在内连接强度 (右额头) 和外连接强度 (左头) 中观察到显著的差异.
• 精神分裂症网络比健康网络显示出更高的不平衡,但复杂性较低 (香农).

结论:

• MKGC是构建和分析基于MEG的大脑网络的可靠方法.
• 来自MKGC的网络特征可以有效地区分精神分裂症和健康个体.
• 这些发现突出了精神分裂症中大脑连接模式的改变,这对理解这种疾病的病理生理学有意义.