组替代数据生成模型和多变量时间序列的相似性量化:静态fMRI研究
Takuto Okuno1, Junichi Hata2, Yawara Haga3
1Connectome Analysis Unit, RIKEN Center for Brain Science, 2-1 Hirosawa, Wako, Saitama 351-0198, Japan.
NeuroImage
|August 17, 2023
概括
使用组代用数据和新型相似度评分 (MTESS) 分析大脑活动的新方法 (rs-fMRI) 能够更好地进行模拟和临床应用.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 数据科学数据科学数据科学
背景情况:
- 非侵入性大脑分析对于了解大脑功能和疾病至关重要.
- 分析多变量时间序列数据的现有方法在应用于组数据集时存在局限性.
研究的目的:
- 从静止状态功能磁共振成像 (rs-fMRI) 数据开发新的计算技术来分析群体级大脑动态.
- 为比较多变量时间序列引入一种新的相似度指标,并评估其在主体识别和数据分析中的有用性.
主要方法:
- 扩展向量自回归替代技术用于使用组替代数据生成模型 (GSDGM) 组建数据.
- 定义并实施多变量时间序列组合相似性得分 (MTESS) 用于比较多变量时间序列.
- 将GSDGM和MTESS应用于来自人类结合体项目的人类和马尔莫塞特 rs-fMRI数据集.
主要成果:
- GSDGM产生了生物学上可信的人类大脑动态.
- MTESS在对象识别方面表现出高准确性,并揭示了皮层和皮下区域之间的相似性差异.
- 证实了组代用方法可以生成可信的组中枢点时间序列.
- GSDGM和MTESS成功进行了指纹分析,区分了正常和异常的rs-fMRI会议.
结论:
- 开发的GSDGM和MTESS为分析群体大脑动态提供了强大的工具.
- 这些方法提高了准确的in silico模拟和神经科学中的临床应用的潜力.
- 这些技术有助于在大型神经成像数据集中进行可靠的数据指纹和异常检测.
