样本大小和组织特异信号回归对核心默认模式网络内有效连接的影响

科学领域:

• 神经科学是一个神经科学.
• 认知神经科学 认知神经科学
• 神经成像是一种神经成像.

背景情况:

• 休息状态fMRI (rs-fMRI) 在估计定向大脑网络相互作用方面是有限的.
• 经典的功能连接方法无法捕捉有针对性的影响,与动态因果建模 (DCM) 不同.
• 有效连接 (EC) 研究通常使用小样本大小和最小处理的数据,影响结果的稳定性.

研究的目的:

• 通过使用光谱动态因果建模 (DCM) 调查样本大小和干扰信号对组级有效连接 (EC) 估计稳定性的影响.
• 为了确定rs-fMRI中稳定的DCM分析所需的最小样本大小.
• 确定最佳的数据处理策略,以加强弱连接检测.

主要方法:

• 分析了来自人类结合体项目的330名非相关受试者的清洁 rs-fMRI 数据.
• 应用光谱动态因果建模 (DCM) 来估计有效连接 (EC).
• 对不同样本大小的模型选择稳定性和连接性参数推断的评估.
• 实验对象特定的值全脑面膜的实施,用于组织特定的信号回归.

主要成果:

• 在DCM中,模型选择稳定性和连接性参数推断都高度依赖样本大小.
• 稳定的DCM组估计需要至少50名受试者的样本大小.
• 在默认模式网络中发现了一个一致的EC模式,样本大小很大.
• 特定对象的掩盖和特定组织的信号回归改善了对弱连接的检测.

结论:

• 适当的样本大小对于使用静止状态fMRI的动态因果建模 (DCM) 进行可靠和稳定的小组级有效连接 (EC) 估计至关重要.
• 之前DCM发现的变异性可能归因于样本大小不足.
• 优化预处理,包括特定对象的掩盖,可以提高DCM的灵敏度,用于检测微妙的大脑网络连接.