改进了动态功能连接性估计,采用了交替隐藏的马尔科夫模型
Zhiying Long1, Xuanping Liu2, Yantong Niu2
1School of Artificial Intelligence, Beijing Normal University, Beijing, 100875 China.
Cognitive neurodynamics
|October 3, 2023
概括
一种新的交替隐藏马尔科夫模型 (aHMM) 方法改善了fMRI数据中的动态功能连接 (DFC) 分析. aHMM提供了更好的稳健性,并检测了脑小血管疾病和认知障碍患者的微妙大脑状态差异.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 生物统计学 生物统计学
背景情况:
- 动态功能连接 (DFC) 分析揭示了使用fMRI的时间变化的大脑相互作用.
- 滑动窗口 (SW) 和隐藏的马尔科夫模型 (HMM) 是常见的DFC方法,但SW具有有限的时间分辨率,HMM可以超过fMRI数据.
研究的目的:
- 引入一个交替的HMM (aHMM) 进行可靠的DFC估计.
- 使用模拟和真实fMRI数据将aHMM与SW和HMM进行比较.
- 研究大脑小血管疾病与失忆症和轻度认知障碍 (CSVD-aMCI) 的DFC变化.
主要方法:
- 提出了一个交替的HMM (aHMM),初始化HMM与SW连接,并使用一个交替的程序来减少参数.
- 在模拟和人类结合体项目的fMRI数据上验证了aHMM.
- 将aHMM应用于CSVD-aMCI患者和对照组的fMRI数据.
主要成果:
- 与SW和HMM相比,aHMM在噪声,参数数量和样本大小方面表现出优越的稳定性.
- CSVD-aMCI患者表现出大脑状态的改变,在弱连接状态中花费更多时间,在强连接状态中花费更少时间.
- 与对照组相比,CSVD-aMCI患者的连接幅度较低,波动较高,HMM或SW无法检测到差异.
结论:
- aHMM是一种比SW和HMM更稳健和敏感的DFC分析方法.
- aHMM有效地识别了DFC时间属性和连接性波动的跨组差异.
- 这些发现凸显了aHMM在神经系统疾病 (CSVD-aMCI) 等神经系统疾病中临床应用的潜力.
