通过两步加权模块化最大化来改善大脑社区结构检测
Zhitao Guo1, Xiaojie Zhao1, Li Yao1
1School of Artificial Intelligence, Beijing Normal University, Beijing, China.
PloS one
|December 8, 2023
概括
本研究介绍了加权模块化最大化 (WMM) 和两步WMM方法,以改善大脑网络社区检测. 这些新的方法提高了准确性和稳定性,特别是功能磁共振成像数据中的等级结构.
科学领域:
- 神经科学是一个神经科学.
- 网络科学 网络科学
- 数据科学数据科学数据科学
背景情况:
- 通过功能磁共振成像 (fMRI) 来分析大脑功能作为一个复杂的网络.
- 大脑网络中的社区结构为拓功能提供了洞察力.
- 现有的模块化最大化 (MM) 方法在稳定性和检测等级结构方面存在局限性.
研究的目的:
- 在复杂的大脑网络中开发改进的社区检测方法.
- 为了解决传统模块化最大化的不稳定性和层次检测局限性.
- 通过使用fMRI数据,加强对大脑网络社区结构的分析.
主要方法:
- 提出了加权模块化最大化 (WMM) 方法,加权相邻矩阵.
- 引入了两步WMM方法,将节点属性纳入等级社区检测.
- 对合成网络和静止状态fMRI (rs-fMRI) 数据进行评估的方法.
主要成果:
- 与合成网络上的MM相比,WMM显示出更高的分区精度和稳定性.
- 两步WMM方法在用节点属性对合成网络进行分区时取得了更高的准确性.
- 双步WMM在rs-fMRI数据中有效检测到等级社区,并且对网络密度表现出更大的不敏感性.
结论:
- 与传统的MM相比,WMM和双步WMM在脑网络分析方面提供了显著的改进.
- 拟议的方法增强了标准和等级社区结构的检测.
- 这些进步对于从fMRI数据中了解大脑网络拓有价值.
