在神经成像和电生理学中实现动态FC估计的稳定性:解决方案和限制

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 大脑成像分析分析

背景情况:

• 时间变化的功能连接 (FC) 对于理解大脑动态至关重要.
• 当前的FC估计方法经常存在不稳定性和缺乏可重复性.
• 强大的FC估计对于将大脑活动与行为联系起来至关重要.

研究的目的:

• 开发和验证用于稳定时间变化的功能连接性估计的新方法.
• 提高大脑网络分析的可靠性和可重复性.
• 提高FC措施在行为研究中的实用性.

主要方法:

• 提出了两种基于隐藏马尔科夫模型 (HMM) 的解决方案:排名最佳的HMM和分层集群的HMM.
• 最好排名的HMM使用定量适应性和复杂性测量从多次运行中选择最佳模型.
• 层次聚类HMM使用多次运行的状态时间序列上的层次聚类来实现稳定的集群识别.

主要成果:

• 两种建议的HMM方法都显著提高了时间变化的FC估计的稳定性.
• 在功能性MRI (fMRI) 和磁脑成像 (MEG) 数据上证明有效.
• 层次聚类HMM在高可变性推理场景中表现出卓越的性能.

结论:

• 提出的HMM方法提供了可靠和可重复的方法,用于时间变化的FC分析.
• 排名最佳的HMM适用于较少变量的估计,而分层集群的HMM则在高可变性方面脱而出.
• 这些进展促进了对大脑行为关系的更可靠的研究.