使用多变量累积剂对静止状态功能磁共振成像数据进行高阶功能连接性分析
Rikkert Hindriks1, Tommy A A Broeders2, Menno M Schoonheim2
1Department of Mathematics, Faculty of Science, Vrije Universiteit Amsterdam, Amsterdam, The Netherlands.
Human brain mapping
|March 23, 2024
概括
这项研究引入了多变量累积剂,以使用血氧水平依赖 (BOLD) 功能磁共振成像 (fMRI) 来量化高阶大脑连接. 这种新的方法揭示了不同的高级网络,并有助于分类神经系统疾病群体.
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.
- 网络科学 网络科学
背景情况:
- 功能性磁共振成像 (fMRI) 是研究大脑功能连接的首要工具.
- 目前的研究主要集中在对联 (二级) 连接上,忽视了复杂的多区域相互作用.
- 现有的方法很难区分二阶级和真正的高阶级大脑连接.
研究的目的:
- 引入和验证一种用于量化fMRI数据中真正高阶功能连接的新方法.
- 为了区分高阶连接与双向连接.
- 评估这种方法在临床和认知神经科学应用中的有用性.
主要方法:
- 开发和应用多变量积累剂来估计更高阶连接性.
- 使用区块引导来进行强大的统计推理.
- 制定fMRI信号的生成模型,以评估方法性能 (偏差,标准错误,检测概率).
主要成果:
- 证明多变量累积可靠地量化了真正的高阶连接,与二级网络不同.
- 对静止状态fMRI数据的分析揭示了自发信号,这些信号被组织成独特的高级网络.
- 成功地分类了多发性硬化症患者群体,并使用开发的基于累积的方法解释了行为变化.
结论:
- 多变量累积提供了一个可靠的框架来估计fMRI中真正的更高阶功能连接性.
- 这种方法可以构建超边缘,推进网络分析.
- 该方法对神经精神疾病研究和认知神经科学中的应用有希望.
更多相关视频
07:12Using Informational Connectivity to Measure the Synchronous Emergence of fMRI Multi-voxel Information Across Time
Published on: July 1, 2014
12.3K
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
7.3K
