数据处理品种对DCM对从任务fMRI有效连接的估计的影响
Shufei Zhang1,2, Kyesam Jung1,2, Robert Langner1,2
1Institute of Neuroscience and Medicine, Brain and Behaviour (INM-7), Research Centre Jülich, Jülich, Germany.
Human brain mapping
|June 12, 2024
概括
数据处理选择显著改变了使用动态因果建模 (DCM) 的功能磁共振成像 (fMRI) 的有效连接 (EC) 估计. 仔细选择GLM设计和激活对比等方法对于强大的任务唤起EC发现至关重要.
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.
- 脑连接分析 脑连接分析
背景情况:
- 有效连接 (EC) 描述了大脑区域之间的定向影响,通常使用fMRI数据上的动态因果建模 (DCM) 估计.
- 预处理选择对任务唤起的EC估计的影响仍未得到充分研究,这给结果可重复性带来了挑战.
研究的目的:
- 调查数据处理中的变化如何影响来自DCM的任务唤起的EC估计.
- 确定哪些处理步骤对参与空间冲突的大脑网络的DCM结果影响最大.
主要方法:
- 检查了全球信号回归 (GSR),一般线性模型 (GLM) 设计 (区块/事件相关),激活对比类型和显著性值对DCM的影响.
- 采用参数实证贝叶斯 (PEB) 和贝叶斯数据比较 (BDC) 来分析处理条件的群体平均EC差异.
主要成果:
- 数据处理的选择导致了小组平均任务唤起的EC模式的显著变化.
- 正如PEB和BDC所示,GLM设计和激活对比类型显著影响了EC估计和参数确定性.
- GSR和显著性值对EC估计的影响最小.
结论:
- 来自DCM的任务唤起的EC估计对数据处理决策敏感.
- 与事件相关的GLM设计为EC调制提供了更高的灵敏度,但与块设计相比,参数确定性较低.
- 研究人员应仔细选择处理步骤,并考虑并行分析,以确保可靠和可靠的EC结果.
