估计利用非线性大小相依赖的完整的相互信息:应用到空间FNC复杂值的fMRI数据的应用
Wei-Xing Li1, Qiu-Hua Lin1, Chao-Ying Zhang1
1School of Information and Communication Engineering, Dalian University of Technology, Dalian 116024, China.
Journal of neuroscience methods
|June 29, 2024
概括
一种新的复杂值相互信息 (MI) 方法在fMRI数据中准确量化功能网络连接 (FNC). 这种方法提高了对大脑连接差异的检测,有助于识别精神障碍,如精神分裂症.
科学领域:
- 神经成像是一种神经成像.
- 生物物理学的生物物理.
- 信息理论 信息理论
背景情况:
- 实值的相互信息 (MI) 在fMRI中用于空间功能网络连接 (FNC).
- 然而,由于大小和相位依赖性,它无法完全捕捉复杂值的fMRI数据中的组差异.
研究的目的:
- 提出一个完整的复杂值MI方法,用于精确测量复杂值fMRI数据中的依赖性.
- 加强对空间FNC中的群体差异的检测.
主要方法:
- 开发了一种复杂值MI方法,使用MI的链条规则.
- 利用第二级和第四级的关节来利用大小和相位依赖性.
- 采用高斯方针转换来改善联合概率密度函数估计.
主要成果:
- 拟议的方法实现了比基于直方图和模拟信号的核密度估计方法更准确的MI估计.
- 复杂值 fMRI 数据空间 FNC 的增强组差异.
结论:
- 与现有方法相比,复杂值MI方法提供了更高的准确性和更广泛的MI范围.
- 它揭示了健康对照组和精神分裂症患者之间的连接性差异更为显著.
- 这种方法对识别精神障碍 (如精神分裂症) 的生物标志物充满希望.


