NHSMM-MAR-sdNC:一个新的数据驱动的计算框架,用于国家依赖的有效连接分析

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.
• 数据科学数据科学数据科学

背景情况:

• 大脑表现出内在动态,包括转移稳定性,这对于功能整合和分离至关重要.
• 动态有效连接对于理解大脑转移稳定性至关重要,因为它具有因果推理能力.
• 现有的依赖国家有效连接的方法是有限的,需要新的方法.

研究的目的:

• 提出一种新的,数据驱动的计算框架,用于调查依赖于状态的有效连接.
• 通过允许自适应状态数推断和明确状态持续时间估计,克服现有模型的局限性.
• 为探索大脑转移稳定性和流动动力学提供一个工具.

主要方法:

• 引入了NHSMM-MAR-sdNC:一个非参数隐藏的半马尔科夫模型与多变量自回归模型和依赖状态的新因果关系相结合.
• 该框架是数据驱动的,没有生物假设.
• 状态数和持续时间分布是直接从观察到的数据推断出来的.

主要成果:

• 通过使用合成数据,成功地通过适应性识别了状态的数量,并准确地绘制了依赖于状态的因果关系网络.
• 在现实世界休息状态fMRI数据中揭示了与状态相关的因果关系网络的动态.
• 展示了框架分析复杂大脑动态的能力.

结论:

• 拟议的NHSMM-MAR-sdNC框架提供了一种新的计算方法,用于识别依赖状态的有效连接.
• 这种方法有助于识别和评估大脑转移稳定性和流动动态.
• 该框架为推进神经科学研究提供了一个强大的工具.