预测性信息分解作为一种工具,用于量化生理网络中出现的动态行为

科学领域:

• 生理学 生理学 生理学
• 网络科学 网络科学
• 信息理论 信息理论

背景情况:

• 生理系统表现出复杂的动态.
• 了解这些网络中的集体行为对于诊断健康状况至关重要.

研究的目的:

• 引入多变量时间序列分析的框架.
• 在生理网络动态中检测和量化集体新出现的行为.

主要方法:

• 在现在和过去的网络状态之间计算预测信息 (PI).
• 将PI分解为独特,多余和协同的信息.
• 将出现量化为协同效应与冗余信息的比率.
• 使用矢量自回归 (VAR) 模型实现框架.

主要成果:

• 在模拟的VAR过程中观察到新出现的行为,同时存在因果相互作用和内部动态.
• 在休息和姿势压力期间,在心血管和呼吸系统网络中检测到显著的净协同作用.
• 协同调制与交感神经系统激活相关.

结论:

• 通过使用VAR模型在网络系统中分解PI,可以有效地评估因果的出现.
• 协同/冗余平衡是综合短期自主控制的一个关键特征.
• 对因果出现的测量提供了一个实用的工具,用于量化在各种条件下的生理网络中的因果影响.