自发MEG的第二级瞬间因果分析
Yongjie Zhu1,2, Lauri Parkkonen2, Aapo Hyvärinen1
1Department of Computer Science, University of Helsinki, Helsinki, Finland.
Imaging neuroscience (Cambridge, Mass.)
|August 13, 2025
概括
发现瞬间的因果大脑关系是具有挑战性的. 我们的新方法,使用概率比率,有效地识别这些连接在时间依赖的神经成像数据,超越现有技术.
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.
- 大脑成像分析分析
背景情况:
- 在观察性脑成像数据 (例如,MEG,fMRI) 中识别瞬间因果关系是一个持续的挑战.
- 像格兰杰因果关系和非高斯结构方程模型 (SEM) 等现有方法在处理即时效应或数据非高斯性方面存在局限性.
研究的目的:
- 提出一种能够在时间依赖变量中发现即时因果关系的新型模型,这在神经成像中很常见.
- 开发一种高效且简单的方法,从观测性大脑数据中估计因果方向.
主要方法:
- 开发了一种模型,用于时间依赖变量的瞬间因果关系.
- 提出了一种基于概率比率的方法,与相互信息相关,以估计因果方向.
- 构建了一个简单的决策标准,用于在时间序列数据中即时发现因果关系.
主要成果:
- 提出的方法在模拟数据上表现出强的性能,即使样本大小有限.
- 应用于MEG数据,该方法产生了一致的内部和跨主体因果方向性.
- 在大脑年龄预测任务中表现优于格兰杰因果关系和非高斯式SEM.
结论:
- 这种新的方法提供了一个简单而有效的计算方法,用于神经成像中即时的因果发现.
- 这些发现表明,从功能性脑成像数据分析因果大脑连接体的潜在实用性.
- 该方法提供了对现有技术的改进,以了解大脑连接.
