探索不同时间尺度的功能连接,使用多变量模式分解

科学领域:

• 神经成像是一种神经成像.
• 大脑的连接性 大脑的连接性
• 信号处理 信号处理

背景情况:

• 功能磁共振成像 (fMRI) 中的功能连接 (FC) 分析传统上侧重于有限的时间尺度.
• 现有的方法经常难以捕捉fMRI数据的多变量性质及其在频率上的动态变化.
• 了解大脑功能需要能够分析跨多个时间尺度的连接性的方法.

研究的目的:

• 引入和验证多变量模式分解 (MMD) 作为一种新的数据驱动方法,用于分析fMRI数据中的静态FC.
• 为了证明MMD在将fMRI信号分解为内在的多变量振荡元件方面的能力.
• 突出MMD在处理fMRI的多变量性质和在各个感兴趣区域调整频率信息方面的优势.

主要方法:

• 开发了一种基于适应频率的新方法,多变量模式分解 (MMD),用于fMRI数据分析.
• MMD以完全数据驱动的方式将fMRI信号分解为内在的多变量振荡元件.
• 使用三个fMRI实验验证实了该方法:静止状态,运动任务和博任务.

主要成果:

• 在不同个体中,MMD成功地提取了可靠和可重复的FC模式.
• 该方法揭示了不同时间尺度的独特连接特征.
• 分析揭示了不同任务对FC模式的光谱组织的影响,强调了多尺度分析的重要性.

结论:

• 多变量模式分解 (MMD) 为分析fMRI数据中的功能连接提供了一种强大而灵活的方法.
• MMD使神经生理激活模式在多个频段的隔离成为可能.
• 这种多尺度分析方法对于全面了解大脑内部的功能相互作用至关重要.