多分离级联建模揭示了当前神经成像策略的基本限制

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.
• 复杂的系统复杂的系统.

背景情况:

• 神经成像通常假定大脑活动是均的,但实际活动是多元的,具有爆发和远程依赖.
• 目前的采样策略可能无法充分捕捉到这种复杂的大脑动态.

研究的目的:

• 评估标准采样策略如何从多分片大脑活动中恢复统计属性.
• 评估传感器密度对估计错误的影响.

主要方法:

• 合成多分片大脑场的受控模拟.
• 使用10-2000个传感器测试随机,基于网格和层次的采样策略.
• 分析平均值,可变性,爆发性和碎形维度的恢复.

主要成果:

• 估计错误偏离了经典的N-1/2缩放.
• 高级统计数据,如爆裂率,显示与传感器密度增加的平面误差减少.
• 格子采样优于碎形维度;层次采样更适合爆裂.

结论:

• 标准的神经成像可能从根本上低估了大脑的复杂性和可变性.
• 目前的采样方法在捕捉多分片大脑动态方面存在重大局限性.
• 对解释健康和病态大脑功能的影响是巨大的.