概括
我们开发了滑窗预测相关性 (SWpC) 来揭示时间变化的定向大脑连接,为信息流提供了洞察力. 通过捕捉定向交互来更好地了解大脑功能和疾病,SWpC改进了传统方法.
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.
- 网络科学 网络科学
背景情况:
- 了解动态大脑连接对于神经科学至关重要,但传统的方法,如滑窗相关性 (SWC) 无法捕获定向交互.
- 当前方法的局限性阻碍了在脑网络中推断时间解决的信息流.
研究的目的:
- 引入滑窗预测相关性 (SWpC),一种用于估计时间变化的定向功能连接 (FC) 的新方法.
- 评估SWpC捕获定向交互的能力及其性能与SWC相比,在不同的神经成像模式和应用中进行评估.
主要方法:
- 在滑动窗口中,SWpC嵌入了定向线性时间不变 (LTI) 模型,以估计定向FC.
- 该方法产生了相互作用强度 (预测相关性) 和持续时间 (信息传输持续时间) 的测量.
- 验证涉及老鼠的并发局部现场潜力 (LFP) 和fMRI BOLD记录,人类连接组项目 (HCP) 的fMRI数据,以及脑震荡后前庭功能障碍 (PCVD) 患者数据.
主要成果:
- 在LFP和BOLD信号中,SWpC表现出稳定的方向性估计.
- 它在HCP数据中检测到指导FC强度和持续时间的重大任务唤起的变化,在灵敏度方面表现优于SWC.
- 在PCVD中,SWpC确定了可重现的大脑状态转移,并改善了患者与对照者的歧视.
结论:
- SWpC提供生物可解读的,时间解析的定向连接模式.
- 该方法在多模式神经成像和临床环境中得到验证,支持基础和转化神经科学.
- SWpC为研究动态大脑网络及其在功能和功能障碍中的作用提供了显著的进步.
