用于多定向图估计的贝叶斯融合线性非高斯无环模型及其在青少年脑情绪回路发育研究中的应用
神经元与认知
2020-06-24 v1 机器学习
机器学习
摘要
情绪感知对涉及分布式脑回路的情感与认知发育至关重要。情绪识别能力始于婴儿期，并在整个童年和青春期持续发育。理解脑情绪回路的发育或可帮助我们解释青春期观察到的情绪变化。我们先前的研究描绘了晚童期至成年早期情绪识别任务中脑功能连接（FC）的轨迹。本工作中，我们致力于从关联深入到因果。我们提出了贝叶斯融合线性非高斯无环模型（BiLiNGAM），其将我们先前的关联模型整合入先验估计流程。特别地，它可联合估计不同发育阶段多个年龄组的多个有向无环图（DAGs）。模拟结果表明其在多种设定下具有更稳健和准确的性能，尤其在样本量较小（高维情形）时。我们随后将其应用于费城神经发育队列（PNC）真实数据分析。该数据包含 855 名 8–22 岁个体，被分为五个不同青春期阶段。我们的网络分析揭示了情绪相关模块内与模块间连接的发育，并精确定位了若干情绪相关枢纽。我们进一步将枢纽分为两类：入枢纽与出枢纽，作为接收与分发信息的中心。还发现了若干独特的发育枢纽结构与组特异性模式。我们的发现有助于提供对人脑情绪发育的因果理解。
引用
@article{arxiv.2006.12618,
title = {A Bayesian incorporated linear non-Gaussian acyclic model for multiple directed graph estimation to study brain emotion circuit development in adolescence},
author = {Aiying Zhang and Gemeng Zhang and Biao Cai and Tony W. Wilson and Julia M. Stephen and Vince D. Calhoun and Yu-Ping Wang},
journal= {arXiv preprint arXiv:2006.12618},
year = {2020}
}