一种从静息态 fMRI 数据恢复有效连接脑网络的盲反卷积方法
神经元与认知
2012-08-21 v1 定量方法
摘要
通过对甚至遥远脑区之间的信息流进行推断，有效连接性分析可以极大地提升我们从 fMRI 数据中获得的对脑功能的洞察，其中信息流由预测动力学模型的参数所表征。与生物启发模型相反，格兰杰因果性（GC）等技术完全是数据驱动的，依赖于统计预测和时间优先性。虽然功能强大且应用广泛，但当应用于 BOLD fMRI 数据时，这种方法可能存在两个主要局限：血流动力学响应函数（HRF）的混淆效应，以及在短时间序列存在大量变量时的条件化问题。对于任务相关 fMRI，可以通过建模具有显式外生输入的信号动力学来捕捉神经群体动力学；而对于静息态 fMRI，缺乏显式输入使得该任务更加困难，除非依赖某些特定的先验生理假设。为了克服这些问题并允许更通用的方法，我们在此提出了一种针对 BOLD-fMRI 信号的简单且新颖的盲反卷积技术。针对第二个局限，使用短且有噪声的数据进行完全多变量条件化会导致由于过拟合而产生的计算问题。此外，在存在冗余时会出现概念性问题。因此，正如最近提出的那样，我们在信息论框架下对有限的变量子集应用部分条件化。结合这两项改进，我们比较了 BOLD 水平与反卷积 BOLD 水平的有效网络差异，并得出了一些结论。
引用
@article{arxiv.1208.3766,
title = {A blind deconvolution approach to recover effective connectivity brain networks from resting state fMRI data},
author = {G. Wu and W. Liao and S. Stramaglia and J. Ding and H. Chen and D. Marinazzo},
journal= {arXiv preprint arXiv:1208.3766},
year = {2012}
}