基于大规模电生理信号推断的脑网络统计模型
神经元与认知
2017-03-10 v4
摘要
网络科学已被广泛发展用于刻画复杂系统的结构特性，包括从神经影像数据推断的脑网络。作为推断过程的结果，从实验获得的生物数据估计出的网络代表了具有相似内在拓扑的众多实现中的一个实例。因此，需要一种建模方法来支持对影响所估计脑网络形成的自下而上的局部连接机制进行统计推断。我们采用基于指数随机图模型（ERGM）的统计模型来重现通过高密度脑电图（EEG）信号间的谱相干性估计的脑网络或连接体。我们在 108 名健康受试者睁眼（EO）和闭眼（EC）静息态条件下的数据集中验证了该方法。结果表明，与其它图度量的组合相比，反映聚类和节点中心性的形成三角形和星形的趋势更好地解释了 EEG 连接体的全局特性。由该模型配置生成的合成网络重现了在脑网络中发现的特征差异，与 EC 相比，EO 在 alpha 频段（8-13 Hz）引发了显著更高的分离。此外，拟合的 ERGM 参数值提供了补充信息，表明从 EC 到 EO，聚类连接在 alpha 范围内以及在 beta 频段（14-29 Hz）内的代表性均显著增强，已知 beta 频段在视觉输入的皮层处理和外部导向注意力中起着至关重要的作用。这些发现支持了当前关于大脑功能以模块和枢纽进行分离与整合的观点，并提供了一种统计方法来提取关于健康和患病大脑（重）组织机制的新信息。
引用
@article{arxiv.1611.06893,
title = {A statistical model for brain networks inferred from large-scale electrophysiological signals},
author = {Catalina Obando and Fabrizio De Vico Fallani},
journal= {arXiv preprint arXiv:1611.06893},
year = {2017}
}
备注
Due to the limitation "The abstract field cannot be longer than 1,920 characters", the abstract appearing here is slightly shorter than that in the PDF file