通过静态和动态信息度量评估心血管与呼吸网络中的高阶连接

基于对多个同时采集变量的分析，网络表示在描述心血管相互作用方面越来越受欢迎。然而，基于成对相互作用度量来评估网络连接的传统方法无法揭示涉及两个以上节点的高阶效应，并且不适合推断底层网络拓扑。为了解决这些局限性，我们在此引入一个框架，该框架将高阶相互作用的评估与统计推断相结合，用于表征维持生理网络的功能连接。该框架发展了信息论度量，量化两个节点如何以冗余或协同的方式与网络其余部分相互作用，并利用这些度量来重建网络的功能结构。这些度量针对分别由随机变量和随机过程映射的静态和动态网络实现，使用插件法和基于模型的熵估计器。在理论和数值模拟网络上的验证表明，该框架能够将高阶相互作用表示为网络，并检测与级联、共同驱动和共同目标效应相关的统计结构。应用于由心率、呼吸、动脉压、心输出量和血管阻力的逐拍变异性映射的心血管网络，实现了对静息状态和直立应激下运行的多种心血管控制机制的无创表征。我们的方法带来了对生理相互作用的全新综合评估，并补充了现有的病理生理状态分类策略。