结合MEG与fMRI的指数随机图建模以推断脑功能连接
神经元与认知
2018-05-31 v1
摘要
通过神经影像技术估算的连接组丰富了我们对大脑组织特性的认识，并推动了基于网络的临床诊断的发展。遗憾的是，迄今为止，许多此类基于网络的临床诊断工具仅对观测连接组的孤立实例进行描述，是对真实连接网络的含噪估计。因此，对脑连接网络进行建模对于更好地解释大脑功能组织并推断特定脑特性十分重要。在本报告中，我们展示了在n-back记忆任务实验中获取的MEG与fMRI联合神经影像数据建模的初步结果。我们采用合并指数随机图模型（ERGM）作为网络统计模型，以捕捉32名受试者中9名受试者在0-back与2-back记忆任务实验期间的MEG和fMRI功能脑网络中的潜在过程。我们的结果表明，所有9名受试者的功能连接组均具有小世界特性的强证据。使用条件两两比较的组水平比较显示，受试者间功能连接组无显著差异。我们的合并ERGM成功再现了脑的重要特性，如功能分离与功能整合。然而，再现脑网络功能分离的ERGM区分了0-back与2-back条件，而同时再现两种特性的模型未能成功区分两个条件。我们的结果令人鼓舞，并在更大样本量下稳健性将提高。尽管如此，我们的初步结果倾向于支持先前发现，即功能分离与整合足以从统计上再现脑网络的主要特性。
引用
@article{arxiv.1805.12005,
title = {Combined MEG and fMRI Exponential Random Graph Modeling for inferring functional Brain Connectivity},
author = {Roseric Azondekon and Zachary James Harper and Charles Michael Welzig},
journal= {arXiv preprint arXiv:1805.12005},
year = {2018}
}
备注
22 pages