图之间的相关性及其在脑网络分析中的应用
统计方法学
2015-12-22 v1 神经元与认知
摘要
全局功能脑网络（图）比脑区连接性的局部分析更适合刻画大脑状态。因此，图论方法是研究大脑的自然方法。然而，传统的图理论分析受限，因为缺乏针对随机图的估计与推断的形式化统计方法。例如，两个图向量之间的相关性的概念尚未定义。本文旨在引入图之间相关性的概念。为建立推断图之间相关性的框架，我们假设图由数学模型生成，且模型参数为我们的随机变量。进而，我们定义两个图向量独立当且仅当它们的参数独立。问题在于，在现实世界中模型很少已知，因此参数无法估计。通过分析图谱，我们表明谱半径与图模型的参数高度相关。基于此，我们构建了图之间相关性推断的框架，并在由814名受试者组成的功能磁共振成像数据中展示了我们的方法，其中包括529名对照者和285名诊断为自闭症谱系障碍（ASD）的个体。结果显示，在ASD中，默认模式与控制子网络、默认模式与躯体运动子网络、以及默认模式与视觉子网络之间的相关性高于对照者（）。
引用
@article{arxiv.1512.06830,
title = {Correlation between graphs with an application to brain networks analysis},
author = {André Fujita and Daniel Yasumasa Takahashi and Joana Bisol Balardin and João Ricardo Sato},
journal= {arXiv preprint arXiv:1512.06830},
year = {2015}
}