用于功能脑网络社区检测与连接性分析的分层贝叶斯推断
神经元与认知
2026-04-17 v4 应用统计
摘要
大多数功能磁共振成像研究依赖于对分层组织的功能脑网络的估计，这些网络的分隔与整合反映了人类认知和行为的变化。然而，现有大多数从个体和组水平分析方法估计网络社区结构的方法并未考虑受试者间的变异性。本文提出了一种基于贝叶斯潜在块模型（LBM）的多层社区检测方法。该方法能够在个体和组水平稳健地检测具有未知社区数的加权功能网络的社区结构，并保留个体网络的变异性。为验证，我们提出了一种基于社区结构的多元高斯生成模型来模拟合成信号。我们的模拟研究表明，由分层贝叶斯推断估计的社区归属与生成模型中预定义的节点标签一致。该方法还通过人类连接组计划（Human Connectome Project）中100名无亲缘健康受试者的工作记忆任务fMRI数据，使用折半可重复性进行了测试。使用合成和真实数据的分析表明，与常用的（多层）模块度模型相比，我们提出的方法更准确、更可靠。
引用
@article{arxiv.2301.07386,
title = {Hierarchical Bayesian inference for community detection and connectivity of functional brain networks},
author = {Lingbin Bian and Nizhuan Wang and Leonardo Novelli and Jonathan Keith and Adeel Razi},
journal= {arXiv preprint arXiv:2301.07386},
year = {2026}
}