功能神经影像中网络数据的假设检验

近年来，在神经科学中，使用网络来总结一组测量中的关系信息已成为常见做法，这些测量通常被认为反映了大脑感兴趣区域之间的功能或结构关系。分析此类数据的最基本任务之一是假设检验，以回答诸如“这两组受试者的网络之间是否存在差异？”之类的问题。在经典设置中，当感兴趣的单位是标量或向量时，此类问题通过使用熟悉的双样本检验策略来回答。然而，网络不是欧几里得对象，因此经典方法不直接适用。我们通过借鉴几何和高维统计推断的概念和技术来应对这一挑战。我们的工作基于图拉普拉斯矩阵空间的精确几何刻画以及由Fréchet提出的非参数平均概念。我们以来自1000功能连接组项目的人类受试者的功能神经影像数据衍生的网络为背景，激励并说明了我们由此产生的检验方法。特别地，我们表明这种全局检验比质量单变量方法具有更高的统计功效。此外，我们还提供了一种可视化每个边对整体检验统计量的个体贡献的方法。