用于脑电微状态转换的含噪网络吸引子模型
神经元与认知
2019-03-14 v1
摘要
大脑内在地组织为大规模网络，这些网络在多个时间尺度上不断重组，即便在静息态下亦然。这些动态的时序对于感觉、感知、认知乃至意识至关重要，但支配网络间持续重组与切换的底层动力学尚不为人所充分了解。功能磁共振成像（fMRI）与脑电图（EEG）分别提供关于静息态网络（RSNs）的解剖与 temporal 信息。EEG 微状态是头皮地形稳定的短暂时段，在静息态下可可靠地辨识出四种具有特征性相互切换模式的 distinct 构型。微状态已被确认为 fMRI 所定义 RSNs 的电生理相关物，这一联系得以建立是因为 EEG 微状态序列是无标度的且具有长程时间相关性。该性质对于任何建模 EEG 微状态的方法都至关重要。本文提出一种微状态建模的新方法：我们考虑展现代表微状态节点间含噪网络吸引子的非线性随机微分方程（SDEs）。使用四态间的单层网络，我们可复现微状态间的转移概率，但无法复现重尾驻留时间分布。引入带隐藏层的双层网络则赋予捕捉这些重尾及其长程时间相关性的灵活性。我们将这些模型拟合以捕捉在 MRI 扫描仪内外记录的 EEG 数据中微状态序列的统计特性，并表明为从 fMRI 机器噪声中分离 EEG 信号所需的处理导致了信息损失，这反映于驻留时间分布长尾的差异中。
引用
@article{arxiv.1903.05590,
title = {Noisy network attractor models for transitions between EEG microstates},
author = {Jennifer Creaser and Peter Ashwin and Claire Postlethwaite and Juliane Britz},
journal= {arXiv preprint arXiv:1903.05590},
year = {2019}
}