时间序列网络中的非线性因果关系：以运动想象与运动执行为例

时间序列网络中的因果交互可以是动态且非线性的，这使得使用传统的线性因果关系估计方法难以对其进行识别。我们提出了一种名为阈值自回归因果建模（TAR4C）的新方法，这是一种建立在阈值自回归（TAR）模型基础上的因果关系检测方法，其中潜在的驱动变量（原因变量）既作为预测变量，又作为触发器（切换阈值），控制目标变量（结果变量）遵循哪种自回归过程。此处通过阈值非线性来概念化并确定因果关系。当驱动变量在过去超过数据驱动的阈值时，目标变量的流被强制在具有不同动态的体制之间转换。我们提出了一种两阶段推断过程：阶段1检验阈值连通性（TC）；阶段2在检测到阈值效应的条件下，估计阈值Granger因果关系（TGC）。将TAR4C应用于从运动想象与运动执行实验中收集的多通道脑电（EEG）数据集。在EEG图不同位置的通道之间观察到了依赖于延迟的方向性交互。这一实际应用证明了所提方法在确定复杂时间序列网络（如大脑回路）中非线性因果连通性的有效性。所提的基于模型的方法可扩展至其他复杂的时间序列网络。