脑动力学多层时空模型中的社区排序

作为一个相对新兴的领域，网络神经科学往往倾向于关注在多次连续实验或长时间记录上平均的脑聚合行为，以构建稳健的脑模型。这些模型在解释脑中因正常脑功能自发发生的动态状态变化方面能力有限。训练于神经影像时间序列数据的隐马尔可夫模型（HMM）已成为一种生成动态模型的方法，其易于训练但难以完全参数化或分析。我们提出将这些神经HMM解释为多层脑状态图模型，称之为隐马尔可夫图模型（HMGM）。该解释使得可利用全部网络分析技术来分析动态脑活动。此外，我们基于最大熵原理提出了一种在无外部数据时选择HMM超参数的通用方法，并用其选择多层模型中的层数。我们提出了一种利用模型底层马尔可夫结构、基于时空随机游走的程序来确定脑区重要社区的新工具。我们对真实多被试fMRI数据的分析提供了新结果，证实了静息态脑的模块化加工假说，并贡献了关于动态脑状态社区间与社区内功能重叠的新证据。我们的分析流程提供了一种表征新颖行为或条件下脑动态网络活动的方式。