用于表征静息脑因果网络的基于子空间的辨识算法
神经元与认知
2012-01-04 v2
摘要
静息态下的大脑活动分析对于识别神经元系统的功能特性具有根本性的重要意义。尽管静息脑已被广泛研究以探索脑区间的低频同步性，即功能连接 (FC)，但大脑连接分析的另一主流方向，即寻求脑区间因果相互作用的效应连接 (EC)，在自发脑振荡中却鲜有探索。正如在 BOLD（血氧水平依赖）波动中所观察到的，静息态大脑活动固有的复杂性，亟需探索性方法来表征这些因果网络。另一方面，血液动力学系统对基于 fMRI 数据的因果推断造成的不可避免的影响，促使我们寻求能够在潜在神经元水平而非观测到的 BOLD 时间序列上进行因果推断的方法。为了同时满足这两个需求，本文引入了一种新颖的状态空间系统辨识方法，用于在无明确认知任务的情况下研究脑区间的因果相互作用。通过大量仿真，我们研究了网络规模和信噪比 (SNR) 对我们提出的方法在 EC 检测中准确性的影响。仿真结果表明，基于子空间的辨识算法 (SIA) 对上述因素具有足够的鲁棒性，并且能够可靠地揭示静息态 BOLD fMRI 背后潜在的因果相互作用。
引用
@article{arxiv.1108.4644,
title = {Subspace-based Identification Algorithm for Characterizing Causal Networks in Resting Brain},
author = {Shahab Kadkhodaeian Bakhtiari and Gholam-Ali Hossein-Zadeh},
journal= {arXiv preprint arXiv:1108.4644},
year = {2012}
}
备注
Accepted in Neuroimage Journal