振荡网络的切换模型极大改进了动态功能连接性的推断
统计方法学
2024-04-30 v1
摘要
功能性脑网络可以随着刺激或认知转变而快速变化。追踪动态功能连接性尤其具有挑战性，因为它需要估计每个时刻的网络结构以及它如何随时间变化。在本文中，我们描述了一个通用建模框架和一组特定模型，这些模型基于一个假设：对于特定的实验或任务，网络状态在任何时刻都是从一组离散的可能网络模式中选择的。每个模型由三个部分组成：(1)一组潜在切换状态，表示每个网络模式表达之间的转换；(2)一组潜在振荡器，每个振荡器由估计的平均振荡频率以及每个时间点的瞬时相位和幅度表征；(3)一个观测模型，将每个电极处的观测活动与潜在振荡器的线性组合联系起来。我们开发了一个期望最大化程序来估计每个切换状态的网络结构以及每个时刻表达每个状态的概率。我们进行了一组模拟研究来说明这些模型的应用并量化其统计功效，即使在模型错误指定的情况下也是如此。
引用
@article{arxiv.2404.18854,
title = {Switching Models of Oscillatory Networks Greatly Improve Inference of Dynamic Functional Connectivity},
author = {Wan-Chi Hsin and Uri T. Eden and Emily P. Stephen},
journal= {arXiv preprint arXiv:2404.18854},
year = {2024}
}