由非归一化 Granger 因果性检测出的协同与冗余信息流：在静息态 fMRI 中的应用

目的：我们开发了一个框架，用于分析复杂网络各子系统间信息流模式中的协同与冗余。方法：多元时间序列数据中冗余和/或协同的存在使得难以估计从每个驱动变量到给定目标的净信息流。我们表明，采用非归一化的 Granger 因果性定义，通过在所有可能的驱动变量集划分上最大化到给定目标的总 Granger 因果性，可以凸显影响目标的冗余变量多重集。进而我们引入一个成对协同指数，当两个独立源可加地影响系统未来状态时该指数为零，这与先前的协同定义不同。结果：我们报告了所提方法在来自人类连接组计划（Human Connectome Project）的静息态 fMRI 数据上的应用，表明冗余区域对主要由于空间邻接与半球间对称性而产生，而协同主要发生在对侧半球非同源区域对之间。结论：在健康静息脑中，冗余与协同展现出由所提方法揭示的特征性模式。意义：此处引入的成对协同指数将手头系统的信息特征映射为一个加权复杂网络：同样的方法可应用于其他复杂系统，其正常状态对应于冗余与协同回路之间的平衡。