基于因果推断的拓扑分析：通过有效连接理解癫痫引发的脑层级变化
神经元与认知
2024-07-19 v1 统计方法学
摘要
传统拓扑数据分析（TDA）方法，如持久同调（PH），依赖于距离度量（如交叉相关、偏相关、相干性和偏相干性），这些度量默认为对称。虽然对研究功能性脑连接中的拓扑模式有所帮助，但这些方法的主要局限在于无法捕捉方向性动态——这对于理解有效脑连接至关重要。我们提出了基于因果推断的拓扑排序（CBTR）方法，该方法将因果推断（CI）整合用于评估有效脑连接，并利用Hodge分解（HD）对脑区域的相互影响进行排序。我们的模拟实验确认，CBTR方法能够准确且一致地识别多变量时间序列数据中的层级结构。此外，该方法有效识别了在癫痫期间，电脑脊波（EEG）数据中表现出最显著相互作用变化的脑区域。这些结果为理解脑的层级组织及其动态变化提供了新的见解。
引用
@article{arxiv.2407.13514,
title = {Topological Analysis of Seizure-Induced Changes in Brain Hierarchy Through Effective Connectivity},
author = {Anass B. El-Yaagoubi and Moo K. Chung and Hernando Ombao},
journal= {arXiv preprint arXiv:2407.13514},
year = {2024}
}