Novel Bayesian method for simultaneous detection of activation signatures and background connectivity for task fMRI data
本文提出一种新的贝叶斯混合张量时空基方法，同时检测任务态fMRI激活特征与背景连接，并在人类连接组计划工作记忆数据上验证其敏感性和可扩展性。
2023-12-01 stat.AP stat.ME
Application of Time-Aware PC algorithm to compute Causal Functional Connectivity in Alzheimer's Disease from fMRI data
本研究应用Time-aware PC（TPC）算法从三组受试者的静息态fMRI数据推断全脑因果功能连接，识别出阿尔茨海默病导致改变的因果脑连接及受影响脑区，结果与临床文献一致。
2024-02-20 q-bio.NC q-bio.QM stat.AP
Stability and Localization of inter-individual differences in functional connectivity
最近的注意力已经支付给量化的解剖和功能的神经影像学在个人的主题水平。对于最佳的个体受试者表征，需要确定特定的采集和分析功能，以最大限度地提高个体间变异性，同时最大限度地降低受试者内变异性。在这里，我们开发了一个非参数的统计指标，量化的程度，一个参数集允许这个个体的受试者分化。我们应用这个指标来分析公开的重测静息态fMRI（RS-fMRI）数据集。我们发现，对于最大化个体差异的问题，通过增加采样频率或增加采集时间来增加采样之间存在相对权衡;对于询问的数据集的大小，仅需要4-5分钟的采集时间来完美区分每个受试者;而对个体独特特征最有贡献的大脑区域位于被认为对高级认知功能有贡献的联合皮层。这些发现可能会指导最佳的rs-fMRI实验设计，并可能有助于阐明受试者之间差异的神经基础。
2016-05-11 q-bio.NC stat.AP
BICNet: A Bayesian Approach for Estimating Task Effects on Intrinsic Connectivity Networks in fMRI Data
内在连接网络（ICN）是在包括休息和任务在内的各种条件下一致发现的特定动态功能脑网络。研究表明，一些刺激实际上通过抑制、激发、调节或修改来激活内在连接。然而，ICN的结构和任务相关的影响ICN尚未完全理解。在本文中，我们提出了一个贝叶斯内在连接网络（BICNet）模型来识别ICN和量化的任务相关的影响ICN的动态。BICNet使用扩展的贝叶斯动态稀疏潜在因子模型，具有以下优点：（1）它同时识别个体ICN和组级ICN空间图：（2）它通过联合建模静息态功能磁共振成像（rfMRI）和任务相关功能磁共振成像（tfMRI）来鲁棒地识别ICN;（3）与基于独立成分分析（ICA）的方法相比，它可以量化不同状态下ICN幅度的差异;（4）它通过ICN的稀疏性而不是ad-hoc阈值来自动执行特征选择。建议的BICNet被应用到人类连接组计划（HCP）的rfMRI和语言tfMRI数据和分析确定了几个ICN相关的不同的语言处理功能。
2021-07-19 stat.AP
Estimating Covariate Effects on Functional Connectivity using Voxel-Level fMRI Data
针对静息态fMRI功能连接分析中ROI平均法的局限，提出基于ROIs间经验体素级相关性及新正定协方差函数的两步估计程序，实现协变量效应的高效推断，模拟及ABIDE数据验证其有效性与优势。
2025-08-15 stat.AP stat.ME
Log-Euclidean Frameworks for Smooth Brain Connectivity Trajectories
本文提出多种 Log-Euclidean 黎曼框架，将动态功能连接轨迹映射到欧几里得空间进行多项式回归并拉回，从而获得平滑、几何一致且计算高效的相关矩阵轨迹近似。
2025-07-21 stat.AP
Population-level Task-evoked Functional Connectivity via Fourier Analysis
本文提出群体水平任务诱发功能连接的严格定义及估计算法，通过模拟和人类连接组项目运动任务研究验证其性能与可解释性。
2024-02-19 stat.AP
Separating Stimulus-Induced and Background Components of Dynamic Functional Connectivity in Naturalistic fMRI
Monash University Malaysia（莫纳什大学马来西亚分校）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）；University College London（伦敦大学学院）；University of Texas at Dallas（德克萨斯大学达拉斯分校）
我们认为，在自然的功能磁共振成像（fMRI）中，从其他内在过程和噪声中提取刺激相关的神经动力学的挑战。大多数研究依赖于低水平区域活动的受试者间相关性（ISC），而忽略了个体的不同反应。我们提出了一种新的，基于低秩加稀疏（L+S）分解的数据驱动的方法，以隔离刺激驱动的动态变化的大脑功能连接（FC）的背景噪声，通过利用共享的网络结构之间的主题接收相同的自然刺激。时间分辨多受试者FC矩阵建模为受试者间相关FC模式的低秩分量和受试者特异性、特异性背景活动的稀疏分量的总和。为了恢复共享的低秩子空间，我们引入了一个融合版本的主成分追踪（PCP），通过添加一个融合型惩罚的低秩矩阵的行之间的差异。该方法提高了检测刺激诱导的组水平的均匀性，同时捕获受试者间的变异性的FC档案。我们开发了一个有效的算法，通过线性交替方向法的乘法器来解决融合PCP。仿真结果表明，准确的恢复融合PCP，即使当一个大部分的FC边缘严重损坏。当应用于自然的功能磁共振成像数据，我们的方法揭示了FC的变化，在看电影时，与听觉处理的时间锁定，与动态参与的感觉运动系统的语音噪声。它还提供了比ISC更好的到电影中的听觉内容的映射。
2021-01-24 cs.LG cs.SD eess.AS
Brain Functional Connectivity Estimation Utilizing Diffusion Kernels on a Structural Connectivity Graph
功能连接（FC）是指研究大脑区域之间的相互作用，以了解几个区域中神经活动的整合。FC通常使用功能性磁共振成像（fMRI）来估计。有越来越多的兴趣在潜在的多模态成像，以获得强大的估计FC在高维设置。我们开发了新的算法，适应图形方法结合扩散张量成像（DTI），以估计FC的计算效率和可扩展性。我们建议利用一个图形随机游动的DTI定义一个新的措施，突出虚假的连接组件的结构连接。我们提出的方法是基于找到合适的子网络拓扑结构，使用置换测试之前，选择子网络组件，包括FC。大量的模拟表明，我们的方法的性能是可比的或优于目前使用的方法在估计精度，具有更大的速度和更简单的实现的优势。我们分析了基于任务的fMRI数据从人类连接组项目数据库中使用我们提出的方法，并揭示了新的见解，在执行运动任务的大脑相互作用。我们希望我们的方法的透明度和灵活性将被证明是有价值的，因为对结构-功能关系的进一步理解将为未来的网络估计提供信息。
2023-01-21 cs.SI q-bio.NC stat.AP
Bayesian Mixed Effect Sparse Tensor Response Regression Model with Joint Estimation of Activation and Connectivity
在基于任务的功能性磁共振成像（fMRI）实验中对多个受试者的大脑激活和连接性分析目前处于数据驱动神经科学的最前沿。在这样的实验中，兴趣通常在于理解由于外部刺激引起的脑体素的激活以及对一组预先指定的脑体素组（也称为感兴趣区域（ROI））的测量之间的强关联或连接。本文提出了一个联合贝叶斯添加剂混合建模框架，同时评估大脑激活和连接模式，从多个主题。特别是，fMRI测量从每个人获得的多维阵列/张量的形式在每个时间回归的功能的刺激。我们施加一个低秩PARAFAC分解的张量回归系数对应的刺激，以实现简约。采用多路棒断裂收缩先验来推断每个体素中的激活模式和相关联的不确定性。此外，该模型引入了区域特定的随机效应，其在考虑ROI对之间的连接性之前与贝叶斯高斯图形联合建模。各种模拟研究下的实证调查表明，该方法作为一种工具，同时评估大脑激活和连接的有效性。然后，将该方法应用于来自气球模拟冒险实验的多受试者fMRI数据集，以推断大脑如何处理风险。
2019-03-30 stat.AP stat.ME
Estimating Time-varying Brain Connectivity Networks from Functional MRI Time Series
从网络的角度来理解大脑的功能结构正变得越来越普遍。在大多数功能磁共振成像应用中，功能网络被假定为是固定的，导致在整个时间过程中估计的单个网络。然而，最近的研究结果表明，即使在休息时，大脑区域之间的连接也是高度不稳定的。因此，需要新的脑成像方法，其全面地考虑动态（即，非平稳）的性质。在这项工作中，我们提出了平滑增量图形套索估计（SINGLE）算法，估计动态脑功能磁共振成像数据的网络。我们将SINGLE算法应用于24名健康患者的功能性MRI数据，这些患者执行选择反应任务，以展示伴随简单但要求注意力的认知任务的网络结构的动态变化。使用图论的措施，我们表明，右额下回，经常被报道为在认知控制中发挥重要作用，动态变化的任务。我们的研究结果表明，右额下回在认知任务中的注意和执行功能中起着重要作用，并可能在调节其他脑区之间的平衡中起着关键作用。
2014-04-13 stat.AP stat.ML
DynDepNet: Learning Time-Varying Dependency Structures from fMRI Data via Dynamic Graph Structure Learning
University of Cambridge（剑桥大学）；The Alan Turing Institute（阿兰·图灵研究所）；University of Milano-Bicocca（米兰比可卡大学）；University of Rome Tor Vergata（罗马第二大学）；Harvard Medical School（哈佛医学院）
本文提出DynDepNet，通过动态图结构学习从fMRI数据中学习由下游任务诱导的最优时变依赖结构，在性别分类任务上显著超越基线，并发现与神经科学文献一致的预测相关脑区。
2023-07-09 cs.LG stat.AP stat.ML
A Novel Interpretable Fusion Analytic Framework for Investigating Functional Brain Connectivity Differences in Cognitive Impairments
本文提出一种可解释融合分析框架，通过构建ROI功能性连接网络并结合自注意力深度学习和潜在空间项目反应模型，识别认知障碍组间脑连接差异，为精准干预提供依据。
2024-01-17 stat.AP
Functional Factor Modeling of Brain Connectivity
针对多元因子模型在fMRI功能连接分析中失效的问题，提出适用于多维功能数据的因子模型，将功能观测分解为全局和局部项，并基于秩约束矩阵补全实现一致估计，成功揭示了静息态fMRI丰富的协方差结构。
2024-09-21 stat.AP stat.ME
Incorporating structured assumptions with probabilistic graphical models in fMRI data analysis
The University of Tokyo（东京大学）；Princeton University（普林斯顿大学）；Facebook Reality Labs（Facebook现实实验室）；Columbia University（哥伦比亚大学）；Intel Corporation（英特尔公司）
近年来，随着功能磁共振成像（fMRI）被认知神经科学研究者广泛采用，积累了大量的脑成像数据。聚合这些数据以获得科学见解通常面临的挑战是，fMRI数据是高维的、跨人群的异构的并且有噪音。这些挑战要求开发针对神经科学问题和数据属性的计算工具。我们回顾了几个最近开发的算法在各个领域的功能磁共振成像研究：功能磁共振成像在自然主义的任务，分析全脑功能连接，模式分类，推断代表性的相似性和建模结构化残差。这些算法都以类似的方式解决了fMRI中的挑战：它们首先对神经数据和现有领域知识的假设做出明确的陈述，将这些假设和领域知识纳入概率图模型，并使用这些模型来估计数据中感兴趣的属性或潜在结构。这样的方法可以避免错误的发现，减少噪音的影响，更好地利用数据的已知属性，并更好地跨受试者组聚合数据。通过这些成功的案例，我们提倡在认知神经科学中更广泛地采用外显模型构建。虽然我们专注于功能磁共振成像，这里说明的原则是普遍适用于其他形式的大脑数据。
2020-05-29 cs.LG q-bio.NC stat.AP
A state-space model for dynamic functional connectivity
动态功能连接（DFC）分析涉及测量多个大脑区域随时间的相关神经活动。神经信号之间的显著区域相关性，例如从静息状态功能性磁共振成像（fMRI）获得的信号，可能代表与休息相关的神经回路。传统的方法估计的相关动态作为一个序列的静态相关滑动时间窗口具有统计局限性。为了解决这个问题，我们提出了一个多变量随机波动率模型估计DFC最近的工作在计量经济学研究的启发。该模型假设了一个状态空间框架，其中多变量正态观测序列的相关动态由正定矩阵变量潜过程控制。在序贯贝叶斯估计框架内使用该统计模型，我们使用来自多个脑区域的血氧水平依赖性活动来估计相关轨迹上的后验分布。我们证明了这个DFC估计框架的实用性，通过分析其性能的模拟数据，并通过估计相关动态静息状态fMRI数据从患者的意识障碍（DoC）。我们的工作推进了DFC分析的最新技术及其在DoC生物标志物探索中的原则性应用。
2019-12-11 q-bio.NC q-bio.QM stat.AP
Evaluating phase synchronization methods in fMRI: a comparison study and new approaches
Johns Hopkins University（约翰斯·霍普金斯大学）；Kennedy Krieger Institute（肯尼迪·克里格研究所）；Johns Hopkins School of Medicine（约翰斯·霍普金斯医学院）
近年来，利用静息态功能磁共振成像（rs-fMRI）数据来测量不同脑区之间随时间变化的功能连接越来越受到关注。评估来自不同大脑区域的信号之间的关系的单向式方法之一是测量它们在时间上的相位同步（PS）。有几种方法来执行这样的分析，在这里，我们比较的方法，利用PS度量连同滑动窗口，这里称为加窗相位同步（WPS），与那些直接测量的瞬时相位同步（IPS）。特别是，IPS最近获得了普及，因为它提供了单一的时间点分辨率的时间分辨功能磁共振成像连接。在本文中，我们讨论了进行PS分析所需的基本假设，并强调带通滤波的数据，以获得有效的结果的必要性。我们回顾了各种方法来评估PS，并介绍了一种新的方法内的IPS框架表示余弦的相对相位（CRP）。我们对比的方法，通过一系列的模拟和应用程序的rs-fMRI数据。我们的研究结果表明，CRP优于其他测试的方法，并克服了未检测到的时间转换从积极到消极的协会在IPS分析常见的问题。此外，与相位相干性相反，CRP展开了PS测量的分布，这有利于随后将PS矩阵聚类为反复出现的大脑状态。
2020-09-21 cs.LG eess.SP stat.AP
Denoising VAE as an Explainable Feature Reduction and Diagnostic Pipeline for Autism Based on Resting state fMRI
Columbia University（哥伦比亚大学）；The New York State Psychiatric Institute（纽约州精神病学研究所）
提出基于去噪变分自编码器的rs-fMRI特征降维流程，将功能连接压缩至5维潜在分布，在保持SVM分类性能的同时显著提升效率，并发现Power图谱更有效。
2025-03-27 cs.LG eess.IV stat.AP
Bayesian Modeling of Effective and Functional Brain Connectivity using Hierarchical Vector Autoregressions
分析大脑连接对于理解大脑如何处理信息非常重要。我们提出了一种新的贝叶斯向量自回归（VAR）分层模型，用于分析自闭症谱系障碍（ASD）患者和健康对照的静息态fMRI数据集的大脑连接。我们的方法模型功能和有效的连接同时，这是新的VAR文献的大脑连接，并允许组和单个主题的推理以及组比较。我们结合分析边缘化与哈密顿蒙特卡罗（HMC），以获得高效的后验抽样。与我们的结果相比，更简化的协方差设置的结果通常对区域之间的功能连接过于乐观。此外，我们的建模异质受试者特定的协方差阵的有效连接相比，一个共同的协方差阵的所有科目的模型的差异较小。
2021-12-08 stat.AP
Temporal Functional Factor Analysis of Brain Connectivity
本文提出一种基于函数数据分析框架的因子模型，通过矩阵补全、分布式算法和函数回归，解决fMRI功能连接分析中的噪声、计算和时序问题，实现全面可扩展的脑连接研究。
2025-10-17 stat.AP stat.ME
Two Sample Inference for Populations of Graphical Models with Applications to Functional Connectivity
高斯图形模型（GGM）广泛应用于基于fMRI、EEG或MEG的神经成像研究中，以估计功能连接或远程脑区域之间的关系。在多受试者研究中，科学家们试图确定两组受试者之间不同的功能性大脑连接，即患病组中存在但对照组中不存在的连接，反之亦然。这相当于在图形模型选择后对网络边缘进行双样本大规模推理，我们称之为群体后选择推理。目前解决这个问题的方法包括为每个主题估计一个网络，然后假设主题网络是固定的，对每个边缘进行双样本推理。然而，这些方法不能解释与估计每个受试者的图相关的可变性，因此导致大量的假阳性和低统计功效。通过使用恢复和随机惩罚来估计选择后的变异性以及适当的随机效应检验统计量，我们开发了一个新的程序，我们称之为$R^{3}$，解决了这些问题。通过仿真研究，我们表明，$R^{3}$提供了重大改进，目前的方法在错误控制和统计功效。我们应用我们的方法，以确定功能连接存在或不存在的自闭症患者使用ABIDE多学科功能磁共振成像研究。
2015-02-12 q-bio.QM stat.AP stat.ME
Integrating Additional Knowledge Into Estimation of Graphical Models
在图形模型的应用中，我们通常拥有比样本本身更多的信息。一个主要的例子是基于fMRI数据的大脑连接网络的估计，除了样本本身，测量的空间位置也很容易获得。特别是对于这个应用程序，我们感兴趣的是如何将额外的知识最有效地融入图估计。我们的方法是通过加强调整参数的作用，使邻域选择接受额外的知识。我们证明了这个概念（i）可以提高再现性，（ii）计算方便和有效，（iii）进行清晰的贝叶斯解释。我们特别表明，该方法提供了有效的估计，从功能磁共振成像数据的大脑连接图。然而，提供了一个一般的计划，包括额外的知识，我们的概念预计将在广泛的领域中的应用。
2017-04-20 stat.AP stat.ME stat.ML
