Complex tensor factorisation with PARAFAC2 for the estimation of brain connectivity from the EEG
目的：神经元群体之间的耦合及其幅度已被证明是各种临床应用的信息。估计大脑连通性的一种方法是利用脑电图（EEG），从EEG导出不同传感器位置之间的互谱。我们希望测试张量因子分解在估计大脑连通性方面的功效。研究方法：基于PARAFAC2的复张量分解用于将EEG分解成由空间、频谱和复试验轮廓描述的头皮分量。在复杂的域中的EEG模型推导出，表明PARAFAC2的适用性。一个连接性度量也来自复杂的审判配置文件的提取组件。结果如下：在基准EEG数据集上的结果证实，PARAFAC 2可以在信噪比范围内比传统的张量分析（如PARAFAC）更好地估计连接性。对轻度认知障碍或阿尔茨海默病患者的EEG分析表明，PARAFAC2比传统方法更好地识别大脑连接的丧失，并且与先前的病理知识一致。结论：复杂的PARAFAC 2算法适用于EEG连接估计，因为它允许提取有意义的耦合源，并提供比复杂PARAFAC更好的估计。重要性：一个新的范例，采用复杂的张量因子分解已被证明是成功的，在识别大脑的连接和位置的夫妇源的基准和现实世界的EEG数据集。这可以支持未来的应用，并有可能解决一些使传统连接性指标性能恶化的问题。
2017-05-02 cs.CE q-bio.NC
Prefrontal cortex functional connectivity based on simultaneous record of electrical and hemodynamic responses associated with mental stress
本文基于与精神应激相关的同步电反应和血流动力学反应，研究了前额叶皮层（PFC）的功能连接。电反应基于脑电图（EEG）信号的α节律，血液动力学反应基于使用功能性近红外光谱（fNIRS）测量的氧合和脱氧血红蛋白的平均浓度。目的是探讨应激对脑电（EEG）8 ~ 13 Hz和fNIRS（fNIRS）0.009- 0.1 Hz窄频带和宽频带PFC功能连接的影响。结果表明，脑电α节律和fNIRS氧合血红蛋白和脱氧血红蛋白显示，大脑半球间和半球内PFC区背外侧PFC的功能连接明显减少。统计学分析进一步证实了右背外侧对心理应激的优势。
2021-03-08 q-bio.NC
InfoFlowNet: A Multi-head Attention-based Self-supervised Learning Model with Surrogate Approach for Uncovering Brain Effective Connectivity
本文提出基于多头自注意力的自监督模型InfoFlowNet，通过打乱时间顺序测量推断损失来估计EEG方向性信息流，实验表明其能识别更显著的时变因果边，优于Granger因果和时间因果发现框架。
2023-11-30 q-bio.NC
Combining EEG source connectivity and network similarity: Application to object categorization in the human brain
认知神经科学的一个主要挑战是评估人类大脑基于共同特征对视觉刺激进行分类或分组的能力。这个分类过程非常快，在几百毫秒的时间尺度内发生。然而，大规模脑网络的时空动态的精确跟踪仍然是一个未解决的问题。在这里，我们展示了最近开发的称为密集EEG源连接的方法的组合，以识别具有出色的时间和空间分辨率的功能性大脑网络，以及一种称为SimNet的算法，以计算大脑网络的相似性。在这项研究中分析了两类视觉刺激：不动和移动。在每个类别（条件内）和类别之间（条件间）评估网络相似性。结果表明，每个类别内的相似性高，两个类别之间的相似性低。在120- 190 ms的时间段内，观察到在内部和内部条件下计算的相似性之间的显着差异，认为这与视觉识别和记忆访问有关。我们推测，这些观察将有助于从网络的角度理解人脑中的对象分类。
2016-06-03 q-bio.NC
Electroencephalography source connectivity: toward high time/space resolution brain networks
人脑是一个大规模的网络，其功能依赖于空间分布区域之间的动态交互。在快速发展的网络神经科学领域，两个尚未解决的挑战是潜在的突破。首先，应该通过非侵入性和易于使用的神经成像技术来估计功能性脑网络。其次，这些技术的时间/空间分辨率应该足够高，以评估所识别的网络的动态。新兴的证据表明，脑电图（EEG）源连接方法可以提供解决这两个问题，只要头皮EEG信号进行适当的处理。因此，EEG源连接方法的性能强烈依赖于信号处理（SP），涉及各种方法，如预处理技术，逆解，信号之间的统计耦合和网络科学。本教程式综述的主要目的是概述EEG源连接。我们描述的主要贡献，SP社区带来了这一研究领域。我们强调需要认真解决的方法问题，以获得相关的结果，我们强调目前的局限性，需要进一步调查。我们还报告了在正常和病理大脑状态下的具体应用中获得的结果。最后指出了信号处理方法和应用的发展方向
2018-01-08 q-bio.NC
Using EEG-based brain connectivity for the study of brain dynamics in brain-computer interfaces
大脑连接的分析旨在了解功能网络进入大脑的出现。这些信息可用于脑机接口（BCI）的脑电（EEG）信号分析和分类过程中。这些系统为有运动障碍的人提供了另一种沟通和控制渠道。在这篇文章中，提出了四种策略，用于在BCI环境中使用脑连接作为工具，以更深入地了解大脑机制，其主要目的是结合不同的神经技术和外骨骼开发面向步态神经康复的方案。这一计划将有助于改进现有计划和/或设计新的控制战略以及康复方法。
2020-07-18 q-bio.NC stat.AP
A scalp-EEG network-based analysis of Alzheimer's disease patients at rest
包括阿尔茨海默病（AD）在内的大多数脑疾病都与正常脑网络组织和功能的改变有关。使用非侵入性和易于使用的技术探索这些网络改变是一个非常有趣的话题。在本文中，我们收集了AD患者和健康对照者的EEG静息状态数据。头皮EEG信号之间的功能连接使用6个频带的锁相值（PLV）进行量化。为了评估网络特性的差异，进行了图论分析。AD患者在低α带的平均连接性、平均聚类性和整体效率均降低。认知评分和提取的图形测量之间的正相关，这表明EEG可能是一种有前途的技术，以获得新的生物标志物的AD诊断。
2017-06-12 q-bio.NC
Human brain distinctiveness based on EEG spectral coherence connectivity
近年来，利用脑电生物特征进行自动身份识别的研究受到了越来越多的关注。目前大多数分析依赖于提取表征单个大脑区域活动的特征，如功率谱估计，从而忽略了所生成的EEG信号之间可能的时间依赖性。然而，重要的生理信息可以从不同大脑区域的功能耦合中提取出来。在这项研究中，我们提出了一种新的方法，将不同大脑区域之间基于光谱相干性的连接性融合为可能可行的生物特征。在闭眼（EC）和睁眼（EO）静息状态条件下，对受试者（N=108）的大型数据集进行了测试。所获得的识别性能表明，使用大脑的连接导致更高的独特性相对于功率谱测量，在这两个实验条件。值得注意的是，当整合额叶区域之间的功能连接时，在EC和EO中获得100%的识别准确率，而当融合来自中央顶叶区域的功率谱信息时，在EC中获得较低的97.41%（在EO中为96.26%）。两者合计，这些结果表明，功能连接模式代表有效的功能，以改善基于EEG的生物识别系统。
2014-03-23 q-bio.NC stat.ML
On the variability of functional connectivity and network measures in source-reconstructed EEG time-series
估计（相互作用的）大脑区域之间的统计相互依赖性的想法促使许多研究人员研究由此产生的连接模式和网络如何在任何可能的情况下组织起来。尽管这一想法并非处于初始阶段，但其实际应用仍远未普及。一个并发的原因可能与不同方法的扩散有关，这些方法旨在捕捉（相互作用）单元之间的潜在相关性。这个问题可能阻碍了不同研究之间的比较。不仅所有这些方法都有相同的名称（功能连接），而且它们经常使用不同的方法进行测试和验证，因此很难理解它们在多大程度上相似或不相似。在这项研究中，我们的目的是比较一组不同的方法，通常用于估计的功能连接的公共EEG数据集代表一个可能的现实情况。正如预期的那样，我们的研究结果表明，源级EEG连接估计和派生的网络措施，即使指向相同的方向，可能会显示大量的依赖于（通常是任意的）选择所选择的连接度量和阈值方法。在我们看来，观察到的变化反映了模糊性和关注，在报告基于任何连接性指标的结果时，都应该加以讨论。
2020-11-24 eess.SP q-bio.NC
Modelling Brain Connectivity Networks by Graph Embedding for Dyslexia Diagnosis
University of Málaga（马拉加大学）；Andalusian Data Science and Computational Intelligence Institute (DasCI)（安达卢西亚数据科学与计算智能研究所）；University of Granada（格拉纳达大学）
已经开发了几种方法来从脑电图（EEG）中提取信息。其中之一是相位振幅耦合（PAC），这是一种交叉频率耦合（CFC）方法，其在于测量不同EEG频带和电极的相位和振幅的同步性。这提供了关于同步激活的大脑区域的信息，并最终提供了这些区域之间功能连接的标记。在这项工作中，内部和内部电极PAC计算获得不同的电极之间的关系在EEG中使用。然后将连接性信息视为图形，其中不同的节点是电极和它们之间的边PAC值。这些结构被嵌入以创建可以进一步用于对多通道EEG样本进行分类的特征向量。所提出的方法已被应用到分类EEG样本采集使用特定的听觉刺激在一个任务设计的阅读障碍的诊断在七岁的儿童EEG的。所提出的方法提供的AUC值高达0.73，并允许选择最具鉴别力的电极和EEG频带。
2021-04-12 cs.LG q-bio.NC
Using Brain Connectivity Measure of EEG Synchrostates for Discriminating Typical and Autism Spectrum Disorder
在本文中，我们利用稳定的相位同步地形图的概念-同步态-在头皮上从脑电图记录制定自闭症谱系障碍（ASD）和典型的成长儿童的大脑连接网络。同步索引适于形成捕获每个同步状态的稳定性的连接图的边。对11名ASD儿童和12名对照组儿童建立了这样的网络。这些网络的比较分析，使用图论的措施表明，自闭症儿童有一个不同的模块化，从典型的儿童这样的网络。这一结果可能为从非侵入性记录的EEG数据中识别ASD的新模式铺平道路。
2016-11-29 physics.med-ph q-bio.NC stat.AP
Critical comments on EEG sensor space dynamical connectivity analysis
许多不同的分析技术已经被开发并应用于EEG记录，使人们能够研究不同的大脑区域如何相互作用。一类特殊的方法，基于多个相互作用的时间序列的线性参数表示，被广泛用于研究大脑中的因果连接。但是，对这些方法得到的结果应非常谨慎地解释。本文的目标是表明，无论是理论上和使用模拟，通过应用因果连接措施的传感器（头皮）时间序列不允许解释的相互作用的大脑来源。这是因为1）通道位置不能被视为源的解剖位置的近似值，以及2）传感器之间可能发生伪连接。虽然从EEG传感器时间序列得出的因果连接的许多措施受到后者的影响，在这里，我们将集中在著名的格兰杰因果关系（GC）的时域指数和频域定向传递函数（DTF）。使用状态空间框架和设计两个模拟研究，我们表明，混合效应引起的体积传导可能会导致虚假的连接，检测到的时域GC或DTF。因此，GC/DTF因果连接性测量应在源水平计算，或在模拟体积传导效应的分析框架内推导。由于混合效应也可能发生在源空间中，因此建议将源空间分析与对混合具有鲁棒性的连通性度量相结合。
2016-11-08 q-bio.NC stat.AP
Comparison of Network Analysis Approaches on EEG Connectivity in Beta during Visual Short-Term Memory Binding Tasks
我们分析了记录的年轻健康志愿者的工作记忆表征的β带中的脑电图信号，这些志愿者执行几种不同的视觉短期记忆（VSTM）任务，这些任务已被证明在临床和临床前阿尔茨海默病的评估中是有用的。我们比较网络分析使用最大生成树（MSTs）与网络分析使用20%和25%的连接阈值的VSTM数据。MST是一种很有前途的网络分析方法，否定了迄今为止任意选择的阈值的更经典的使用。然而，我们发现阈值分析优于MST检测功能网络的差异。特别是，MST没有发现任何显著差异。此外，当在显示屏的左侧测试形状和形状-颜色结合任务时，阈值检测到这些任务之间的显著差异，但是当在显示屏的右侧测试这些任务时，没有检测到这样的差异。这提供了证据表明，对侧活动是一个重要的因素，检测认知任务的差异的灵敏度。
2016-04-08 q-bio.NC
Using Shallow Neural Networks with Functional Connectivity from EEG signals for Early Diagnosis of Alzheimer's and Frontotemporal Dementia
本研究提出结合谱时与多方法功能连接特征的浅层CNN模型，用于AD、FTD与对照的EEG分类，最高准确率达94.54%，为痴呆早期诊断提供新工具。
2023-11-06 eess.SP q-bio.NC
EEG Interpretation Across Chant Listening: A Single-Subject Pilot Investigation Using Spectral and Functional Connectivity Analysis
Centre for Brain Research (CBR), Indian Institute of Science (IISc)（印度科学院脑研究中心）；National Institute of Advanced Studies (NIAS)（国立高等研究院）
本研究通过频谱和功能连接分析，比较了五种听觉条件下5岁儿童的大脑活动，发现不同吟唱条件（如Shiv Tandav Stotra）能调节神经振荡并形成不同的功能网络连接模式。
2026-06-24 eess.SP q-bio.NC
Perturbing a Neural Network to Infer Effective Connectivity: Evidence from Synthetic EEG Data
Southern University of Science and Technology（南方科技大学）；University of Macau（澳门大学）；University of Queensland（昆士兰大学）
本研究针对多脑区非线性因果作用表征方法不足的问题，提出扰动训练后神经网络的有效连接推断框架，在合成EEG数据上验证发现CNN和Transformer性能优于经典Granger因果方法，为揭示脑因果结构提供新途径。
2023-07-19 cs.AI eess.SP q-bio.NC
Reconstruction of brain networks involved in magnetophosphene perception using dense electroencephalography
人类在磁磷感知过程中大脑功能网络的特征。在高强度（50 mT）磁场（MF）暴露期间，对N=3名志愿者进行密集脑电图（EEG，128通道）检查。使用EEG源连接方法，在皮层水平上从头皮记录重建功能性脑网络。磁磷感知似乎始终激活右下枕颞通路。这项研究提供了第一个表征人类磁磷感知的神经成像结果。在生物电磁学领域，密集脑电源连接的使用是一种很有前途的方法。
2018-03-01 q-bio.NC
Hierarchical Event Descriptor library schema for EEG data annotation
本研究构建HED-SCORE库模式，将SCORE的EEG事件标注术语转化为机器可读形式，并验证其可在BIDS格式EEG数据中用于事件标注与计算。
2024-10-27 q-bio.NC
Systematic Enhancement of Functional Connectivity in Brain-Computer Interfacing using Common Spatial Patterns and Tangent Space Mapping
认知任务的功能连接允许研究人员使用脑电图（EEG）信号分析大脑不同区域之间发生的交互映射。功能连接性的标准实践涉及研究几次试验中的电极对相互作用。由于认知任务总是涉及人的因素，因此不可避免地具有来自受试者浓度或其他精神状态影响的脑信号的低质量数据，这些数据可能在整个实验试验中的任何时间发生。这些低质量的EEG严重影响电极之间的连接。在本文中，我们的目标是通过实施一个分类步骤的过程中，以消除那些不正确的EEG试验从可用的集合中，以提高功能连接的心理任务。分类步骤移除被错误分类或具有低发生概率的试验，以仅提取可靠的EEG试验。通过我们的方法，我们已经成功地提高了不同的心理任务之间的图参数的可分性。我们还观察到，通过仅关注一组选定的通道而不是使用所有通道，连接的可读性得到了提高。
2019-07-21 cs.HC q-bio.NC
Classification of EEG-Based Brain Connectivity Networks in Schizophrenia Using a Multi-Domain Connectome Convolutional Neural Network
Universiti Teknologi Malaysia（马来西亚理工大学）；King Abdullah University of Science and Technology（阿卜杜拉国王科技大学）
我们利用脑功能连接的改变模式作为神经精神病患者自动判别分析的特征。深度学习方法最近才被引入到功能性网络分类中，用于fMRI，并且所提出的架构基本上集中在单一类型的连接性度量上。我们提出了一个深度卷积神经网络（CNN）框架，用于对精神分裂症（SZ）患者的脑电图（EEG）衍生脑连接体进行分类。为了捕捉在SZ中断连接的互补方面，我们探索各种连接功能的组合，包括有效连接的时间和频域指标的基础上向量自回归模型和部分有向相干性，和复杂的网络拓扑结构的网络措施。我们设计了一种新的多域连接体CNN（MDC-CNN）的基础上并行集成的一维和二维CNN集成的功能，从不同的域和维度使用不同的融合策略。多个卷积层从EEG连接性中学习到的分层潜在表示揭示了SZ和健康对照（HC）之间明显的群体差异。在一个大的静息状态EEG数据集上的结果表明，所提出的CNN显着优于传统的支持向量机分类器。具有组合连接特征的MDC-CNN进一步提高了使用单个特征的单域CNN的性能，实现了具有决策级融合的$93.06\%$的显著准确性。通过整合来自不同大脑连接描述符的信息，所提出的MDC-CNN能够准确地区分SZ和HC。新的框架是潜在的有用的开发SZ和其他疾病的诊断工具。
2019-03-21 cs.CV cs.LG q-bio.NC
Investigating Brain Connectivity and Regional Statistics from EEG for early stage Parkinson's Classification
University of Bristol（布里斯托大学）
该研究利用EEG数据，将脑连接性指标与区域信号统计特征结合，通过Ada Boost模型在30名受试者上实现早期帕金森病分类，N1睡眠阶段结合相位滞后指数与频率统计特征取得91%的最佳准确率。
2024-08-01 cs.AI eess.SP q-bio.NC
Conex-Connect: Learning Patterns in Extremal Brain Connectivity From Multi-Channel EEG Data
癫痫是一种慢性神经系统疾病，影响全球5000多万人。癫痫发作的行为就像对神经系统的暂时性电击，破坏大脑中正常的电活动。癫痫通常通过脑电图（EEG）进行诊断。目前的方法研究时变光谱和相干性，但不直接模拟极端行为的变化。因此，我们提出了一种新的方法来表征脑连接的基础上联合尾行为的脑电图。我们提出的方法，大脑连接的条件极值依赖（Conex-Connect），是一种开创性的方法，它将参考通道处的较高振荡的极值与其他大脑网络通道之间的关联联系起来。使用Conex-Connect方法，我们发现癫痫发作病灶处的活动驱动的极值依赖性的变化。我们的基于模型的方法表明，癫痫发作前，依赖性是非常稳定的所有通道时，条件的极端值的局灶性癫痫发作面积。相比之下，癫痫发作后，通道之间的依赖性较弱，依赖模式更“混乱”。此外，在频谱分解方面，我们发现，高频率的伽玛带的高值是最相关的功能，以解释大脑连接的条件极值依赖。
2021-01-03 q-bio.NC stat.AP stat.ME
Evaluating tDCS Intervention Effectiveness via Functional Connectivity Network on Resting-State EEG Data in Major Depressive Disorder
本研究通过静息态脑电功能连接网络评估tDCS对重度抑郁症的干预效果，发现其改善网络拓扑并增强DLPFC连接，为神经调控治疗提供依据。
2025-04-25 q-bio.NC q-bio.QM
Macroscopic cortical dynamics: Spatially uncorrelated but temporally coherent rich-club organisations in source-space resting-state EEG
神经元群的同步振荡支持静息态皮层活动。最近的研究表明，静息态功能连接不是静态的，而是呈现复杂的动态变化。皮层活动的复杂动力学机制尚未得到很好的表征。在这里，我们直接应用奇异值分解（SVD）在源重建的脑电图（EEG），以体现动态的休息状态的功能连接的时空模式。我们发现，静息态功能连接的变化与不同的复杂的拓扑特征，“富俱乐部组织”，默认模式网络，显着性网络，和电机网络。显著性网络的Rich-club拓扑结构揭示了腹外侧前额叶皮层和前额叶皮层之间更大的功能连接，而默认模式网络的Rich-club拓扑结构揭示了额顶叶和后额叶皮层之间的双侧功能连接。这些源空间网络模式的富俱乐部组织的动力学的谱分析表明，静息状态的皮层活动表现出不同的动力学制度，其内在的表达包含快速振荡的α-β带和与$<0.1$ Hz的时标的振荡信号。因此，我们的研究结果表明，多变量特征分解的源重建的EEG是一个可靠的计算技术，探讨如何动态的时空特征的休息状态皮层活动发生在不同的频率振荡。
2020-07-28 nlin.AO q-bio.NC
Relationship Between Mood, Sleepiness, and EEG Functional Connectivity by 40 Hz Monaural Beats
本研究通过10名参与者的5次随机会话，探讨40 Hz单耳拍对情绪、嗜睡及脑电功能连接的影响，发现可听刺激能显著提升唤醒度与积极情绪，并改变特定脑区连接，为认知增强和情绪调节提供依据。
2023-11-20 cs.HC q-bio.NC
Brain-MGF: Multimodal Graph Fusion Network for EEG-fMRI Brain Connectivity Analysis Under Psilocybin
School of Information Technology, Monash University Malaysia（信息技术学院，墨尔本大学马来西亚分校）；Department of Data Science and AI, Faculty of Information Technology, Monash University（数据科学与人工智能系，信息科技学院，墨尔本大学）；Turner Institute for Brain and Mental Health, School of Psychological Sciences, Monash University（脑与心理健康研究所，心理学科学学院，墨尔本大学）
Brain-MGF通过多模态图融合网络实现psilocybin下EEG-fMRI脑连接分析，提升冥想和休息状态下的区分准确率与F1分数。
2025-11-23 cs.LG q-bio.NC
Rewiring Human Brain Networks via Lightweight Dynamic Connectivity Framework: An EEG-Based Stress Validation
Institute for Intelligent Systems Research and Innovation（智能系统研究与创新研究所）；University of Southern Queensland（南方昆士兰大学）
本文提出基于时间变化定向传递函数的轻量级动态脑连接框架，通过机器学习验证EEG数据中的应力分类，发现alpha-TV-DTF在分类中表现最佳，凸显动态连接在捕捉脑区时间与因果影响上的优势。
2025-10-17 cs.AI q-bio.NC
Resting-State EEG Network Profiles Associated with Creative Engagement and Creative Self-Efficacy
University of British Columbia（不列颠哥伦比亚大学）；University of Oxford（牛津大学）；Hong Kong Baptist University（香港浸会大学）
研究通过静息态EEG分析揭示了创造力自我效能与参与度的神经网络特征，发现不同群体在alpha波段连接模式上存在显著差异。
2026-01-19 eess.SP q-bio.NC q-bio.QM
Distinct Modes of Functional Neural Organization in Autism: Insights from Dynamical Systems Analysis of Resting-State EEG
本研究通过动力学系统方法分析静息态EEG，发现自闭症患者在睁眼时神经动力学更随机且稳定性差，闭眼能使其规律化，揭示了其独特的神经组织模式。
2025-07-11 q-bio.NC
EEG Connectivity Analysis Using Denoising Autoencoders for the Detection of Dyslexia
本研究使用去噪自编码器分析儿童EEG连接性，发现其低维表示能以高于0.8的准确率检测阅读障碍，且与语言认知任务表现显著相关，为客观评估提供新途径。
2023-11-23 cs.NE q-bio.NC
Electrophysiological correlates of non-stationary BOLD functional connectivity fluctuations
BOLD（血氧水平依赖性）信号的自发波动，用fMRI（功能性磁共振成像）测量，显示了丰富的和神经生物学相关的功能连接结构。这种结构通常使用时间平均方法来揭示，这防止了功能连接随时间变化的检测。在这项工作中，我们研究了动态BOLD功能连接波动的电生理学相关性，通过长（约）。50分钟）联合脑电图（EEG）和fMRI记录。我们确定了广泛的正相关和负相关之间的EEG频谱功率和功能磁共振成像BOLD连接波动的网络中的90个皮层和皮层下区域。特别是，α（8-12 Hz）和β（15-30 Hz）功率的增加与功能连接的减少有关，而γ（30-60 Hz）功率与特定脑区之间的BOLD连接呈正相关。此外，这些模式被改变的主题进行警惕性的变化，与参与的慢三角洲（0.4 - 4赫兹）带在本地的正相关性。最后，网络结构的图论指数也随着时间的推移表现出急剧的变化，平均路径长度与从中央和额电极提取的α功率呈正相关。我们的研究结果强烈表明，非稳态BOLD功能连接有一个神经生理学的起源。BOLD连接性与γ的正相关性可以解释为在相对较长的时间内平均结合增加，这可能是由于休息期间发生的自发认知。与α的负相关表明局部和远程连接的功能抑制，与大脑的空闲状态有关。
2012-09-21 q-bio.NC
Hypergraphs from multivariate connectivity: caCOH-based EEG/MEG representation
Centre for Cognition and Decision Making, HSE University（认知与决策中心，高等经济大学）
本文提出基于典型相干（caCoh）从 EEG/MEG 数据构建超图的方法，通过一对多和空间对空间两种表示，在模拟中相比幅度平方相干（MSC）图更有效地恢复耦合频率和空间模式，并大幅减少边数。
2026-06-29 physics.data-an q-bio.NC q-bio.QM
THD-BAR: Topology Hierarchical Derived Brain Autoregressive Modeling for EEG Generic Representations
Beihang University（北航大学）
针对现有自回归脑电模型未充分捕捉生理特征与动态空间拓扑的问题，提出THD-BAR，通过脑拓扑层次（BTH）实现多尺度时空建模，在17个数据集预训练后于10个下游任务上持续优于现有方法，提升通用表征能力。
2025-11-05 cs.LG eess.SP q-bio.NC
EEG-estimated functional connectivity, and not behavior, differentiates Parkinson's patients from health controls during the Simon conflict task
Columbia University（哥伦比亚大学）
本研究探究EEG估计的功能连接作为帕金森病生物标志物的潜力，发现在Simon冲突任务中，delta和theta振荡对应的功能连接模式区分患者与健康对照的效果显著优于时间特征或行为，为帕金森病的神经标志物研究提供了新依据。
2024-10-09 cs.LG q-bio.NC
Spatial Neighboring Scattering Transform: A Cross-Channel Amplitude Coupling Measure for EEG Connectivity
Military Institute of Science and Technology（军事科学与技术学院）
研究针对脑电连接性分析中现有方法的不足，引入空间相邻散射变换，通过扩展小波散射变换到多通道设置，获取幅度包络耦合及跨频率调制信息，经实验验证其能系统恢复相关耦合结构，为脑电分析提供新方法。
2026-07-13 eess.SP q-bio.NC stat.AP
Hierarchical internal representation of spectral features in deep convolutional networks trained for EEG decoding
Medical Center - University of Freiburg（弗莱堡大学医学中心）
最近，对机器学习模型的可解释性的兴趣和研究越来越多，例如它们如何在脑机接口（BCI）应用中转换和内部表示EEG信号。这有助于理解模型的局限性以及如何改进模型，此外还可能提供有关数据本身的见解。Schlemmeister等人（2017）最近报告了使用以端到端方式训练的深度卷积神经网络（ConvNets）进行EEG解码的有希望的结果，并且使用因果可视化方法，表明它们学会使用输入中的频谱幅度变化。在这项研究中，我们研究了ConvNets如何通过网络的中间阶段序列来表示光谱特征。我们表现出更高的敏感性，在早期阶段的EEG相位特征和更高的敏感性，在后期阶段的EEG振幅特征。有趣的是，我们观察到网络的各个阶段都专门针对经典的EEG频带α，β和高γ。此外，我们发现了第一个证据，特别是在最后一个卷积层中，网络学习检测频谱相位和幅度之外的更复杂的振荡模式，这让人想起在计算机视觉任务中ConvNets的后续层中复杂视觉特征的表示。因此，我们的研究结果提供了对ConvNets如何在其中间层分层表示频谱EEG特征的见解，并表明ConvNets可以利用并可能有助于更好地理解EEG时间序列的组成结构。
2017-12-15 cs.LG q-bio.NC stat.ML
NeuroStrata: An Electroencephalographic Connectivity-Aware Deep Representation Learning Framework for Dynamic Brain Network Analysis of Mental Stress
Institute for Intelligent Systems Research and Innovation (IISRI), Deakin University（迪肯大学智能系统研究与创新研究所）；Centre for Health Research, University of Southern Queensland（南昆士兰大学健康研究中心）；School of Science, Engineering and Digital Technologies, University of Southern Queensland（南昆士兰大学科学、工程与数字技术学院）
本研究提出NeuroStrata框架，结合时变有效连接建模与深度表示学习，利用EEG信号分析精神压力，β波段连接准确率达97.3%，为该领域提供可解释自动化方法。
2026-08-24 cs.AI cs.LG q-bio.NC
Directional and Causal Information Flow in EEG for Assessing Perceived Audio Quality
在本文中，脑电图（EEG）测量被用来推断皮质功能连接的变化，以响应音频刺激的变化。进行实验，其中当人类受试者收听质量随时间变化的音频序列时记录他们的EEG活动。因果信息理论的框架，然后提出了适当的分组到不同的感兴趣区域（ROI）在皮层的EEG传感器之间的信息流的测量。一个新的因果双向信息（CBI）措施被定义为一个标准的有向信息的措施，以确定在一个广义的皮质网络设置的ROI之间的连接的目的的改进。CBI可以直观地解释为有向信息的因果双向修改，并且固有地计算来自具有反馈的多址接入信道的观测数据的发散。此外，我们确定了不同的因果措施之间的分析关系，并比较他们如何能够区分感知的音频质量。推断出的连接结果表明，感兴趣区域之间的信息流的速率的显着变化，因为受试者听不同的音频质量，与CBI是最好的区分感知的音频质量，相比，使用标准的定向信息措施。
2018-02-18 eess.AS eess.SP q-bio.NC
Cortical current source connectivity by means of partial coherence fields
功能性神经影像学的一个重要研究领域是发现整合的、分布式的大脑系统和网络，这些系统和网络的不同区域需要协调一致地工作以实现正常功能。EEG是一种非侵入性技术，可以为大规模连接分析提供信息。时变电神经元活动的皮层信号可以从EEG估计。虽然这样的技术具有非常高的时间分辨率，但由于EEG的低空间分辨率性质，即使在远距离位置处的两个皮层信号也将看起来高度相似。在这项研究中，由于低空间分辨率的共同来源的影响，消除的方法。它是基于一个有效的估计的全皮层部分相干矩阵。作为一个起点使用任何线性EEG断层扫描，满足EEG正向方程，它示出了广义部分相干性的皮质灰质电流密度时间序列是不变的选定的断层扫描。仿真实验表明，广义部分相干方法比经典相干方法具有更高的空间分辨率。结果表明，只有19个电极，滞后连接的大脑区域往往会被错过和错位，即使滞后的相干性措施，而新方法检测和定位正确的连接区域使用滞后的部分相干性。
2011-08-01 physics.bio-ph q-bio.NC stat.AP
An Electroencephalography connectome predictive model of major depressive disorder severity
新的证据表明，抑郁症（MDD）与脑结构和功能网络的破坏有关，而不是孤立的脑区域的损害。因此，能够在个体水平上预测抑郁症严重程度的基于连接体的模型在临床上是有用的。在这里，我们应用了一种机器学习方法来预测抑郁症的严重程度，使用来自源重建脑电图（EEG）信号的静息状态网络。使用回归模型和三个独立的EEG数据集（N=328），我们测试了静息状态功能连接是否可以预测个体抑郁评分。在第一个数据集上，结果显示，可以使用EEG α带（8-13 Hz）中的固有功能连接合理地预测个体得分（r=0.61，p=4 x 10-18）。特别是，对预测网络贡献最大的大脑区域属于默认模式网络。我们通过对（N1=53，N2=154）进行两次外部验证，进一步测试了所建立模型的预测潜力。结果显示，抑郁量表的预测值与测量值之间存在高度显著的相关性（r1= 0.49，r2=0.37，p<0.001）。这些发现为开发一种可推广和科学解释的基于EEG网络的标记物奠定了基础，该标记物最终可以支持临床医生对MDD进行基于生物学的表征。
2021-10-15 q-bio.NC
Bayesian Functional Connectivity and Graph Convolutional Network for Working Memory Load Classification
University of Puerto Rico（波多黎各大学）
本文提出贝叶斯结构学习算法估计EEG功能连接，并结合图卷积网络对工作记忆负荷进行分类，在154名受试者上取得最高96%准确率，优于现有方法，且alpha和theta频段表现更佳。
2024-04-30 cs.LG eess.SP q-bio.NC
Investigating Brain Connectivity with Graph Neural Networks and GNNExplainer
TU Dresden（德累斯顿工业大学）；HZDR（亥姆霍兹德累斯顿罗森多夫研究中心）；UKE（汉堡埃彭多夫大学医院）
功能连接在现代神经科学中起着至关重要的作用。该模式揭示了大脑的功能和结构方面，包括多种病理背后的机制。精神分裂症就是这样一种病理，它通常伴随着幻听。后者通常通过观察语音处理过程中的功能连接来研究。在这项工作中，我们通过深度学习对三组人进行了深入的功能连接检查：有和没有听觉言语幻觉的精神分裂症患者和健康对照组。我们提出了一个基于图神经网络的框架，在这个框架内，我们将EEG数据表示为图域中的信号。该框架允许1）基于EEG记录预测大脑精神障碍，2）区分每组的听力状态和休息状态，3）识别特征任务依赖性连接。实验结果表明，该模型可以区分上述群体与国家的最先进的性能。此外，它提供了一个有意义的信息，研究人员对每个群体的功能连接，我们验证了当前的领域知识。
2022-06-04 cs.LG q-bio.NC
Using hierarchical statistical learning models to model individual statistical learning
研究用分层贝叶斯统计学习模型，在有无诵读困难的成年人听结构化音调序列时，通过EEG记录对个体学习轨迹建模，虽未发现组间显著差异，但模型模拟与EEG数据对应紧密，为未来研究提供概念验证。
2026-07-08 q-bio.NC
Prediction of Event Related Potential Speller Performance Using Resting-State EEG
事件相关电位（ERP）拼写器可用于闭锁或严重受伤患者的设备控制和通信。然而，诸如学科间绩效不稳定和ERP文盲等问题仍然没有得到解决。因此，有必要在执行ERP拼写器之前预测分类性能，以便有效地使用它。在这项研究中，我们调查了ERP拼写前的休息状态与ERP拼写成绩的相关性。具体而言，我们使用了四个大脑区域和五个频段的频谱功率和功能连接。因此，额叶的δ功率和δ、α、γ波段的功能连接与ERP拼写者的成绩显著相关。此外，我们预测ERP拼写性能使用EEG特征在休息状态。这些发现可能有助于调查ERP文盲，并考虑为每个用户的适当的替代品。
2020-05-07 cs.HC eess.SP q-bio.NC
Cluster structure of functional networks estimated from high-resolution EEG data
我们在频域中研究了皮层区域之间功能连接模式的拓扑性质。在一组脊髓损伤患者和一组健康受试者的肢体运动准备过程中，从高分辨率EEG记录中估计皮层网络。我们首先评估全球和本地的效率，分别在全球和本地规模的结构连接的指标。然后，我们使用马尔可夫聚类方法来分析网络的社区结构的划分。结果表明，受伤的病人和健康的人之间有很大的差异。特别地，脊髓损伤患者的网络表现出更高密度的有效簇。在Alpha（7-12 Hz）频段，观察到的两个最大的群落主要由扣带运动区和辅助运动区以及前运动区和右足主运动区组成。这种功能分离加强了脊髓损伤后初级运动区部分改变导致代偿机制的假设。
2008-06-17 q-bio.NC q-bio.QM
Bridging Accuracy and Explainability in EEG-based Graph Attention Network for Depression Detection
Department of Electrical Engineering, Indian Institute of Technology Kharagpur（印度理工学院Kharagpur电子工程系）
本文提出ExPANet图注意力网络，利用EEG多域特征和锁相值构建脑图，在提升抑郁症检测准确性的同时提供特征、通道与连接层面的可解释性。
2025-10-29 cs.LG eess.IV eess.SP
Identification of oscillatory brain networks with Hidden Gaussian Graphical Spectral models of EEG/MEG
针对 EEG/MEG 逆问题中功能网络模型设定错误导致的连接估计偏差，提出贝叶斯 HIGGS 模型识别振荡脑网络，并在模拟与猕猴同步 EEG/ECoG 实验中显著优于现有方法。
2022-10-25 q-bio.NC stat.ME
Defecting or not defecting: how to "read" human behavior during cooperative games by EEG measurements
理解负责人类社会互动的神经机制是困难的，因为必须同时检查两个或多个人的大脑活动，并与观察到的社会模式相关联。我们引入了超脑网络的概念，这是一种连接模式，它同时代表了单个大脑皮层区域之间的信息流以及两个不同大脑区域之间的关系。通过对26对玩迭代囚徒困境的个体进行EEG扫描，构建了超脑网络，并对其进行了图形分析，揭示了在决策阶段预测非合作互动的可能性。两个背叛者的超脑网络比合作或针锋相对的夫妇有更少的脑间联系和更高的整体模块性-即形成两个独立子图的趋势。通过评估超脑网络中连接模式的变化，可以提前“读取”背叛的决定。
2011-01-27 cs.SI physics.soc-ph q-bio.NC
Assessing Functional Neural Connectivity as an Indicator of Cognitive Performance
近年来的研究表明，神经组织和结构影响个体执行给定任务的能力。具体来说，具有更高神经效率的个体已经被证明优于那些组织功能结构较少的个体。在这项工作中，我们比较的预测能力的工作记忆任务的神经连接的属性。我们提供了两种新的方法来表征从脑电图（EEG）的功能网络连接，并比较这些功能的平均功率在EEG通道的频带。我们的第一个新的方法表示功能连接结构，通过分布的特征值组成的信道相干矩阵在多个频带。我们的第二种方法在每个频带上创建一个连接网络，并评估整个网络中连接组件的平均路径长度和度的变化。使用高斯分类器为每个特征集，在每个频带上检测单个试验中的数字和句子回忆失败。然后将分类器结果跨频带融合，使用接收器工作特征曲线（AUC）统计下的面积总结所得的检测性能。数字回忆失败的融合AUC结果为0.63/0.58/0.61，句子回忆失败的融合AUC结果为0.58/0.59/0.54，分别从连接结构、图形变异性和通道功率特征获得。
2016-07-29 q-bio.NC stat.ML
Online functional connectivity analysis of large all-to-all networks
EEG/MEG功能连接分析已成为神经研究的重要工具。特别是EEG/MEG的高时间分辨率使得能够对人类大脑的功能进行重要的洞察。迄今为止，功能连接性通常是离线估计的，即，在实验结束后。然而，在线计算的功能连接有可能使独特的实验范式。例如，可以实时跟踪由于学习过程而引起的功能连接的变化，并根据这些观察结果调整实验。此外，连接性估计可用于神经反馈应用或测量结果的瞬时检查。在这项研究中，我们提出了在线传感器和源空间功能连接估计的开源软件MNE扫描的实施和评估。在MNE-CPP内的连接性库中建立了几个功能连接性度量的在线实现，并作为MNE Scan中的插件提供。在线能力是通过强制多线程和所有计算的高效率来实现的，因此尽可能避免重复计算，这允许在重叠间隔的情况下大幅加速。我们提出了全面的性能评估，这些实现证明了在线计算能力的大型全对全功能连接网络。作为一个原则的证明，我们证明了在线功能连接估计在体感诱发脑活动的评估的可行性。
2023-03-06 eess.SP physics.med-ph q-bio.NC
Exploring Brain Networks Using Noninvasive Electrophysiological Measurements: Methods and Applications
University of Southern California（南加州大学）
该研究围绕使用EEG和MEG探索脑网络展开，阐述了其物理原理、正逆问题等方法基础及实际工作流程，涵盖多种连通性测量方法和新兴途径，为相关研究人员和学生提供了概念与实践指导。
2026-07-21 math-ph math.MP q-bio.NC
Stringology-Based Motif Discovery from EEG Signals: an ADHD Case Study
Braude College of Engineering（布雷德工程学院）
本文提出基于字符串学的EEG信号模式发现方法，用于分析ADHD患者的神经活动特征，揭示其在结构、稳定性和层次组织上的系统性差异。
2026-03-03 cs.DS cs.IR cs.NE
Hierarchical organization of brain functional network during visual task
本文从视觉作业过程中高分辨率同步脑电时间序列出发，通过计算时间序列之间的相位同步性来生成脑功能网络。用快速Girvan-Newman算法系统地研究了这些网络的层次模块组织。同时，空间上相邻的电极（对应于EEG通道）被聚类成功能组的基础上解剖的大脑皮层的包裹，并将此聚类信息与功能网络的信息进行比较。结果表明，脑功能网络的模块结构与解剖结构在不同层次上的模块结构一致，表明执行相同功能的神经元群体以相同的节律进行兴奋和抑制。结构-功能关系进一步揭示了同一功能组的脑电时间序列之间的相关性远强于不同功能组的脑电时间序列之间的相关性，脑功能网络的分层组织可能是大脑皮层功能分割的结果。
2011-01-25 physics.bio-ph physics.data-an q-bio.NC
Effect of Simulated Space Conditions on functional Connectivity
本研究利用卸载背带模拟地球、火星和国际空间站重力条件，结合EEG与fNIRS分析运动想象任务下大脑左右半球功能连接，发现EEG连接较强而fNIRS连接较弱。
2024-12-04 cs.HC q-bio.NC
