Hypergraph representation in brain network analysis
该研究聚焦脑网络功能研究,基于脑网络功能区域开展超图表示研究,提出可衡量功能包含多功能区域数量及功能间相关性的新参数。
2023-12-19 q-bio.NC
Graph analysis of spontaneous brain network using EEG source connectivity
在休息时探索人类大脑网络是一个非常有趣的话题。一些结构和功能的研究已经进行了研究的内在脑网络。在本文中,我们专注于研究人类大脑网络拓扑结构,使用密集的脑电图(EEG)源连接方法。我们应用图论方法从14名健康受试者的EEG采集的静息状态数据重建的功能网络。我们的研究结果证实了被认为是功能枢纽的大脑区域的存在。特别是,扣带峡部和眶额区揭示了高水平的整合。结果还强调了默认模式网络(DMN)在实现大脑区域之间有效通信方面的关键作用。
2016-07-04 q-bio.NC
Multilayer motif analysis of brain networks
在过去的十年中,网络科学为人类大脑不同区域之间的结构(解剖学)和功能(活动中的相关性)连接提供了新的线索。对大脑网络的分析使我们有可能检测到神经系统的中心区域,并通过观察过多的小的子图(称为基序)来识别其构建模块。然而,到目前为止,大脑的网络分析主要集中在解剖和功能网络作为独立的实体。最近开发的多层网络的数学框架允许对人脑进行分析,其中结构层和功能层被一起考虑。在这项工作中,我们描述了如何对多重网络的子图进行分类,并将基序分析扩展到具有任意层数的网络。然后,我们提取多层图案的健康受试者的大脑网络考虑两层,解剖和功能,分别从扩散和功能磁共振成像网络。结果表明,子图中存在的大脑区域之间的物理连接(链接在结构层)共存的非平凡的正相关性,在他们的活动是统计上过剩。最后,我们研究了两层之间的强化机制的存在,通过观察在一层中找到链接的概率如何取决于另一层中连接的强度。我们的工作表明,功能连接受到底层解剖网络的非平凡约束,有助于更好地理解人脑结构和功能之间的相互作用。
2016-10-06 cond-mat.dis-nn physics.soc-ph q-bio.NC
Degree distributions in mesoscopic and macroscopic functional brain networks
我们研究了从人脑功能磁共振成像中提取的脑网络的度分布。特别是,使用基于区域的节点的宏观脑网络和使用基于体素的节点的中观脑网络之间的分布进行比较。我们发现,这些网络的分布遵循相同的分布族,并表示连续的指数截断幂律分布。
2009-03-24 q-bio.NC q-bio.QM
An Algebraic Topological Method for Multimodal Brain Networks Comparisons
了解大脑的连通性已经成为神经科学中最重要的问题之一。但是连接数据既可以反映大脑活动的功能关系,也可以反映大脑区域之间的解剖特性。虽然人们应该期望两种表示之间有明确的关系,但这并不简单。在这里,我们提出了一种形式主义,通过将结构(DTI)和功能(fMRI)网络嵌入到公共度量空间中来比较两者。在这个度量空间中,人们可以找到两个网络在哪些区域有显著差异。我们的方法不仅可以用来比较多模态网络,而且还可以提取一组主题的统计上显著的聚合网络。实际上,我们使用这个过程来聚合一组功能(fMRI)网络从不同的主题在一个聚合的网络,与解剖(DTI)的连接。聚合网络的比较揭示了与经典平均网络进行比较时未观察到的一些特征。
2015-04-10 nlin.AO physics.soc-ph q-bio.NC
The Dynamics of Functional Brain Networks: Integrated Network States during Cognitive Function
更高的大脑功能依赖于在大脑区域的专门社区中灵活整合信息的能力,但目前还不清楚这种机制如何随着时间的推移而表现出来。在这项研究中,我们使用功能磁共振成像数据的时间分辨网络分析来证明人类大脑在两种功能状态之间穿梭,这两种状态最大限度地分离成紧密联系的社区或整合其他不同的神经区域。整合状态使认知任务的表现更快,更准确,并与瞳孔直径的扩张有关,这表明上行神经调节系统可能会控制这些替代模式之间的过渡。我们的数据证实了认知能力和大脑网络结构的动态重组之间的直接联系。
2016-08-01 q-bio.NC
Sex Differences in Hierarchical and Modular Organization of Functional Brain Networks: Insights from Hierarchical Entropy and Modularity Analysis
本研究通过层级熵与模块化分析发现,功能脑网络的层级组织存在显著性别差异,女性模块内连接更强,男性层级更复杂,且层级复杂性与模块化呈负相关,揭示了不同性别采用不同网络拓扑实现大脑功能。
2024-09-24 q-bio.NC
Edges in Brain Networks: Contributions to Models of Structure and Function
网络模型将大脑描述为代表其分布式组织的节点和边的集合。到目前为止,网络神经科学中的大多数发现都优先考虑突出网络节点的不同分组和专门功能贡献的见解。重要的是,这些功能的贡献是由网络边缘形成的相互关系网络决定和表达的。在这里,我们强调了大脑网络边缘对理解分布式大脑组织所做出的重要贡献。不同类型的边表示不同类型的关系,包括节点之间的连通性和相似性。采用特定的边缘定义可以从根本上改变我们分析和解释大脑网络的方式。此外,边缘可以关联到集体和更高阶的安排,描述时间序列,并形成边缘社区,提供对大脑网络拓扑结构的见解,以补充传统的以节点为中心的观点。关注边缘,以及它们可以提供的高阶或动态信息,揭示了以前未被充分认识的结构和功能网络组织的方面。
2021-05-14 q-bio.NC
Hodge-Laplacian of Brain Networks
大脑网络中的闭环或循环嵌入了更高阶的信号传输路径,这为大脑的功能提供了基本的见解。在这项工作中,我们提出了一个有效的算法,系统的识别和建模的周期使用持久的同源性和霍奇拉普拉斯算子。各种统计推断程序的周期。我们验证了我们的方法在模拟和适用于大脑网络通过静息状态功能磁共振成像。Hodge Laplacian的计算机代码在https://github.com/laplcebeltrami/hodge中给出。
2023-01-03 q-bio.NC
Statistical Comparison among Brain Networks with Popular Network Measurement Algorithms
在这项研究中,一些流行的网络测量算法已被应用到几个大脑网络(基于算法的适用性),以找出这些流行的网络测量之间的统计相关性,这将有助于科学家了解这些流行的网络测量算法及其对大脑网络的适用性。通过分析这些网络测量算法之间的相关性,还总结了所选脑网络之间的统计比较。此外,为了理解每个大脑网络,每个大脑网络的可视化和每个大脑网络度分布直方图已经外推。根据网络测量算法的适用性,选择了6种网络测量算法对16个脑网络进行了时间测量,并将测量结果进行了相关性分析,以显示6种网络测量算法对每个脑网络的测量结果之间的关系。最后,总结了相关性的结果,以显示这十六个脑网络之间的统计比较。
2023-03-29 cs.SI q-bio.NC stat.CO
Cost-efficiency trade-offs of the human brain network revealed by a multiobjective evolutionary algorithm
人们普遍认为,大脑网络结构的形成是在降低布线成本和促进通信效率之间的最佳权衡压力下进行的。然而,这种权衡是否存在于经验性的人脑网络中,如果存在,它是如何起作用的,这个问题仍然没有得到很好的理解。在这里,我们采用了多目标进化算法,直接和定量地探讨人类大脑网络的成本效益权衡。使用该算法,我们生成了一个具有最佳但不同成本效率权衡的合成网络群体。研究发现,这些合成网络不仅可以复制经验大脑网络中的大部分连接,而且还嵌入了类似的小世界结构。此外,研究发现合成脑网络和经验脑网络在枢纽区域的空间布置和模块结构方面相似,这是两个重要的拓扑特征,被广泛认为是成本效率权衡的结果。合成网络对随机攻击具有很高的鲁棒性,经验大脑网络。此外,我们还揭示了合成网络与经验脑网络的一些差异,包括较低的隔离处理能力和较弱的鲁棒性针对性攻击。这些发现提供了直接和定量的证据,证明人脑网络的结构确实在很大程度上受到最佳成本效益权衡的影响。我们还建议,一些额外的因素(例如,分离的处理能力)可能共同决定网络组织的成本和效率。
2020-12-09 q-bio.NC
Personalized brain network models for assessing structure-function relationships
许多最近的努力,在计算建模的宏观尺度的大脑动力学已经开始采取数据驱动的方法,结合结构和/或功能的信息,从主题数据。在这里,我们讨论了最近的工作,使用个性化的大脑网络模型来研究人类大脑的结构-功能关系。我们描述了建立这样的模型所需的步骤,并展示了这种计算方法如何通过执行虚拟实验的能力提供以前无法获得的信息。最后,我们提出了如何个性化的大脑网络模型可以用来深入了解局部刺激的影响,并改善癫痫的手术效果的例子。
2018-02-01 q-bio.NC
Characterizing functional brain networks and emotional centers based on Rasa theory of Indian aesthetics
在印度艺术史上,Rasas是与任何听觉,视觉,文学或音乐艺术作品相关的美学,这些艺术作品唤起了高度协调的情感状态。在这项工作中,我们研究的功能反应的大脑电影剪辑旨在唤起Rasas通过网络分析。我们提取脑功能网络的连贯性措施,从流行的印度宝莱坞电影的电影片段的EEG记录代表九个Rasas在印度Natyasastra。计算这些大脑网络的结构和功能网络测量,在不同的脑波频带中,在一系列重要的边缘权重上取平均值。我们使用社区检测算法将大脑中的神经元布线分离成模块。进一步,利用互信息测度,我们比较了不同Rasas对应的脑网络模块化组织。使用中心性度量确定的枢纽揭示了对所有Rasa的信息传播至关重要的网络节点。我们还观察到,当高频波如β和γ在大脑中占主导地位时,功能连接受到抑制。统计地提取引起Rasa对之间的差异的显著链接。
2018-09-14 q-bio.NC
Local inhibitory plasticity tunes global brain dynamics and allows the emergence of functional brain networks
丰富的,自发的大脑活动已经在不同的时间和空间尺度上被观察到。这些动力学被认为对有效的神经功能很重要。实验证据表明,这些神经动力学在各种不同的认知状态下保持不变,以响应环境的改变和大脑结构的变化(例如,在个体、发育和许多神经系统疾病中)。这表明大脑已经进化出了稳定动态并在一系列情况下保持动态的机制。在这里,我们采用局部稳态抑制可塑性机制,平衡抑制和兴奋性活动的宏观大脑活动模型的基础上白质结构连接。我们证明,除了稳态可塑性调节网络活动,并允许出现丰富的,自发的动态在一系列的大脑配置。此外,稳态可塑性的存在最大化了功能连接的经验和模拟模式之间的重叠。因此,这项工作提出了一个简单的,本地的,生物学上合理的抑制机制,使稳定的动力学出现在大脑中,并促进功能连接网络的形成。
2015-01-20 q-bio.NC
Gyral-Sulcal-Net: An Integrated Network Representation of Brain Folding Patterns
The University of Texas at Arlington(德克萨斯大学阿灵顿分校);Indiana University Indianapolis(印第安纳大学印第安纳波利斯分校);Mission San Jose High School(圣何塞使命高中);Massachusetts General Hospital(麻省总医院);Harvard Medical School(哈佛医学院);The University of Georgia(佐治亚大学)
本文提出gyral-sulcal-net网络,通过整合gyri和sulci褶皱模式,提供一种统一的脑网络表示方法,用于研究大脑结构与功能。
2026-01-17 q-bio.NC
D-CoRP: Differentiable Connectivity Refinement for Functional Brain Networks
University of Cambridge(剑桥大学)
针对脑网络建模忽视连接性复杂性与噪声问题,提出可微连接性精炼模块D-CoRP,基于信息瓶颈理论优化,可插件式提升多种图神经网络性能。
2024-05-28 cs.AI q-bio.NC
Graph Theory in Brain Networks
复杂网络的图论分析的最新发展使人们对大脑网络有了更深入的了解。许多复杂网络表现出相似的宏观行为,尽管在微观细节上存在差异。复杂网络最常见的两个特征可能是无标度和小世界特性。在本文中,我们将探讨大脑网络是否遵循无标度和小世界等图论性质。
2021-03-09 q-bio.NC q-bio.QM
BrainGB: A Benchmark for Brain Network Analysis with Graph Neural Networks
Emory University(埃默里大学);University of California, Los Angeles(加州大学洛杉矶分校);University of Pittsburgh(匹兹堡大学);Lehigh University(理海大学)
使用结构或功能连接绘制人脑的连接体已经成为神经成像分析的最普遍的范例之一。最近,基于几何深度学习的图神经网络(GNN)由于其建模复杂网络数据的能力而引起了广泛的兴趣。尽管GNN在许多领域都表现出色,但目前还没有系统地研究如何为大脑网络分析设计有效的GNN。为了弥合这一差距,我们提出了BrainGB,这是一个使用GNN进行大脑网络分析的基准。BrainGB通过(1)总结功能和结构神经成像模式的大脑网络构建管道和(2)模块化GNN设计的实现来简化这一过程。我们在跨队列和模式的数据集上进行了广泛的实验,并推荐了一套在大脑网络上进行有效GNN设计的通用配方。为了支持基于GNN的大脑网络分析的开放和可重复研究,我们在https://braingb.us上托管BrainGB网站,其中包含模型,教程,示例以及开箱即用的Python包。我们希望这项工作将提供有用的经验证据,并为未来的研究在这个新颖的和有前途的方向提供见解。
2022-11-29 cs.LG cs.NE q-bio.NC
Deep Neural Networks Reveal a Gradient in the Complexity of Neural Representations across the Brain's Ventral Visual Pathway
汇聚的证据表明,哺乳动物腹侧视觉通路编码越来越复杂的刺激功能在下游地区。使用深度卷积神经网络,我们现在可以定量地证明,在人类大脑的腹侧通路中,确实存在特征复杂性的明确梯度。我们的方法还允许刺激功能的复杂性不断增加,以映射到整个人类大脑,提供了一个自动化的方法来探测如何表示映射到整个皮层片。最后,它表明,深度卷积神经网络允许在人类大脑中的表示解码在以前无法达到的准确度,提供了一个更敏感的窗口进入人类大脑。
2014-11-24 q-bio.NC
Dynamic Brain Transformer with Multi-level Attention for Functional Brain Network Analysis
Emory University(埃默里大学);Georgia Institute of Technology(佐治亚理工学院)
本文提出动态脑Transformer(DART),结合静态与动态脑网络,利用多层级注意力机制分析功能性脑网络,以提升预测性能、增强可解释性,并解决低信噪比问题。
2023-09-05 cs.AI cs.LG q-bio.NC
BrainNPT: Pre-training of Transformer networks for brain network classification
South China University of Technology(华南理工大学);East China Normal University(华东师范大学)
本文提出BrainNPT,一种基于Transformer的脑功能网络分类模型,并设计预训练框架利用无标注数据学习脑网络结构,预训练后准确率提升8.75%,显著优于现有最先进方法。
2023-08-02 cs.LG cs.NE q-bio.NC
A complex network perspective on brain disease
该研究从复杂网络视角出发,探讨网络表征在脑部病理刻画、疾病易感性及康复可能性分析中的作用,揭示疾病定义与功能定义的关联及相关网络属性,为病理研究与脑功能理解提供新思路。
2025-07-31 physics.app-ph q-bio.NC
Towards an information theoretical description of communication in brain networks
对大脑中的通信动力学进行建模是网络神经科学的一个关键挑战。我们在这里提出了一个框架,它结合了两个测量任何系统,其中不同的通信过程发生在一个固定的结构拓扑结构的顶部:路径处理分数(PPS)估计有多少大脑信号已经改变或已被转换之间的任何两个大脑区域(源和目标);路径广播强度(PBS)估计信号的传播通过边缘相邻的路径被评估。我们使用PPS和PBS来探索大规模大脑网络中的通信动力学。我们表明,大脑通信动态可以分为三个主要的“通信制度”的信息传输:缺席通信(没有通信发生);中继通信(信息被传输几乎完好无损);转换通信(信息被转换)。我们使用PBS来根据它们传播信息的方式对大脑区域进行分类。皮层下区域主要是直接广播到多个接收器;颞叶和额叶节点主要作为广播中继脑站;视觉和躯体运动皮层作为多通道转换广播器。这项工作通过提供一种原则性的方法来探索大规模大脑网络中的通信动力学,为大脑网络信息理论领域铺平了道路。
2020-10-02 q-bio.NC
Network resilience in the aging brain
退化和适应是大脑衰老或疾病渐进过程中称为恢复力的同一枚硬币的两个竞争面。退化在大脑老化和其他大脑活动过程中积累,导致结构性萎缩和功能障碍。与此同时,适应使大脑网络重组,以弥补结构损失,维持认知功能。虽然隐藏的弹性机制是揭示大脑衰老规律的关键和基础,但由于缺乏数据集和适当的方法,这两个过程如何在大脑网络中动态交互仍然是一个未知数。为了定量研究这一复杂的过程,我们分析了63人的6年随访多模态神经影像数据库的基础上老化的大脑。我们揭示了网络弹性的关键机制,即各种扰动可能导致大脑快速的结构萎缩,然后大脑可以重新组织其功能布局,降低其运行效率,这有助于减缓结构萎缩,最终恢复其功能效率平衡。这一经验发现可以用我们的理论模型来解释,提出了一个通用的弹性动力学函数。这种弹性是在大脑功能网络中实现的,具有不断发展的渗透和丰富的俱乐部特征。我们的研究结果有助于理解大脑老化过程,并从恢复力的角度设计可能的缓解方法来调节退化和适应之间的相互作用。
2022-02-03 q-bio.NC
BrainNNExplainer: An Interpretable Graph Neural Network Framework for Brain Network based Disease Analysis
Emory University(埃默里大学);Institute of Automation, Chinese Academy of Sciences(中国科学院自动化研究所);University of Chinese Academy of Sciences(中国科学院大学);Princeton University(普林斯顿大学);Lehigh University(理海大学)
用于疾病预测的可解释的脑网络模型对于神经科学的进步具有重要价值。GNN有希望对复杂的网络数据进行建模,但它们容易过度拟合并且可解释性差,这阻碍了它们在医疗保健等决策关键场景中的使用。为了弥合这一差距,我们提出了BrainNNExplainer,这是一个用于大脑网络分析的可解释GNN框架。它主要由两个共同学习的模块组成:一个是专门为大脑网络设计的骨干预测模型,另一个是强调疾病特异性突出大脑网络连接的解释生成器。在两个具有挑战性的疾病预测数据集上进行可视化的广泛实验结果证明了BrainNNExplainer独特的可解释性和出色的性能。
2021-07-11 cs.CV cs.LG eess.IV
Learning about Learning: Human Brain Sub-Network Biomarkers in fMRI Data
由于意识到功能不能完全由专门区域的独立激活来解释,因此将大脑作为一个网络来研究变得越来越流行。相反,在大量的行为中,功能是由于大脑区域之间的动态相互作用而产生的。关于功能性脑网络的现有文献主要集中在表征“静息状态”的网络特性的电池上,例如使用区域之间的模块化、聚类或路径长度。与此相反,我们试图揭示子图的功能连接,预测或驱动个体差异的感觉运动学习的科目。我们采用一个原则性的方法来发现显着的子图的功能连接,诱导大脑活动(通过功能磁共振成像测量),而受试者执行运动学习任务。我们的目标是揭示功能连接的模式,区分高和低利率的学习科目。这种显着的歧视性子图的发现,承诺更好的数据驱动的理解与大脑可塑性相关的动态大脑过程。
2014-07-21 q-bio.NC
Brain Network Dynamics and Multiscale Modelling of Neurodegenerative Disorders: A Review
该综述聚焦阿尔茨海默病、帕金森病等神经退行性疾病的脑网络建模挑战,梳理相关大规模模型、病理机制与治疗研究,探讨数据驱动方法的作用,指出耦合多尺度模型对解析疾病机制、开发疗法的重要性。
2024-10-30 q-bio.NC
Deep reinforcement learning guided graph neural networks for brain network analysis
Institute of Information Engineering, Chinese Academy of Sciences(中国科学院信息工程研究所);University of Chinese Academy of Sciences(中国科学院大学);Macquarie University(麦考瑞大学);Beihang University(北京航空航天大学);National Acoustic Laboratories(国家声学实验室);CAEIT(中国电子科学研究院)
现代神经成像技术,如扩散张量成像(DTI)和功能性磁共振成像(fMRI),使我们能够将人脑建模为大脑网络或连接体。捕捉大脑网络的结构信息和层次模式对于理解大脑功能和疾病状态至关重要。近年来,图神经网络(GNNs)具有良好的网络表示学习能力,促使人们提出了许多基于GNNs的脑网络分析方法。具体而言,这些方法应用特征聚合和全局池化来将脑网络实例转换为用于下游脑网络分析任务的有意义的低维表示。然而,现有的基于GNN的方法往往忽略了不同主体的大脑网络可能需要各种聚合迭代,并使用具有固定层数的GNN来学习所有大脑网络。因此,如何充分释放GNN的潜力,促进大脑网络分析仍然是一个不平凡的问题。为了解决这个问题,我们提出了一种新的大脑网络表示框架,即BN-GNN,它为每个大脑网络搜索最佳的GNN架构。具体来说,BN-GNN采用深度强化学习(DRL)来训练元策略,以自动确定给定大脑网络所需的最佳特征聚合数量(反映在GNN层的数量中)。在八个真实脑网络数据集上进行的大量实验表明,我们提出的BN-GNN提高了传统GNN在不同脑网络分析任务上的性能。
2022-07-24 cs.AI cs.LG cs.NE
Brain and Cognitive Reserve: Translation via Network Control Theory
理解大脑对神经病理学的恢复力的传统方法已经确定了与更好的结果相关的神经生理学变量,通常被描述为大脑或认知“储备”。然而,大规模大脑网络的功能和弹性机制仍然知之甚少。动态网络理论可以为理解人类大脑功能弹性的实质性进展提供基础。从这个角度来看,我们描述了最近的理论方法,从网络控制理论作为一个框架,调查网络水平的机制,认知功能和神经可塑性的动态在人脑中。我们描述了网络控制理论在人类连接体水平上的应用所提供的理论机会,以了解认知弹性并为翻译干预提供信息。
2017-01-17 q-bio.NC q-bio.QM
Reduced integration and improved segregation of functional brain networks in Alzheimer's disease
新的证据表明,阿尔茨海默病(AD)的认知缺陷与大脑功能连接的中断有关。因此,识别AD功能网络中的改变已成为越来越感兴趣的话题。然而,AD在多大程度上引起人脑中局部和全局信息处理平衡的破坏仍然是难以捉摸的。本研究的主要目的是从脑网络分离和整合的角度探讨AD网络的动态拓扑变化。我们使用20名参与者(10名AD患者和10名健康对照者)在静息状态下记录的脑电图(EEG)数据。利用不同频段的脑电源连通性重建功能脑网络。进行图形理论分析,评估两组之间的差异。结果显示,AD网络,与年龄匹配的健康对照组的网络相比,其特征在于较低的全球信息处理(整合)和较高的本地信息处理(隔离)。结果还显示,AD患者功能性脑网络的改变与其认知评分之间存在显著相关性。这些发现可能有助于开发基于EEG网络的测试,可以加强从目前使用的神经退行性疾病的神经生理学测试中获得的结果。
2018-02-16 q-bio.NC
Segregation, integration and balance of large-scale resting brain networks configure different cognitive abilities
不同的认知过程对局部分离和全局整合的大脑活动提出了不同的要求。然而,目前尚不清楚休息的大脑如何配置其功能组织,以平衡网络隔离和整合的需求,以最好地服务于认知。在这里,我们使用基于特征模的方法来识别功能性脑网络中的分层模块,并量化网络分离和整合之间的功能平衡。在一个大样本的健康的年轻人(n=991),我们结合全脑静息状态功能磁共振成像(fMRI)数据与平均场模型的结构网络来自扩散张量成像,并证明静息脑网络平均接近平衡状态。这种状态允许在隔离和集成配置下保持平衡的时间,并在它们之间进行高度灵活的切换。此外,我们采用结构方程模型来估计一般和特定领域的认知表型从九个任务,并表明,网络隔离,整合和他们的平衡在休息的大脑预测不同的认知表型的个体差异。更具体地说,更强的整合与更好的一般认知能力有关,更强的分离促进了结晶智力和处理速度,而个人的平衡倾向支持更好的记忆。我们的研究结果提供了对大脑支持不同功能需求和认知能力的功能原理的全面和深入的理解,并推进了人类认知的现代网络神经科学理论。
2021-02-28 q-bio.NC
A Network Object Method to Uncover Hidden Disorder-Related Brain Connectome
神经精神障碍影响大脑在网络水平上的功能连接。与疾病相关的网络的识别和统计测试仍然具有挑战性。我们提出了新的方法来简化检测和测试的隐藏,无序相关的连接模式作为网络对象。我们定义一个异常的连接体子网络作为一个网络对象,包括三类:节点的大脑区域,边缘表示大脑的连接功能,和有组织的图形拓扑结构形成的这些节点和边缘。与传统的统计方法相比,该方法在拓扑信息的指导下,使边精确地借用优势,同时降低了假阳性和假阴性发现率,有效地提高了脑连接体研究结果的可重复性.网络对象分析可以提供关于大脑疾病如何系统地损害大脑连接体的见解。
2017-01-12 q-bio.NC stat.AP
Selective activation of resting state networks following focal stimulation in a connectome- based network model of the human brain
影像学研究表明,静息态网络(RS-网络)的功能连接模式反映了潜在的结构连接(SC)。如果连接体限制了大脑区域在功能上的连接,那么对特定大脑区域的刺激应该会产生一种特征性的活动波,最终分解为RS网络。为了系统地验证这一假设,我们使用了一个基于连接组的网络模型的人脑与详细的现实的SC。我们系统地激活所有可能的丘脑和皮质区的局灶性刺激模式,并确认特定区域的刺激唤起网络模式,非常类似RS网络。对于一些站点,一个或没有RS网络被占用,而对于其他站点,多于一个RS网络可以演进。我们的研究结果证实,大脑是在临界的边缘操作,其中刺激产生级联的功能网络招聘,崩溃到一个较小的子空间,这是由解剖局部和远程SC的部分限制。我们认为,信息流,以及随后的认知处理,遵循特定的路线所施加的连接体功能,这些路线解释了RS网络的出现。由于脑刺激可用于诊断/治疗神经系统疾病,我们提供了一个查找表,显示哪些区域需要刺激以激活特定的RS网络。
2016-02-23 q-bio.NC
Role of inter-hemispheric connections in functional brain networks
今天,人类大脑可以被建模为一个图,其中节点代表不同的区域,链接代表不同神经成像技术记录的活动之间的统计相互作用。经验研究导致了这样一种假设,即大脑功能依赖于功能专门化的大脑区域(模块或子网络)的分散马赛克的协调,形成协调组装的网状结构(网络的网络)。因此,对大脑动力学的研究将受益于对功能子网络之间如何相互作用的检查。在本文中,我们将大脑建模为由两个特定的子网络组成的互连系统,左(L)和右(R)半球,它们相互竞争中心性,这是网络系统中重要性的拓扑度量。具体来说,我们考虑了来自高密度脑电图(EEG)记录的功能性脑网络,并研究了半球间连接如何塑造节点中心性。我们的研究结果表明,中心性的分布强烈依赖于半球之间的功能连接的数量和这些连接的分布方式。此外,我们研究了节点故障对半球中心性的后果,并显示了丰富的半球间的链接有利于半球之间的中心性分布的功能平衡。
2017-10-31 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
BrainNetMLP: An Efficient and Effective Baseline for Functional Brain Network Classification
Tsinghua Shenzhen International Graduate School, Tsinghua University, China(清华大学深圳国际研究生院,清华大学,中国)
本文提出纯MLP方法BrainNetMLP,通过双分支结构融合空间连接与频谱信息,在HCP和ABIDE数据集上以更少参数实现功能性脑网络分类的最先进性能。
2025-07-21 cs.CV q-bio.NC
Organization and hierarchy of the human functional brain network lead to a chain-like core
大脑是复杂系统的一个典型例子,因为它的功能表现为局部介观和微观相互作用的全局属性。复杂网络理论允许在节点(灰质区域)之间的链接(相关性)方面引出大脑的功能架构,并从噪声中提取信息。在这里,我们提出了40个健康人在静息状态下的功能磁共振成像数据的分析,用于研究功能性脑网络组织的基础支架。我们展示了大脑区域是如何通过形成一个高度层次化的链状结构来协调的。最大生成树的方法揭示了枕叶皮层的中心地位和小脑区域的特殊聚集,形成一个封闭的核心。我们还报告了网络隔离的层次结构和集群集成的水平作为大脑区域之间的连接强度的函数。
2017-01-17 physics.bio-ph physics.soc-ph q-bio.NC
Unconsciousness reconfigures modular brain network dynamics
本文基于深度睡眠和丙泊酚麻醉下的fMRI动态脑网络,采用多层模块度最大化分析,发现无意识会重构网络灵活性并缩小动态核心对应的最大时空模块。
2020-12-19 q-bio.NC
HyperBrain: Anomaly Detection for Temporal Hypergraph Brain Networks
University of British Columbia(不列颠哥伦比亚大学);Vector Institute(向量研究院)
HyperBrain提出一种无监督异常检测框架,将fMRI数据建模为时序超图,通过定制时序游走BrainWalk和神经编码捕捉动态高阶共激活,在ASD和ADHD任务上优于基线并改善诊断。
2024-10-02 cs.LG q-bio.NC
Brain Network Construction and Classification Toolbox (BrainNetClass)
College of Computer Science and Technology, Zhejiang University(浙江大学计算机科学与技术学院);University of North Carolina at Chapel Hill(北卡罗来纳大学教堂山分校);Automotive Engineering Research Institute, Jiangsu University(江苏大学汽车工程研究院);Stanford University(斯坦福大学);School of Mathematics Science, Liaocheng University(聊城大学数学科学学院);School of Electric Engineering, Zhengzhou University(郑州大学电气工程学院);Korea University(高丽大学)
脑功能网络已成为了解脑功能和疾病的一种越来越多的方法。许多网络的建设方法已经开发,而大多数的研究仍然使用静态成对皮尔逊的相关性为基础的功能连接。本工作的目标是向该领域引入一个名为“Brain Network Construction and Classification”(BrainNetClass)的工具箱,以推广更先进的脑网络构建方法。它包括各种大脑网络构建方法,包括最近开发的一些最先进的方法,用于捕获大脑区域之间更复杂的相互作用,以及连接体特征提取,简化,参数优化,以实现基于网络的个性化分类。BrainNetClass是一个基于MATLAB的开源跨平台工具箱,具有图形用户友好界面,可供认知和临床神经科学家执行严格的计算机辅助诊断,并提供可解释的结果演示,即使他们不具备神经图像计算和机器学习知识。我们展示了这个工具箱的实现真正的静息状态功能性MRI数据集。BrainNetClass(v1.0)可以从https://github.com/zzstefan/BrainNetClass下载。
2019-06-17 cs.CV cs.LG q-bio.NC
Statistical Challenges of Big Brain Network Data
我们探索了大脑网络大数据的主要特征,这些数据提供了独特的统计挑战。从生物学上讲,大脑网络应该是稀疏和分层的。这种独特的特征对我们可以有效使用的统计方法和模型施加了特定的拓扑约束。我们探讨了目前在该领域使用的模型的局限性,并提供了替代方法,并解释了新的挑战。
2017-12-23 q-bio.NC stat.ME
Community structure and modularity in networks of correlated brain activity
我们提出了一种方法来研究功能的分离和整合在活的大脑社区结构分解的基础上确定的最大模块化。我们证明了这种方法与网络来自功能成像数据与节点定义的个别图像像素,和相关的信号变化方面的边缘。我们发现社区的解剖分布对应于生物学意义的结构,包括解剖学上等同的大脑区域之间的令人信服的功能细分。
2007-01-30 q-bio.NC
Individual structural connectivity defines propagation networks in partial epilepsy
神经网络振荡是认知、知觉和意识的基本机制。因此,网络活动的扰动在脑疾病的病理生理学中起着重要作用。当来自非侵入性脑成像的结构信息与数学建模相结合时,生成性脑网络模型构成了探索脑功能因果机制和临床假设检验的计算机平台。我们在这里展示了耐药性癫痫的例子,来自扩散MRI的患者特定的虚拟脑模型具有足够的预测能力,以改善诊断和手术结果。在部分性癫痫中,癫痫发作起源于一个局部网络,即所谓的致痫区,然后再招募其他近距离或远距离的大脑区域。我们为15名患者创建了个性化的大规模大脑网络,并模拟了个体癫痫发作的传播模式。根据术前立体定向脑电图(SEEG)数据和标准治疗临床评价进行模型确认。我们证明,个人的大脑模型占患者癫痫发作传播模式的时间变异性,并解释手术后成功的变异性。我们的研究结果表明,结构连接的个体差异,当与数学动态模型相联系时,有能力解释在基于网络的大脑疾病中观察到的大脑动态时空组织的变化,从而开辟了发现新的临床干预措施的途径。
2016-04-28 q-bio.NC
Analyzing complex functional brain networks: fusing statistics and network science to understand the brain
在过去的八年里,复杂的功能性大脑网络分析已经爆炸式发展,由于其深刻的临床意义而获得了牵引力。网络科学(图论的一个跨学科分支)的应用促进了这些分析,并使研究大脑成为一个产生复杂行为的集成系统。虽然统计学领域在推进激活分析和功能神经成像研究中的一些连接性分析方面不可或缺,但它在复杂网络分析中尚未发挥相应的作用。将新的统计方法与基于网络的功能神经图像分析相结合,将产生强大的分析工具,有助于我们理解正常的大脑功能以及各种大脑疾病引起的变化。在这里,我们调查了广泛使用的统计和网络科学工具分析功能磁共振成像网络数据,并讨论了在填补一些剩余的方法差距所面临的挑战。当正确应用和解释时,网络科学和统计方法的融合有机会彻底改变对大脑功能的理解。
2013-10-22 q-bio.NC q-bio.QM stat.AP
Network-based brain computer interfaces: principles and applications
脑机接口(BCI)通过解码个体的心理意图,使与外部环境的交互成为可能。因此,脑机接口可用于解决基本的神经科学问题,也可用于解锁从外骨骼控制到神经反馈(NFB)康复的各种应用。一般来说,BCI的可用性主要取决于全面表征大脑功能和正确识别用户精神状态的能力。为此,大部分的努力都集中在改进的分类算法,考虑到局部的大脑活动作为输入功能。尽管有了相当大的改进,BCI的性能仍然不稳定,事实上,目前的功能代表了大脑功能的过度简化的描述符。在过去的十年中,越来越多的证据表明,大脑是一个网络系统,由多个专门和空间分布的区域组成,这些区域动态地整合信息。虽然更复杂,但研究远程大脑区域如何在功能上相互作用代表了更好地描述大脑功能的基础替代方案。由于网络科学的最新进展,即利用图论,统计力学,数据挖掘和推理建模的现代领域,科学家现在有强大的手段来表征来自神经成像数据的复杂大脑网络。值得注意的是,可以从这些网络中提取摘要特征,以定量测量各种拓扑尺度上的特定组织属性。在这篇专题综述中,我们的目标是提供最先进的支持网络理论方法的发展,作为一个有前途的工具,了解脑机接口和提高可用性。
2021-02-11 q-bio.NC
Neural Network Degeneration and its Relationship to the Brain
这份报告讨论了应用神经网络(NN)的大脑的小部分。代表生物连接体的网络在空间和时间上都发生了变化。这里应用的降级技术是“权重降级”、“权重加扰”和可变激活函数。这些方法的目的是照亮神经退行性疾病的研究,如阿尔茨海默氏症,亨廷顿氏症和帕金森氏症,以及中风和脑肿瘤破坏大脑网络中的信息流。记忆丧失和广义学习功能障碍的基本见解是通过监测网络的错误功能在网络退化。每个方面的生物学意义进行了讨论。
2020-07-31 cs.NE q-bio.NC
Bayesian Inference of Whole-Brain Networks
在脑结构网络中,感兴趣的连接由空间隔离的脑区域之间的白质纤维束组成。这些白质束的存在,位置和方向可以通过使用扩散MRI结合概率纤维束成像来得出。不幸的是,到目前为止,还没有任何方法可以提供一种无可争议的方法来从纤维束描记术中推断大脑网络。在本文中,我们提供了一个计算框架,我们称之为贝叶斯连接。我们不是应用任意阈值来获得单个网络,而是考虑由数据支持的网络的后验分布,结合指数随机图(ERGM)先验,该先验捕获了关于全脑网络的图论属性的先验知识。我们表明,在模拟的概率纤维束成像数据,我们的方法是能够重建全脑网络。此外,我们的方法直接支持多模型数据融合和组级网络推理。
2012-02-08 q-bio.NC stat.AP
Three-dimensional network of Drosophila brain hemisphere
了解大脑功能的第一步是确定大脑的网络结构。我们报告了一个三维分析的果蝇黑腹果蝇的大脑网络的同步辐射断层显微镜。通过追踪X射线吸收系数的三维分布,建立了左半脑网络的离散化导线模型。所获得的模型的神经元的过程被分成组的基础上,他们的三维结构。这些分类组对应于发送长距离投射或视叶重复结构的神经束。神经元化的模型也由不能被分类到组中的神经元过程组成。这些未分类结构的分布与神经元过程之间的接触的分布相关。这表明,不能归类为典型结构的神经元应该在大脑功能中发挥重要作用。脑网络的定量描述为果蝇脑的结构和统计分析提供了基础。目前的挑战是建立一种方法,在更高分辨率的图像中重建大脑网络,从而全面了解大脑结构。
2016-09-08 physics.bio-ph q-bio.NC
Topological Learning for Brain Networks
本文提出了一种新的拓扑学习框架,通过持久同源性集成不同大小和拓扑的网络。这种具有挑战性的任务是可能的,通过引入一个计算效率的拓扑损失。所提出的损耗的使用绕过了与匹配网络相关联的固有计算瓶颈。我们验证了广泛的统计模拟的方法,以评估其有效性时,区分不同的拓扑结构的网络。该方法在一项双胞胎脑成像研究中得到了进一步证明,我们在该研究中确定了大脑网络是否具有遗传性。这里的挑战是由于将从静息态功能MRI获得的拓扑不同的功能脑网络覆盖到通过扩散MRI获得的模板结构脑网络上的困难。
2023-01-27 cs.CG q-bio.NC
BrainOOD: Out-of-distribution Generalizable Brain Network Analysis
College of Computing and Data Science, Nanyang Technological University(南洋理工大学计算与数据科学学院);Department of Computer Science and Engineering, The Chinese University of Hong Kong(香港中文大学计算机科学与工程学系);S-Lab, Nanyang Technological University(南洋理工大学S-Lab)
BrainOOD 提出专用于脑网络的 GNN 框架,通过特征选择、结构提取和改进的图信息瓶颈恢复因果子图,以提升分布外泛化与可解释性,并构建首个 OOD 脑网络基准。
2025-02-02 cs.LG q-bio.NC
Does the brain behave like a (complex) network? I. Dynamics
本文探讨复杂网络结构对大脑动力学的影响,通过定义“网络性”并分析大脑解剖与动力学,论证网络结构是大脑活动真正的组织原则而非仅仅是描述工具。
2024-12-23 cond-mat.dis-nn nlin.AO q-bio.NC
Complex network analysis of brain functional connectivity under a multi-step cognitive task
功能性脑网络已被广泛研究,以了解大脑组织和行为之间的关系。本研究旨在探讨在包含连续行为的\emph{multi-step}认知任务下脑网络的功能连接,进一步了解行为对脑组织的影响。基于高空间和时间分辨率的fMRI数据集构建功能脑网络,并通过基于复杂网络的方法进行分析。我们发现,在体素水平上的功能性脑网络显示出强大的小世界性和无标度特性,而它的可扩展性和丰富的俱乐部组织略有限制的行为执行的顺序。更有趣的是,脑网络的功能连接在激活的ROI与行为密切相关,并表现出明显的差异,限于行为执行的顺序。这些实验结果表明,大脑组织具有小世界性和无标度性的共性特征,其由激活的感兴趣区产生的多样性功能连接是由这些行为活动通过大脑的可塑性强烈驱动的。
2017-11-28 physics.bio-ph physics.data-an q-bio.NC
Uncertainty in fMRI Functional Networks of Autism Brain Imaging Data
在本文中,我们回顾了预处理管道,通过它的功能磁共振成像数据转化为一个网络。我们讨论了三个参数,主要影响我们的理解存在的功能之间的相关性的大脑区域。最后,我们得出结论,大脑区域对之间的功能相关性的存在可以用概率边缘来建模,而不是失去网络生成过程中固有的不确定性。
2022-02-04 cs.OH q-bio.NC
Ising-like dynamics in large-scale functional brain networks
大脑的“休息”被定义为没有明确的大脑输入或输出的状态--或多或少是不成功的。这项工作集中在这样的状态是否可以与任何已知的\emph{dynamical}状态的问题。为此目的,从人脑功能性磁共振成像(fMRI)的相关网络与相关网络提取的数值模拟的伊辛模型在2D中,在不同的温度。对于临界温度$T_c$,惊人的相似性出现在最相关的统计特性,使两个网络彼此无法区分。这些结果在这里被解释为借贷支持的猜想,功能的大脑的动力学是接近临界点。
2008-11-23 cond-mat.dis-nn q-bio.NC