Disentangling Brain Graphs: A Note on the Conflation of Network and Connectivity Analyses
了解人类大脑仍然是生物医学科学的圣杯，可以说是所有科学的圣杯。我们的大脑代表了世界上最复杂的系统（有些人认为是宇宙），包括近1000亿个神经元，它们之间有数十亿个可能的连接。这些连接的结构产生了一个有效的等级系统，能够意识，以及复杂的思想，感觉和行为。大脑连接和网络分析在过去十年中爆炸式发展，因为它们有潜力帮助我们了解正常和异常的大脑功能。功能连接（FC）分析检查指定脑体素或区域中的时间序列对之间的功能关联。脑网络分析作为连接性分析的一个独特子领域，其中对所有时间序列对的关联进行量化，以创建大脑的互连表示（脑网络），这允许研究其系统特性。虽然连通性分析是网络分析的基础，但这两个研究领域之间的微妙区别在文献中通常被忽视，它们经常被同义地提及。然而，开发更有用的分析方法和允许更精确的生物学解释需要区分这两个互补的领域。
2016-02-02 q-bio.NC q-bio.QM stat.AP
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
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
Alignment of Continuous Brain Connectivity
针对传统脑网络节点匹配忽略连接信息导致对齐不准、下游分析功效降低的问题，提出基于连续连接ConCon的微分同胚对齐框架，可同时对齐连接图谱与皮层表面，经HCP数据验证显著提升连接组分析的准确性和鲁棒性。
2025-03-20 stat.AP stat.CO 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
Sparse covariate-driven factorization of high-dimensional brain connectivity with application to site effect correction
University of Toronto（多伦多大学）；University of California San Francisco（加州大学旧金山分校）
提出SLACC方法，通过稀疏潜在协变量驱动的连接组因子分解，显式参数化协变量效应，以校正多站点脑成像数据中的站点效应。
2026-05-25 stat.AP stat.CO stat.ME
Bayesian subtyping for multi-state brain functional connectome with application on adolescent brain cognition
越来越多的证据表明，认知特征的异质性可能是通过大脑功能的可检测变化而产生的。特别是，在静息和认知状态下测量的脑功能连接，表征了大规模脑网络中独特的神经元互连。尽管前所未有的机会，发现神经生物学亚型通过聚类或亚型分析多状态功能连接，现有的方法很少适用于这里，以适应网络拓扑结构和独特的生物结构的功能连接。为了解决这个问题，我们提出了一个创新的贝叶斯非参数网络变量聚类分析，揭示子组同质的大脑功能网络模式整合不同的认知状态。根据现有的神经科学文献，我们假设在功能连接中存在未知的状态特定的模块化结构，并同时进行选择以识别用于在无监督学习中定义亚型的信息网络特征。为了进一步方便实际应用，我们开发了一个计算效率高的变分推断算法进行后验推理与满意的估计精度。大量的仿真实验表明，该方法具有较高的聚类精度和合理的聚类结果。将该方法应用于具有里程碑意义的青少年脑认知发展（ABCD）研究，我们成功地建立了与冲动相关行为特征相关的神经发育亚型，并确定了每个状态下的大脑子网络表型，以信号神经生物学异质性。
2023-02-20 stat.AP stat.ME
Continuous and Atlas-free Analysis of Brain Structural Connectivity
本文提出无图谱的脑结构连接性建模框架，用光滑随机函数替代离散邻接矩阵，并开发数据驱动的降秩函数空间算法，在Human Connectome Project数据上优于传统基于图谱的方法。
2023-08-10 q-bio.NC stat.AP stat.CO
Tree Representations of Brain Structural Connectivity via Persistent Homology
脑结构连接体是由弥散加权MRI（dMRI）构建的白质纤维束的集合产生的，充当神经活动的高速公路。人们对研究结构连接体如何在个体之间变化与其特征的关系有着浓厚的兴趣，从年龄和性别到神经精神病学结果。在将纤维束成像应用于dMRI以获得白质纤维束之后，一个关键问题是如何表示大脑连接体以便于将连接体与性状相关联的统计分析。目前的标准将大脑划分为感兴趣区域（ROI），然后依赖于邻接矩阵（AM）表示。AM中的每个单元是连接性的度量，例如，一对ROI之间的光纤曲线数量。虽然AM表示是直观的，但缺点是由于矩阵中的大量单元而导致的高维性。本文提出了一个更简单的树表示的大脑连接体，这是由计算拓扑学的想法，并考虑到皮层表面的拓扑和生物信息的动机。我们证明了我们的树表示保留了有用的信息和可解释性，同时降低了维度，以提高统计和计算效率。从人类连接组计划（HCP）的数据的应用程序被认为是和代码提供重现我们的分析。
2022-11-01 stat.AP stat.ME
Nonlinear Structural Vector Autoregressive Models for Inferring Effective Brain Network Connectivity
结构方程模型（SEM）和向量自回归模型（VARM）是两大类方法，已被证明在有效的大脑连接研究中很有用。虽然VARMs假设大脑中的给定感兴趣区域通过时滞影响定向连接到另一个区域，但SEM断言因果依赖性是由于同期效应而产生的，并且甚至可以在节点测量不一定是多变量时间序列时采用。为了统一这些互补的观点，线性结构向量自回归模型（SVARMs），利用同期和时滞节点数据最近被提出。虽然简单易行，线性SVARM是相当有限的，因为他们不能建模神经元时间序列之间的非线性依赖关系。为此，本文的首要目标是通过内核捕获非线性来大大拓宽线性SVARM的跨度，内核最近已经成为规范机器学习任务中强大的非线性建模框架，例如，回归、分类和降维。基于核的方法的优点在这里扩展到学习有效的大脑连接的任务，并提出了一个有效的正则化估计器，以利用边缘稀疏性固有的现实世界的复杂网络。明智的内核选择从预选字典的内核也解决了使用数据驱动的方法。通过对癫痫发作的研究捕获的ECoG数据的广泛数值测试表明，有可能揭示感兴趣的大脑区域之间以前未知的因果关系。
2016-10-20 stat.AP stat.ML
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
Detection of brain functional-connectivity difference in post-stroke patients using group-level covariance modeling
通过功能性磁共振成像（fMRI）测量的信号中的远距离相关性揭示的功能性脑连接是脑病理学生物标志物的有前途的来源。然而，建立和使用诊断标志物需要概率受试者间比较。功能连接结构的原则性比较仍然是一个具有挑战性的问题。给出了一个新的矩阵变量概率模型，该模型适用于对称正定矩阵流形上函数连通矩阵的学科间比较。我们表明，该模型导致一个新的算法，原则上对区域之间的连接系数比较。我们应用该模型分别比较中风后患者和一组健康对照。我们发现神经相关的连接差异，并表明我们的模型是更敏感的标准程序。据我们所知，这些结果是第一次报告单个患者和一组患者之间的功能连接差异，从而为使用功能连接作为诊断工具迈出了重要的一步。
2010-08-30 stat.AP
Interpretable brain age prediction using linear latent variable models of functional connectivity
神经成像驱动的脑年龄预测，定义为仅使用脑成像数据预测受试者的生物学年龄，是一个令人兴奋的研究方向。在这项工作中，我们试图建立基于功能连接的大脑年龄模型，同时优先考虑模型的可解释性和理解性。通过这种方式，这些模型既可以提供对大脑年龄的准确估计，也可以让我们研究衰老过程中发生的功能连接的变化。在这项工作中提出的方法包括一个两步的过程：首先，线性潜变量模型，如PCA及其扩展，被用来学习可重复的功能连接网络存在于一个队列的主题。每个网络内的活动随后被用作线性回归模型中的特征以预测脑年龄。所提出的框架是采用从CamCAN存储库的数据和推断的大脑年龄模型进一步证明推广使用两个开放访问存储库的数据：人类连接组项目和ATR宽年龄范围。
2019-08-05 q-bio.NC stat.AP
Analyzing Brain Structural Connectivity as Continuous Random Functions
这项工作考虑了一个连续的框架来表征人口水平的结构连接性的变化。我们的框架假设所观察到的白质纤维束端点是由一个潜在的随机函数定义的产品歧管域。为了克服分析这种复杂的潜在函数的计算挑战，我们开发了一种有效的算法来构建一个数据驱动的降秩函数空间来表示潜在的连续连接。使用来自人类连接组项目的真实数据，我们表明，我们的方法在感兴趣的连接分析任务上优于应用于传统的基于图谱的结构连接矩阵的最先进的方法。我们还演示了如何我们的方法可以用来识别局部区域和连接模式的皮质表面与显着的组差异。代码将在https://github.com/sbci-brain上提供。
2022-07-18 stat.AP stat.CO
Modeling Brain Connectivity with Graphical Models on Frequency Domain
多通道脑电图（EEG）已被广泛用于研究运动技能获得过程中的皮层连接。在本文中，我们引入Copula高斯图模型的谱域来表征通道之间的振荡活动的依赖性。为了获得一个简单而强大的大脑连接表示，可以解释观察到的信号中的最大变化，我们提出了一个框架，基于最大化惩罚似然与Lasso正则化搜索稀疏精度矩阵。为了解决优化问题，图形Lasso，Ledoit-Wolf和稀疏估计的协方差阵（SPCOV）算法进行了修改和实施。仿真结果表明，使用所提出的算法的鲁棒性和小的估计误差方面的好处。此外，在一个运动技能的任务，使用修改后的图形LASSO和Ledoit-Wolf算法进行的EEG数据的分析，揭示了稀疏模式的大脑皮层之间的连接，这是从文献中的其他工作的结果一致。
2018-10-08 stat.AP
Fractal analysis of resting state functional connectivity of the brain
各种静息状态神经影像数据往往表现出分形行为，其功率谱遵循幂律标度。静息状态下的功能连接性受到分形行为的显著影响，而分形行为可能并不直接来源于大脑的神经元群体活动。为了描述分形行为，我们采用了分数积分过程（FIP）模型，而不是分数高斯噪声（FGN），因为FIP模型比FGN模型涵盖了更广泛的分形方面。我们还引入了一个新的概念称为非分形连接，它被定义为短记忆的相关性独立于分形行为，并比较它与分形连接，这是一个渐近小波相关。我们提出了几个基于小波的估计分形连接和非分形连接的多元分数积分噪声（mFIN）。这些估计的性能进行了评估，通过模拟研究和分析静息状态下的功能MRI数据的大鼠大脑。
2012-08-04 q-bio.NC stat.AP
A Multi-Resolution Spatio-Temporal Model for Brain Activation and Connectivity in fMRI Data
功能性磁共振成像（fMRI）是研究大脑活动的主要方式。在不同尺度上对成像数据的空间依赖性进行建模是当代神经成像的主要挑战之一，并且它可以允许准确地测试神经活动的显著性。这种类型的数据的高维度（数十万体素的数量级）提出了严重的建模挑战和相当大的计算约束。为了可行性起见，标准模型通常通过对感兴趣区域（ROI）（更粗或更大的空间单元）而不是体素之间的协方差进行建模来降低维度。然而，忽略不同尺度的空间依赖性可能会大大降低我们检测大脑激活模式的能力，从而产生误导性的结果。为了克服这些问题，我们引入了一个多分辨率的时空模型和计算效率高的方法来估计认知控制相关的激活和全脑连接。所提出的模型允许测试体素特定的激活，同时占解剖定义的ROI内的非平稳的局部空间依赖性，以及区域依赖性（ROI之间）。此外，该模型允许使用图形化的最小绝对收缩选择算子（LASSO）的ROI之间的可解释的连接模式的检测。该模型用于运动任务fMRI研究，以研究大脑激活和连接模式，旨在确定这些模式之间的关联，并在中风后恢复运动功能。
2016-06-15 stat.AP
Scalable Algorithms for Generating and Analyzing Structural Brain Networks with a Varying Number of Nodes
扩散磁共振成像（MRI）利用脑中水分子的各向异性扩散，从而能够以相对高的分辨率估计脑的解剖纤维束。特别地，纤维束成像方法可以用于生成全脑解剖连接矩阵，其中每个元素提供对应体素之间的连接强度的估计。使用连接信息和预定义的脑分组来构建结构脑网络，其中网络的节点表示脑区域，并且边权重捕获相应脑区域之间的连接强度。本文介绍了一些新的可扩展的方法来生成和分析具有不同数量的节点的结构脑网络。特别是，我们引入了一种新的并行算法，快速生成大规模的基于连通性的包裹体，在一个区域中的体素具有高度相似的连接模式的其余地区。我们表明，相应的区域结构的一致性总是优于随机生成的包裹在一个广泛的包裹大小。相应的大脑网络与不同数量的节点进行了分析，使用标准的图论的措施，以及来自频谱图理论的新措施。我们的研究结果表明，具有更多节点的大脑网络的统计能力越来越强，并且相对于其他知名网络，大型大脑网络的频谱轮廓具有相对独特的形状。
2016-09-13 cs.CE q-bio.NC stat.AP
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
Mixed Effects Spectral Vector Autoregressive Model: With Application to Brain Connectivity
本文的主要目标是开发一种方法，量化一个大脑区域的活动如何解释另一个区域的未来活动。在这里，我们提出了混合效应谱向量自回归（ME-SpecVar）模型来研究健康儿童和被诊断患有ADHD的儿童之间在大脑网络中依赖动力学的差异。具体而言，ME-SpecVar模型将用于正式测试使用delta、theta、alpha、beta和gamma频带中的滤波EEG信号获得的显著连接结构。建议的模型允许一个阶段的程序来推导格兰杰因果关系在共同的群体结构和变化的主题特定的随机效应在不同的频率振荡。该模型揭示了新的结果，并显示出更显着的连接在所有的频段，特别是在慢波在对照组。相比之下，ADHD儿童的连接性和随机效应的可变性减少。这一结果与先前关于ADHD儿童前后连接减少的研究结果一致。此外，新的发现是，最多样化的主题特定的有效连接参数在健康儿童属于顶枕区，这是与有意识的视觉注意。
2022-09-16 q-bio.NC stat.AP
BVAR-Connect: A Variational Bayes Approach to Multi-Subject Vector Autoregressive Models for Inference on Brain Connectivity Networks
在本文中，我们提出了BVAR连接，一个变分推断的贝叶斯多主题向量自回归（VAR）模型的推理有效的大脑连接的基础上休息状态的功能磁共振成像数据。建模框架使用贝叶斯变量选择方法，该方法将多模态数据，特别是结构扩散张量成像（DTI）数据，灵活地集成到先前的构造中。我们开发的变分推断方法允许方法的可扩展性，并且能够估计整个大脑数据的分组上的受试者和组级别的大脑连接网络。我们提供了一个用户友好的MATLAB GUI发布供公众使用的简要描述。我们评估模拟数据的性能，在那里我们表明，所提出的推理方法可以实现基于采样的马尔可夫链蒙特卡罗方法，但在一个低得多的计算成本相当的精度。我们还解决了样本量不平衡的受试者群体的情况。最后，我们说明了对有创伤史的儿童进行静息态功能MRI和结构DTI数据的方法。
2020-06-08 stat.AP
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
Genetic Regression Analysis of Human Brain Connectivity Using an Efficient Estimator of Genetic Covariance
该研究提出了一种高效遗传协方差估计方法，用于分析人类脑连接的遗传回归，发现功能性连接在遗传层面可中等程度预测，但观测数据中不可直接预测。
2025-12-09 stat.AP
Nonlinear Coherence for Vector Time Series: Defining Region-to-Region Functional Brain Connectivity
King Abdullah University of Science and Technology (KAUST)（阿卜杜拉国王科技大学）
本文针对AD、FTD等神经退行性疾病的脑功能连接检测需求，提出非线性向量相干性NVC度量及配套基于秩的非参数推断方法，可有效识别脑区间非线性交互，实现健康人与两类痴呆患者的准确区分。
2025-11-18 stat.AP
Fractal-based Correlation Analysis for Resting State Functional Connectivity of the Rat Brain in Functional MRI
大多数关于功能连接的研究都是通过分析大脑对刺激的血流动力学反应来完成的。另一方面，在静息状态下观察到功能MRI的血氧水平依赖（BOLD）信号的低频自发波动。然而，在静息状态下的BOLD信号被由心脏搏动、呼吸、对象运动、扫描仪等引起的巨大噪声显著地破坏。特别是，噪声化合物在大鼠大脑中比在人脑中更强。为了克服这样的伪影，我们假设BOLD信号中的分形行为反映低频神经活动，并应用定理，使得长记忆过程之间的小波相关谱在低频尺度上是尺度不变的。在这里，我们报告了一个实验，显示特殊的相关模式，不仅在非常低的频带（小于0.0078 Hz）的相关性的尺度系数，但也在渐近小波相关。此外，我们显示了赫斯特指数在大鼠脑中的分布。
2012-02-21 q-bio.NC stat.AP
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
Bayesian brain mapping: a population-informed framework for personalized functional network topography and connectivity
Indiana University（印第安纳大学）；Northwestern University（西北大学）；Kennedy Krieger Institute（肯尼迪克里格研究所）
贝叶斯脑图谱通过利用人群信息，提供个体化功能拓扑和连接性分析，提升fMRI中个体脑网络估计的准确性与效率。
2026-09-01 stat.AP
A Network Analysis Approach to fMRI Condition-Specific Functional Connectivity
在这项工作中，我们专注于检查和比较的全脑功能连接模式与功能磁共振成像测量实验条件。由于连接矩阵中的元素数量庞大，直接检查和比较特定条件矩阵具有挑战性。我们提出了一个框架，使用网络分析来描述特定条件的功能连接。将大脑视为一个复杂的网络系统，我们通过将每个网络划分为代表功能连接的大脑区域的集群来提取最相关的连接信息。提取的聚类作为特征用于预测新数据集中的实验条件。该方法说明功能磁共振成像数据检查功能连接模式在处理抽象和具体的概念。拓扑（大脑区域）和功能（连接和信息流的水平）的系统差异，在基于ROI的功能网络中确定了具体和抽象概念的参与者。这些差异足以根据来自其他人的训练数据将以前看不见的连接矩阵分类为抽象或具体。
2010-08-03 nlin.CD physics.bio-ph physics.data-an
Markov models for fMRI correlation structure: is brain functional connectivity small world, or decomposable into networks?
通过功能性磁共振成像（fMRI）观察到的信号的相关性，预计将揭示通过血液动力学反应在潜在的神经群体的相互作用。特别是，他们强调了与不同认知功能相关的大脑网络相对应的相互关联区域的分布式集合。然而，神经连接的图论研究给出了一个不同的图景：一个具有小世界特性的高度集成系统：局部聚类，但整个结构中的路径较短。我们研究的功能磁共振成像信号的条件独立性，即其马尔可夫结构，找到现实的假设所需的解释所观察到的功能连接的连接结构。特别是，我们寻求分解的马尔可夫结构到隔离的功能网络使用可分解的图形：一组强连接和部分重叠的集团。我们引入了一种新的方法来有效地提取这样的团在一个大的，强连通图。我们通过测试他们在新数据上学习的模型的拟合优度来比较从功能连接性学习不同图结构的方法。我们发现，将结构概括为强连接网络只能很好地描述非常大的重叠网络。这些结果表明，马尔可夫模型是从fMRI信号中识别大脑连接结构的好工具，但为此目的，它们必须反映底层神经系统的小世界特性。
2012-02-03 q-bio.NC stat.AP
Multimodal Functional and Structural Brain Connectivity Analysis in Autism: A Preliminary Integrated Approach with EEG, fMRI and DTI
本文提出了一种新的方法，整合不同的神经成像技术来表征自闭症的大脑。不同的技术，如脑电图，功能磁共振成像和DTI传统上被用来寻找自闭症的生物标志物，但很少有人尝试脑电图，功能磁共振成像和DTI的组合或多模式的方法来了解自闭症谱系障碍（ASD）的神经生物学基础。在这里，我们将探讨结构性脑网络与功能性脑网络之间的关系，只有使用功能性脑网络才能揭示这两者所包含的信息。在本文中，源定位从EEG使用独立分量分析（ICA）和偶极子拟合已被应用第一，其次是选择那些偶极子最接近的活动区域与功能磁共振成像。这允许转换EEG的高时间分辨率以估计空间源水平处的时变连接性。我们的分析表明，两个活性区域之间的功能连接的估计可以与从DTI分析得到的结构的物理性质。这是朝着使用普遍的EEG来监测ASD治疗的长期影响而不需要频繁昂贵的fMRI或DTI调查的可能性迈出的第一步。
2018-01-28 physics.med-ph stat.AP
A Data-Driven Approach to Extract Connectivity Structures from Diffusion Tensor Imaging Data
扩散张量成像（DTI）是一种有效的工具，用于分析正常发育和各种脑部疾病中的脑结构连接。然而，由于数据的维数非常高，样本量相对较小，以及缺乏广泛接受的基于连接性的感兴趣区域（ROI），因此无法获得结构性脑网络的固有特征。典型的方法集中在由不包含解剖连接的标准解剖图谱定义的区域上，或者基于逐体素分析，这导致相对于逐结构连接分析的统计功效损失。在这项工作中，我们提出了一种新的，计算效率高的迭代聚类方法来生成基于连通性的全脑包裹，收敛到一个稳定的包裹在几个迭代。我们的算法基于整个大脑连接矩阵的稀疏表示，它将边缘的数量从大约5亿减少到几百万，同时结合了必要的空间约束。我们表明，所得到的区域在某种意义上捕获的固有的连接信息中存在的数据，并且是稳定的初始化和算法内的随机化方案。这些包裹提供了一致的结构区域，在人口样本的主题是同质的解剖连接。我们的方法还推导出连接结构，可用于区分具有已知不同结构连接的群体样本。特别是，还显示了不同人群样本的结构差异的新结果，例如女性与男性，正常对照与精神分裂症，以及正常对照中的不同年龄组。
2018-02-12 cs.CE q-bio.NC stat.AP
Manifold learning for brain connectivity
人脑连接体研究旨在提取和分析与感兴趣的病理相关的相关特征。通常，这包括将大脑连接体建模为图，并使用图度量作为特征。精细的大脑描述需要节点级的图形度量计算。鉴于标准队列中患者数量相对减少，此类数据分析问题属于高维低样本量框架。在这种情况下，我们的目标是提供一种机器学习技术，该技术具有灵活性，使研究人员能够掌握特征和协变量，允许可视化和探索，并深入了解数据和生物现象。保留的方法是降维的流形学习方法，其独创性在于一个（或几个）减少的变量是由调查者选择。所提出的方法说明了两项研究，第一个解决昏迷患者，第二个解决年轻与老年人口比较。该方法揭示了图形度量和潜在的神经生物学现象。
2020-05-01 q-bio.NC stat.AP
An exponential random graph modeling approach to creating group-based representative whole-brain connectivity networks
基于群体的大脑连接网络对于有兴趣进一步了解复杂大脑功能及其在不同精神状态和疾病状况下如何变化的研究人员具有巨大的吸引力。准确地构建这些网络提出了一个艰巨的挑战，考虑到与会计学科间的拓扑变化的困难。可行的方法来完成这项任务，必须产生网络，捕捉组的主题的网络，它的目的是代表的构成拓扑特性。传统的方法是使用平均或中值相关网络（Achard等人，2006; Song等人，2009年，成立了一个网络。然而，在何种程度上，他们的拓扑性质符合那些他们声称代表的群体还有待探讨。在这里，我们研究这些平均值和中值相关网络的性能。我们还提出了一种基于指数随机图建模框架的替代方法，并将其性能与上述传统方法进行比较。Simpson等人（2010）说明了指数随机图模型（ERGM）用于创建捕获单个受试者大脑网络拓扑特征的大脑网络的实用性。然而，在产生一个“代表”一组大脑网络的大脑网络的背景下，它们的错误性还有待研究。在这里，我们表明，我们提出的ERGM方法优于传统的平均值和中位数相关的方法，并提供了一个准确和灵活的方法来构建基于组的代表性的大脑网络。
2011-11-16 q-bio.NC q-bio.QM stat.AP
Preliminary Assessment of hands motor imagery in theta- and beta-bands for Brain-Machine-Interfaces using functional connectivity analysis
使用基于时间和频率的功能已被证明是有效的分类过程中的心理任务的脑机接口（BCI）。尽管如此，这些方法中的大多数对潜在的大脑活动和功能几乎没有什么了解。因此，更好地了解大脑活动的机制和动力学，是必要的，以获得有用的和信息丰富的功能，脑机接口。在本研究中，我们的目标是调查功能连接的两个运动想象任务的差异，通过部分有向相干（PDC）分析，这是一个频域度量，提供信息的方向性在不同的通道记录的信号之间的相互作用。四名健康受试者参加了这项研究，两个心理任务进行了评估：想象的右手或左手的运动。我们通过两种不同的方法对这些任务进行区分：一方面，传统的基于谱功率的方法;另一方面，基于PDC的方法。结果表明，基于EEG的PDC分析提供了额外的信息，它可以潜在地改善主要在β频段的特征选择。
2020-07-25 eess.SP q-bio.NC stat.AP
