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
The Complex Hierarchical Topology of EEG Functional Connectivity
了解复杂的功能性脑网络的层次拓扑结构是功能连接研究的一个关键方面。稀疏二进制网络模型的广泛使用掩盖了这些主题，稀疏二进制网络模型与从功能连接导出的完整加权网络有着根本的不同。我们介绍了两种技术来探测拓扑的层次复杂性。首先，提出了一种新的度量层次复杂性的方法，其次，提出了一种加权复杂层次模型。为了彻底评估我们的技术，我们将稀疏二进制网络原型推广到加权形式，并使用密度曲线探索大脑网络的主要拓扑特征-集成，规则性和模块化。通过控制我们的模型的参数，最高的复杂性之间出现的随机拓扑结构和严格的“类为基础的”拓扑结构。此外，该模型在峰值性能时具有与EEG相位滞后网络相当的复杂度。层次复杂性比以前常用的复杂性度量在不同网络之间获得更大的幅度和范围的差异，并且我们的WCH模型在全范围的密度下提供了比标准无标度和小世界模型更广泛的网络拓扑结构。我们的度量标准和模型提供了严格的表征层次复杂性。重要的是，我们的框架显示了一个规模的复杂性之间产生的“所有节点都是平等的”拓扑结构在一个极端和“严格的基于类的”拓扑结构在其他。
2016-11-09 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
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
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
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
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
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
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
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
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
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
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
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
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
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
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
Interactive Web Application for Exploring Matrices of Neural Connectivity
我们在这里提出了一个基于浏览器的应用程序，用于可视化具有大量成对关系的3D堆叠数据矩阵中的连接模式。可视化连接矩阵，寻找趋势和模式，并动态地操纵这些值是来自不同领域的科学家面临的挑战，包括神经科学和基因组学。特别是，高维神经数据包括通过脑电图（EEG），皮层电图（ECoG），脑磁图（MEG）和功能MRI采集的数据。神经连接数据包含不同大脑区域之间每个边缘的多变量属性，这促使我们开发轻量级，开源，易于使用的可视化工具来探索这些连接矩阵，以突出感兴趣的连接。在这里，我们提出了一个客户端，移动兼容的可视化工具，完全在HTML5/JavaScript，允许在浏览器中操作用户定义的文件，探索大脑的连接。可视化可以在不同的维度上同时突出显示数据的不同方面。输入文件是JSON格式的，并且已经编写了自定义Python脚本来将MATLAB或Python数据文件解析为JSON-JSON格式。我们展示了通过人类ECoG记录获取的连接数据的分析，作为我们的应用程序的特定领域的实现。我们设想这种交互式工具在寻求可视化成对连接领域的应用。
2017-02-21 q-bio.NC
Graph-Based Deep Learning on Stereo EEG for Predicting Seizure Freedom in Epilepsy Patients
Children’s National Hospital（儿童国家医院）；School of Medicine and Health Sciences, George Washington University（乔治·华盛顿大学医学与健康科学学院）
本研究提出基于图神经网络的深度学习模型，利用儿科难治性癫痫患者的立体定向脑电图数据预测发作缓解，准确率较高并识别关键脑区，为个性化癫痫治疗提供支持。
2025-02-21 cs.LG eess.SP q-bio.NC
BCMI-Driven Motion Control Detection: EEG-Based Machine Learning and Interaction Entropy for High-Order Brain Networks
College of Information and Control Engineering, Xi'an University of Architecture and Technology（西安建筑科技大学信息与控制工程学院）；Department of Neurosurgery, General Hospital of Central Theater Command（中部战区总医院神经外科）
本文研究音乐辅助模拟驾驶中认知运动控制检测及神经调节机制，利用EEG交叉信息熵构建动态高阶网络模型，揭示音乐听和驾驶时脑网络动态协调，发现音乐刺激驾驶中高阶连接性和信息熵增强，证明高阶特征在解码音乐模拟驾驶中脑运动控制状态的重要性。
2026-03-16 q-bio.NC
Finding neural signatures for obesity through feature selection on source-localized EEG
University of Otago（奥塔哥大学）
本研究利用EEG的alpha频段功能连接特征和机器学习模型识别肥胖女性的脑网络，达到0.937的分类准确率，发现肥胖大脑存在处理自我参照和环境信息区域受损的功能失调网络。
2023-06-22 cs.LG eess.SP q-bio.NC
Can EEG resting state data benefit data-driven approaches for motor-imagery decoding?
Ahmedabad International School（艾哈迈达巴德国际学校）；IIT Gandhinagar（甘地讷格尔印度理工学院）
本研究提出一种整合静息态EEG功能连接性度量与EEGNet的特征拼接方法以提升运动想象BCI泛化能力，但实验表明该方法仅在用户内场景小幅提升准确率，对跨用户场景无益。
2024-10-28 cs.HC cs.LG eess.SP
The role of noise modeling in the estimation of resting-state brain effective connectivity
University of Padova（帕多瓦大学）
本文研究了静息态fMRI数据中有效连接性估计中噪声建模对网络估计质量的影响，探讨了内源性波动对神经活动建模的方法。
2018-02-13 cs.SY eess.SY q-bio.NC
Innovations orthogonalization: a solution to the major pitfalls of EEG/MEG "leakage correction"
本文研究的问题是基于无创脑电-脑磁图逆解时间序列的脑功能和有效连通性的研究。这些信号通常具有低空间分辨率，使得在任何一个部位处的估计信号是跨所有皮层部位的真实、实际、未观察到的信号的瞬时线性混合。对这些低分辨率信号的分析可能会导致错误的连通性。最近的努力已经发展到“unmixing”，在“泄漏校正”的名称。一种最近值得注意的方法是Colclough等人（2015 NeuroImage，117：439-448）的方法，其迫使逆解信号在滞后零处具有零互相关。其中一个目标是证明Colclough的方法在非常广泛的条件下产生了虚假的人类连接体。第二个主要目标是开发一种新的解决方案，该解决方案基于新息正交化适当地“解混”逆解信号。新方法首先将多元自回归拟合到逆解信号，给出混合新息。第二，混合创新的正交化。第三，混合的和正交化的新息允许估计“解混”矩阵，其然后最终用于“解混”逆解信号。结果表明，在非常广泛的条件下，新方法产生适当的人类连接，即使信号不是由自回归模型产生的。
2017-08-23 q-bio.NC q-bio.QM stat.ME
Beyond Local Power: Functional Connectivity Analysis for Subject-Independent Learning Style Recognition
Universitas Gadjah Mada（加查马达大学）
该研究提出基于EEG和PLV连接性的方法，识别被试独立学习风格，在VV维度获70.00%准确率，AR维度仅55.56%，指出需自适应特征变换缩小跨被试泛化差距。
2026-08-13 cs.LG eess.SP q-bio.NC
Anticipated synchronization in human EEG data: unidirectional causality with negative phase-lag
了解大脑的功能连接已成为神经科学的主要目标。在许多情况下，相对相位差和相干模式一起被用来推断信息流的方向。然而，它最近已被证明在当地的场电位数据从猴子的同步制度的存在，其中单向耦合的领域可以提出积极和消极的相位差。在被称为预期同步（AS）的反直觉机制中，相位差并不反映因果关系。在这里，我们调查的连贯性和因果关系在阿尔法频段（10赫兹）之间的脑电图（EEG）电极在人类在GO/NO-GO任务。我们表明，人类的EEG信号可以表现出预期的同步，其特征在于从电极A到电极B的单向影响，但电极B在时间上领先于电极A。据我们所知，这是在EEG信号和人脑中首次验证AS。通常的延迟同步（DS）制度也存在于许多对之间。DS的特征在于从电极A到电极B的单向影响以及A和B之间的正相位差，这表明电极A在时间上领先于电极B。此外，我们表明，EEG信号表现出多样性的相位关系：电极对可以呈现同相，反相，或异相同步的正，负相位差的类似分布。
2020-08-25 physics.bio-ph q-bio.NC
A Deep Generative Model for Resting-State EEG Synthesis and Transferable Representation Learning
Institute of Psychology, Eötvös Loránd University（埃斯特哈兹·洛朗大学心理学研究所）；Doctoral School of Psychology, Eötvös Loránd University（埃斯特哈兹·洛朗大学心理学博士学院）；Department of Behavioural and Cognitive Sciences, University of Luxembourg（卢森堡大学行为与认知科学系）
提出REST-GAN框架，结合对抗训练与自监督重构，从原始时域信号合成静息态EEG并学习可迁移表示，在频谱、连接性及分类任务中表现优异。
2026-06-19 cs.AI q-bio.NC
A comparative study of the robustness of frequency--domain connectivity measures to finite data length
Dipartimento di Matematica Università degli studi di Genova（热那亚大学数学系）；Department of Neuroscience and Biomedical Engineering Aalto University（阿尔托大学生物医学工程与神经科学系）；Department of Neuroscience Imaging and Clinical Sciences “G. d’Annunzio” University of Chieti-Pescara（基耶蒂-佩斯卡拉大学“G. d'Annunzio”神经成像与临床科学系）；Institute for Advanced Biomedical Technologies “G. d’Annunzio” University of Chieti-Pescara（基耶蒂-佩斯卡拉大学“G. d'Annunzio”先进生物医学技术研究所）
本文通过数值模拟研究数据时间长度对EEG时间序列脑连接估计可靠性的影响，比较了IC、gPDC和fGC三种连接性度量在小样本下的鲁棒性差异。
2017-11-09 cs.NA math.NA q-bio.NC
Learning Cortico-Muscular Dependence through Orthonormal Decomposition of Density Ratios
Imperial College London（伦敦帝国学院）；University of Florida（佛罗里达大学）
提出基于密度比正交分解的统计依赖估计器，从EEG与EMG信号学习特征函数等以建模皮层-肌肉振荡关系，解决了可解释性等问题，并能准确分类运动与受试者，揭示特定EEG通道激活。
2024-12-19 cs.AI eess.SP q-bio.NC
Topological Analysis of Seizure-Induced Changes in Brain Hierarchy Through Effective Connectivity
提出CBTR方法，结合因果推断与霍奇分解，利用有效连接分析癫痫引起的脑层级变化，识别关键脑区，提供新见解。
2024-07-18 q-bio.NC stat.ME
On the assesment of functional connectivity in an immersive brain-computer interface during motor imagery
脑机接口（BCI）设计的新趋势旨在将该技术与沉浸式虚拟现实相结合，以便为其用户提供真实感。在这项研究中，我们提出了一个实验性的脑机接口控制沉浸式临场感系统使用运动想象（MI）。该系统是沉浸式的，因为用户可以在第一人称视角（1 PP）中控制NAO人形机器人的移动，即，就好像机器人的运动是他/她自己的一样。我们分析功能性脑连接之间的1 PP和3 PP在控制我们的BCI使用图论属性，如度，介数中心，和效率。这些度量的变化是针对1 PP的情况以及针对传统的第三人称视角（3 PP）获得的，在传统的第三人称视角中，用户可以看到机器人的移动作为反馈。作为概念验证，记录了两名受试者的脑电图（EEG）信号，同时他们执行MI以控制机器人的运动。将图论分析应用于通过部分有向相干（PDC）得到的二元有向网络。在我们的初步评估中，我们发现，与前额叶皮层的3 PP相比，1 PP条件下α脑节律的效率更高。此外，在1 PP条件下，在C3通道（初级运动皮层）测量的EEG信号对其他区域的影响更强。此外，我们的初步结果似乎表明，α和β脑节律在1 PP条件下的前额叶皮层有较高的深度，这可能与代理感的经验。因此，在沉浸式系统中控制远程呈现机器人的同时，使用PDC结合图论可能有助于理解这些环境中大脑网络的组织和行为。
2019-12-05 eess.SP q-bio.NC
MLE-Toolbox: An Open-Source Toolbox for Comprehensive EEG and MEG Data Analysis
McConnell Brain Imaging Centre, Montreal Neurological Institute, McGill University（麦金尼脑成像中心、蒙特利尔神经研究所、麦吉尔大学）
MLE-Toolbox提供了一个统一的图形界面，整合了EEG和MEG数据从原始导入到机器学习分类的全流程分析，支持自动化去噪、多源定位、频谱分析及深度学习分类，具备与Brainstorm等平台的互操作性。
2026-04-08 cs.AI cs.SE q-bio.NC
