Inferring correlations associated to causal interactions in brain signals using autoregressive models
神经元网络的特定连通性反映在其节点上记录的信号的动态中。对一个节点的活动如何预测另一个节点的行为的分析给出了它们之间关系的方向性。然而,每个节点都由许多不同的元素组成,这些元素定义了链接的属性。例如,兴奋性和抑制性神经元亚型决定连接的功能。经典的指标,如格兰杰因果关系(GC)量化了这些相互作用,但它们并没有推断出它们背后的机制。在这里,我们介绍了一个众所周知的GC的扩展,分析相关的具体影响,发送器节点对接收器。这样,如果预测的活动分别直接或相反地遵循发送者的动态,则G因果链接具有积极或消极的影响。在神经元群体模型中验证了该方法,测试了兴奋性和抑制性神经元在连通性方面具有差异效应的范例。我们的方法正确地推断了不同类型的神经元产生的正耦合或负耦合。我们的研究结果表明,所提出的方法提供了额外的信息G-因果连接的表征,这是潜在的相关,当涉及到理解大脑回路中的相互作用。
2019-11-20 q-bio.NC q-bio.QM
Uncertainty promotes neuroreductionism: A behavioral online study on folk psychological causal inference from neuroimaging data
导论.在神经科学中,越来越多的努力试图将精神障碍理解为大脑障碍。在本研究中,我们调查了在受过高等教育的人中,神经还原主义倾向有多普遍。特别是,我们揭示了精神障碍的隐含预设,公众对此知之甚少,这里以身体完整性障碍(BID)为例,它在ICD-11中首次被认为是一种精神障碍。方法.在三种情况下显示了相同的图形,大脑相关性的模拟数据,可能对因果关系有不同的假设。738名受过高等教育的门外汉对大脑结构特性与心理现象之间的因果关系归因的可解释性进行了评定。我们对比了参与者在常见脑损伤诱导行为(失语症)、行为诱导训练效应(钢琴演奏)和一种新描述的精神障碍(BID)背景下的因果关系可解释性评级。结果研究结果揭示了失语症和钢琴演奏情境中因果归因的预期情境依赖性调制。此外,我们观察到一个显着的倾向,更容易归因于因果推理从大脑到心灵,而不是反之亦然,就BID。结论在某些情况下,例如失语症和钢琴演奏,单向因果关系归因可能是合理的。然而,对于BID,我们批判性地讨论了在因果不确定性下可能不合理的神经还原主义倾向。最后,我们强调在精神病学中需要一个无预设的方法。
2021-05-26 q-bio.NC
Counterfactual Analysis of Brain Network Dynamics
University of Wisconsin--Madison(威斯康星大学麦迪逊分校);Washington University in St. Louis(华盛顿大学圣路易斯分校)
本文提出基于能量扰动问题的统一框架,用于分析脑网络因果关系在路径破坏或外部调节下的变化,为复杂脑系统网络韧性、补偿和控制提供理论基础。
2026-03-31 q-bio.NC
The connected brain: Causality, models and intrinsic dynamics
最近,有几项国际合作的努力--BRAIN倡议、欧洲人脑计划和人类连接组计划,仅举几例--希望彻底改变我们对连接大脑的理解。在过去的二十年里,功能性神经影像学已经成为系统神经科学的主要技术。这是预示着越来越多的出版物的功能连接,因果建模,连接组学,和多变量分析的分布模式的大脑反应。在这篇文章中,我们总结了教学的(深)历史的大脑映射。我们将重点介绍脑功能的(动态)因果建模的理论进展-这可能已经逃脱了本文的更广泛的受众-并提供了一个简短的概述最近的发展和有趣的临床应用。我们希望本文将通过展示这一重要主题固有的多学科性质以及正在解决的有趣问题来吸引信号处理社区。
2016-02-09 math.DS q-bio.NC stat.AP
Spectral Dynamic Causal Modelling of Resting-State fMRI: Relating Effective Brain Connectivity in the Default Mode Network to Genetics
我们进行了一项成像遗传学研究,以探索默认模式网络(DMN)中的有效大脑连接如何与阿尔茨海默病和轻度认知障碍背景下的遗传学相关。我们开发了一个纵向静息态功能磁共振成像(rs-fMRI)和遗传数据的分析,从111名受试者的样本中获得的,共有319个rs-fMRI扫描阿尔茨海默病神经影像学倡议(ADNI)数据库。一个动态因果模型(DCM)是适合的rs-fMRI扫描,以估计有效的大脑连接的DMN内,并与一组单核苷酸多态性(SNP)包含在一个经验性的疾病约束集,这是从663 ADNI受试者只有全基因组数据的样本外获得。我们研究了4区域和6区域网络中的纵向数据,并使用线性混合效应(LME)模型和标量函数回归(FSR)将使用光谱DCM估计的纵向有效脑连接网络与SNP联系起来。在前一种情况下,我们实现了一个参数的bootstrap测试SNP系数,并与从卡方零分布获得的p值进行比较。我们还实现了一个参数引导的方法来测试FSR中的回归函数,我们从参数引导获得的p值之间的比较,使用F-分布的自由度的基础上Satterthwaite的近似获得的p值。在这两个网络中,我们报告的探索性模式的协会具有相对较高的排名,表现出稳定性的不同假设FSR和LME。
2020-06-02 q-bio.NC q-bio.QM
Extracting the Multiscale Causal Backbone of Brain Dynamics
Sapienza University of Rome(罗马第一大学);Centai Institute(森泰研究所);Network Science Institute, Northeastern University London(东北大学伦敦分校网络科学研究所)
提出多尺度因果骨架(MCB)方法提取大脑动力学因果机制,优化模型拟合与复杂度权衡,揭示不同频段脑区驱动作用并证实大脑连接因果指纹存在。
2024-03-19 cs.LG q-bio.NC stat.AP
Multiscale Causal Geometric Deep Learning for Modeling Brain Structure
University of Dundee(邓迪大学);Northeastern University(东北大学);University of Cambridge(剑桥大学)
本文提出一种多尺度因果几何深度学习方法,通过多模态MRI整合与谱图理论实现大脑结构建模,提升模型的可解释性和性能。
2025-12-12 q-bio.NC
GP CaKe: Effective brain connectivity with causal kernels
网络神经科学的一个基本目标是了解一个区域的活动如何驱动其他区域的活动,这一过程被称为有效连接。在这里,我们建议使用积分微分方程和因果内核,允许有效的连接性进行丰富的分析,这种因果相互作用的模型。该方法结合了自回归模型的易处理性和灵活性与动态因果模型的生物物理可解释性。因果内核学习非参数使用高斯过程回归,产生一个有效的框架因果推理。我们构造了一类新的因果协方差函数,执行所需的属性的因果内核,一种方法,我们称之为GP蛋糕。通过构造,模型及其超参数具有生物物理意义,因此易于解释。我们证明了一些模拟GP蛋糕的功效,并给出了一个现实的应用程序脑磁图(MEG)数据的例子。
2017-05-16 q-bio.NC stat.ML
Quantum Physics in Neuroscience and Psychology: A New Theory With Respect to Mind/Brain Interaction
大多数关于行为神经基础的神经心理学研究所采用的认知框架都包含这样一个假设,即大脑机制本身完全足以解释所有心理学描述的现象。这个假设源于这样一种想法,即大脑完全由物质粒子和场组成,因此所有的因果机制都必须完全根据这些元素的属性来制定。这种立场的一个后果是,具有内在精神和/或经验内容的心理学术语(如“感觉”、“知道”和“努力”)没有被列为神经心理学研究的主要因果因素:只要属性没有用物质术语描述,它们就被认为与大脑功能的因果机制无关。然而,这种将经验实在排除在因果基础之外的要求的起源是一种自然理论,这种理论在四分之三个世纪以来一直被认为是根本不正确的。这里解释了为什么认为物质因素本身在原则上可以解释与神经科学有关的所有因果机制在科学上是没有根据的。更重要的是,它解释了关键的量子效应如何可以引入到大脑动力学中,以一种简单实用的方式,提供了一种合理的连贯性,因果关系,基于物理的方式来理解和使用心理和物理数据,这些数据来自于越来越多的研究,这些研究是关于定向注意力和精神努力系统地改变大脑功能的能力。
2004-01-14 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
The causal inference of cortical neural networks during music improvisations
在本文中,我们提出了两个音乐即兴实验的脑电图研究。具有高水平即兴演奏技能的专业音乐家被要求根据音符(作曲)或即兴演奏音乐。每首乐曲都以两种不同的模式演奏:严格模式和“放手”模式。同步EEG数据测量从音乐家和听众。我们使用最可靠的因果关系测度之一:混合嵌入条件互信息(MIME),分析不同脑电通道之间的直接相关性,并结合网络理论构建脑内和跨脑神经网络。在作曲和即兴创作之间以及严格模式和“放手”模式之间的脑内神经网络中发现了差异。研究发现,额叶、顶叶和颞叶等特定脑区在区分不同游戏条件下的大脑活动方面起着关键作用。通过比较脑内神经网络的程度中心性水平,我们发现音乐家在不同条件下演奏音乐时对听者的反应不同。
2014-07-24 q-bio.NC
Diagnosis of Autism Spectrum Disorder by Causal Influence Strength Learned from Resting-State fMRI Data
自闭症谱系障碍(ASD)是影响儿童的主要发育障碍之一。最近,有人假设ASD与非典型的大脑连接有关。大量的研究使用皮尔逊相关系数、互信息或偏相关来研究ASD与功能性磁共振成像(fMRI)的典型对照之间的脑连接差异。然而,相关性或部分相关性并不能直接揭示大脑区域之间的因果影响--信息流。与相关性相比,因果关系确定了关键的连通性特征,并删除了用于诊断的冗余特征。在本文中,我们提出了一个两步的方法,从功能磁共振成像的大规模和循环的因果发现。它可以识别大脑的因果结构,而无需进行干预实验。习得的因果结构以及因果影响强度为我们提供了信息流的路径和有效性。以恢复的因果影响强度作为候选特征,通过进一步的特征选择和分类进行ASD诊断。我们将我们的方法应用于自闭症脑成像数据交换(ABIDE)的三个数据集。从实验结果来看,它表明,与因果联系,诊断准确率大大提高。更仔细的检查表明,从上前回到默认模式网络和后部区域的信息流大大减少。此外,所有增强的信息流都是从后向前或在局部区域内。总体而言,它表明,长期影响比本地影响减少的比例更大,而本地影响比长期影响增加的比例更大。通过对大脑因果结构的图形特性的研究,ASD组表现出减少的小世界性。
2019-03-05 cs.NE q-bio.NC
Mapping effective connectivity by virtually perturbing a surrogate brain
提出NPI框架,通过虚拟扰动替代大脑模型映射全脑有效连接,克服传统方法局限,验证显示其优于现有方法且与真实刺激传导显著相关,推动脑功能因果理解。
2024-09-27 q-bio.NC
Causal potency of consciousness in the physical world
本文证明经典物理框架下心智功能理论必然导致意识因果失效,并提出将意识等同于大脑量子态、借连续量子测量生成随机动力学的量子还原论,以支持意识因果效力与自由意志。
2023-06-26 q-bio.NC quant-ph
Statistical Perspective on Functional and Causal Neural Connectomics: A Comparative Study
大脑网络交互的表示是将神经结构转化为大脑功能的基础。因此,用于将神经相互作用映射到结构模型中的方法,即,从神经记录中推断功能连接体是研究脑网络的关键。虽然已经提出了基于神经活动之间的统计关联的功能连接组学的多种方法,但是关联不一定包含因果关系。已经提出了另外的方法来结合因果关系的方面,以将功能性连接体转变为因果性功能性连接体,然而,这些方法通常专注于因果关系的特定方面。这保证了因果功能连接组学的系统统计框架,定义了因果关系的共同方面的基础。这样一个框架可以帮助对比现有的方法,并指导进一步因果方法的发展。在这项工作中,我们开发了这样一个统计指南。特别是,我们巩固了协会的概念和神经相互作用的表示,即,神经连接组学的类型,然后描述统计学文献中的因果建模。我们特别专注于引入有向马尔可夫图形模型作为一个框架,通过它,我们定义了有向马尔可夫属性-一个重要的标准,用于检查拟议的功能连接体的因果关系。我们演示了如何基于这些概念,比较研究几种现有的方法,从神经活动中找到因果功能连接可以进行。我们继续提供未来的方法可以包括彻底解决因果关系的其他属性的前景。
2021-11-03 q-bio.NC q-bio.QM stat.AP
Modeling Causal Interactions Across Brain Functional Subnetworks for Population-specific Disease Analysis
University of Texas Rio Grande Valley(德克萨斯大学里奥格兰德河谷分校);Washington University in St. Louis(华盛顿大学圣路易斯分校);North Carolina State University(北卡罗来纳州立大学);Temple University(天普大学);University of Pittsburgh(匹兹堡大学)
本文基于HABS HD数据集构建有向超连接组,揭示脑网络种族差异对AD进展和担忧水平预测的影响,发现共享与人群特异性模式及不同闭环回路,强调人群感知神经影像模型的重要性。
2025-11-02 q-bio.NC stat.AP
The lure of misleading causal statements in functional connectivity research
作为神经科学家,我们希望了解大脑内的因果相互作用或机制如何引起感知、认知和行为。通常使用统计技术(如功能连接、格兰杰因果关系或信息流)从测量的活动中估计相互作用效应,其结果往往被错误地视为揭示了机械的洞察力。由于这些统计技术将模型拟合到大脑的低维测量值,因此它们忽略了大脑活动是高维的这一事实。在这里,我们关注的是常见输入的明显混淆:无数未观察到的变量可能比少数观察到的变量更有影响力。任何给定的观察到的相关性都可以通过考虑未观察到的变量的无限因果模型来解释。因此,大量欠采样测量中的相关性告诉我们关于机制的信息很少。我们认为,这些因果关系的相关性的错误推断是由一个隐含的重新定义的话,建议机制,如连接,因果关系,和流增强。
2020-10-23 q-bio.NC
Why the Brain Cannot Be a Digital Computer: History-Dependence and the Computational Limits of Consciousness
本文以信息论方法量化可区分意识状态及其历史依赖,证明指定意识状态所需信息超过人脑容量,从而否定大脑等同经典数字计算机,并指向非经典信息处理机制。
2025-03-13 cs.AI physics.hist-ph q-bio.NC
Extracting Root-Causal Brain Activity Driving Psychopathology from Resting State fMRI
University of Pittsburgh(匹兹堡大学)
本文提出SOURCE方法,通过双层结构性因果模型从静息态fMRI中提取驱动心理障碍的根因性脑活动,提升症状维度的可解释性和解剖特异性。
2026-02-06 cs.CV cs.LG eess.IV
A Graph Neural Network Framework for Causal Inference in Brain Networks
University of Regensburg(雷根斯堡大学);Universidade de Aveiro(阿威罗大学);Brown University(布朗大学)
神经科学的一个中心问题是,大脑中的自组织动态相互作用是如何出现在相对静态的结构骨架上的。由于不同大脑区域之间的空间和时间依赖性的复杂性,充分理解结构和功能之间的相互作用仍然是一个具有挑战性的研究领域。在本文中,我们提出了一个图神经网络(GNN)的框架,描述功能的相互作用的基础上的结构解剖布局。GNN允许我们处理图形结构的时空信号,提供了将来自扩散张量成像(DTI)的结构信息与时间神经活动分布相结合的可能性,就像在功能磁共振成像(fMRI)中观察到的那样。此外,通过这种数据驱动的方法学习的不同大脑区域之间的动态相互作用可以提供因果连接强度的多模式测量。我们评估所提出的模型的准确性,通过评估其能力,以复制经验观察到的神经激活配置文件,并比较性能的向量自回归(VAR),如通常使用的格兰杰因果关系。我们表明,GNN能够捕获数据中的长期依赖关系,并且在计算上可以扩展到大规模网络的分析。最后,我们确认GNN学习的特征可以在MRI扫描仪类型和采集协议中推广,通过证明可以通过对早期和不同研究的数据进行GNN预训练来提高小数据集的性能。我们的结论是,所提出的多模态GNN框架可以提供一个新的视角在大脑中的结构-功能关系。因此,这种方法可能是有前途的表征大脑网络中的信息流。
2020-10-14 cs.LG q-bio.NC
BrainVista: Modeling Naturalistic Brain Dynamics as Multimodal Next-Token Prediction
BrainVista通过多模态自回归框架建模自然主义脑动力学,采用网络级令牌化器和空间混合头以解构系统特定动态并捕捉跨网络信息流,通过S2B掩码机制实现严格因果条件,提升fMRI编码性能。
2026-11-11 cs.AI q-bio.NC
Minimum-phase property of the hemodynamic response function, and implications for Granger Causality in fMRI
本文通过多个生物物理模型证明血流动力学响应函数在生理合理参数范围内具有最小相位特性,从而支持fMRI中基于统计显著性的格兰杰因果网络推断,同时指出初始下降和BOLD慢采样可能引入虚假GC。
2023-12-04 q-bio.NC q-bio.QM
Towards model-based design of causal manipulations of brain circuits with high spatiotemporal precision
本文提出一种两步法,通过识别自发神经活动中的有效扰动枢纽并结合非线性动力学与控制理论设计多站点刺激模式,实现高时空精度的大脑回路因果操纵。
2025-05-30 q-bio.NC
CI-GNN: A Granger Causality-Inspired Graph Neural Network for Interpretable Brain Network-Based Psychiatric Diagnosis
Vrije Universiteit Amsterdam(阿姆斯特丹自由大学);UiT - Arctic University of Norway(挪威北极圈大学)
针对现有脑网络诊断用GNN解释器事后解释、缺因果性的问题,提出内置可解释的CI-GNN,通过CMI正则化解耦因果/非因果子图表示,在多数据集上性能与解释可靠性均优于基线。
2024-01-28 cs.LG q-bio.NC stat.ML
Joint learning of multiple Granger causal networks via non-convex regularizations: Inference of group-level brain connectivity
Chulalongkorn University(朱拉隆功大学)
本文考虑多个稀疏Granger图模型的联合学习,以发现跨多个时间序列的潜在共同和差分Granger因果关系(GC)结构。这可以应用于从同质的受试者组中绘制组级大脑连接性推断,或者发现在异质条件下收集的信号组之间的网络差异。通过识别向量自回归(VAR)滞后系数的公共零点可以表征单个多元时间序列的GC,一组稀疏先验被包含在多个VAR模型的联合正则化最小二乘估计中。基于群和融合套索惩罚的群范数正则化鼓励将多个网络分解为一个公共的GC结构,其他剩余部分定义在个体特定的网络中。该方法将GC网络的稀疏性和稀疏模式的先验信息作为相对权重,同时在惩罚中引入非凸群范数,以提高低样本情况下网络估计的准确性.大量的数值模拟结果表明,我们的方法的改进现有的稀疏估计方法的GC网络稀疏恢复。我们的方法也被应用到现有的休息状态fMRI时间序列从ADHD-200数据集学习的因果关系机制的差异,称为有效的大脑连接,青少年多动症和典型的发展中国家的儿童。我们的分析显示,两组之间的部分因果关系差异通常位于眶额区和边缘系统相关区域,这与先前研究中的临床发现和数据驱动结果一致。
2021-05-22 cs.LG eess.SP q-bio.NC
OMiSO: Adaptive optimization of state-dependent brain stimulation to shape neural population states
提出脑刺激框架OMiSO,利用刺激前大脑状态并自适应优化参数,将神经群体活动驱动至指定状态,在猴子实验中优于竞争方法,提升了神经调控准确性。
2025-07-10 q-bio.NC
Information Theoretic Measures of Causal Influences during Transient Neural Events
瞬变现象在多尺度协调大脑活动中起着关键作用,然而,其潜在机制在很大程度上仍然未知。因此,神经数据科学的一个关键挑战是描述这些事件中网络的交互作用。使用结构因果模型及其图形表示的形式主义,我们调查的理论和经验性质的信息理论为基础的因果强度措施的背景下,反复自发的瞬态事件。在说明了转移熵和动态因果强度在这种情况下的局限性之后,本文引入了一种新的测度--相对动态因果强度,并对其优势提供了理论和实证支持。这些方法被应用到模拟和实验记录的神经时间序列,并提供与我们目前的理解的基本脑回路的协议的结果。
2022-09-15 q-bio.NC stat.ME stat.ML
Multiple-shooting adjoint method for whole-brain dynamic causal modeling
Yale University(耶鲁大学)
动态因果建模(DCM)是一种推断区室之间的定向连接的贝叶斯框架,并且已被用于基于功能神经成像数据来描述底层神经元群体之间的相互作用。DCM通常使用期望最大化(EM)算法进行分析。然而,因为当存在噪声观测时,大规模连续系统的反演是困难的,所以通过EM的DCM通常限于少量的隔室($<10$)。当前方法的另一个缺点是它的复杂性;当前向模型改变时,后验均值也会改变,我们需要重新推导算法进行优化。在这个项目中,我们提出了多重射击伴随(MSA)方法来解决这些限制。MSA使用多次射击方法在噪声观测下进行常微分方程(ODE)的参数估计,适用于大规模系统,如功能性MRI(fMRI)中的全脑分析。此外,MSA在ODE中使用伴随方法进行精确的梯度估计;由于伴随方法是通用的,MSA是线性和非线性系统的通用方法,并且不需要像EM中那样重新推导算法。我们通过大量的实验验证了MSA的有效性:1)在线性和非线性模型的例子中,我们证明了MSA在参数值估计上比EM具有更好的精度,而且MSA可以成功地应用于多达100个隔间的大型系统;和2)使用真实的fMRI数据,我们将MSA应用于全脑有效连接体的估计,并且与使用功能连接体相比,显示了自闭症谱系障碍(ASD)相对于对照的改进的分类。该包装提供\url{https://jzkay12.github.io/TorchDiffEqPack}
2021-02-14 cs.LG q-bio.NC
Brain development dictates energy constraints on neural architecture search: cross-disciplinary insights on optimization strategies
该研究从发育神经科学视角提出,大脑神经架构搜索以代谢优化而非预测误差为核心,为AI尤其是AGI的新型NAS设计及深度神经网络因果推理研究提供了新视角。
2023-10-03 q-bio.NC q-bio.QM
Entropic Causal Inference for Neurological Applications
认知神经科学的最终目标是了解大脑功能组织的机制神经过程。本研究的关键是了解解剖区域之间的结构和功能连接的结构。在本文中,我们遵循以前的工作,在开发一个简单的动力学模型的大脑模拟其各个区域的仓本振荡器,其耦合结构描述了一个复杂的网络。然而,在我们的模拟中,而不是生成合成网络,我们模拟我们的合成模型,但通过从弥散张量成像(DTI)数据重建的解剖大脑区域的真实网络耦合。通过使用信息理论的方法,定义直接信息流的因果熵(CSE),我们表明,我们可以更准确地恢复真正的结构网络比流行的相关或LASSO回归技术。我们证明了我们的方法的有效性时,应用到现实的DTI网络,以及随机生成的小世界和Erdös-Rényi(ER)网络上的数据模拟。
2021-02-03 math.DS q-bio.NC
BOLDSimNet: Examining Brain Network Similarity between Task and Resting-State fMRI
Hanyang University(汉阳大学);Luleå University of Technology(吕勒奥理工大学);Hankuk University of Foreign Studies(韩国外国语大学)
本文提出BOLDSimNet框架,利用多变量传递熵测量不同认知状态下的因果连接与脑网络相似性,发现儿童与青少年在任务态和静息态网络重构上存在显著发育差异。
2025-04-02 cs.CV q-bio.NC
The Causal Role of Astrocytes in Slow-Wave Rhythmogenesis: A Computational Modelling Study
找到慢振荡和超慢振荡的起源可以揭示或解释健康和疾病的大脑机制。在这里,我们提出了一个生物病理学约束的计算模型的神经网络,其中包括星形胶质细胞引入缓慢和超慢振荡,通过两种不同的机制。具体而言,我们展示了星形胶质细胞如何通过其缓慢的细胞间钙波速度和振幅来调节快速网络活动,并可能导致在通常已知的此类异常疾病中观察到的振荡失衡,即阿尔茨海默病,帕金森病,癫痫,抑郁症和缺血性中风。这项工作旨在增加我们对星形胶质细胞和神经元如何协同影响大脑功能和功能障碍的了解。
2017-02-13 cs.NE q-bio.CB 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
A Bayesian method for inference of effective connectivity in brain networks for detecting the Mozart effect
一些研究声称,听莫扎特音乐会影响认知,并可用于治疗癫痫等神经疾病。对莫扎特效应的研究还没有解决大脑网络之间的动态交互,即有效连接,是如何受到影响的。Granger因果关系分析通常用于推断有效连接。首先,我们调查,如果一个新的方法,贝叶斯拓扑识别,可以作为一种替代。这两种方法进行了评估模拟数据,贝叶斯方法优于Granger因果关系分析的动态网络的连接图的推理,特别是对于短的数据长度。在第二部分中,贝叶斯方法进行了扩展,使有效的主题组之间的连接的变化的推断。接下来,我们将这两种方法应用于16名健康受试者的fMRI扫描,这些受试者在暴露于莫扎特的奏鸣曲K448之前和之后进行扫描,每天至少2小时,持续7天。在这里,我们调查,如果有效连接的主题显着改变后,听莫扎特音乐。贝叶斯方法检测到与认知处理和控制相关的网络之间有效连接的变化:首先,从中央执行到高级感觉运动网络的连接。第二,在从后默认模式到额顶右网络的连接中。最后,在从前默认模式到背侧注意网络的连接中,但仅在具有较长听力持续时间的受试者亚组中。格兰杰因果关系分析只在最后一种联系中发现了效果。
2020-10-15 cs.SY eess.SY q-bio.NC
Discrete Dynamic Causal Modeling and Its Relationship with Directed Information
本文探讨了离散动态因果模型(DDCM)及其与有向信息(DI)的关系。我们证明了DDCM和DI在表征两个脑区之间的因果关系方面的条件等价性。理论结果表明,使用fMRI数据下得到的静息状态和刺激为基础的状态。我们的数值分析与之前研究中报道的结果一致。
2017-09-18 cs.IT math.IT q-bio.NC
Generative causal testing to bridge data-driven models and scientific theories in language neuroscience
Computer Science Department, University of Texas at Austin(德克萨斯大学计算机科学系);Microsoft Research(微软研究院);Neurosurgery Department, University of California(加州大学神经外科系);EECS Department, University of California(加州大学电子工程与计算机科学系);Statistics Department, University of California(加州大学统计学系);Center for Computational Biology, University of California(加州大学计算生物学中心);Neuroscience Department, University of California(加州大学神经科学系)
提出生成式因果测试(GCT)框架,利用大语言模型生成简洁解释并通过LLM生成刺激进行验证,成功解释大脑区域的语言选择性,弥合数据驱动模型与科学理论之间的差距。
2026-06-16 cs.CL q-bio.NC
Differential Dynamic Causal Nets: Model Construction, Identification and Group Comparisons
University of Kent(肯特大学);University of York(约克大学);Innovision IP Ltd(Innovision IP有限公司)
本文提出了一种基于EEG数据构建微动态因果网络的方法,用于分析群体中大脑动态因果性变化,揭示癫痫发作前后的神经网络功能紊乱。
2026-11-03 q-bio.NC stat.AP stat.ML
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
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
Discovering Dynamic Effective Connectome of Brain with Bayesian Dynamic DAG Learning
University of Tehran(德黑兰大学);Carnegie Mellon University(卡内基梅隆大学);Harvard Medical School(哈佛医学院)
针对高维动态DAG发现能力不足与fMRI数据质量低的挑战,提出融合M矩阵无环表征的贝叶斯动态DAG学习方法BDyMA,可更准确可靠地提取大脑动态有效连接组,融入DTI先验可进一步提升效果。
2024-03-09 cs.LG q-bio.NC
Scaling of causal neural avalanches in a neutral model
神经雪崩是表现出涌现的无标度行为的神经元的集体放电。了解这些雪崩的性质和分布是了解大脑功能的重要因素。我们研究了一个模型的神经雪崩的动力学是由中性理论。使用放电神经元之间的因果关系来定义神经雪崩。我们分析了因果神经雪崩的缩放从吸收阶段接近临界点。通过使用聚类分析工具,从渗流理论,我们的特征的神经雪崩的临界特性。我们确定的调谐参数与实验一致。标度假说提供了一个统一的解释幂律的特点的临界点。表征响应函数的雪崩分布和发散的临界指数与标度假设的预测是一致的。我们使用一个通用的缩放函数的雪崩配置文件,发现不同持续时间的雪崩的发射率显示数据崩溃后,适当的重新缩放。我们还发现数据崩溃的雪崩分布函数,这是更强有力的证据的临界性,而不仅仅是存在的幂律。临界减速和幂律松弛的雪崩观察到的系统被调谐到其临界点。我们讨论了我们的研究结果如何激励未来的实证研究的关键在大脑中。
2021-01-15 nlin.AO physics.bio-ph q-bio.NC