Learnable Community-Aware Transformer for Brain Connectome Analysis with Token Clustering
The University of British Columbia(不列颠哥伦比亚大学);Vector Institute(向量研究所);Yale University(耶鲁大学)
提出TC-BrainTF模型,通过可学习提示token与正交损失实现脑ROI的社区聚类与分类联合学习,在ABIDE和HCP数据集上提升ASD识别和性别分类的准确性。
2024-03-13 cs.LG eess.IV q-bio.NC
Hierarchical feature extraction on functional brain networks for autism spectrum disorder identification with resting-state fMRI data
针对ASD现有诊断主观性强易误诊的问题,提出基于rs-fMRI的ASD-HNet分层神经网络模型,从ROI、社区、全局三层提取脑功能网络特征,在ABIDE-I数据集上表现优于现有方法。
2025-03-20 q-bio.NC
Detecting Dynamic Community Structure in Functional Brain Networks Across Individuals: A Multilayer Approach
Monash University Malaysia(马来西亚蒙纳士大学);King Abdullah University of Science and Technology(阿卜杜拉国王科技大学);Xiamen University Malaysia(厦门大学马来西亚分校)
我们提出了一个统一的统计框架,用于表征大脑功能网络的社区结构,该网络捕获了个体之间的变化和随时间的演变。现有的社区发现方法只关注动态网络的单主题分析,而最近扩展到多主题分析仅限于静态网络。为了克服这些局限性,我们提出了一个多学科,马尔可夫转换随机块模型(MSS-SBM),以确定一组人的大脑社区组织的状态相关的变化。我们首先制定了一个多层扩展的SBM描述的时间依赖性,多学科的大脑网络。我们开发了一种新的程序,用于拟合多层SBM,建立在多层模块化最大化,可以同时发现一个共同的社区分区的所有层(科目)。通过增加一个动态马尔可夫切换过程,我们提出的方法是能够捕获一组不同的,经常性的时间状态相对于社区间的相互作用的主题和它们之间的变化点。仿真结果表明,准确的社区恢复和跟踪动态社区政权多层网络的MSS-SBM。应用于任务功能磁共振成像揭示了有意义的非重复性大脑社区图案,例如,核心-外围结构在群体水平,这是与语言理解和运动功能,表明他们在复杂的信息整合的假定作用。我们的方法检测到动态重新配置的模块化连接引起不同的任务需求,并确定了独特的配置文件内和社区间的连接在不同的任务条件。所提出的多层网络表示提供了一种原则性的方法来检测跨学科大脑网络中的同步,动态模块化。
2020-10-16 cs.LG eess.SP physics.soc-ph
Hierarchical Bayesian inference for community detection and connectivity of functional brain networks
ShanghaiTech University(上海科技大学);Monash University(蒙纳士大学);The Hong Kong Polytechnic University(香港理工大学);University College London(伦敦大学学院);CIFAR(加拿大高级研究所)
提出基于贝叶斯潜在块模型的多层社区检测方法,在个体和群体层面稳健检测加权功能网络社区结构,保留个体变异性,并通过模拟和真实fMRI数据验证其准确性和可靠性。
2026-06-17 q-bio.NC stat.AP
Community detection in weighted brain connectivity networks beyond the resolution limit
图论为研究脑功能连接网络及其模块组织提供了一个强有力的框架。然而,大多数基于图的方法都受到基本分辨率限制的影响,这可能会影响以前的研究,并阻止检测小于特定尺度的模块或社区。Surprise是一个基于离散概率理论的无分辨率限制的函数,最近被引入并应用于大脑网络,揭示了功能模块的广泛尺寸分布,与许多以前的报道相反。然而,Surprise的使用仅限于二进制网络,而大脑网络本质上是加权的,反映了不同大脑区域之间连接强度的连续分布。在这里,我们提出了渐近惊喜,惊喜的连续版本,加权大脑连接网络的研究,并验证这种方法在合成网络赋予地面真理模块化结构。我们比较渐近惊喜与领先的社区检测方法目前正在使用,并显示其优越的灵敏度,即使在存在噪声和受试者间的变异性,如在功能磁共振成像数据中观察到的小模块的检测。最后,我们将我们的新方法应用于静息态fMRI实验中的功能连接网络,并展示了一个异构的模块化组织,具有跨越多个尺度的广泛分布的集群。
2016-09-14 physics.soc-ph q-bio.NC q-bio.QM
Effect of antipsychotics on community structure in functional brain networks
精神分裂症是一种精神障碍,其特征是异常的社会行为和无法区分自己的思想和想法与现实,与功能性大脑网络结构的结构异常有关。使用网络分析的各种方法,我们研究了两种经典的治疗性抗精神病药物-阿立哌唑和舒必利-对健康对照组和被诊断为精神分裂症的患者的功能性脑网络结构的影响。我们使用介观反应函数比较不同个体的功能性脑网络的社区结构,介观反应函数测量社区结构如何在网络的不同尺度上变化。我们能够很好地区分患者和对照组,我们在接受阿立哌唑治疗的患者中最成功。我们证明,患者和对照组之间的这种增加的分离仅与对照组的变化有关,因为患者组的功能性大脑网络似乎主要不受这种药物的影响。这表明阿立哌唑对健康个体的社区结构有显著和可测量的影响,但对诊断为精神分裂症的个体没有影响。相比之下,我们发现,对于给予舒必利药物的个体,将患者网络与对照网络分开更加困难。总的来说,我们观察到药物(和安慰剂)对患者和对照组社区结构的影响存在差异,并且这种影响在各组之间存在差异。因此,我们证明了不同类型的抗精神病药物选择性地影响大脑网络的中尺度结构,提供支持,中尺度结构,如社区是有意义的功能单位在大脑中。
2018-06-04 nlin.AO physics.med-ph physics.soc-ph
Introducing the modularity graph: an application to brain functional networks
本文提出模块度图这一新的图特征,用于刻画图社区间关系,并将其应用于运动想象脑电图估计的脑功能连接网络,通过多尺度统计分析揭示不同运动想象任务对应脑连接状态的差异,为理解运动想象机制和进一步图上信号分析奠定基础。
2024-06-21 q-bio.NC
Resolving Structure in Human Brain Organization: Identifying Mesoscale Organization in Weighted Network Representations
人类大脑的解剖结构和功能显示出模块化和层次化组织的组合,这表明了内聚结构和可变分辨率在促进健康认知过程中的重要性。然而,同时探测大脑结构的这些特征的工具需要进一步开发。我们提出并应用了一套方法来提取内聚结构的网络表示的大脑连接使用多分辨率技术。我们采用软阈值,窗口阈值,并在社区检测的分辨率的组合,使我们能够识别和隔离与不同的权重相关的结构。一种这样的中尺度结构是二分性,其量化大脑被分成两个分区的程度,其中分区之间具有高连接性,分区内具有低连接性。第二个互补的中尺度结构是模块化,它量化了大脑被分成多个社区的程度,每个社区内的连接性很强,社区之间的连接性很弱。我们的方法导致这些网络诊断在一系列的空间,几何和结构尺度的多分辨率曲线。为了统计比较,我们将我们的结果与几个基准零模型的结果进行了对比。我们的工作表明,多分辨率诊断曲线捕捉复杂的组织配置文件的加权图。我们将这些方法应用于识别健康加权图架构的分辨率特定特征和精神疾病中的连接配置文件改变。
2013-12-20 q-bio.NC
Graph analysis and modularity of brain functional connectivity networks: searching for the optimal threshold
神经成像数据可以表示为节点和边的网络,其捕获大脑连接的拓扑组织。图论提供了一个通用而强大的框架来研究这些网络及其在各种尺度上的结构。举例来说,社区检测方法已被广泛应用于研究许多自然网络的模块结构,包括大脑功能连接网络。稀疏化过程通常用于去除最受实验噪声影响的最弱边缘,并降低图的密度,从而使其在理论上和计算上更易于处理。然而,薄弱环节也可能包含重要的结构信息,并确定最佳权衡的程序是积极研究的主题。在这里,我们将探索使用渗透分析,一种基于统计物理学的方法,来确定大脑连接网络中社区检测的最佳稀疏化阈值。通过使用合成网络赋予地面真理模块化结构和现实的拓扑特征典型的人脑功能连接网络,我们表明,渗透分析可以应用于确定最佳的稀疏化阈值,最大限度地提高网络的社区结构的信息。我们使用三种不同的社区检测方法来验证这种方法,这些方法广泛应用于大脑连接网络的分析:Newman的模块化,InfoMap和Asymptotical Surprise。重要的是,我们测试了噪声和数据变异性的影响,这是确定最佳阈值的关键因素。这种数据驱动的方法在分析具有不同连接强度的人群(如患者和对照组)的大脑网络社区结构时特别有用。
2017-05-18 physics.data-an physics.soc-ph q-bio.NC
A Community-Developed Open-Source Computational Ecosystem for Big Neuro Data
大成像数据在跨时空尺度和跨基因的脑科学中变得越来越突出。我们已经开发了一个计算生态系统,可以在云中存储,可视化和分析这些数据,迄今为止,已经有20多篇出版物和100多TB,包括纳米级超微结构,微尺度突触发生多样性和中尺度全脑连接,使NeuroData成为最大,最多样化的开放式大脑数据库。
2018-04-10 q-bio.NC q-bio.QM
Network community structure and resilience to localized damage: application to brain microcirculation
在脑血管网络中,一些顶点彼此之间的连接比与血管系统的其余部分的连接更多,从而定义了社区结构。在这里,我们介绍了一类通过重新布线随机正则图构建的模型网络,它能够重现脑血管网络的这种社区结构和其他拓扑特性。我们使用这些模型网络来研究由去除单个边缘引起的全局流量减少。我们分析表明,这种全球性的流量减少可以表示为在删除的边缘和拓扑量,这两个显示概率分布柯西定律,即大尾巴的初始流量的函数。因此,我们表明,血流减少的分布是强烈的影响,社区结构。特别是,大流量减少的可能性大大增加时,社区结构是较强的,削弱了网络的弹性,单一毛细管闭塞。我们讨论的背景下,阿尔茨海默氏病,其中血管机制,包括毛细血管闭塞的重要性,这些发现的影响,开始被发现。
2021-07-20 cs.SI physics.bio-ph q-bio.NC
Community-Aware Transformer for Autism Prediction in fMRI Connectome
The University of British Columbia(不列颠哥伦比亚大学)
针对现有Transformer模型在fMRI脑连接组ASD预测中忽略ROI群落关联的问题,提出分层局部-全局架构Com-BrainTF,共享参数加专属提示token平衡性能与效率,在ABIDE数据集上达SOTA且具高可解释性。
2023-06-24 cs.LG eess.IV q-bio.NC
Understanding brain networks and brain organization
大脑和行为之间的关系是什么?要回答这个问题,就必须描述结构和功能之间的映射。本文的目的是讨论围绕大脑结构和功能之间联系的广泛问题,这将激发网络视角来理解这个问题。和过去的其他人一样,我认为网络视角应该取代从单个区域来理解大脑的常见策略。尽管这一观点对于更全面地描述心灵-大脑是必要的,但它不应被视为灵丹妙药。首先,区域和功能之间的多对多映射所带来的挑战并没有被网络视角所解决。虽然这个问题得到了改善,但当采用网络方法时,不应预期一对一的映射。此外,根据有意义的区域集群来分解大脑网络,例如由社区发现算法生成的区域集群,本身并不能揭示“真正的”子网络。鉴于区域之间的层次和多关系关系,多重分解将提供大脑内更广泛网络景观的不同“切片”。最后,我描述了如何通过多样性轮廓的想法以多维方式表征大脑区域的功能。这个概念也可以用来描述不同的大脑区域参与网络的方式。
2014-03-27 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
Static and dynamic measures of human brain connectivity predict complementary aspects of human cognitive performance
在认知网络神经科学中,大脑网络的连通性和社区结构与认知有关。这方面的研究主要集中在两个连接性的措施-模块化和灵活性-这往往是孤立的审查。通过使用52名年轻人的静息状态fMRI数据,我们研究了模块性,灵活性和认知任务的性能之间的关系。我们发现,灵活性和模块化是高度负相关的。然而,我们也表明,灵活性和模块化作出独特的贡献,以解释任务的性能,与模块化预测性能简单的任务和灵活性预测性能复杂的任务,需要认知控制和执行功能。这里提出的理论和结果允许大脑网络连接和认知过程的测量之间有更强的联系。
2017-11-27 q-bio.NC
Altered Modularity and Disproportional Integration in Functional Networks are Markers of Abnormal Brain Organization in Schizophrenia
模块性在脑网络的结构中起着重要的作用,并影响其动力学以及整合和分离大脑区域不同模块的能力。社区结构的改变与几种临床疾病有关,特别是精神分裂症,尽管其时间演变尚不清楚。在本研究中,我们分析了$65$健康受试者(HC)和精神分裂症患者(SZ)的$44$,他们的$28$在慢性状态(CR)的疾病,和$16$在早期阶段(ES)的fMRI功能网络。我们发现边缘的权重分布,网络密度,社区结构的一致性和鲁棒性对边缘删除明显的差异。与健康受试者相比,我们发现SZ患者的网络具有更宽的权重分布,更大的整体连通性,并且在不同受试者的社区结构中更加一致。我们还表明,SZ患者的网络往往比健康受试者更强大的边缘去除,同时具有较低的网络密度。在早期患者的情况下,我们发现他们的网络拓扑特征始终在其他两组之间,导致慢性组状态的趋势。
2018-05-11 physics.bio-ph q-bio.NC
Diversity of meso-scale architecture in human and non-human connectomes
大脑的功能多样性反映在其连接体的中尺度结构中,即其分为拓扑相关的大脑区域的集群和社区。占主导地位的观点是,社区是严格相互隔离的,据称是为了进行专门的信息处理。然而,这种观点排除了非自治社区的可能性,这种社区可以通过允许更复杂的社区间互动来产生更丰富的功能库。在这里,我们使用加权随机块模型来揭示\emph{Drosophila},小鼠,大鼠,猕猴和人类连接体的中尺度架构。我们证实,虽然许多社区是互补的,其他形式的核心-外围和互补的结构,在人类更好地概括观察到的模式的功能连接和小鼠更好地概括观察到的模式的基因共表达比其他社区检测技术。我们定义了一组网络措施,用于量化大脑区域参与的社区类型的多样性。最后,我们表明,多样性在人类的控制和皮层下系统达到顶峰,这些系统内的多样性的个体差异预测Stroop和Navon任务的认知性能。总之,我们的报告描绘了连接体中尺度结构的更多样化的肖像,并证明了其与认知表现的相关性。
2017-02-10 q-bio.NC
Dynamic Range in the C.elegans Brain Network
我们研究外部,电扰动和它们的反应,在脑动态网络的\textit{Caenorhabditis elegans}土壤蠕虫,其大型躯体神经系统的连接体。我们的分析灵感来自一个现实的实验,其中一个外部刺激大脑的特定部分,并研究在其他皮层区域触发的持续神经活动。在这项工作中,我们扰动的神经元组,形成社区,确定的walktrap社区检测方法,由列车的刻板的电泊松脉冲和研究传播的神经活动到其他社区通过测量相应的动态范围和史蒂芬定律指数。我们表明,当一个扰动特定的社区,保持其余的不受干扰,外部刺激能够传播到其中的一些,但不是所有。还有一些扰动不会引发任何反应。我们发现,这取决于最初扰动的社区。最后,我们将我们的研究结果与低神经同步,自我批评和大信息流容量的前几种情况下,并解释为大脑网络的能力,以应对外部扰动时,它的工作在临界状态,其信息流容量成为最大。
2015-12-28 nlin.CD q-bio.NC
Functional brain network architecture supporting the learning of social networks in humans
大多数人都有幸生活在结构丰富的社会群体中。然而,目前尚不清楚人类如何获得有关这些社会结构的知识,以成功地驾驭社会关系。在这里,我们利用网络科学和统计学习的最新进展,通过跨学科的神经成像研究来解决这一知识差距。具体来说,我们收集了BOLD MRI数据,同时参与者学习了社交和非社交网络的社区结构,以检查这两种类型的网络的学习是否与功能性大脑网络拓扑结构有差异。从这两个任务中的行为数据,我们发现,学习者对网络的社区结构很敏感,这一点可以从集群之间过渡的试验的反应时间比集群内过渡的试验的反应时间慢得到证明。从社会网络学习任务期间收集的神经影像学数据,我们观察到,海马和颞顶连接的功能连接是显着更大的集群之间的过渡时,比在一个集群内过渡。此外,颞顶区的默认模式更强烈地连接到海马体,somatomotor,和视觉区域在社会任务比在非社会任务。总的来说,我们的研究结果确定了社会与非社会网络学习的神经生理学基础,扩展了我们对社会背景对学习过程的影响的认识。更广泛地说,这项工作提供了一种实证方法来研究社会网络结构的学习,这可以卓有成效地扩展到其他参与者群体,各种图形架构,以及在未来的研究中的社会背景的多样性。
2019-04-20 q-bio.NC
Exploring Cordial Labeling techniques in Brain Connectivity Network
Madras Institute of Technology, Anna University(马德拉斯理工学院,安娜大学)
本文将亲切标号与带符号乘积亲切标号引入脑连接网络分析,以度量兴奋/抑制平衡及合作/拮抗动力学共存,并揭示其与小世界网络模型的关联。
2025-11-06 q-bio.NC
MPP-GNN: Subject-Adaptive Community Detection for fMRI-Based Alzheimer's Disease Classification
Yale University(耶鲁大学);Robert Wood Johnson Medical School(罗伯特·伍德·约翰逊医学院);Rutgers University(罗格斯大学);Pratt Institute(普拉特学院)
该研究针对fMRI脑疾病分类中主体间变异性被忽略的问题,提出MPP-GNN模型,通过自适应图划分与双层优化实现主体特定社区检测,在AD分类公开数据集上取得最优AUC,且与脑图谱组织一致并揭示AD网络模式。
2026-08-03 cs.AI cs.LG q-bio.NC
Coactivated Clique Based Multisource Overlapping Brain Subnetwork Extraction
使用社区检测方法的子网络提取通常用于研究大脑的模块结构。最近的研究表明,某些大脑区域与多个子网络相互作用。然而,大多数现有的方法主要是非重叠子网络提取。在本文中,我们提出了一种重叠的大脑子网络提取使用集团,我们定义为共同激活的节点组执行多个任务的方法。我们提出了一种基于共激活团的多任务子网络提取方法,该方法(1)使用任务共激活和任务连接强度信息进行团识别,(2)自动检测具有更多神经科学理由的不同大小的团,(3)共享子网络成员资格,来自休息和任务数据的融合,用于重叠子网提取。在真实数据上,与常用的重叠社区检测技术相比,我们的方法在组级别和主题再现性方面改进了子网络提取。我们还表明,我们的多尺度方法识别出了大脑区域内的子网络重叠,这些子网络重叠与使用功能和解剖信息定义的枢纽很好地匹配,这使我们能够研究子网络之间的相互作用以及枢纽如何在不同子网络的信息流中发挥作用。我们进一步证明了使用我们的方法的相互作用/单个节点的分配与独立于我们的基于多模态随机游走器的方法的后验概率相对应。
2018-01-26 cs.SI q-bio.NC
Community-Level Modeling of Gyral Folding Patterns for Robust and Anatomically Informed Individualized Brain Mapping
Department of Computer Science and Engineering, University of Texas at Arlington(计算机科学与工程系,德克萨斯大学阿灵顿分校);School of Computing, University of Georgia(计算学院,佐治亚大学);Department of Computer Science, Indiana University Indianapolis(计算机科学系,印第安纳大学印第安纳波利斯分校)
本文提出了一种基于群体层面折叠单元的建模方法,通过双profile表示和联合形态-几何匹配,提升个体化脑图谱的稳健性和解剖学准确性。
2026-02-01 cs.AI cs.CV q-bio.NC
Activate index: an integrated index to reveal disrupted brain network organizations of major depressive disorder patients
功能性磁共振成像(fMRI)研究发现,脑功能网络的改变是区分重度抑郁症(MDD)患者和健康对照者的一个典型表现。最近,丰富的俱乐部和多样化的俱乐部指标已被提出用于网络或网络神经科学分析。富俱乐部定义了一组节点,这些节点往往是特定社区的枢纽,而多样化俱乐部定义了跨越更多社区的节点,并具有分布在不同社区的边缘。考虑到富裕俱乐部和多元化俱乐部的异质性,将它们结合起来并在此基础上推导出一个新的指标,可能会揭示大脑功能整合和分离的新证据,这可能会为抑郁症提供新的见解。本研究首次采用丰富俱乐部和多样俱乐部两种度量标准探讨了MDD和HC的差异,并发现了它们在分析脑网络方面的互补性。此外,本文还提出了一种新的索引,称为“主动索引”。活动索引定义了一组节点,这些节点倾向于分散分布在社区中,同时避免成为社区的中心。实验结果证明了活动指数在分析MDD脑机制方面的优越性。
2022-02-14 q-bio.NC
Multiscale Community-Based Fingerprinting of Signed Functional Networks
该研究针对现有功能连接组指纹识别方法泛化性差的问题,提出基于多尺度社区的符号多层社区检测框架,在HCP的810名被试上验证了社区级指纹可实现跨会话任务的可靠个体化脑表征。
2026-08-31 cs.LG eess.SP q-bio.NC
Connectome brain fingerprinting: terminology, measures, and target properties
本文审视神经科学中“大脑指纹”术语的使用,指出其与生物特征识别严格定义的偏差,并提出区分真正生物特征指纹与探索性相似性指标的准则。
2025-06-06 q-bio.NC q-bio.QM
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
Temporal Stable Community in Time-Varying Networks
识别复杂网络的社区结构提供了对网络拓扑结构和网络涌现的集体行为之间的相互依赖性的洞察,而在时变网络中检测这样的不变社区更具挑战性。本文定义了时变网络中的稳定社区,并提出了动态模块度的概念来评价时变网络中的稳定社区结构。此外,利用功能脑网络中时间稳定社区的波动特征,我们成功地区分了ADHD(注意缺陷多动障碍)患者和健康对照。
2018-11-12 physics.soc-ph q-bio.NC
Non-linear associations of amyloid-$β$ with resting-state functional networks and their cognitive relevance in a large community-based cohort of cognitively normal older adults
研究探讨了淀粉样蛋白β与静息态功能网络的非线性关联,发现特定网络在无症状阿尔茨海默病阶段存在功能连接变化,且淀粉样蛋白相关网络连接与认知表现相关。
2026-04-21 q-bio.NC
Detecting local processing unit in drosophila brain by using network theory
将网络理论中的社团检测方法应用于由神经元对图像重叠构造的神经元网络中,自动检测果蝇脑中的局部处理单元(LPU)。结果表明,该群落中有26个群落与已知的LPU相一致,13个亚群,通过分析参与系数P的分布,发现了45个与LPU相区别的地带,并观察到扇形体中的层状结构,这与光学装置拍摄的图像相一致,共证实了13个群落与扇形体密切相关。实验结果表明,该方法可以有效地识别果蝇脑LPU结构,且不受主观因素的影响,具有广泛的应用前景。
2015-12-28 physics.bio-ph q-bio.NC
Influence of Neighborhood SES on Functional Brain Network Development
儿童时期较高的社会经济地位(SES)与认知能力的提高、学业成就的提高以及发育后期精神疾病发病率的降低有关。越来越多的证据表明,这些影响可能是由于环境因素引起的大脑发育变化。虽然先前的工作已经映射了邻里SES和大脑结构之间的关联,SES和内在神经动力学之间的关系知之甚少。在这里,我们利用一个大的社区为基础的样本(费城神经发育队列,年龄8-22岁,n=1012),检查发展变化的功能性脑网络拓扑结构估计从静息状态功能磁共振成像数据。我们定量地描述了这种拓扑结构,使用称为聚类系数的网络隔离的本地措施,并发现它占了更大程度的SES相关的方差比中尺度隔离捕获的模块化。虽然全脑聚类随着年龄的增长而增加,但高SES青年的聚类增长速度比低SES青年快,这种效应在边缘系统、躯体运动系统和腹侧注意系统中最为明显。SES对集群发展增长的影响是最强的中间物理长度的连接,与快速下降,在这些地区的本地连接在低SES青年一致,并跟踪BOLD信号复杂性的变化,在区域同质性的形式。我们的研究结果表明,邻里SES可能会从根本上改变内在模式的区域间的相互作用,在人类大脑的方式是一致的信息处理在童年后期和青春期更大的隔离。
2018-07-23 q-bio.NC
Common Cell type Nomenclature for the mammalian brain: A systematic, extensible convention
单细胞RNA测序技术的进步导致了跨多个器官和生物体的细胞类型定义的爆炸式增长。虽然数据和元数据摄入的标准正在出现,但细胞类型的组织在很大程度上留给了个别研究人员,导致命名方法差异很大,分类法之间的一致性有限。为了便于跨数据集比较,艾伦研究所创建了通用细胞类型命名系统(CCN),用于在不同研究中匹配和跟踪细胞类型,这在性质上类似于不同基因组构建中的基因转录管理。CCN可以容易地应用于新的或已建立的分类法,并且在本文中应用于来源于多种可量化模态的不同细胞类型数据集。CCN有助于在哺乳动物皮层中分配准确而灵活的细胞类型名称,作为整个社区努力组织与任何生物体的细胞类型分类相关的多源数据驱动信息的一步。
2020-11-13 q-bio.NC
Structural Heterogeneity of the Drosophila Brain Network
College of Systems Engineering, National University of Defense Technology(国防科技大学系统工程学院);Research Institute of Intelligent Complex Systems, Fudan University(复旦大学智能复杂系统研究所)
该研究分析含13万余神经元、5000万突触的果蝇脑连接组,揭示其网络异质性、模块化、空间聚类与双侧对称性,并通过Kuramoto模型说明功能不对称源于固有频率差异。
2025-09-30 q-bio.NC
Consensus clustering approach to group brain connectivity matrices
一种新的方法植根于共识聚类的概念,在复杂网络中的社区检测的策略,提出了应对的异质性,在健康和疾病的特征连接矩阵。该方法可以概括如下:(i)通过比较所有受试者对中该节点的连接模式,为每个节点定义受试者集合的距离矩阵;(ii)对每个节点的距离矩阵进行聚类;(iii)从相应的分区构建共识网络;(iv)通过找到由此获得的共识网络的社区来提取受试者组。从以前的共识聚类的实现,因此,我们建议使用的共识策略,结合每个节点的连接模式所产生的信息。所提出的方法可以被看作是一种探索性的技术,或作为一个无监督的预训练步骤,以帮助监督分类器的后续建设。一个玩具模型和两个真实的数据集上的应用程序,表明所提出的方法,它代表了一组主题的异质性的加权网络,共识矩阵的有效性。
2017-05-08 q-bio.NC
Multi-scale brain networks
人类大脑的网络结构已经成为神经科学界越来越感兴趣的特征,主要是因为它有可能阐明人类认知,它在发育和衰老过程中的变化,以及它在疾病或损伤中的变化。传统的研究这种架构的工具和方法主要集中在单一尺度上-拓扑、时间和空间。超越这种狭隘的观点,我们专注于相关的问题和新的方法学进展的多尺度大脑的审查。我们将我们的论述分为多尺度拓扑结构,多尺度时间结构和多尺度空间结构相关的内容。在每一种情况下,我们都叙述了这种结构的经验证据,调查基于网络的方法来揭示这些结构,并概述了当前的前沿和开放的问题。虽然主要是从人类神经成像的例子,我们希望这个帐户将提供一个可访问的指南,任何神经科学家旨在测量,表征和理解大脑的多尺度网络结构的全部丰富性-无论物种,成像方式,或空间分辨率。
2016-11-04 physics.soc-ph q-bio.NC
Naming Schema for a Human Brain-Scale Neural Network
深度神经网络已经变得越来越大和稀疏,从而允许以降低的存储和计算成本来存储大规模神经网络。使用当前版本的高性能Apache Accumulo数据库和分布式维度数据模型(D4M)软件,可以存储与人脑连接一样多的神经网络。如此大规模的神经网络可能会引起人脑连接组社区科学家的特别兴趣。为了帮助研究和理解与现有神经网络(如大脑)并行的人工神经网络,可以开发命名模式以标记与大脑中的神经元组并行的人工网络中的神经元组。人工神经元组能够在小区域中进行特异性标记,以供未来研究。
2021-09-22 cs.DB cs.DC cs.NE
Community structure detection and evaluation during the pre- and post-ictal hippocampal depth recordings
在各种情况下检测和评估大脑区域是计算神经科学中最有趣的课题之一。然而,大多数关于检测大脑功能连接网络社区的研究都是在从相干性属性而不是相关性获得的网络上进行的。这种研究的缺乏,部分原因是由于这样一个事实,即许多常见的聚类图的方法需要网络的节点是“积极”链接在一起,这是一个属性,保证了一致性矩阵,根据定义。然而,相关矩阵揭示了更多关于每对节点如何链接在一起的信息。在这项研究中,我们第一次同时检查四个本质上不同的网络聚类方法(光谱,启发式和优化方法)应用于麻醉大鼠海马CA 1区的功能连接网络在发作前和发作后状态。网络得到的相关矩阵,其结果进行了比较,通过应用相同的方法获得的一致性矩阵。相关性矩阵显示了一个更精细的社区结构相比,一致性矩阵。此外,我们研究了潜在的平滑效果,选择各种窗口大小计算的相关性/一致性矩阵。
2018-05-31 cs.SI physics.soc-ph q-bio.NC
Hierarchical organization of functional connectivity in the mouse brain: a complex network approach
本文从复杂网络理论的角度对脑功能连接的研究做出了贡献。更具体地说,我们应用图论分析提供证据的模块化结构的小鼠大脑,并阐明其层次结构。我们提出了一种新的渗流分析,我们将我们的方法从41只小鼠的静息状态功能性MRI数据集的分析。这种方法揭示了一个强大的层次结构的模块持续在不同的主题。重要的是,我们测试这种方法对统计基准(或空模型),它只限制经验相关性的分布。我们的研究结果明确表明,小鼠大脑模块化结构的层次特征并不是简单地编码到这个低阶约束中。最后,我们通过计算最小生成森林来研究小鼠大脑的模块化结构,这是一种识别具有最强内部相关性的子网络的技术。这种方法代表了一种更快的替代其他社区检测方法,并提供了一种手段来排名模块的基础上,他们的内部边缘的强度。
2016-01-27 physics.data-an q-bio.NC
Uncovering differential identifiability in network properties of human brain functional connectomes
可识别性框架(If)已被证明可以提高各种功能磁共振成像任务的功能连接体的差异可识别性(跨会话和站点的可靠性,以及跨学科的可区分性)。但是,拥有一个强大的单一会话/主题功能连接体只是随后评估网络特性的起点,用于表征整合,分离和可通信性等特性。自然,人们会想,在连接体水平上揭示可识别性是否也揭示了衍生网络属性的可识别性。这也提出了在哪里应用If框架的问题:在连接数据上还是直接在每个网络测量上?我们的工作回答了这些问题,通过探索网络测量的微分可识别性配置文件时,如果应用于1)功能连接体,和2)直接派生的网络测量。结果表明,提高跨会话可靠性的FC也提高了可靠性的衍生网络措施。我们还发现,对于特定的网络属性,如果直接应用于网络属性是更有效的。最后,我们发现,无论哪种方式,应用框架,增加网络属性的任务敏感性。在神经科学界专注于主题级推理的时候,这个框架能够发现FC指纹,它传播到派生的网络属性。
2019-11-22 q-bio.NC
The control of brain network dynamics across diverse scales of space and time
人类大脑由不同的区域组成,每个区域都与特定的功能和控制神经动力学的不同倾向相关。然而,这些功能和控制配置文件之间的关系知之甚少,因为是在不同尺度的空间和时间的这种关系的变化。在这里,我们探讨控制和动力学之间的关系,在一个大的社区为基础的样本的年轻人的扩散张量成像数据构建的大脑网络。具体来说,我们探测每个大脑区域的控制特性,并使用拉普拉斯特征谱研究它们与不同空间尺度的动态关系。此外,通过分析区域模式的可控性和分区的模式,我们确定相关的动态是快还是慢,以及它们是否交替或单调。我们发现,促进控制能量上容易的转换的大脑区域与短长度尺度和慢时间尺度上的活动有关。相反,大脑中有助于控制困难过渡的区域与长时间尺度和快时间尺度上的活动有关。基于线性动力学模型,我们的研究结果为不同神经解剖结构区域支持的活动传播和网络控制配置文件提供了简洁的解释。
2020-06-01 q-bio.NC q-bio.QM
Metastable Chimera States in Community-Structured Oscillator Networks
对称耦合的相位滞后的相同的振荡器的系统,这是能够产生一个大的剧目的瞬态(亚稳态)的“嵌合体”的状态,同步和despersonisation共存。振荡器被组织成社区,使得每个振荡器连接到同一社区中的所有对等体,并连接到其他社区中的振荡器的子集。措施引入量化亚稳态,嵌合体状态的患病率,以及各种系统产生的这种状态。通过模拟,它示出,这些措施中的每一个是最大化时,该模型的相位滞后接近,但不等于,以π/2。一些领域的模型的相关性进行了简要讨论,特别强调大脑动力学。
2010-01-11 nlin.AO physics.bio-ph q-bio.NC
Multiplex Nodal Modularity: A novel network metric for the regional analysis of amnestic mild cognitive impairment during a working memory binding task
本文提出节点模块度nQ,将全局模块度扩展至节点层面,并在AD早期工作记忆绑定任务的多重脑网络中验证其能揭示局部模块结构变化、区分MCI与MCI转化者,为疾病相关节点级变异分析提供新工具。
2025-06-03 cs.SI physics.bio-ph q-bio.NC
Deep Recurrent Encoder: A scalable end-to-end network to model brain signals
Facebook AI Research(脸书人工智能研究院);ENSAM(巴黎高等工程技术学院);Université Paris-Saclay(巴黎萨克雷大学);Inria(法国国家信息与自动化研究所);CEA(法国原子能和替代能源委员会);École normale supérieure, PSL University(巴黎文理研究大学高等师范学院);CNRS(法国国家科学研究中心)
理解大脑如何对感官输入做出反应是一项挑战:大脑记录是部分的,嘈杂的,高维的;它们在不同的会话和主题中变化,并且它们捕获高度非线性的动态。这些挑战导致社区开发了各种预处理和分析(几乎完全是线性的)方法,每种方法都旨在解决其中一个问题。相反,我们建议通过特定的端到端深度学习架构来解决这些挑战,该架构经过训练,可以同时预测多个受试者的大脑反应。我们成功地测试了这种方法在一个小时的阅读任务中获得的脑磁图(MEG)记录的大型队列。我们的深度递归编码(DRE)架构可靠地预测了MEG对单词的反应,与经典线性方法相比有三倍的改进。为了克服深度学习的可解释性问题,我们描述了一个简单的变量重要性分析。当应用于DRE时,该方法恢复了对单词长度和单词频率的预期诱发反应。目前深度学习方法的定量改进为更好地理解来自大型数据集的大脑活动的非线性动力学铺平了道路。
2022-09-30 cs.LG cs.NE q-bio.NC
Structurally Constrained Brain Network Dynamics Reveal Reduced Functional Flexibility in Cocaine Use Disorder
University of Oklahoma(俄克拉荷马大学);University of Tennessee Medical Center(田纳西大学医学中心);University of Oklahoma Health Campus(俄克拉荷马大学健康校区)
本研究引入基于结构的动态功能连接框架,发现可卡因使用障碍患者脑网络整合增强、灵活性降低,且该特征可预测每周可卡因使用量,为可卡因成瘾的网络改变研究提供了有价值的测量方法。
2026-09-09 eess.SP q-bio.NC
High-Order Triadic Functional Connectivity in the Brain and Beyond
Tri-Institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS), Georgia State, Georgia Tech, and Emory University(佐治亚州立大学、佐治亚理工学院和埃默里大学联合转化神经影像与数据科学研究中心);Department of Psychology, University of Texas at Austin(德克萨斯大学奥斯汀分校心理学系);Department of Biomedical Engineering, Tulane University(杜兰大学生物医学工程系);Department of Psychiatry, Yale University(耶鲁大学精神病学系);Department of Neuroscience, Yale University(耶鲁大学神经科学系);Olin Neuropsychiatry Research Center, Hartford Hospital(哈特福德医院奥林神经精神病学研究中心);Neuroscience Institute, Georgia State University(佐治亚州立大学神经科学研究所)
该研究提出高阶三元功能连接框架,引入矩阵熵功能方法估计脑区三元交互,可区分静息与任务态脑活动,其网络结构独特且可解释,为脑连接组研究提供新方向。
2026-09-04 math.ST q-bio.NC stat.TH
Spatial Craving Patterns in Marijuana Users: Insights from fMRI Brain Connectivity Analysis with High-Order Graph Attention Neural Networks
School of Systems and Enterprises, Stevens Institute of Technology(史蒂文斯理工学院系统与企业学院);University of Minnesota(明尼苏达大学);Icahn School of Medicine at Mount Sinai(西奈山伊坎医学院);Mount Sinai(西奈山)
提出 HOGANN 框架,利用 fMRI 动态功能连接与高阶图注意力机制分类大麻成瘾,并识别长期使用相关的异常脑网络和渴求脑区。
2024-09-09 cs.LG eess.SP q-bio.NC
Recovery of activation propagation and self-sustained oscillation abilities in stroke brain networks
该研究分析卒中脑网络并结合反应-扩散模型,揭示结构损伤削弱激活传播与自维持振荡,且其恢复由连接修复驱动。
2025-01-09 physics.soc-ph q-bio.NC q-bio.QM
Adaptive neural network classifier for decoding MEG signals
Department of Neuroscience and Biomedical Engineering, Aalto University School of Science(阿尔托大学理学院神经科学与生物医学工程系);Aalto NeuroImaging, Aalto University(阿尔托大学阿尔托神经成像中心);Aalto University School of Science(阿尔托大学理学院);Aalto University(阿尔托大学)
卷积神经网络(CNN)在许多领域都优于传统的分类方法。近年来,这些方法在神经科学,特别是在脑机接口(BCI)领域得到了关注。在这里,我们介绍了一个CNN优化脑磁图(MEG)测量的大脑状态的分类。我们的CNN设计是基于电磁(EEG和MEG)大脑信号的生成模型,并且很容易在神经生理学术语中解释。我们在这里表明,所提出的网络能够解码事件相关的反应,以及振荡的大脑活动的调制,它优于更复杂的神经网络和传统的分类器中使用的领域。重要的是,该模型对个体间差异具有鲁棒性,并且可以成功地推广到离线和在线分类中的新主题。
2019-02-10 cs.LG q-bio.NC stat.ML
Resilience of human brain functional coactivation networks under thresholding
最近的研究表明,社区结构和丰富的俱乐部节点的存在,(即,高度互连、高度枢纽节点)。检测到的模块和枢纽的认知相关性也被证明,基于任务和默认模式的网络,这表明大脑自组织成模式的共同激活的区域集执行特定的任务或在休息状态。在本文中,我们报告的弹性或鲁棒性的模块化结构的研究:在阈值下的网络连接的系统性侵蚀,如何弹性的模块化和枢纽结构?结果表明,该网络表现出较强的弹性,模块化和枢纽结构在很大范围的连接强度下保持不变。然后,在非常接近0的某个临界阈值处,连接性、模块性和枢纽结构突然崩溃,显示出类似相变的性质。此外,在所有层面上,连通性侵蚀的空间和拓扑组织被发现是同质的,而不是异质的;即,没有发现任何大的“结构孔”,也没有发现组件数量逐渐增加。任何连接的丢失都均匀地分布在整个网络中。结果表明,人类基于任务的功能性大脑网络非常有弹性,只有当连接几乎完全从网络中删除时,整个网络结构才会失效。这些发现可能有助于进一步了解结构和功能脑网络之间的动态和关系。
2014-07-06 cs.SI physics.soc-ph q-bio.NC