静息脑中表征因果网络的基于子空间的识别算法
摘要：分析静息状态下脑活动对于识别神经系统功能特征具有基本重要性。尽管静息状态的大脑已经广泛研究了大脑区域之间的低频同步，即功能连接性（FC），但是另一种寻求脑区之间因果关系的大脑连接性分析主流，即有效连接性（EC），在自发脑振动中的研究还很少。静息状态下的大脑活动的内在复杂性，如BOLD（血氧水平依赖性）波动所观察到的，呼吁对这些因果网络进行表征的探索性方法。另一方面，血液动力学系统对基于fMRI数据的因果推断的不可避免的影响，使我们将目光投向那些可以在潜在的神经水平上进行因果推断的方法，而不是观察到的BOLD时间序列。为了同时满足这两个问题，在本文中，我们引入了一种新颖的状态空间系统识别方法，用于研究无明确认知任务时脑区之间的因果相互作用。通过广泛的模拟，我们研究了网络大小和信噪比（SNR）对我们所提出的EC检测方法准确性的影响。我们的模拟结果表明，基于子空间的识别算法（SIA）在上述因素影响下具有足够的鲁棒性，并且可以可靠地揭示静息状态下BOLD fMRI的潜在因果相互作用。
作者：Shahab Kadkhodaeian Bakhtiari, Gholam-Ali Hossein-Zadeh
论文ID：1108.4644
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2012-01-04