颞叶癫痫脑网络的统一拓扑推断：使用Wasserstein距离
摘要：通过获得有关大脑网络中的隐藏的拓扑信号，持久同调可以提取出这些信号。持久同调总结了拓扑结构在多个称为滤波的不同尺度上的变化。通过这样做，可以检测到在多个尺度上持续存在的隐藏的拓扑信号。然后，将拓扑变化总结为拓扑特征，例如持久图。通过持久图之间的Wasserstein距离来度量拓扑差异。由于Wasserstein距离不遵循已知的分布，因此难以应用现有的参数方法来统计量化大脑网络研究中的距离。为了解决这个问题，我们提出了一个统一的关于Wasserstein距离的拓扑推断框架。我们的方法没有明确的模型和分布假设。推断是完全基于数据驱动的。该方法应用于在两个不同地点收集的颞叶癫痫患者的静息态功能磁共振成像(rs-fMRI)数据：威斯康辛大学麦迪逊分校和威斯康辛医学院。然而，拓扑方法对于性别和采集的差异是稳健的，因此无需考虑性别和地点作为干扰因素。我们能够定位贡献最大的脑区的拓扑差异。我们在https://github.com/laplcebeltrami/dynamicTDA 上提供了MATLAB包，该包用于进行本研究中的所有分析。
作者：Moo K. Chung, Camille Garcia Ramos, Felipe Branco De Paiva, Jedidiah Mathis, Vivek Prabharakaren, Veena A. Nair, Elizabeth Meyerand, Bruce P. Hermann, Jeffery R. Binder, Aaron F. Struck
论文ID：2302.06673
分类：Neurons and Cognition
分类简称：q-bio.NC
提交时间：2023-05-22