近年来,有越来越多的需要分析人类大脑的功能连接。先前的研究主要集中在提取静态或长期有效的功能网络来描述大脑活动的长期行为。然而,一个静态的网络通常不足以代表大脑的长期沟通模式,被认为是一个不可靠的快照功能连通性。在本文中,我们提出一个动态网络总结的方法来描述时变连接在功能性大脑活动模式的演变。该方法是基于首先识别关键事件间隔量化连接模式的变化在每个事件间隔时间,然后总结了活动通过提取信息最丰富的网络使用主成分分解。该方法描述时变网络动力学的评估与事件相关电位(ERP)数据索引错误消极(白尾海雕)组件与认知控制。每个时间间隔的统计上显著的连接模式提出了演示功能连通性的动态特性。
人类的大脑是最复杂的系统之一,了解其连接正常,扰乱了大脑行为模式仍然是一个挑战。在过去的十年里,已经有越来越多的兴趣研究大脑连通性。在文学,三种大脑连通性写给定义人类大脑的不同区域之间的相互作用:解剖连接,功能连接和有效连接(
功能连通性可以从不同的神经影像数据推断等功能性磁共振成像(fMRI)、脑电图(EEG)、脑磁图(MEG) (
网络是一个真实的数学表示复杂系统与关系信息,可以表示为一个图形组成的一组顶点(或节点)和一组对节点之间的边(或连接)。连接两个顶点之间的存在意味着存在某种关系或节点之间的交互。为了强调节点之间连接的强度,可以分配权重的边和相应的图称为加权图。研究脑功能网络,节点代表不同的大脑区域和边缘对应的功能连接这些节点之间通常是量化的时间相关性的大小活动。根据测量,功能连通性可能反映了线性相互作用等相关或非线性相互作用,如相位同步(
目前,脑功能网络的拓扑特性,如聚类系数、路径长度、小世界参数(
近年来,感兴趣的脑功能网络的动态演化特征。大多数现有的动态网络分析方法都是基于图论等的直接扩展组件发现(
最近,信号处理的研究人员解决动态网络分析中的问题,如发现异常或不同的子图很大,嘈杂的背景(
在本文中,我们首先构造时变图,需要描述大脑活动跨越时间,通过量化脑电图的时变阶段不同电极之间同步数据
相位同步被定义为时间调整节奏的两振子振幅可以保持不相关的。量化的第一步两个信号之间的相位同步估计各个信号的瞬时相位,<我nline-formula>
两个主要的方法来提取瞬时相位是希尔伯特变换和复小波变换。希尔伯特transform-based方法获得一个信号和估计瞬时相位的解析形式从这种分析形式 重要的是要注意一些限制的PLV调查在最近的工作中,特别是在intertrial相同步的背景下( Rihaczek分布是一个复杂的时频分布,提供了一个时变能量谱和相位谱具有良好的时频定位为相位调制信号( 对多组分信号交叉项发生在同一时间,频率与原始信号和位置会导致偏见的能量和相位的估计。为了消除这些交叉项,我们提出了一个减少干扰Rihaczek-distribution的版本,称为RID-Rihaczek,通过应用Choi-Wiliams (CW)核函数过滤中的交叉项模糊域(
让<我nline-formula>
我们提出一个动态图总结框架构造组成的时变从两两相同步测量图,确定事件窗口,揭示最重要和有益的连接模式总结每个事件窗口与关键图和描述网络的动态演化。
为了描述时变连接模式的进化的大脑网络,我们首先需要获得时变的图表。我们量化网络内节点之间的二元关系和构建时变图通过考虑同步平均在一个频段在特定的时间 一旦得到时变图,我们需要确定有意义的时间间隔可能占潜在的神经生理学等事件错误消极或Pe与事件相关的潜在的引起在决策的过程中。为此,我们建议量化节点的变化<我nline-formula>
确定事件的时间间隔后,我们需要形成关键图最好的总结了特定的间隔。为了这个目的,我们需要区分瞬态(高方差)和静止(低方差)的相互作用在一个给定的时间间隔中,获得一个关键图捕获瞬态或动态交互。理想的关键图应该描述动态行为的特定时间间隔以最小的冗余。这是类似于发现信号组件的低和高方差在给定的数据集,这种分离的差异通常是通过主成分分析(PCA)。因此,我们建议采用PCA为了提取关键图表和总结的动态事件的时间间隔以最小的冗余。
让<我nline-formula>
我们的特征值<我nline-formula>
为了确保最小冗余,我们需要项目原始数据集,<我nline-formula>
自相互作用的分布在虚假设条件下形成的一个关键图无法分析获取一个特定的间隔,我们求助于生成随机网络推导分布。为每个关键图提取对于给定的时间间隔,我们得到一个2000年的代理时变网络通过随机重组边(
评估提出的性能指标与生物数据总结事件的时间间隔,我们使用一组EEG数据包含错误消极(白尾海雕)。白尾海雕是一个与事件相关电位发生在加速性能错误后反应时间任务(
有长期的白尾海雕的时频表示的兴趣(
在本文中,我们分析了从90年主题对应错误响应数据。对于每个主题,时间和频率相关的相位同步计算所有可能的电极对之间RID-Rihaczek-based PLV测量和时变曲线,<我nline-formula>
检测到事件间隔符合加速反应的受试者回应刺激时间0 ms。第一区间指标复杂的前处理必要的刺激做出反应。Pre-ERN Post-ERN间隔,只是之前和之后的白尾海雕,指数活动在不正确的运动反应。重要的是,白尾海雕间隔(117毫秒时间窗口后响应)和Pe间隔(260 - 461毫秒时间窗)成功地检测到的事件检测算法。体育(error-positivity)间隔对应于一个P3-like组件后续观察到不正确的响应(
对于每个事件间隔从序列时变均值图发现,<我nline-formula>
对每个事件间隔,一个关键的图是获得使用部分中描述的框架
我们也关注的连通性变化FCz电极内剩下的61个电极的关键图Pre-ERN、白尾海雕、Post-ERN间隔和比较这些连接值来确定如果FCz强连通性在白尾海雕间隔比Pre-ERN和Post-ERN间隔。我们使用一个韦尔奇的<我t一个l我c> t我t一个l我c>以及在5%显著性水平测试连通性的零假设从不同的关键优势图是独立正态分布的随机样本以同样的手段。为比较,Pre-ERN与白尾海雕和Post-ERN与白尾海雕,零假设被拒绝,FCz意味着更大的连通性的白尾海雕间隔表明中央电极显著更大的连接与其他大脑在白尾海雕区间。此外,我们Pre-ERN的连接值和Post-ERN相比没有显著差异从这些间隔之间的连接值。
在本文中,我们提出了一种新的框架,总结脑网络的动态演化。该方法是基于发现事件间隔和揭示信息瞬态或动态交互在每个间隔,这样的关键图将总结的特定区间最小冗余。意料中的结果从应用程序真正的脑电图数据包含白尾海雕支持该框架的有效性决定动态大脑网络的事件间隔和总结网络活动和一些代表网络的数量。
未来的工作将集中在探索不同的事件间隔等关键图提取标准检测和entropy-based散度措施和贝叶斯等方法讨论的一个(
这部分工作是由美国国家科学基金会支持下批准号职业ccf - 0746971。