摘要介绍BrainNetVis,大脑网络建模和可视化服务的一个工具,通过提供定量和定性的大脑互连网络的措施。它强调这个工具的需求导致创建领域呈现类似的作品和描述我们的工具导致现有的风景。它还描述了图表的方法用于计算指标(全球网络指标和顶点指标),携带大脑网络信息。明确的方法和可以理解的,我们使用一个整个论文范例数据集,计算和可视化。这个数据集包含一个酒鬼和一个对照组的主题。
1。介绍
在神经科学的一个主要问题是描述不同的大脑区域如何相互交流在感知、认知、行动以及在违约或静息状态的自发活动。主要是两种不同的方法来捕获和本地化的大脑活动提出了主题;基于单变量光谱分析和功能连通性分析(<一个href="#B43">1一个>]。Friston [<一个href="#B14">2一个>]定义功能连通性之间的统计依赖不同,经常布置得井然有序的激活神经元数量。
网络模型和图论提供了一个通用的框架来描述大脑功能连通性(<一个href="#B9">3一个>- - - - - -<一个href="#B11">5一个>]。脑区之间的相互依存是估计使用多变量神经生理学信号(EEG、MEG ECoG)和/或血液动力学的响应图像(fMRI)。然后,网络是由相应的大脑区域或渠道顶点和通过考虑两个顶点之间的边当且仅当估计的相互依存是超过一个阈值。关于阈值的选择,重要的是要注意,这是一个相当棘手的部分,目前还没有建立支持一个特定的阈值的方法。在实践中,广泛的阈值用于描述网络。然而,作者提出两种方法在选择之间的阈值要么基于组统计具体用措施下的人口分析(<一个href="#B26">6一个>]或利用ieee选择最优阈值使用可视化技术代理(人工生成的数据旨在揭示最显著的耦合的大脑区域)数据集的正确识别最重要的关联模式(<一个href="#B42">7一个>]。下一步的分析、边缘识别、衡量后一些网络统计和描述网络。然后,使用网络特性的讨论,我们可以得出结论的影响疾病或认知负荷的功能连通性<一个href="#B26">6一个>- - - - - -<一个href="#B25">11一个>]。
在这项研究中,我们简要参考双(二元)和多元相互依存的措施,以及线性和非线性的,已成功地用于大脑接触的指数(<一个href="#B39">12一个>]。这个信息是重要的正确使用工具,特别是对于非专家用户来说,这些措施的应用程序在原始脑电图数据产生的输入我们的工具。BrainNetVis工具提供了一个高度复杂的潜在神经机制的动态快照通过图形可视化(<一个href="#B15">13一个>]。BrainNetVis是开放获取多平台工具,由ICS-FORTH,和大脑网络可视化图形表示。请注意,BrainNetVis计算以下指标的同步矩阵(邻接矩阵),用户应该提前计算!然而,预处理部分(部分3.2)简要提出了一些广泛使用的技术来评估脑功能连接和邻接矩阵。
在这一点上,我们将一些已经存在的工具。这些工具比BrainNetVis捕获不同的脑电图信息,他们可以使用互补。其中一个是EEGLAB [<一个href="#B1">14一个>),我们已经广泛使用了更好的感知的大脑区域。EEGLAB是一个互动的Matlab工具箱处理连续与事件相关的脑电图,梅格,和其他电生理数据结合独立分量分析(ICA),时间/频率分析,工件拒绝,与事件相关的统计数据,和一些有用的可视化方式的平均和实验数据。EEGlab也提供了偶极子定位功能。的一些指标,我们实现也已经在大脑中实现连接工具箱(由Rubinov matlab工具箱)和斯波恩<一个href="#B28">15一个>]。其他相关工具箱包括MEA-Tools [<一个href="#B29">16一个>]和ERPWAVELAB [<一个href="#B17">17一个>]。然而在这些工具箱,办法量化通道相互作用主要局限于颞互相关(<一个href="#B29">16一个>)和相干谱(<一个href="#B17">17一个>,18一个>]。然而,更复杂的相互依赖技术解决不仅线性非线性同步和因果关系也可以应用在某些疾病如癫痫(<一个href="#B39">12一个>]。这些措施可以补充图理论指标,描述大脑网络讨论(<一个href="#B34">19一个>),可以用作BrainNetVis输入。
本文组织如下。部分<一个href="#sec2">2一个>提出了基本信息在不同的图形建模和操作方式,使用BrainNetVis。部分<一个href="#sec3">3一个>指的是所需的预处理(部分<一个href="#sec3.2">3所示。2一个>),最常用的菜单调用和GUI(部分<一个href="#sec3.3">3所示。3一个>),和可能的图形可视化选项(部分<一个href="#sec3.4">3所示。4一个>)。我们的结论部分给出<一个href="#sec4">4一个>。
2。网络分析
BrainNetVis之前,重要的是在这里提供了图论的一些基本概念。
一个图
定义在一组顶点
和边缘
,每条边<年代vgheight="10.75" id="M4" style="vertical-align:-0.33858pt;width:38.5625px;" version="1.1" viewbox="0 0 38.5625 10.75" width="38.5625" xmlns="http://www.w3.org/2000/svg">
∈
是一个有序或无序的顶点。一个有序对<年代vgheight="13.45" id="M5" style="vertical-align:-2.21957pt;width:116.5375px;" version="1.1" viewbox="0 0 116.5375 13.45" width="116.5375" xmlns="http://www.w3.org/2000/svg">
=
(
,
)
∈
×
被称为导演的边缘,而一个无序<年代vgheight="13.575" id="M6" style="vertical-align:-2.26974pt;width:63.299999px;" version="1.1" viewbox="0 0 63.299999 13.575" width="63.299999" xmlns="http://www.w3.org/2000/svg">
=
{
,
}
,在那里<年代vgheight="12.5375" id="M7" style="vertical-align:-1.76814pt;width:53.849998px;" version="1.1" viewbox="0 0 53.849998 12.5375" width="53.849998" xmlns="http://www.w3.org/2000/svg">
,
∈
,被称为无向边。以防<年代vgheight="7.4250002" id="M8" style="vertical-align:-0.11285pt;width:34.825001px;" version="1.1" viewbox="0 0 34.825001 7.4250002" width="34.825001" xmlns="http://www.w3.org/2000/svg">
=
,<年代vgheight="7.1875" id="M9" style="vertical-align:-0.13794pt;width:7.0749998px;" version="1.1" viewbox="0 0 7.0749998 7.1875" width="7.0749998" xmlns="http://www.w3.org/2000/svg">
被称为自身环。在我们的研究中,我们考虑简单的没有self-loops图表,图表。的基数<年代vgheight="10.575" id="M10" style="vertical-align:-0.20064pt;width:12.625px;" version="1.1" viewbox="0 0 12.625 10.575" width="12.625" xmlns="http://www.w3.org/2000/svg">
用<年代vgheight="7.1374998" id="M11" style="vertical-align:-0.10033pt;width:7.8874998px;" version="1.1" viewbox="0 0 7.8874998 7.1374998" width="7.8874998" xmlns="http://www.w3.org/2000/svg">
(例如,<年代vgheight="13.45" id="M12" style="vertical-align:-2.21957pt;width:42.512501px;" version="1.1" viewbox="0 0 42.512501 13.45" width="42.512501" xmlns="http://www.w3.org/2000/svg">
=
|
|
)。
一个加权网络
由图的顶点集<年代vgheight="10.575" id="M14" style="vertical-align:-0.20064pt;width:12.625px;" version="1.1" viewbox="0 0 12.625 10.575" width="12.625" xmlns="http://www.w3.org/2000/svg">
和边集<年代vgheight="10.325" id="M15" style="vertical-align:-0.0pt;width:12.225px;" version="1.1" viewbox="0 0 12.225 10.325" width="12.225" xmlns="http://www.w3.org/2000/svg">
增强边缘值函数<年代vgheight="10.675" id="M16" style="vertical-align:-0.16302pt;width:79.574997px;" version="1.1" viewbox="0 0 79.574997 10.675" width="79.574997" xmlns="http://www.w3.org/2000/svg">
∶
→
ℝ
分配到每一个优势<年代vgheight="10.75" id="M17" style="vertical-align:-0.33858pt;width:38.5625px;" version="1.1" viewbox="0 0 38.5625 10.75" width="38.5625" xmlns="http://www.w3.org/2000/svg">
∈
一个真正的价值<年代vgheight="13.45" id="M18" style="vertical-align:-2.21957pt;width:28.137501px;" version="1.1" viewbox="0 0 28.137501 13.45" width="28.137501" xmlns="http://www.w3.org/2000/svg">
(
)
。每一个加权网络<年代vgheight="13.45" id="M19" style="vertical-align:-2.21957pt;width:85.212502px;" version="1.1" viewbox="0 0 85.212502 13.45" width="85.212502" xmlns="http://www.w3.org/2000/svg">
=
(
,
,
)
对应于一个真正的<年代vgheight="8.7875004" id="M20" style="vertical-align:-0.3135pt;width:32.612499px;" version="1.1" viewbox="0 0 32.612499 8.7875004" width="32.612499" xmlns="http://www.w3.org/2000/svg">
×
矩阵<年代vgheight="16.637501" id="M21" style="vertical-align:-4.77652pt;width:65.287498px;" version="1.1" viewbox="0 0 65.287498 16.637501" width="65.287498" xmlns="http://www.w3.org/2000/svg">
=
(
)
,<年代vgheight="13.675" id="M22" style="vertical-align:-2.34499pt;width:113.1375px;" version="1.1" viewbox="0 0 113.1375 13.675" width="113.1375" xmlns="http://www.w3.org/2000/svg">
,
∈
{
1
,
2
,
…
,
}
,在那里<年代vgheight="13.2625" id="M23" style="vertical-align:-4.77652pt;width:21.174999px;" version="1.1" viewbox="0 0 21.174999 13.2625" width="21.174999" xmlns="http://www.w3.org/2000/svg">
等于价值<年代vgheight="13.45" id="M24" style="vertical-align:-2.21957pt;width:28.137501px;" version="1.1" viewbox="0 0 28.137501 13.45" width="28.137501" xmlns="http://www.w3.org/2000/svg">
(
)
的边缘<年代vgheight="16.637501" id="M25" style="vertical-align:-4.77652pt;width:68.762497px;" version="1.1" viewbox="0 0 68.762497 16.637501" width="68.762497" xmlns="http://www.w3.org/2000/svg">
=
(
,
)
如果<年代vgheight="10.75" id="M26" style="vertical-align:-0.33858pt;width:38.5625px;" version="1.1" viewbox="0 0 38.5625 10.75" width="38.5625" xmlns="http://www.w3.org/2000/svg">
∈
否则,或为0。如果我们保留值0表示没有优势的情况下,然后之间的对应关系<年代vgheight="10.75" id="M27" style="vertical-align:-0.15048pt;width:11.9125px;" version="1.1" viewbox="0 0 11.9125 10.75" width="11.9125" xmlns="http://www.w3.org/2000/svg">
和<年代vgheight="10.575" id="M28" style="vertical-align:-0.20064pt;width:17.9625px;" version="1.1" viewbox="0 0 17.9625 10.575" width="17.9625" xmlns="http://www.w3.org/2000/svg">
是一比一。在这项工作中,我们考虑加权网络的一个子集,我们称之为同步网络限于区间,边缘值<年代vgheight="13.45" id="M29" style="vertical-align:-2.21957pt;width:32.674999px;" version="1.1" viewbox="0 0 32.674999 13.45" width="32.674999" xmlns="http://www.w3.org/2000/svg">
(
0
,
1
]
和解释为强度顶点之间的依赖。
在同步网络,提高边缘值显示更强的依赖性。定义一条边的长度,我们至少应该扭转的顺序通过应用边缘值,例如,逆函数<年代vgheight="13.6125" id="M30" style="vertical-align:-2.34499pt;width:135.3125px;" version="1.1" viewbox="0 0 135.3125 13.6125" width="135.3125" xmlns="http://www.w3.org/2000/svg">
∶
(
0
,
1
]
→
(
1
,
+
∞
)
,也就是说,<年代pan class="equation" id="EEq1">
我们也提出另一个函数<年代vgheight="13.6125" id="M32" style="vertical-align:-2.34499pt;width:135.3125px;" version="1.1" viewbox="0 0 135.3125 13.6125" width="135.3125" xmlns="http://www.w3.org/2000/svg">
∶
(
0
,
1
]
→
(
1
,
+
∞
)
,在那里<年代pan class="equation" id="EEq2">
这些定义如何变换边长的同步网络。这两个函数的性能更好取决于图形结构和指标或可视化方法,使用这些功能。当选择合适的配方,一个应该考虑的功能<年代vgheight="10.9125" id="M34" style="vertical-align:-0.17555pt;width:20.875px;" version="1.1" viewbox="0 0 20.875 10.9125" width="20.875" xmlns="http://www.w3.org/2000/svg">
1
/
倾向于<年代vgheight="9.3125" id="M35" style="vertical-align:-0.51414pt;width:25.299999px;" version="1.1" viewbox="0 0 25.299999 9.3125" width="25.299999" xmlns="http://www.w3.org/2000/svg">
+
∞
速度比函数<年代vgheight="14.75" id="M36" style="vertical-align:-3.17262pt;width:75.875px;" version="1.1" viewbox="0 0 75.875 14.75" width="75.875" xmlns="http://www.w3.org/2000/svg">
1
−
l
o
g
2
(
)
当<年代vgheight="12.7875" id="M37" style="vertical-align:-0.17555pt;width:53.012501px;" version="1.1" viewbox="0 0 53.012501 12.7875" width="53.012501" xmlns="http://www.w3.org/2000/svg">
→
0
+
。因此,边缘与小值指定的时间长度<年代vgheight="10.9125" id="M38" style="vertical-align:-0.17555pt;width:20.875px;" version="1.1" viewbox="0 0 20.875 10.9125" width="20.875" xmlns="http://www.w3.org/2000/svg">
1
/
比的函数<年代vgheight="14.75" id="M39" style="vertical-align:-3.17262pt;width:75.875px;" version="1.1" viewbox="0 0 75.875 14.75" width="75.875" xmlns="http://www.w3.org/2000/svg">
1
−
l
o
g
2
(
)
函数。
从顶点的路径的长度<年代vgheight="7.1624999" id="M40" style="vertical-align:-0.11285pt;width:7.5374999px;" version="1.1" viewbox="0 0 7.5374999 7.1624999" width="7.5374999" xmlns="http://www.w3.org/2000/svg">
到顶点<年代vgheight="7.4250002" id="M41" style="vertical-align:-0.11285pt;width:8.0375004px;" version="1.1" viewbox="0 0 8.0375004 7.4250002" width="8.0375004" xmlns="http://www.w3.org/2000/svg">
是边缘的长度的总和的路径。从顶点的最短路径距离<年代vgheight="7.1624999" id="M42" style="vertical-align:-0.11285pt;width:7.5374999px;" version="1.1" viewbox="0 0 7.5374999 7.1624999" width="7.5374999" xmlns="http://www.w3.org/2000/svg">
到顶点<年代vgheight="7.4250002" id="M43" style="vertical-align:-0.11285pt;width:8.0375004px;" version="1.1" viewbox="0 0 8.0375004 7.4250002" width="8.0375004" xmlns="http://www.w3.org/2000/svg">
用<年代vgheight="14.725" id="M44" style="vertical-align:-3.24037pt;width:49.549999px;" version="1.1" viewbox="0 0 49.549999 14.725" width="49.549999" xmlns="http://www.w3.org/2000/svg">
(
,
)
。如果顶点<年代vgheight="7.4250002" id="M45" style="vertical-align:-0.11285pt;width:8.0375004px;" version="1.1" viewbox="0 0 8.0375004 7.4250002" width="8.0375004" xmlns="http://www.w3.org/2000/svg">
从顶点是遥不可及的<年代vgheight="7.1624999" id="M46" style="vertical-align:-0.11285pt;width:7.5374999px;" version="1.1" viewbox="0 0 7.5374999 7.1624999" width="7.5374999" xmlns="http://www.w3.org/2000/svg">
,然后<年代vgheight="14.725" id="M47" style="vertical-align:-3.24037pt;width:94.112503px;" version="1.1" viewbox="0 0 94.112503 14.725" width="94.112503" xmlns="http://www.w3.org/2000/svg">
(
,
)
=
+
∞
。
3所示。方法和结果
3.1。范例的情况
接下来,我们使用一个特定的数据用例,包括酒精和对照组,以提供具体使用的应用程序的例子。简单,具体研究包括30对照组和30酒精科目。每个主题都配备了一个61 -铅电极帽(ECI, Electro-Cap国际)。头皮电极都是指<年代vgheight="14.4875" id="M48" style="vertical-align:-3.25793pt;width:16.6875px;" version="1.1" viewbox="0 0 16.6875 14.4875" width="16.6875" xmlns="http://www.w3.org/2000/svg">
。在这个实验中,每个主体被曝光的图片对象选择从1980年史诺德和Vanderwart图片设置<一个href="#B31">20.一个>]。刺激在每个试验是随机的(但不重复)和被展示在白色背景为300 ms的电脑显示器的中心。它们的大小大约是5 - 10厘米×5 - 10厘米,因此弧的视角为0,05年°0,1°。十个试验表明,试验中固定的间隔3.2秒。参与者被要求记住图片为了以后能够识别它们。为每个主题和为每个审判和频带(8—13赫兹0.5 4赫兹,4 - 8赫兹,13-30 Hz, 30 - 45 Hz)每个通道的相互依存(有<年代vgheight="13.575" id="M49" style="vertical-align:-2.21957pt;width:82.025002px;" version="1.1" viewbox="0 0 82.025002 13.575" width="82.025002" xmlns="http://www.w3.org/2000/svg">
6
1
(
6
1
−
1
)
/
2
通道对由于活动脑电图通道的数量是61)是计算使用一致性和边缘的方法。结果存储在<年代vgheight="11.2" id="M50" style="vertical-align:-0.3135pt;width:48.325001px;" version="1.1" viewbox="0 0 48.325001 11.2" width="48.325001" xmlns="http://www.w3.org/2000/svg">
6
1
×
6
1
相互依存关系矩阵<年代vgheight="10.575" id="M51" style="vertical-align:-0.20064pt;width:17.9625px;" version="1.1" viewbox="0 0 17.9625 10.575" width="17.9625" xmlns="http://www.w3.org/2000/svg">
元素从0到1。本研究的主要发现,使用BrainNetVis,是酒精科目有受损的大脑活动同步和损失的偏侧性在排练过程中与对照组相比。
3.2。预处理
为了创建一个图,一个矩阵包含脑电图通道成对相关性是必需的。因此,需要计算相关性在所有成对的电极和演绎各自的邻接矩阵,同步矩阵。存在一系列的措施,抓住线性和非线性时间序列之间的联系在一个频段为了计算所需的相关性(在脑电图分析上下文他们被称为同步指数)。三项措施已被选定在一个广泛的研究线性和非线性同步措施(<一个href="#B39">12一个>:典型的平方级相干方法(MSC) (<一个href="#B24">21一个>),广义的非线性二维测量同步(RIM) [<一个href="#B4">22一个>)和部分直接相干(PDC) (<一个href="#B5">23一个>]。平方级一致性的优点是众所周知和被广泛接受的。RIM的优势是,它能够捕捉非线性模式可用的信号,而PDC可以测量因果关系。
(1)平方级相干(MSC)
MSC(或者只是一致性)的和传统工具调查两个信号或脑电图通道之间的线性关系。让我们假设我们有两个同时测量离散时间序列<年代vgheight="11.05" id="M52" style="vertical-align:-3.2316pt;width:12.75px;" version="1.1" viewbox="0 0 12.75 11.05" width="12.75" xmlns="http://www.w3.org/2000/svg">
和<年代vgheight="11.025" id="M53" style="vertical-align:-3.2316pt;width:11.9px;" version="1.1" viewbox="0 0 11.9 11.025" width="11.9" xmlns="http://www.w3.org/2000/svg">
,<年代vgheight="10.8625" id="M54" style="vertical-align:-0.13794pt;width:67.737503px;" version="1.1" viewbox="0 0 67.737503 10.8625" width="67.737503" xmlns="http://www.w3.org/2000/svg">
=
1
…
。MSC是交叉谱密度函数<年代vgheight="16.6" id="M55" style="vertical-align:-4.74141pt;width:41.4375px;" version="1.1" viewbox="0 0 41.4375 16.6" width="41.4375" xmlns="http://www.w3.org/2000/svg">
(
)
通过傅里叶变换,这只是派生的互相关,规范化的个人autospectral密度函数。因此,MSC使用韦尔奇的计算方法<年代pan class="equation" id="eq1">
在哪里<年代vgheight="14.6" id="M57" style="vertical-align:-2.67102pt;width:17.1px;" version="1.1" viewbox="0 0 17.1 14.6" width="17.1" xmlns="http://www.w3.org/2000/svg">
⟨
⋅
⟩
显示窗口平均。估计MSC对于一个给定的频率<年代vgheight="13.4875" id="M58" style="vertical-align:-2.34499pt;width:10.675px;" version="1.1" viewbox="0 0 10.675 13.4875" width="10.675" xmlns="http://www.w3.org/2000/svg">
范围从0(无耦合)和1(最大线性相互依赖)。年代pan>
(2)一个健壮的相互依存测量(RIM)
给定两个标量时间序列<年代vgheight="14.95" id="M59" style="vertical-align:-3.37204pt;width:57.862499px;" version="1.1" viewbox="0 0 57.862499 14.95" width="57.862499" xmlns="http://www.w3.org/2000/svg">
{
(
)
}
∈
和<年代vgheight="14.95" id="M60" style="vertical-align:-3.37204pt;width:57.025002px;" version="1.1" viewbox="0 0 57.025002 14.95" width="57.025002" xmlns="http://www.w3.org/2000/svg">
{
(
)
}
∈
与<年代vgheight="13.575" id="M61" style="vertical-align:-2.26974pt;width:95.125px;" version="1.1" viewbox="0 0 95.125 13.575" width="95.125" xmlns="http://www.w3.org/2000/svg">
=
{
1
,
…
,
}
从动力系统,测量了<年代vgheight="10.325" id="M62" style="vertical-align:-0.0pt;width:13.4125px;" version="1.1" viewbox="0 0 13.4125 10.325" width="13.4125" xmlns="http://www.w3.org/2000/svg">
和<年代vgheight="10.325" id="M63" style="vertical-align:-0.0pt;width:11.6125px;" version="1.1" viewbox="0 0 11.6125 10.325" width="11.6125" xmlns="http://www.w3.org/2000/svg">
,系统重构的动态使用延迟坐标(<一个href="#B33">24一个>]
同样我们重建<年代vgheight="13.8875" id="M65" style="vertical-align:-2.5707pt;width:23.237499px;" version="1.1" viewbox="0 0 23.237499 13.8875" width="23.237499" xmlns="http://www.w3.org/2000/svg">
(
)
从<年代vgheight="14.95" id="M66" style="vertical-align:-3.37204pt;width:57.025002px;" version="1.1" viewbox="0 0 57.025002 14.95" width="57.025002" xmlns="http://www.w3.org/2000/svg">
{
(
)
}
∈
嵌入维数<年代vgheight="7.1374998" id="M67" style="vertical-align:-0.10033pt;width:11.225px;" version="1.1" viewbox="0 0 11.225 7.1374998" width="11.225" xmlns="http://www.w3.org/2000/svg">
和一个延迟时间<年代vgheight="6.8874998" id="M68" style="vertical-align:-0.0627pt;width:8.125px;" version="1.1" viewbox="0 0 8.125 6.8874998" width="8.125" xmlns="http://www.w3.org/2000/svg">
为<年代vgheight="15.3875" id="M69" style="vertical-align:-2.26974pt;width:132.55px;" version="1.1" viewbox="0 0 132.55 15.3875" width="132.55" xmlns="http://www.w3.org/2000/svg">
∈
′
=
{
1
,
…
,
}
,在那里<年代vgheight="15.325" id="M70" style="vertical-align:-2.21957pt;width:124.4875px;" version="1.1" viewbox="0 0 124.4875 15.325" width="124.4875" xmlns="http://www.w3.org/2000/svg">
=
−
(
−
1
)
。关于<年代vgheight="6.8874998" id="M71" style="vertical-align:-0.0627pt;width:8.125px;" version="1.1" viewbox="0 0 8.125 6.8874998" width="8.125" xmlns="http://www.w3.org/2000/svg">
和<年代vgheight="7.1374998" id="M72" style="vertical-align:-0.10033pt;width:11.225px;" version="1.1" viewbox="0 0 11.225 7.1374998" width="11.225" xmlns="http://www.w3.org/2000/svg">
这些参数<年代vgheight="10.725" id="M73" style="vertical-align:-0.0pt;width:4.6374998px;" version="1.1" viewbox="0 0 4.6374998 10.725" width="4.6374998" xmlns="http://www.w3.org/2000/svg">
′
年代的方法(<一个href="#B21">25一个>]。拍摄的<一个href="#B33">24一个>)嵌入定理及其续集(例如,<一个href="#B40">26一个>)存在的证据,但他们不直接展示如何得到一个合适的时间延迟<年代vgheight="6.8874998" id="M74" style="vertical-align:-0.0627pt;width:8.125px;" version="1.1" viewbox="0 0 8.125 6.8874998" width="8.125" xmlns="http://www.w3.org/2000/svg">
或者从一个有限的时间序列嵌入维数米。经验和启发式受聘为选择标准<年代vgheight="6.8874998" id="M75" style="vertical-align:-0.0627pt;width:8.125px;" version="1.1" viewbox="0 0 8.125 6.8874998" width="8.125" xmlns="http://www.w3.org/2000/svg">
和m。通常,一个选择<年代vgheight="6.8874998" id="M76" style="vertical-align:-0.0627pt;width:8.125px;" version="1.1" viewbox="0 0 8.125 6.8874998" width="8.125" xmlns="http://www.w3.org/2000/svg">
是自相关函数的价值第一次通过零,而m是决定使用不同的假近邻统计(<一个href="#B8">27一个>- - - - - -<一个href="#B19">29日一个>]。参数<年代vgheight="6.8874998" id="M77" style="vertical-align:-0.0627pt;width:8.125px;" version="1.1" viewbox="0 0 8.125 6.8874998" width="8.125" xmlns="http://www.w3.org/2000/svg">
也可以使用的方法计算弗雷泽(<一个href="#B13">30.一个>]。让<年代vgheight="12.975" id="M78" style="vertical-align:-4.77652pt;width:18.200001px;" version="1.1" viewbox="0 0 18.200001 12.975" width="18.200001" xmlns="http://www.w3.org/2000/svg">
,
和<年代vgheight="12.975" id="M79" style="vertical-align:-4.77652pt;width:18.700001px;" version="1.1" viewbox="0 0 18.700001 12.975" width="18.700001" xmlns="http://www.w3.org/2000/svg">
,
,<年代vgheight="13.6125" id="M80" style="vertical-align:-2.34499pt;width:73.137497px;" version="1.1" viewbox="0 0 73.137497 13.6125" width="73.137497" xmlns="http://www.w3.org/2000/svg">
=
1
,
…
,
,表示的时间指标<年代vgheight="10.7375" id="M81" style="vertical-align:-0.13794pt;width:8.6000004px;" version="1.1" viewbox="0 0 8.6000004 10.7375" width="8.6000004" xmlns="http://www.w3.org/2000/svg">
最近的欧几里得的邻居<年代vgheight="13.45" id="M82" style="vertical-align:-2.21957pt;width:23.237499px;" version="1.1" viewbox="0 0 23.237499 13.45" width="23.237499" xmlns="http://www.w3.org/2000/svg">
(
)
和<年代vgheight="13.8875" id="M83" style="vertical-align:-2.5707pt;width:23.237499px;" version="1.1" viewbox="0 0 23.237499 13.8875" width="23.237499" xmlns="http://www.w3.org/2000/svg">
(
)
,分别。暂时相关邻居被排除在外的赛尔更正:<年代vgheight="16.637501" id="M84" style="vertical-align:-4.77652pt;width:96.887497px;" version="1.1" viewbox="0 0 96.887497 16.637501" width="96.887497" xmlns="http://www.w3.org/2000/svg">
|
,
−
|
>
⋅
和<年代vgheight="16.637501" id="M85" style="vertical-align:-4.77652pt;width:97.387497px;" version="1.1" viewbox="0 0 97.387497 16.637501" width="97.387497" xmlns="http://www.w3.org/2000/svg">
|
,
−
|
>
⋅
。为每一个<年代vgheight="12.975" id="M86" style="vertical-align:-0.33858pt;width:39.174999px;" version="1.1" viewbox="0 0 39.174999 12.975" width="39.174999" xmlns="http://www.w3.org/2000/svg">
∈
,平均平方距离的<年代vgheight="13.8875" id="M87" style="vertical-align:-2.5707pt;width:23.237499px;" version="1.1" viewbox="0 0 23.237499 13.8875" width="23.237499" xmlns="http://www.w3.org/2000/svg">
(
)
所有剩余的点<年代vgheight="16.700001" id="M88" style="vertical-align:-4.77652pt;width:61.287498px;" version="1.1" viewbox="0 0 61.287498 16.700001" width="61.287498" xmlns="http://www.w3.org/2000/svg">
{
(
)
}
∈
是由<年代pan class="equation" id="eq3">
为每一个<年代vgheight="11.3375" id="M90" style="vertical-align:-3.21404pt;width:11.9875px;" version="1.1" viewbox="0 0 11.9875 11.3375" width="11.9875" xmlns="http://www.w3.org/2000/svg">
,X-conditioned意味着平方欧氏距离定义为<年代pan class="equation" id="eq4">
Quiroga et al。<一个href="#B21">25一个>)定义了依赖的措施<年代pan class="equation" id="EEq3">
这项措施<年代vgheight="13.45" id="M93" style="vertical-align:-2.21957pt;width:48.887501px;" version="1.1" viewbox="0 0 48.887501 13.45" width="48.887501" xmlns="http://www.w3.org/2000/svg">
(
/
)
定义在完整的类比,相互依存衡量之间<年代vgheight="10.325" id="M94" style="vertical-align:-0.0pt;width:13.4125px;" version="1.1" viewbox="0 0 13.4125 10.325" width="13.4125" xmlns="http://www.w3.org/2000/svg">
和<年代vgheight="10.325" id="M95" style="vertical-align:-0.0pt;width:11.6125px;" version="1.1" viewbox="0 0 11.6125 10.325" width="11.6125" xmlns="http://www.w3.org/2000/svg">
,我们使用均值<年代vgheight="13.45" id="M96" style="vertical-align:-2.21957pt;width:137.875px;" version="1.1" viewbox="0 0 137.875 13.45" width="137.875" xmlns="http://www.w3.org/2000/svg">
(
(
/
)
+
(
/
)
)
/
2
。年代pan>
(3)部分直接相干(PDC)
让<年代vgheight="14.95" id="M97" style="vertical-align:-3.37204pt;width:57.424999px;" version="1.1" viewbox="0 0 57.424999 14.95" width="57.424999" xmlns="http://www.w3.org/2000/svg">
{
(
)
}
∈
ℕ
与<年代vgheight="17.725" id="M98" style="vertical-align:-3.20526pt;width:152.625px;" version="1.1" viewbox="0 0 152.625 17.725" width="152.625" xmlns="http://www.w3.org/2000/svg">
(
)
=
(
1
(
)
,
…
,
(
)
]
是一个静止的<年代vgheight="7.1374998" id="M99" style="vertical-align:-0.10033pt;width:7.8874998px;" version="1.1" viewbox="0 0 7.8874998 7.1374998" width="7.8874998" xmlns="http://www.w3.org/2000/svg">
维时间序列均值为零。然后,一个向量自回归模型<年代vgheight="9.875" id="M100" style="vertical-align:-2.29482pt;width:7.7624998px;" version="1.1" viewbox="0 0 7.7624998 9.875" width="7.7624998" xmlns="http://www.w3.org/2000/svg">
为<年代vgheight="7.3249998" id="M101" style="vertical-align:-0.0pt;width:8.25px;" version="1.1" viewbox="0 0 8.25 7.3249998" width="8.25" xmlns="http://www.w3.org/2000/svg">
是由<年代pan class="equation" id="EEq4">
在哪里<年代vgheight="13.675" id="M103" style="vertical-align:-2.21957pt;width:28.200001px;" version="1.1" viewbox="0 0 28.200001 13.675" width="28.200001" xmlns="http://www.w3.org/2000/svg">
(
)
是<年代vgheight="8.7875004" id="M104" style="vertical-align:-0.3135pt;width:32.612499px;" version="1.1" viewbox="0 0 32.612499 8.7875004" width="32.612499" xmlns="http://www.w3.org/2000/svg">
×
模型的系数矩阵<年代vgheight="13.45" id="M105" style="vertical-align:-2.21957pt;width:22.987499px;" version="1.1" viewbox="0 0 22.987499 13.45" width="22.987499" xmlns="http://www.w3.org/2000/svg">
(
)
与协方差矩阵是一个多元高斯白噪声过程<年代vgheight="10.6875" id="M106" style="vertical-align:-0.0pt;width:10.5125px;" version="1.1" viewbox="0 0 10.5125 10.6875" width="10.5125" xmlns="http://www.w3.org/2000/svg">
。在这个模型中,系数<年代vgheight="16.637501" id="M107" style="vertical-align:-4.77652pt;width:37.049999px;" version="1.1" viewbox="0 0 37.049999 16.637501" width="37.049999" xmlns="http://www.w3.org/2000/svg">
(
)
描述当前的值<年代vgheight="11.05" id="M108" style="vertical-align:-3.2316pt;width:12.75px;" version="1.1" viewbox="0 0 12.75 11.05" width="12.75" xmlns="http://www.w3.org/2000/svg">
线性依赖于过去的组件值<年代vgheight="12.975" id="M109" style="vertical-align:-4.77652pt;width:14.25px;" version="1.1" viewbox="0 0 14.25 12.975" width="14.25" xmlns="http://www.w3.org/2000/svg">
。为了提供一个频域测量格兰杰因果,Baccala和Sameshima<一个href="#B5">23一个>]介绍了PDC的概念。这种方法是基于傅里叶变换系数的系列<年代pan class="equation" id="EEq5">
更准确地说,PDC<年代vgheight="12.975" id="M111" style="vertical-align:-4.77652pt;width:14.25px;" version="1.1" viewbox="0 0 14.25 12.975" width="14.25" xmlns="http://www.w3.org/2000/svg">
来<年代vgheight="11.05" id="M112" style="vertical-align:-3.2316pt;width:12.75px;" version="1.1" viewbox="0 0 12.75 11.05" width="12.75" xmlns="http://www.w3.org/2000/svg">
被定义为<年代pan class="equation" id="EEq6">
在PDC<年代vgheight="16.637501" id="M114" style="vertical-align:-4.77652pt;width:49.75px;" version="1.1" viewbox="0 0 49.75 16.637501" width="49.75" xmlns="http://www.w3.org/2000/svg">
←
(
)
值在0和1之间,所有频率的消失<年代vgheight="7.1875" id="M115" style="vertical-align:-0.13794pt;width:10.7625px;" version="1.1" viewbox="0 0 10.7625 7.1875" width="10.7625" xmlns="http://www.w3.org/2000/svg">
当且仅当系数<年代vgheight="16.637501" id="M116" style="vertical-align:-4.77652pt;width:37.049999px;" version="1.1" viewbox="0 0 37.049999 16.637501" width="37.049999" xmlns="http://www.w3.org/2000/svg">
(
)
都是零<年代vgheight="13.55" id="M117" style="vertical-align:-2.29482pt;width:72.599998px;" version="1.1" viewbox="0 0 72.599998 13.55" width="72.599998" xmlns="http://www.w3.org/2000/svg">
=
1
,
…
,
。年代pan>
同步矩阵使用上述方法之一是创建输入BrainNetVis工具,因此,它应该是分开计算和先验。请注意提交工具目前只实现了图形描述和可视化方案措施。它可以用于各种各样的邻接矩阵的形式输入。然而,我们提供预处理部分主要感兴趣但不是专家用户希望调查图表分析可能是如何被应用到神经科学领域。从这个意义上说,即使信号处理技术的范围以外的工具,我们描述了使用最广泛的方法,为进一步提供输入图分析。不过,确实,大多数的方法,线性(即。(即PDC),但大多是非线性的。RIM),承担一些平稳性。一般脑电图分布被认为是一个多元高斯过程即使均值和协方差属性一般从段段。因此,严格地说,脑电图quasistationarity开会,因为它只能被认为是固定在短时间间隔内。因此,用户应该以某种方式测试平稳性假设之前,使用这些方法。希望一个小说繁荣的技术能够将一个多变量时间序列分解为其固定和非固定的部分被称为固定子空间分析(SSA) [<一个href="#B36">31日一个>),可以用来克服隐性平稳性约束。
3.2.1之上。二进制和灰度BrainNetVis网络
BrainNetVis提供使用的选项二进制或者一个灰度网络通过调整,分别网络指标的选择下视图下拉菜单。在我们的用例中,我们提供了作为一个同步工具的输入矩阵描述的大脑网络虚拟酒精的病人。创建了这个虚拟病人通过意味着整个节点和边值所有30酒精科目。我们强调,这个问题实际上并不存在。我们应用一个二进制网络,使用<年代vgheight="11.0125" id="M118" style="vertical-align:-0.17555pt;width:102.625px;" version="1.1" viewbox="0 0 102.625 11.0125" width="102.625" xmlns="http://www.w3.org/2000/svg">
ℎ
ℎ
=
0
。
4
和灰度网络可视化使用colormap规模。边缘长度转换函数也可以选择在同样的菜单。我们使用<年代pan class="equation" id="eq5">
结果在图<一个href="//www.newsama.com/journals/cin/2011/747290/fig1/" target="_blank">1一个>。