跟踪大脑状态转换过程的动态函数连接基于静息状态功能磁共振成像

文摘

BOLD-fMRI技术提供了一个良好的基础研究人类的大脑动态功能连通性和状态分析。然而,由于脑功能连接的复杂性和高维度表达大脑活力的归因,越来越多的研究关注跟踪时变特征通过不同的大脑之间的过渡状态。过渡过程被认为是瞬间出现在一些特殊的时间点在上面的研究中,而我们的工作发现大脑状态转换可能在时间剖面逐渐而不是瞬间完成。本文构造大脑状态转化率模型观察大脑状态转换的过程趋势在每个时间点,和状态变化可以观察到转化率的值。结果显示,过渡的状态一直持续几个时间点,和一个大脑状态网络模型与稳态和过渡态。网络拓扑重叠系数是建立分析时变网络的特性。通过这种方法,可以观察到一些常见的常规模式的时变特征强烈在健康儿童而不是自闭症儿童。这个独特的可以帮助我们区分自闭症儿童与健康的儿童。

1。介绍

自闭症谱系障碍(ASD)被认为是一个相对严重的大脑发育障碍(1),通常是先天性,发现在儿童早期发展2,3]。目前最严重的儿童精神疾病之一,这主要表现在社会和沟通障碍4],语言功能障碍[5),和重复的仪式化的刻板印象6]。近年来随着自闭症的患病率增加(7),越来越多的研究者致力于探索自闭症的病因(8- - - - - -10]。

作为一个受欢迎的成像技术,静息状态功能磁共振成像(rs-fMRI)应用于发现人类大脑功能性组织的角色。它也用来区分脑部疾病(11- - - - - -15]。数据驱动的方法被用来构建大规模的大脑功能网络,然后采用层次聚类之间找到网络连接模式的差异ASD患者和健康对照组(HC) [16]。利用独立分量分析(ICA)默认模式网络(静)基于rs-fMRI功能连通性在儿童的大脑,发现了一些变化之间的正常开发自闭症儿童和那些(17,18]。分析的内在连接网络(icn)在ASD和HC进行;此外,研究这些常见的功能连通性和空间重叠icn显示在组学的区别之间的连通性特征ASD患者和HC (19,20.]。本地和远程连接测量大脑活动过程中通过使用通用的图论框架,和这些结果被用来检查自闭症之间大脑活动的自然特点和HC (21]。一个增强的效应值阈值(e)方法用于提取connectivity-based特性基于rs-fMRI为了自动诊断自闭症谱系障碍(22]。

许多功能磁共振成像研究集中在血氧水平依赖(BOLD)的信号表明,大脑活动的变化随着时间的失误(23- - - - - -25)和功能连通性网络建立在BOLD-fMRI信号也可以反映时变特征(26- - - - - -28]。使用滑动窗口技术在一些研究执行动态信息分析大胆信号acquisited rs-fMRI数据(29日- - - - - -31日]。然后采用相关分析方法构建动态脑功能网络比如皮尔森相关分析(32),非线性斯皮尔曼等级相关分析(33),和偏相关分析(34]。为了研究人类大脑功能网络的时间变化,进一步确定脑部疾病,一些研究试图表达的特点,动态脑功能连接网络的大脑状态。隐马尔科夫模型(HMM)用于估计状态的大脑在不同时间的基础上BOLD-fMRI信号分析(28]。一些模块化和拓扑聚类方法应用于动态脑功能连接找到状态随时间变化的不同(35]。k - means算法也被广泛用于区分不同的大脑状态。

现有的研究大脑功能网络的变化随着时间的推移,通过构造一个动态的大脑功能网络,识别大脑状态(36- - - - - -38,有效地识别大脑疾病。然而,在集群的研究和认识大脑状态,大脑功能网络的维度是太高,很难直接观察其主要功能,这让困难进一步研究大脑网络的动态特性。状态转换的网络特征很少考虑在随后的状态识别的过程。

分析脑网络状态的动态特征进行降维聚类高维动态脑网络,分析了状态转换临界点统计和建立瞬时转化率模型观察大脑网络状态动态的转变趋势。在此基础上,本文提出了一个猜想,大脑网络状态转换在一个区间,而不是瞬间,构造一个大脑状态网络,使用网络拓扑结构系数来计算网络相似的大脑状态网络表达网络的时变特征的大脑状态。该方法用于分析大脑状态的时变特征的差异之间的网络健康的儿童和自闭症儿童,和验证了该方法的有效性。

2。材料和预处理

2.1。参与者

rs-fMRI数据集用于本研究从遵守获得数据库(39]。总共有40名学员招募了斯坦福大学医学院,包括20个HC和20 ASD。ASD患儿接到孤独症诊断的诊断基于分数采访修订(前者)或自闭症诊断观察进度(节选)由一个研究可靠的临床医生。ASD和HC排除参与者与任何已知的历史遗传、精神或神经系统疾病。表1显示了参与者的详细信息,包括年龄、性别、FIQ,后者,后者沟通,价值。

2.2。rs-fMRI扫描参数和预处理

参与者被要求闭上他们的眼睛而不是睡眠数据收集。所有图片收集与TR = 2 s, TE = 30 ms,矩阵大小= 6464年,翻转80°角,FOV = 20厘米,29片,产生3.125×3.125×4.50毫米³体素点,180次切片厚度= 3.5毫米,片差距= 1.05毫米,视野240毫米,静息状态扫描组成的F= 176卷。

rs-fMRI原始数据预处理是通过使用Python /目前静息状态的管道平台(40];然后,整个大脑分为90个大脑区域通过使用自动化的解剖标记(AAL) [41]。数据的预处理主要由以下七个步骤:(1)数据删除第一个4个时间点;(2)时间层校正;(3)头部运动校正;(4)颅骨切除;(5)空间标准化;(6)带通滤波;和(7)大胆的信号提取大脑区域的平均时间序列。所有这些治疗后,90年的大胆的时间序列的大脑区域在176个采样点。

2.3。动态功能连通性的大脑网络的建设

为了观察随时间连续变化的大胆的信号在我们的工作中,我们使用滑动窗口技术42,43)结合几个大胆的相邻采样时的值。结果,我们得到了一个小窗口,包括90年的所有信息的大脑区域在连续时间状态观测窗口当前样本时间点。从左向右移动窗口根据时间步长变化量l。在这里,滑动窗口的大小n和时间步l可以由实验数据的归因。在这个工作,它将n= 20,l= 1。然后,整个大胆的信号时间序列被分成= 157 (= 176−n+ l)状态的观察窗口。现在在每个州观测窗口,我们得到了一个n N矩阵。

探索的时间同步和相关状态观测窗口,皮尔森相关分析(32,44)方法是选择构造动态脑区之间的功能连接每个滑动窗口。为了使它符合网络特点、阈值处理执行过程中构建网络。只有当相关强度达到某一阈值时,认为有两个脑区之间的功能连接。为了选择一个合理的阈值来构造一个完整的大脑功能网络的连接,我们使用网络的小世界和大脑功能网络的完整性的方法确定合理的阈值范围。阈值的估计样本和共同十字路口的选择都是用来确定合理的阈值。我们把所有相关系数的绝对值和使用阈值th网络处理[= 0.545),可以用矩阵描述米如下:

如果我们把90的大脑区域网络节点,节点= {1、2、3、…、90},u= 90,以相关系数为网络的边缘,这里边= {米₁₁,米₁₂、…米_ij、…米_uu},u= 90。一个90×90状态观测矩阵在每一个观察窗了。观测矩阵是一个对角对称矩阵。大脑区域之间的相关系数可以被看作是大脑的实时特性网络而不考虑自相关。

总共有4005组件。4005 -维脑网络状态观测向量可以获得的顺序提取对角相关系数矩阵的特征从头到尾。

完成上述所有步骤后,每个示例将静息状态功能磁共振成像向量在整个采样间隔;也就是说,我们可以得到×4005矩阵 。矩阵的行向量代表大脑功能连接特征的地区一定的扫描时间间隔,和矩阵可以反映整个大脑功能网络的动态过程在整个数据采集时间。

2.4。降维的大脑网络基于t-SNE状态观测矩阵

在学习的过程中大脑网络的动态特性,整个大脑网络状态观测矩阵构造。因为高维度的4005,它是非常困难的识别和分析脑网络的动态特性。在我们的工作中,t-distributed随机邻居嵌入(t-SNE) [46)算法来减少整个大脑区域网络状态观测矩阵的维数。t-SNE算法被用在许多研究和取得良好的降维及可视化47,48]。使用t-SNE之后,高维整个大脑区域网络状态观测矩阵嵌入到二维空间;因此,状态分布随时间变化可以观察到集群效应。因为美国改变随着时间的推移,相应的低维分布看起来像一些连续时间点的间隔,最后每个集群表示状态转换的时间点,我们称为临界点状态转换的研究。

3所示。方法

3.1。状态瞬时转化率的独立样本

在这项研究中,在使用t-SNE算法来衡量两个概率分布之间的差异在高维空间和低维空间中,低维表达式嵌入在高维大脑网络状态观测矩阵是通过梯度下降的方法。因为在二维空间的映射结果只显示这些州的相似度,但不是位置,最后集群可视化结果是随机的。鉴于这种随机性,我们执行重复的降维健康样本实验和统计的数量状态组和状态转换的临界点。

我们设置不同的州的数量年代_p相应的状态, ,然后在每个聚类实验可以获得一个独立的样本数据米−1状态转换临界点D_问,问= {1、2、3、…米−1}。高维的大脑网络状态观测矩阵进行降维聚类实验的1000倍。的时间点k(0 <k≤ )在每个国家的每个主题年代_p来年代_{p+ 1}是记录为D_问,然后我们可以得到D_问集G_问1000次实验。通过计算频率N_k状态转换的临界点k元素在每个G_问设置相应D_问和观察的时间点的分布位置D_问元素G_问集,每个大脑网络状态转换时间间隔 可以被估计。

基于上述统计HC和ASD组,我们计算的平均间隔重合度问在每一个样本的算术平均和比较巧合中的所有样本的值HC组和ASD组: 在哪里R是相邻的状态转换的重叠值区间,是数量的观察时间点,n是样品的数量。

基于上面的方程,我们建立的状态转换趋势状态瞬时转化率的时间间隔如下: 在哪里N_k是频率的大脑网络状态转换关键时间点k元素出现在设置相应D_问。

3.2。邻居拓扑状态之间的重叠系数

通过以上的研究,我们发现,大脑网络的状态转换显示一定的规律性。在现有的研究中,一些研究把大脑网络的状态不同,但我们相信,大脑网络状态将产生不同的部门由于个体差异。转换的时候,就不可能探索大脑网络状态转换的规律。我们认为,大脑的状态转换网络不是瞬时,而是在一个时间间隔。由此,我们把整个时间分成年代州,其中包括米稳态区间和年代- - - - - -米状态转换的间隔。整个观测时间间隔分为年代国家的间隔年代₁,年代₂,年代₃、…年代_年代。年代_2f−1是国家稳定的区间,年代_2f状态转换间隔吗 。矩阵的相应位置添加和平均在每一个状态矩阵:

n= 20样品总结和平均脑网络状态矩阵 :

邻居网络拓扑重叠系数主要是用来表示两种网络的拓扑相似性的一个时间序列网络(49]。本文使用邻居的网络拓扑结构重叠系数来解释网络拓扑的变化随着时间的推移与国家。每个状态的拓扑重叠系数计算通过使用邻居网络拓扑重叠系数。网络拓扑结构的矩阵得到了。拓扑重叠系数如下:

公式(6)计算节点的拓扑相似性我在国家网络和 ,(0 <年代≤9日 ;0 <我≤90, )。公式(7)的平均相似度计算所有节点在整个网络的拓扑相似性和措施之间的相似性网络和网络 。的价值 在区间[0,1],和更多的吗 值是,类似的网络状态和是这样的。一个邻居重叠网络拓扑矩阵获得和视觉表示。HC组的国家拓扑重叠系数矩阵和ASD组分别进行了分析,并比较他们的差异(图1)。

4所示。实验结果和讨论

4.1。基于t-SNE大脑网络状态转换可视化

与方法部分2.4维数降低及可视化,T-SNE算法用于对大脑网络状态观测矩阵数据不同主题的HC组和ASD组,分别为(图2)。聚类结果显示两组链具有时代特征的分布表达式,从这些结果,我们可以发现一些HC组和ASD组之间的差异。HC组的聚类结果显示出一些共同的特征:在相邻数据点分布紧密,临界点几乎是在同一时间,和元素相同的状态非常相似。虽然自闭症群体的对象的聚类结果不够全面,有许多散射时间点和状态聚类结果没有明显的规律性。

根据降维结果HC组的实验,尽管不同的个体样本的聚类结果在不同空间位置的随机性,可以观察到相似集群中的数量和状态转换临界点,它反映了大脑网络状态转移规律与时间。尽管ASD组和HC组在降维结果有显著差异,我们还发现ASD组分为不同组的聚类结果。我们认为还有自闭症群体的状态转换,但没有普通法。

4.2。状态瞬时转化率

为了研究状态转换的规律,分析了临界点基于部分4.1。与一些国家的组织米= 5,嵌入和聚类实验是进行1000次在每个独立的数据样本HC组和ASD组,和国家的变化年代_p来年代_{p+ 1}在实验中观察到。的时间点k(0 <k<t)转变的临界点D_问位于算作G_问(0 <米≤5)集。频率N_k每个状态转换的关键时间点k在G_问设置如图3。HC组的价值N_k显示明显的区别为不同的状态转换临界点,特别是最大价值远远超过其他值G_问集,只有这状态转换关键时间点附近的几个州k对应的最大价值。在最大值之间的间隔,N_k是非常小的,所以每个州独立可以观察到过渡时期。在ASD组,状态转换临界点频率值之间的差别很小,没有明显迹象状态转换的发生。时间间隔是广泛,和邻国之间有重叠的部分。

HC组的统计结果显示,状态转换的临界点都集中在特定的时间点和他们的环境。状态转换间隔是自然形成的。每个转换间隔是独立于其他的间隔,只有少数发生重叠。从这些常规的模式,我们得出这样的结论:HC取样,每个大脑网络状态是独立的状态转换是常规和稳定。相反,虽然上面的状态转换可以在ASD组样本实验,统计结果显示,状态转换的范围临界点k区别太大,因此太多的重叠相邻国家之间出现。这种重叠期间代表大脑网络的不稳定状态的转换;在此同时,自闭症群体的不同主题的结果并没有显示出共同的规律。

为了验证以上样品不具体,状态转换时间间隔的长度计算,平均状态转换间隔重合度计算所有样本的HC组和ASD组,如图4。大脑网络的区间重叠ASD组显著高于HC组不包括样品特异性。在此同时,方差分析(方差分析)是用于测试数据的差异(F= 54.836, ),结果如表所示2。

现有的研究对大脑网络状态把状态转换在一个特定的时间点完成,这意味着过渡是瞬时的。在上面的实验中,通过计算状态转换临界点时,我们注意到,状态转换临界点k从年代_p来年代_{p+ 1}状态转换形式区域范围P_问(t₁,t₂)。在本文中,我们建议状态转换出现在一个时间间隔,而不是在一个特定的时间。这里,我们构造一个大脑网络状态瞬时转化率观察HC组的状态转换趋势的间隔P_问(t₁,t₂)(图5)。结果表明,HC组样本不是瞬间转换但逐步转换P_问(t₁,t₂)间隔。因此,我们认识到,大脑网络状态有一个状态转换时间间隔在转换过程中,这也是一个大脑的网络特性和不容忽视。

4.3。邻居拓扑状态之间的重叠系数

为了继续探索大脑网络状态的时变特性,基于上述分析,我们构造整个观测过程年代= 9,其中包括米= 5稳态期和年代−米= 4状态转换时间间隔在我们的实验。这些9间隔可以显示如下:年代₁,年代₂,年代₃、…年代₉。年代₁= {米₁,米₂、…米₁₀};年代₂= {米₁₀,米₁₁、…米₁₅};年代₃= {米₁₆,米₁₇、…米₅₀};年代₄= {米₅₁,米₅₂、…米₅₅};年代₅= {米₅₆,米₅₇、…米_85年};年代₆= {米_86年,米_87年、…米_90年};年代₇= {米_91年,米_92年、…米_125年};年代₈= {米_126年,米_127年、…米_130年};和年代₉= {米_131年,米_132年、…米_157年}。集团通过重建大脑状态网络的动态脑功能网络分析和探索结构拓扑相似性不同的大脑功能网络的国家,网络拓扑结构重叠系数可以计算表达大脑网络状态随着时间的推移,在网络拓扑特征。在我们的研究中,该指数用于研究HC和自闭症之间的差异在动态脑功能网络状态,来验证该方法的有效性(图6)。

大脑网络的时变特性的HC组和ASD组表现出显著差异。总的来说,HC组的网络拓扑结构重叠的程度远高于ASD组在任何两种状态,如图7。方差分析(方差分析)是用来测试网络拓扑的重叠系数的差异HC组和ASD组(表3)。网络拓扑之间的重叠系数年代= 9州HC组(图显示了一个明确的共同规律8(一个))。

网络拓扑结构的相似性在所有稳定区间显著大于稳定区间之间的相似性和过渡区间,也高于网络拓扑相似性之间的过渡区间。网络拓扑结构之间的相似性的稳定区间和过渡区间高于网络拓扑相似性过渡区间(表4)。

网络拓扑结构重叠系数的九个州ASD组表明,网络拓扑结构的稳定区间的相似性高于网络拓扑相似性稳定区间和过渡区间,也高于网络拓扑结构的相似性在所有过渡区间。然而,网络拓扑结构的相似的稳定区间ASD组随着时间的推移逐渐减少。所有过渡区间之间的网络拓扑是最弱的,和相似性随时间(表5)。

在实验结果的比较分析,网络稳定和过渡区间之间的相似性HC组显示一些差异,但所有稳定区间和过渡区间之间的相似性并没有显示任何明显的歧视。另一方面,ASD组在网络拓扑相似性实时变化,和整个网络的相似性是弱于HC组(图8 (b))。

5。结论

在这个工作中,动态脑功能网络的时变特征进行了研究,构造和动态的大脑网络状态观测矩阵。这个高维矩阵的维数降低及可视化处理;那么不同的州可以自动分组基于聚类的结果,和状态转换能计算的临界点。根据统计结果,建立了瞬时转化率观察间隔内国家过渡的趋势。

在这里,我们提出一个假设状态转换是在一系列但不是瞬时完成。证明这个观点,我们构建瞬时跳跃率观察间隔之间的状态转换的趋势。我们认为状态转换的过程也在大脑的活动视为国家现有网络和不容忽视。通过构造一个国家网络包括稳定的状态和过渡状态,网络拓扑结构重叠系数是用来表示网络拓扑状态之间的相似度。不同状态之间的网络拓扑相似性计算来研究大脑网络的时变特性。HC的区别和ASD的大脑网络动态特性分析的方法,并验证了方法的有效性。

数据可用性

在这项研究中使用的数据从遵守获得数据库:http://fcon_1000.projects.nitrc.org/indi/abide/。

的利益冲突

作者宣称没有利益冲突。

确认

这项研究得到了国家自然科学基金(批准号。81470084,81771926,81771926,61763022)。

引用

1. h . g . Kim Kishikawa, a·w·希金斯et al .,“neurexin中断1与孤独症谱系障碍有关,”美国人类遗传学杂志》上,卷82,不。1,第207 - 199页,2008。视图:出版商的网站|谷歌学术搜索
2. b.f.火花,s·d·弗里德曼,d . w . Shaw et al .,“大脑结构异常与自闭症谱系障碍儿童,”神经学卷,59号2、184 - 192年,2002页。视图:出版商的网站|谷歌学术搜索
3. k . Narasingharao b Pradhan, j . Navaneetham“睡眠障碍,胃肠道问题和行为问题出现在自闭症谱系障碍儿童和瑜伽疗法:一个描述性的审查,”Jcdr临床与诊断研究》杂志上,10卷,不。11日,VE01-VE03, 2016页。视图:出版商的网站|谷歌学术搜索
4. f·克雷格,即Fanizza, l . Russo et al .,“社会交往在儿童自闭症谱系障碍(asd):第五版和自闭症之间关联分类系统functioning-social通信(ACSF: SC)”自闭症研究,10卷,不。7,1249 - 1258年,2017页。视图:出版商的网站|谷歌学术搜索
5. r·林德斯特伦t . Lepisto-Paisley r . Vanhala r·阿伦和t . Kujala”受损神经歧视自闭症谱系障碍儿童情感语音韵律的语言障碍,“神经学字母卷。628年,47-51,2016页。视图:出版商的网站|谷歌学术搜索
6. w . Dangulavanich p . Limsomwong k . Mitrakul y Asvanund,和m . Arunakul”与合作相关的因素水平的自闭症谱系障碍儿童牙科治疗期间,“欧洲儿科牙科杂志》上,18卷,不。3、231 - 236年,2017页。视图:出版商的网站|谷歌学术搜索
7. m·d·Kogan s . j . Blumberg洛杉矶Schieve et al .,“家长反映诊断自闭症谱系障碍儿童患病率在美国,2007年,“儿科,卷124,不。5,1395 - 1403年,2009页。视图:出版商的网站|谷歌学术搜索
8. r·k·c .袁d . Merico m .书商et al .,“全基因组测序资源标识18自闭症谱系障碍的新候选基因,”自然神经科学,20卷,不。4、602 - 611年,2017页。视图:出版商的网站|谷歌学术搜索
9. d·j·维纳,e . m . Wigdor s Ripke et al .,“多基因传播失衡确认常见和罕见变异行为分析建立自闭症谱系障碍的风险,”自然遗传学卷,49号7,978 - 985年,2017页。视图:出版商的网站|谷歌学术搜索
10. n . Rommelse j·k·Buitelaar, c·a·哈特曼“结构性脑成像与孤独症和多动症的寿命:发育ASD-ADHD亚型存活率存在审查,”《神经传输,卷124,不。2、259 - 271年,2017页。视图:出版商的网站|谷歌学术搜索
11. g . Sechi r . Demurtas w . Boadu, e . Ortu“信re:改变运动皮层的功能连接fabry疾病:一项RS-fMRI研究,“神经学,卷89,不。17日,第1842页,2017年。视图:出版商的网站|谷歌学术搜索
12. e . Hoekzema卡蒙,j . a . Ramos-Quiroga et al .,“一个独立的组件和功能连通性分析静息状态功能磁共振成像数据点在成人ADHD神经网络失调,”人类大脑图谱,35卷,不。4、1261 - 1272年,2014页。视图:出版商的网站|谷歌学术搜索
13. f . Agosta m . Pievani c . Geroldi m . Copetti g . b . Frisoni和m .菲利皮主持,“静息状态功能磁共振成像在阿尔茨海默氏症:在默认模式网络之外,“神经生物学衰老的,7卷,不。4、1564 - 1578年,2011页。视图:出版商的网站|谷歌学术搜索
14. m . Plitt k·a·巴恩斯和a·马丁”功能连通性孤独症的分类标识高度预测生物标志物的大脑功能但低于标准,“神经影像学临床,7卷,不。3、359 - 366年,2015页。视图:出版商的网站|谷歌学术搜索
15. j . h . Balsters d Mantini, n . Wenderoth”Connectivity-based分割显示不同cortico-striatal连接指纹在自闭症谱系障碍,”科学杂志卷,170年,第423 - 412页,2017年。视图:出版商的网站|谷歌学术搜索
16. t·e·金h . i Suk, s w·李,“多个功能网络建模自闭症谱系障碍诊断,”人类大脑图谱,28卷,不。11日,第5821 - 5004页,2017年。视图:出版商的网站|谷歌学术搜索
17. y Funakoshi, m . Harada h .大冢k . Mori h .伊藤和t . Iwanaga“默认模式网络异常的儿童自闭症谱系障碍检测静息状态功能磁共振成像,”《华尔街日报》的医学调查,卷63,不。3.4,204 - 208年,2016页。视图:出版商的网站|谷歌学术搜索
18. d . l . Murdaugh j . o . Maximo, r·k·假名”变化的内在连接大脑的网络阅读对自闭症儿童干预后,“人类大脑图谱,36卷,不。8,2965 - 2979年,2015页。视图:出版商的网站|谷歌学术搜索
19. y y赵,h . Chen Li et al .,“Connectome-scale group-wise一致的静息状态的网络分析在自闭症谱系障碍,”科学杂志:临床》12卷,23-33,2016页。视图:出版商的网站|谷歌学术搜索
20. c . s .和尚,s·j·珀尔帖,j·l·韦根et al .,“自闭症谱系障碍的内在功能连通性的异常,“科学杂志卷,47号2、764 - 772年,2009页。视图:出版商的网站|谷歌学术搜索
21. h·t·Itahashi t Yamada渡边et al .,“改变当地的自发的大脑活动和连接在成人高功能自闭症谱系障碍,”分子自闭症》第六卷,没有。1,2015。视图:出版商的网站|谷歌学术搜索
22. b . s . Mahanand s Vigneshwaran s苏雷什和n . Sundararajan”一个增强的效应值的阈值方法的诊断自闭症谱系障碍使用静息状态功能磁共振成像,”学报》国际会议认知计算与信息处理IEEE,页1 - 6,班加罗尔,印度,2017年12月。视图:出版商的网站|谷歌学术搜索
23. e . Tagliazucchi w·f·冯·a·Morzelewski诉他,和h . Laufs”动态大胆人体功能连通性及其电生理相关,”人类神经科学前沿》第六卷,没有。339年,2012年。视图:出版商的网站|谷歌学术搜索
24. r·沃尼克·m·Guindani e . Erhardt e·艾伦诉卡尔霍恩和m . Vannucci”的贝叶斯方法估计动态功能网络连接功能磁共振成像数据,”美国统计协会杂志》上,卷113,不。521年,第151 - 134页,2017年。视图:出版商的网站|谷歌学术搜索
25. m . Gavrilescu l·约翰斯顿m·法雷尔和g·伊根,“调查动态变化在功能磁共振成像功能连通性使用时间相关,”科学杂志卷,47号1,p。S146, 2009。视图:出版商的网站|谷歌学术搜索
26. 陈x, h·张,张l, c .沈S.-W。李,d .沈”提取动态功能连通性的大脑灰质和白质MCI分类,“人类大脑图谱,38卷,不。10日,5019 - 5034年,2017页。视图:出版商的网站|谷歌学术搜索
27. m . Demirtaşc . Tornador c猎鹰et al .,“动态功能连通性揭示变化改变功能连通性在重度抑郁症患者中,“人类大脑图谱,37卷,不。8,2918 - 2930年,2016页。视图:出版商的网站|谷歌学术搜索
28. 我的。Suk,彭译葶。凌晨,S.-W。李,d .沈”与深度学习功能的动态状态空间模型估计在静息状态功能磁共振成像,”科学杂志卷,129年,第307 - 292页,2016年。视图:出版商的网站|谷歌学术搜索
29. j . j . rem a·阿布Elseoud e·奥利拉et al .,“在主成分分析的适用性,voxel-wise方差归一化和维度假设滑动时间窗口西卡在静息状态功能磁共振成像,”磁共振成像没有,卷。31日。8,1338 - 1348年,2013页。视图:出版商的网站|谷歌学术搜索
30. j . Gonzalezcastillo d·a·汉沃克·m·e·罗宾逊et al .,“静息状态连接稳定的空间结构的分钟,”神经科学前沿,8卷,不。138年,2014年。视图:出版商的网站|谷歌学术搜索
31. x, y高,h . Zhang彭译葶。凌晨,g·李,d .沈,“高阶静息状态功能连通性网络MCI分类,“人类大脑图谱,37卷,不。9日,第3296 - 3282页,2016年。视图:出版商的网站|谷歌学术搜索
32. m .你们,t·杨,p .清,x, j .秋和g .刘”在重度抑郁障碍患者的脑功能网络的变化:静息状态功能磁共振成像图理论分析,“《公共科学图书馆•综合》,10卷,不。9篇文章ID e0133775 2015。视图:出版商的网站|谷歌学术搜索
33. c·e·汉s . w . Yoo s . w . Seo d l . Na和j。Seong”,基于集群的统计对大脑连通性与行为相关的措施,”《公共科学图书馆•综合》,8卷,不。8篇文章ID e72332 2013。视图:出版商的网站|谷歌学术搜索
34. a·j·汗Nair, c . l .基翁m . c . Datko a·j·林肯和r。。穆勒:“Cerebro-cerebellar静息状态功能连通性与自闭症谱系障碍儿童和青少年,“生物精神病学,卷78,不。9日,第634 - 625页,2015年。视图:出版商的网站|谷歌学术搜索
35. j·c·比林斯,a . Medda g·伯曼和s . d . Keilholz”功能连通性rs-fMRI数据的小波聚类指标,”《会议信号,系统和电脑。IEEE美国太平洋格罗夫,CA, 2017年的10月。视图:出版商的网站|谷歌学术搜索
36. s . Ryali t . Chen a . Padmanabhan w . Cai和诉Menon”共识的发展和验证clustering-based大脑分割框架使用fMRI休息,”神经科学杂志》上的方法卷,240年,第140 - 128页,2015年。视图:出版商的网站|谷歌学术搜索
37. 通用电气,l .郭t·张x, j .汉和t·刘,”静息状态fMRI-guided纤维聚类:方法和应用,“Neuroinformatics,11卷,不。1,第133 - 119页,2013。视图:出版商的网站|谷歌学术搜索
38. m . Bahramf和g . a . Hossein-Zadeh”功能分割影响静息状态功能磁共振成像的网络措施图分析,”《21伊朗生物医学工程会议(ICBME)IEEE,德黑兰,伊朗,2015年。视图:出版商的网站|谷歌学术搜索
39. a·d·马蒂诺c . g .燕问:李et al .,“自闭症脑成像数据交换:向内在的脑部结构的大规模评估自闭症,”《分子精神病学》,19卷,不。6,659 - 667年,2014页。视图:出版商的网站|谷歌学术搜索
40. 脑成像和分析中心,Python /目前静息状态的管道、脑成像和分析中心,达勒姆,数控,美国,2012年,https://wiki.biac.duke.edu/biac:分析:resting_pipeline。
41. n . Tzouriomazoyer b Landeau d Papathanassiou et al .,“自动激活的解剖标记的SPM使用宏观解剖分割MNI MRI单一学科的大脑,”科学杂志,15卷,不。1,第289 - 273页,2002。视图:出版商的网站|谷歌学术搜索
42. Yu, e . b . Erhardt s Jing et al .,“评估时变动态脑图的连通性在fMRI数据:应用程序来控制和精神分裂症患者健康,”科学杂志,第107卷,第345页,2015年。视图:出版商的网站|谷歌学术搜索
43. c . y .凌晨,s, p . t .狂吠,d .沈,“稀疏暂时动态静息状态功能连通性网络早期MCI识别、”脑成像和行为,10卷,不。2、342 - 356年,2016页。视图:出版商的网站|谷歌学术搜索
44. j . Benesty j .陈黄y,科恩,”皮尔森相关系数”,在语音处理降噪施普林格,页1 - 4,柏林,德国,2009年。视图:谷歌学术搜索
45. 长y, b . Wang”大脑相关分析和动态非线性的大脑区域网络建设方法,”信号处理,34卷,不。8,963 - 973年,2018页。视图:谷歌学术搜索
46. 辛顿和s . Roweis“随机邻居嵌入,”诉讼进展的神经信息处理系统15卷,第840 - 833页,2002年12月,加拿大,温哥华。视图:谷歌学术搜索
47. b . Mwangi j·c·苏亚雷斯和k·m·哈桑“可视化和无监督预测高维多通道神经影像数据的聚类,“神经科学杂志》上的方法卷。236年,19-25,2014页。视图:出版商的网站|谷歌学术搜索
48. l . Faivishevsky和j . Goldberger”无监督数据投影,保存集群结构,”模式识别的字母,33卷,不。3、256 - 262年,2012页。视图:出版商的网站|谷歌学术搜索
49. j . Tang s Scellato m . Musolesi C Mascolo和V Latora,“小世界在时变行为图,”物理评论E-Statistical、非线性和软物质物理学,卷81,不。5、文章ID 055101, 2010。视图:出版商的网站|谷歌学术搜索

版权

版权©2019张刘et al。这是一个开放分布式下文章知识共享归属许可,它允许无限制的使用、分配和复制在任何媒介,提供最初的工作是正确引用。