基于静息态fMRI数据的Granger因果脑网络

发布时间：2021-12-25 00:43

　　人脑是一个不断交流的动态网络,人们很早就认识到大脑区域之间的相互作用是方向性的。能够评估大脑区域相互作用的方向性对于理解大脑神经网络的相互作用是非常重要的,并且研究大脑区域之间信息流的方向可以突出重要脑区在脑网络中的作用。基于静息态功能性磁共振成像（fMRI）数据的小尺度网络之间的因果关系已经被广泛的研究,并且已经取得了许多显著地成果。然而,大尺度网络之间的因果关系尚未得到很好的阐述。全脑脑区之间是如何相互因果影响的很大程度上还是未知的。本研究主要结合全局Granger因果分析方法及图论法对大尺度脑网络之间的因果关系进行初步的研究,研究主要工作包括:（1）对103个健康被试（包含66个女生和37个男生,年龄在20-23岁之间）的功能性核磁共振图像（fMRI）数据通过SPM、DPSARF等软件做时间层校正、做头动校正、图像空间标准化处理等预处理,得到全脑90个脑区的时间序列。（2）利用全局Granger因果关系算法来计算全脑90个脑区的时间序列之间的因果关系,得到全脑因果网络的连接矩阵。再对连接矩阵进行T检验,只保留P<0.05范围内的值。结果显示,对于全脑因果网络,在全脑90个脑... 

【文章来源】：浙江工业大学浙江省

【文章页数】：50 页

【学位级别】：硕士

【部分图文】：

三个时间序列之间的两种不同的因果连接模式，两个时间序列的因果分析不能区分这两种模式

图 2- 2 下载的数据[36]中选取的任意三条平稳的时间序列2.1.4 模型阶数的选择前面的理论发展假设时间序列可以很好地表现为自回归过程。理论上自回归过程具有无限的模型阶数。然而，自回归过程在实验中不可能具有无限的模型阶数。自回归模型滞后阶数 P 的选择对于自回归模型来讲是非常重要的参数。自回归模型滞后阶数 P 如果选择不当会导致模型计算复杂度增加。如果选择的自回归模型滞后阶数过小，则不能获得对模型很好的估计，导致数据表示不佳，因此将无法获得良好的模型。如果如果选择的自回归模型滞后阶数过大，则导致模型计算的冗余，增加了计算得难度。因此选择正确合理模型的阶数，是至关重要的。通 常 通 过 Akaike Information Criterion(AIC) 算 法 和 Bayesian InformationCriterion(BIC)算法来进行线性回归模型的阶数估计，确定最小、合理的滞后阶数 p。AIC p log det m PN

全局Granger因果关系方法原理示意图

【参考文献】：
期刊论文
[1]欧洲脑科学计划新动向[J]. 方陵生.  世界科学. 2014(11)



本文编号：3551488