基于转移熵的人脑因效连接网络分析研究

摘要

人脑是由多个神经元相互连接构成的非常复杂的神经网络系统。探究人脑不同脑区之间的连通性，对于揭示人脑的工作机理具有重要的意义。功能磁共振成像（Functional Magnetic Resonance Imaging，fMRI）技术为脑科学研究提供了新方法，由于其非侵入性，并且具有较高的空间分辨率等优点，目前已经成为研究人脑神经网络的重要工具。 人脑神经元的相互作用是有方向性的，因此仅仅研究无向的功能连接（Functional Connectivity ）不能够全面描述人脑的动态信息，因此对人脑因效连接（Effective Connectivity）网络的研究，对理解人脑不同区域之间的因果关系和信息流动具有重要意义。 为了探究非线性系统之间的方向和动态信息，本文基于转移熵方法，以 fMRI-BOLD （Blood-Oxygenation-Level-Dependent，BOLD）时间序列为研究对象，深入研究不同脑区之间有向的信息传递，最后得到人脑因效连接网络，并且分析人脑的因效连接网络和结构连接网络之间的密切关系。本文主要工作如下： 1. 系统概述了基于模型的人脑因效连接的研究方法、以及算法的原理和应用研究，并对其存在的问题和缺点进行了总结； 2. 提出将改进的符号转移熵算法应用于分析fMRI-BOLD时间序列信号，该方法在传统的静态符号化方法基础上进行改进，利用动态的自适应分割法对时间序列进行符号化再编码，改善了传统方法丢失细节信息的问题，并且有效地描述了两个系统之间的耦合强度和信息传递的方向； 3. 提出基于参数化的转移熵算法，利用Takens时延嵌入方法，将标量时间序列映射到高维度状态空间上，再采用Ragwitz准则方法优化嵌入参数。并且将最近邻算法和Kraskov-St?gbauer-Grassberger估计算法相结合来估计转移熵，利用迭代算法得到预测时间u。该算法能够有效估算出两个脑区之间的耦合强度以及优化相关参数，具有较好的操作性和易用性。由于基于参数化的转移熵算法在高维空间中估计转移概率的过程中会产生统计偏差，因此需要利用置换检验算法对结果的有效性进行统计检验。最后探究得到因效连接网络与结构连接网络之间的密切关系。

目录

第一个书签之前