跳到正文
原文
bioRxiv · Neuroscience· Shappell, H., Lindquist 等 4 人
精选AI 评分62

通过隐半马尔可夫模型将协变量与动态脑网络中的状态持续时间联系起来

Linking Covariates to State Durations in Dynamic Brain Networks via Hidden Semi-Markov Models

预印本 · 尚未经过同行评审

AI 导读

隐半马尔可夫模型把脑活动表示为潜在网络状态之间的转换,但驻留时间与行为、人口学变量的关联通常只在拟合后做间接的组间比较。作者用回归形式让期望状态持续时间随被试水平协变量变化,以期望最大化算法估计参数,并用被试水平的非参数自助法量化回归系数的不确定性。模拟中该方法在平移泊松和伽马两种驻留时间设定下都能较准确地恢复协变量效应,应用于 1,000 名 UK Biobank 参与者的静息态功能磁共振数据时,发现年龄和性别与部分脑状态的驻留时间有关。

推荐理由

把协变量直接写进隐半马尔可夫模型的驻留时间分布,用期望最大化估计并在 1,000 名 UK Biobank 被试的静息态功能磁共振数据上检验年龄与性别和脑状态驻留时长的关联。

摘要 · AI 翻译

隐半马尔可夫模型(HSMM)为研究动态功能连接提供了一个灵活的框架,因为它们将大脑活动表示为具有显式驻留时间分布的潜在网络状态之间的转换。尽管驻留时间常与行为学和人口学变量相关联,但这些关联通常仅在模型拟合之后通过间接的组间比较来评估,从而限制了对协变量的正式建模以及多个预测变量的同时纳入。在本工作中,我们通过基于回归的公式引入依赖协变量的驻留时间分布,从而扩展了 HSMM 框架,使期望状态持续时间能够随被试水平的协变量而变化,并能够直接推断这些因素与状态持续性的关系。模型参数通过期望最大化算法进行估计,驻留时间回归系数的不确定性则使用被试水平的非参数自助法进行量化。在模拟中,所提出的模型在偏移泊松和 Gamma 驻留时间设定下均能准确恢复协变量效应,且偏差和变异性较低。我们将该方法应用于来自 1,000 名 UK Biobank 参与者的静息态 fMRI 数据,发现年龄和性别与一部分大脑状态的驻留时间相关。总之,这些结果表明,直接对驻留时间行为进行建模为研究大脑动力学中的个体差异提供了一个更灵活的框架,不仅揭示了哪些状态会出现,还揭示了个体在这些状态中停留多长时间。

中文由 AI 翻译,仅供参考,以原文为准。

来源:bioRxiv · Neuroscience · biorxiv.org

PsyBrain 脑心前沿

让每一位脑科学探索者,都不再独行。