在短时静息态功能磁共振中评估状态转换模型并设置连续动力学对照

隐马尔可夫模型（HMM）被广泛用于描述静息态功能 MRI 中作为有限推断脑状态之间转换的变化。然而，持续变化的脑活动可以产生类似的表观转换，这引发了关于其生物学有效性的疑问。我们检验了离散与连续脑动力学能否通过预测后续 fMRI 测量来区分，以及时间滤波是否影响这种区分。我们将隐马尔可夫模型（HMM）与向量自回归（VAR）模型进行比较，后者根据先前测量预测信号而不假设离散状态。每个时间点包含来自七个 Yeo 功能网络的信号。两个模型都使用相同的前序观测来预测下一个，准确性由分配给观测信号的对数概率密度衡量。在 864 个模拟条件中，HMM 在 139/144 个未滤波离散状态案例中表现更好，而 VAR 在 67/72 个连续案例中表现更好。仅在测试期间改变滤波器，使支持 HMM 的连续案例数量从固定滤波下的 2/72 增加到 68/72，尽管底层动力学未变。我们还分析了来自 270 名 ADNI 参与者（90 名认知正常、90 名轻度认知障碍和 90 名痴呆）的静息态 fMRI。在至少 180 个时间点的 160/184 个数据集中以及 60/86 个较短记录中，VAR 优于 HMM。在模拟中，HMM 甚至从没有离散切换的平滑演变活动中推断出方向性状态转换。因此，表观 fMRI 状态转换并不一定表明离散的底层动力学。其解释需要与连续模型进行比较并注意时间滤波。

中文由 AI 翻译，仅供参考，以原文为准。