stringtranslate.com

Оценщики связей мозга

Оценщики связности мозга [1] представляют собой модели связей в мозге . Связность можно рассматривать на разных уровнях организации мозга: от нейронов до нейронных ансамблей и структур мозга. Связность мозга включает в себя различные концепции, такие как: нейроанатомическая или структурная связность (модель анатомических связей), функциональная связность (обычно понимаемая как статистические зависимости ) и эффективная связность (относящаяся к причинным взаимодействиям ). [2]

Нейроанатомическую связность по своей сути трудно определить, учитывая тот факт, что в микроскопическом масштабе нейронов новые синаптические связи или устранение существующих формируются динамически и в значительной степени зависят от выполняемой функции, но могут рассматриваться как пути, простирающиеся по областям мозга, которые соответствуют общим анатомическим знаниям. Диффузионно-взвешенная визуализация (DWI) может использоваться для предоставления такой информации. Различие между функциональной и эффективной связностью не всегда четкое; иногда причинно-следственная или направленная связность называется функциональной связностью. Функциональная связность может быть определена как временная корреляция (с точки зрения статистически значимой зависимости между отдаленными областями мозга) между активностью различных нейронных ансамблей, тогда как эффективная связность может быть определена как прямое или косвенное влияние, которое одна нейронная система оказывает на другую. [3] Некоторые оценщики связности мозга оценивают связность из временных рядов активности мозга, таких как электроэнцефалография (ЭЭГ), локальный потенциал поля (ЛПП) или последовательности спайков , с влиянием на направленную связность. Эти оценщики могут быть применены к данным фМРТ , если доступны требуемые последовательности изображений. Среди оценщиков связности есть линейные и нелинейные, двумерные и многомерные меры. Некоторые оценщики также указывают на направленность. Различные методы оценки связности различаются по своей эффективности. [4] [5] [6] В этой статье представлен обзор этих мер с акцентом на наиболее эффективные методы.

Двумерные оценки

Классические методы

Классическими оценщиками связности являются корреляция и когерентность . Вышеуказанные меры предоставляют информацию о направленности взаимодействий в терминах задержки (корреляции) или когерентности ( фазы ), однако эта информация не подразумевает причинно-следственного взаимодействия. Более того, она может быть неоднозначной, поскольку фаза определяется по модулю 2π. Также невозможно идентифицировать посредством корреляции или когерентности.

Нелинейные методы

Наиболее часто используемые нелинейные оценки связности — это взаимная информация , энтропия переноса , обобщенная синхронизация, [7] мера непрерывности, [8] вероятность синхронизации, [9] и фазовая синхронизация . [7] Взаимная информация и энтропия переноса опираются на построение гистограмм для оценок вероятности. Мера непрерывности, обобщенные синхронизации и вероятность синхронизации — очень похожие методы, основанные на реконструкции фазового пространства . Среди этих мер только энтропия переноса позволяет определять направленность. Нелинейные меры требуют длинных стационарных сегментов сигналов, подвержены систематическим ошибкам и, прежде всего, очень чувствительны к шуму. [7] [8] [10] Сравнение нелинейных методов с линейной корреляцией в присутствии шума показывает более низкую производительность нелинейных оценок. [8] В [7] авторы приходят к выводу, что должны быть веские основания полагать, что в данных есть нелинейность, чтобы применять нелинейные методы. Фактически, было продемонстрировано с помощью суррогатного теста данных [11] [ 12] и прогнозирования временных рядов [13], что нелинейность в ЭЭГ и ЛФП является скорее исключением, чем нормой. С другой стороны, линейные методы работают довольно хорошо для нелинейных сигналов. [14] Наконец, нелинейные методы являются двумерными (вычисляются попарно), что имеет серьезные последствия для их производительности.

Двумерные и многомерные оценки

Сравнение производительности двумерных и многомерных оценщиков связности можно найти в [15] [16] , где было продемонстрировано, что в случае взаимосвязанной системы каналов, больше двух, двумерные методы предоставляют вводящую в заблуждение информацию, может быть даже обнаружена инверсия истинного распространения. Рассмотрим очень распространенную ситуацию, когда активность от данного источника измеряется на электродах, расположенных на разных расстояниях, отсюда и разные задержки между зарегистрированными сигналами.

При применении двумерной меры распространение всегда получается при наличии задержки между каналами, [16] что приводит к множеству ложных потоков. Когда у нас есть два или три источника, действующих одновременно, что является обычной ситуацией, мы получим плотную и неорганизованную структуру связей, похожую на случайную структуру (в лучшем случае может быть идентифицирована некоторая структура «малого мира»). Этот тип паттерна обычно получается в случае применения двумерных мер. Фактически, эффективные паттерны связности, полученные с помощью измерений ЭЭГ или ЛФП, далеки от случайности, когда применяются надлежащие многомерные меры, как мы продемонстрируем ниже.

Многомерные методы, основанные на причинности Грейнджера

Проверяемое определение причинности было введено Грейнджером . [17] Принцип причинности Грейнджера гласит, что если некоторая серия Y ( t ) содержит информацию в прошлых терминах, которая помогает в прогнозировании серии X ( t ), то говорят, что Y ( t ) является причиной X ( t ). Принцип причинности Грейнджера можно выразить в терминах двухканальной многомерной авторегрессионной модели (MVAR). Грейнджер в своей более поздней работе [18] указал, что определение причинности невозможно, когда система рассматриваемых каналов не является полной. Меры, основанные на принципе причинности Грейнджера: индекс причинности Грейнджера (GCI), направленная передаточная функция (DTF) и частично направленная когерентность (PDC). Эти меры определяются в рамках многомерной авторегрессионной модели. [19] [20]

Многомерная авторегрессионная модель

Модель AR предполагает, что X ( t ) — выборка данных в момент времени t — может быть выражена как сумма p предыдущих значений выборок из набора k -сигналов, взвешенных по коэффициентам модели A, плюс случайное значение E ( t ):

Число p называется порядком модели. Для k -канального процесса X ( t ) и E ( t ) являются векторами размера k , а коэффициенты A являются матрицами размера k × k . Порядок модели может быть определен с помощью критериев, разработанных в рамках теории информации, а коэффициенты модели находятся с помощью минимизации остаточного шума. В процедуре вычисляется матрица корреляции между сигналами. Путем преобразования в частотную область получаем:

H ( f ) — передаточная матрица системы, содержит информацию о связях между сигналами и их спектральными характеристиками. H ( f ) несимметрична, поэтому позволяет находить причинно-следственные зависимости. Порядок модели может быть найден с помощью критериев, разработанных в рамках теории информации [19] , например, критерия AIC .

Индекс причинности Грейнджера

Индекс причинности Грейнджера , показывающий управление каналом x каналом y, определяется как логарифм отношения остаточной дисперсии для одного канала к остаточной дисперсии двухканальной модели: [21] GCI y → x = ln ( e / e 1 ) Это определение можно распространить на многоканальную систему, рассмотрев, как включение данного канала изменяет остаточные дисперсионные отношения. Чтобы количественно оценить направленное влияние канала x j на x i для n- канального авторегрессионного процесса во временной области, мы рассматриваем n- и n -1-мерные модели MVAR. Сначала модель подгоняется под всю n- канальную систему, что приводит к остаточной дисперсии V i , n (t) = var( E i , n ( t )) для сигнала x i . Далее, n −1-мерная модель MVAR подгоняется для n −1 каналов, исключая канал j , что приводит к остаточной дисперсии V i , n −1 (t) = var ( E i , n −1 ( t )). Тогда причинность по Грейнджеру определяется как:

GCI меньше или равен 1, так как дисперсия n -мерной системы ниже, чем остаточная дисперсия меньшей, n −1 -мерной системы. GCI( t ) оценивает причинно-следственные связи во временной области. Для сигналов мозга спектральные характеристики сигналов представляют интерес, так как для данной задачи увеличение распространения в определенной полосе частот может сопровождаться уменьшением в другой полосе частот. [22] DTF или PDC являются оценщиками, определенными в частотной области.

Направленная передаточная функция

Направленная передаточная функция (DTF) была введена Камински и Блиновской [23] в виде:

Где H ij ( f ) — элемент матрицы передачи модели MVAR. DTF описывает причинное влияние канала j на канал i на частоте f . Уравнение выше ( 3 ) определяет нормализованную версию DTF, которая принимает значения от 0 до 1, создавая отношение между притоком из канала j в канал i и всеми притоками в канал i . Ненормализованная DTF, которая напрямую связана с силой связи [24], определяется как:

DTF показывает не только прямые, но и каскадные потоки, а именно в случае распространения 1→2→3 он показывает также распространение 1→3. Для того чтобы отличить прямые потоки от косвенных, была введена прямая направленная передаточная функция (dDTF). [25] dDTF определяется как умножение модифицированного DTF на частичную когерентность. Модификация DTF касалась нормализации функции таким образом, чтобы сделать знаменатель независимым от частоты. dDTF j → i, показывающая прямое распространение из канала j в i, определяется как:

Где C ij ( f ) — частичная когерентность. dDTF j → i имеет ненулевое значение, когда обе функции F ij ( f ) и C ij ( f ) не равны нулю, в этом случае существует прямая причинно-следственная связь между каналами j → i . Различение прямой и непрямой передачи имеет важное значение в случае сигналов от имплантированных электродов, для сигналов ЭЭГ, записанных скальповыми электродами, это не так уж и важно. [15]

DTF может использоваться для оценки распространения в случае точечных процессов, например, последовательностей импульсов, или для оценки причинно-следственных связей между последовательностями импульсов и локальными полевыми потенциалами. [26]

Частичная направленная когерентность

Частичная направленная когерентность (PDC) была определена Баккалой и Самешимой [27] в следующей форме:

В приведенном выше уравнении A ij ( f ) является элементом A ( f ) — преобразованием Фурье коэффициентов модели MVAR A ( t ), где a j ( f ) является j -ым столбцом A ( f ), а звездочка обозначает операцию транспонирования и комплексного сопряжения. Хотя это функция, работающая в частотной области, зависимость A ( f ) от частоты не имеет прямого соответствия спектру мощности. Из условия нормализации следует, что PDC принимает значения из интервала [0,1]. PDC показывает только прямые потоки между каналами. В отличие от DTF, PDC нормализован, чтобы показать отношение между оттоком из канала j в канал i ко всем оттокам из исходного канала j , поэтому он подчеркивает скорее стоки, а не источники. Нормализация PDC влияет на обнаруженные интенсивности потока, как было указано в [28] . А именно, добавление дополнительных переменных, на которые влияет исходная переменная, уменьшает PDC, хотя связь между исходными и целевыми процессами остается неизменной. Другими словами: поток, испускаемый в одном направлении, будет усилен по сравнению с потоками той же интенсивности, испускаемыми из данного источника в нескольких направлениях.

Изменяющиеся во времени оценки эффективной связности

Для учета динамических изменений распространения можно применить метод адаптивной фильтрации или метод, основанный на скользящем окне, к оценщикам связности. Оба метода требуют многократного повторения эксперимента для получения статистически удовлетворительных результатов, и они дают схожие результаты. [29] Адаптивные методы, например, фильтрация Калмана, более требовательны к вычислительным ресурсам, поэтому можно рекомендовать методы, основанные на скользящем окне.

В случае параметрической модели число точек данных kN T ( k — число каналов, N T — число точек в окне данных) должно быть больше (предпочтительно на порядок) числа параметров, которое в случае MVAR равно k 2 p ( p — порядок модели). Для оценки динамики процесса необходимо использовать короткое окно данных, что требует увеличения числа точек данных, что может быть достигнуто путем повторения эксперимента. Нестационарная запись может быть разделена на более короткие временные окна, достаточно короткие, чтобы рассматривать данные внутри окна как квазистационарные. Оценка коэффициентов MVAR основана на вычислении корреляционной матрицы между каналами R ij k сигналов X i из многомерного набора [19] отдельно для каждого испытания. Результирующие коэффициенты модели основаны на корреляционной матрице , усредненной по испытаниям. Корреляционная матрица имеет вид:

Усреднение касается корреляционных матриц (модель подгоняется независимо для каждого короткого окна данных); данные в процессе не усредняются. Выбор размера окна всегда является компромиссом между качеством подгонки и временным разрешением.

Ошибки SDTF могут быть оценены с помощью метода бутстрепа . [30] Эта процедура соответствует моделированию других реализаций эксперимента. Дисперсия значения функции получается путем повторного вычисления результатов для случайно выбранного (с повторениями) пула исходных данных испытаний.

Приложения

Оценка связности мозга нашла многочисленные и заметные применения, а именно при исследовании изменений мозга, связанных с лечением психопатологии, такой как шизофрения [31] и депрессия, [32] или после структурного повреждения, такого как кровоизлияние [33] или опухоль. [34] [35] Применяемые методы извлекают выгоду из подхода парцелляции, когда области мозга определяются из атласов [36] или данных DWI, [37] с последующим извлечением показателей связности для сравнения изменений в стандартизированных областях.

В частности, DTF нашел множество применений, ранние из которых включали: локализацию эпилептических очагов , [38] оценку распространения ЭЭГ на разных стадиях сна и бодрствования, [39] определение передачи между структурами мозга животного во время поведенческого теста. [40]

Можно наблюдать смещение источников вперед при переходе от бодрствования к более глубоким стадиям сна. В глубоком сне источник находится над мозолистым телом , предположительно это связано с питанием коры из подкорковых структур.

Одним из первых применений SDTF было определение динамического распространения во время выполнения движения пальца и его воображения. [41] [42] Результаты очень хорошо соответствовали известным явлениям синхронизации и десинхронизации, связанным с событиями, таким как снижение активности в альфа- и бета-диапазонах и кратковременное увеличение активности в гамма-диапазоне во время движения в областях, соответствующих первичной двигательной коре, бета-отскок после движения и так называемый эффект объемного звучания. [43] Особенно интересным было сравнение реального движения пальца и его воображения. В случае реального движения короткий всплеск гамма-распространения наблюдался от электрода, расположенного над первичной двигательной корой пальца. В случае воображения движения это распространение начиналось позже, и были обнаружены перекрестные помехи между различными участками, лежащими над двигательной областью и дополнительной двигательной областью (SMA). (Динамику распространения можно наблюдать в анимациях [44] ).

Другое применение SDTF касалось оценки передачи во время когнитивных экспериментов. Результаты теста на непрерывное внимание (CAT) [45] подтвердили участие префронтальных и фронтальных структур в задаче и поддержали гипотезу активного торможения пре-СМА и правой нижней фронтальной корой . Доступны анимации распространения во время теста CAT. [46]

Результаты, полученные с помощью SDTF в экспериментах с рабочей памятью, были совместимы с исследованиями фМРТ по локализации активных участков и предоставили информацию о временном взаимодействии между ними. [47] Доступна анимация, иллюстрирующая динамику взаимодействия. [48]

Обратите внимание, что следует проявлять осторожность, чтобы избежать ложных оценок связности при использовании данных канала ЭЭГ. Недавние статьи [49] [50] подчеркивают, что предыдущие утверждения [51] о том, что DTF и PDC нечувствительны к объемной проводимости, были неточными. Действительно, результаты DTF, полученные для сигналов, записанных со скальпа, в целом подвержены влиянию объемной проводимости. Даже если эффекты объемной проводимости могут быть минимальными в определенных ситуациях записи, [52] перед оценкой DTF или PDC следует выполнить соответствующую предварительную обработку данных канала (например, идентификацию источника).

Выводы

Существование четко определенных источников мозговой активности, связанных с определенными экспериментальными условиями, хорошо установлено в экспериментах фМРТ с помощью методов обратного решения и внутрикорковых измерений. Этот тип детерминированной структуры мозговой активности должен влиять на функциональную связность, поэтому описанная в некоторых работах случайная или едва отличимая от случайной структура связности может рассматриваться как удивительное явление. Этот тип результатов может быть объяснен методологическими ошибками: 1) ненадежными методами оценки связности и, что еще важнее, 2) применением двумерных методов. Когда многомерные надежные меры связности применяются для анализа ЭЭГ, возникает ясная картина функциональной связности. [22] [23] [38] [ 39] [40] [41] [42] [45] [47] [53] [54] [55]

Смотрите также

Ссылки

  1. ^ Sporns, Olaf (2007). "Связь мозга". Scholarpedia . 2 (10): 4695. Bibcode : 2007SchpJ...2.4695S. doi : 10.4249/scholarpedia.4695 .
  2. ^ Саккалис, В. (2011). «Обзор передовых методов оценки связности мозга, измеренной с помощью ЭЭГ/МЭГ». Comput Biol Med . 41 (12): 1110–1117. doi :10.1016/j.compbiomed.2011.06.020. PMID  21794851.
  3. ^ Коломбо, Маттео; Вайнбергер , Нафтали (1 июня 2018 г.). «Открытие механизмов мозга с использованием сетевого анализа и причинного моделирования». Minds and Machines . 28 (2): 265–286. doi :10.1007/s11023-017-9447-0. PMC 6438494. PMID  30996522 – через Springer Link. 
  4. ^ Блиновска, К. Дж. (2011). «Обзор методов определения направленной связности из многоканальных данных». Медицинская и биологическая инженерия и вычисления . 49 (5): 521–529. doi :10.1007/s11517-011-0739-x. PMC 3097342. PMID  21298355 . 
  5. ^ Matlab_book [Блиновска, 2011]
  6. ^ Камински, М.; Лян, Х. (2005). «Причинное влияние: достижения в анализе нейросигналов». Критические обзоры по биомедицинской инженерии . 33 (4): 347–430. doi :10.1615/CritRevBiomedEng.v33.i4.20. PMID  15982186. S2CID  27601014.
  7. ^ abcd Pereda, E.; Quiroga, RQ; Bhattacharya, J. (2005). «Причинное влияние: нелинейный многомерный анализ нейрофизических сигналов». Prog Neurobiol . 77 (1–2): 1–37. arXiv : nlin/0510077 . doi :10.1016/j.pneurobio.2005.10.003. PMID  16289760. S2CID  9529656.
  8. ^ abc Нетофф, И.; Кэролл, ТЛ; Пекора, ЛМ; Шифф, СДж (2006). "Обнаружение связи при наличии шума и нелинейности". В Schelter, Дж.; Винтерхалдер, В.; Тиммер (ред.). Справочник по анализу временных рядов . Wiley-BW
  9. ^ Stam, CJ; Van Dijk, BW (2002). «Вероятность синхронизации: несмещенная мера обобщенной синхронизации в многомерных наборах данных». Physica D. 163 ( 3–4): 236–251. Bibcode : 2002PhyD..163..236S. doi : 10.1016/S0167-2789(01)00386-4.
  10. ^ Блиновска, К. Дж.; Жигеревич, Дж. (2012). Практический биомедицинский анализ сигналов с использованием Matlab . CRC Press, Бока-Ратон. Bibcode : 2011pbsa.book.....Z.
  11. ^ Achermann, P.; Hartmann, R.; Gunzinger, A.; Guggenbühl, W.; Borbély, AA (1994). «Весь ночной сон и искусственные стохастические сигналы управления имеют схожую корреляционную размерность». Electroencephalogr. Clin. Neurophysiol . 90 (5): 384–387. doi :10.1016/0013-4694(94)90054-X. PMID  7514985.
  12. ^ Stam, CJ; Suffczynski, P.; Lopes da Silva, FH; Lopes Da Silva, FH (1999). «Динамика альфа-ритма человека: доказательства нелинейности?». Clin. Neurophysiol . 110 (10): 1801–1813. doi :10.1016/S1388-2457(99)00099-1. PMID  10574295. S2CID  32554820.
  13. ^ Блиновска, К. Дж.; Малиновский, М. (1991). «Нелинейное и линейное прогнозирование временных рядов ЭЭГ». Biol Cybern . 66 (2): 159–165. doi :10.1007/BF00243291. PMID  1768720. S2CID  19441303.
  14. ^ Winterhalder, M.; Schelter, B.; Hesse, W.; Schwab, K.; Leistritz, L.; Klan, D.; Bauer, R.; Timmer, J.; Witte, H. (2005). «Сравнение методов линейной обработки сигналов для вывода направленных взаимодействий в многомерных нейронных системах». Signal Process . 85 (11): 2137–2160. Bibcode :2005SigPr..85.2137W. CiteSeerX 10.1.1.123.2234 . doi :10.1016/j.sigpro.2005.07.011. 
  15. ^ ab Kuś, R.; Kamiński, M.; Blinowska, KJ (2004). «Определение распространения активности ЭЭГ: парная и многоканальная оценка». IEEE Trans Biomed Eng . 51 (9): 1501–1510. doi :10.1109/TBME.2004.827929. PMID  15376498. S2CID  25213886.
  16. ^ ab Blinowska, KJ; Kuś, R.; Kamiński, M. (2004). "Причинность по Грейнджеру и информационный поток в многомерных процессах". Phys. Rev. E . 70 (5): 050902 (также в Virt J Biol Phys Res 8 (11) ). Bibcode :2004PhRvE..70e0902B. doi :10.1103/PhysRevE.70.050902. PMID  15600583.
  17. ^ Granger, CWJ (1969). «Исследование причинно-следственных связей с помощью эконометрических моделей и кросс-спектральных методов». Econometrica . 37 (3): 424–438. doi :10.2307/1912791. JSTOR  1912791.
  18. ^ Granger, CWJ (1980). «Тестирование причинности: личная точка зрения». J Econ Dyn Control . 2 : 329–352. doi :10.1016/0165-1889(80)90069-X.
  19. ^ abc Блиновска, К. Дж.; Камински, М. (2006). «Многомерный анализ сигналов с помощью параметрических моделей». В Schelter, Б.; Winterhalder, В.; Timmer, Дж. (ред.). Справочник по анализу временных рядов . Wiley-VCH Verlag.
  20. ^ Крими, А.; др., и др. (2021). «Структурно ограниченная связь мозга». NeuroImage . 289 (1): 118288. doi : 10.1016/j.neuroimage.2021.118288 . PMID  34147631. S2CID  235468119.
  21. ^ Geweke, J. (1982). «Измерение линейной зависимости и обратной связи между несколькими временными рядами». Журнал Американской статистической ассоциации . 77 (378): 304–324. doi :10.1080/01621459.1982.10477803.
  22. ^ ab Ginter Jr., J.; Blinowska, KJ; Kaminski, M.; Durka, PJ; Pfurtscheller, G.; Neuper, C. (2005). «Распространение активности ЭЭГ в бета- и гамма-диапазонах во время воображения движения у человека». Methods Inf. Med . 44 (1): 106–113. doi :10.1055/s-0038-1633932. PMID  15778801. S2CID  13036715.
  23. ^ ab Камински, М.; Блиновска, К. Дж. (1991). «Новый метод описания информационного потока в структурах мозга». Biol Cybern . 65 (3): 203–210. doi :10.1007/BF00198091. PMID  1912013. S2CID  20924487.
  24. ^ Камински, М.; Динг, М.; Трукколо, В.; Бресслер, С. (2001). «Оценка причинно-следственных связей в нейронных системах: причинность по Грейнджеру, направленная передаточная функция и статистическая оценка значимости». Biol Cybern . 85 (2): 145–157. doi :10.1007/s004220000235. PMID  11508777. S2CID  11318476.
  25. ^ Корженевска, А.; Маньчак, М.; Камински, М.; Блиновска, К. Дж.; Касицки, С. (2003). «Определение направления информационного потока между структурами мозга с помощью модифицированного метода направленной передаточной функции (dDTF)». J Neurosci Methods . 125 (1–2): 195–207. doi :10.1016/S0165-0270(03)00052-9. PMID  12763246. S2CID  38538879.
  26. ^ Кочиш, Б.; Камински, М. (2006). «Динамические изменения в направлении тета-ритмического привода между супрамамиллярным ядром и септогиппокампальной системой». Гиппокамп . 16 (6): 531–540. doi :10.1002/hipo.20180. PMID  16598710. S2CID  36676205.
  27. ^ Баккала, LA; Самешима, K. (2001). «Частичная направленная когерентность: новая концепция определения нейронной структуры». Biol Cybern . 84 (6): 463–474. doi :10.1007/PL00007990. PMID  11417058. S2CID  30435970.
  28. ^ Schelter, B.; Timmer, J.; Eichler, M. (2009). «Оценка силы направленных влияний среди нейронных сигналов с использованием перенормированной частичной направленной когерентности». J. Neurosci. Methods . 179 (1): 121–130. doi :10.1016/j.jneumeth.2009.01.006. PMID  19428518. S2CID  11631344.
  29. ^ Камински, М.; Шерлинг, П.; Блиновска, К. (2–5 ноября 2010 г.). «Сравнение методов оценки изменяющейся во времени передачи многоканальных данных». Труды 10-й Международной конференции IEEE по информационным технологиям и их применению в биомедицине . Корфу, Греция.
  30. ^ Эфрон, Б. (1979). «Методы бутстрапа: еще один взгляд на складной нож». Ann. Stat . 7 : 1–6. doi : 10.1214/aos/1176344552 .
  31. ^ Камчонг, Джазмин; Макдональд, Ангус В. III; Белл, Кристофер; Мюллер, Брайон А.; Лим, Кельвин О. (2011-05-01). «Измененная функциональная и анатомическая связность при шизофрении». Schizophrenia Bulletin . 37 (3): 640–650. doi :10.1093/schbul/sbp131. ISSN  0586-7614. PMC 3080691. PMID 19920062  . 
  32. ^ Rosen, AC; Bhat, JV; Cardenas, VA; Ehrlich, TJ; Horwege, AM; Mathalon, DH; Roach, BJ; Glover, GH ; Badran, BW; Forman, SD; George, MS (май 2021 г.). «Расположение таргетинга связано с ответом на лечение при активной, но не фиктивной стимуляции rTMS». Стимуляция мозга . 14 (3): 703–709. doi :10.1016/j.brs.2021.04.010. ISSN  1876-4754. PMC 8884259. PMID 33866020.  S2CID 233236061  . 
  33. ^ Хеллер, Ивонн; Томшевски, Алёша; Бергманн, Юрген; Кронбихлер, Мартин; Кроне, Джулия С.; Шмид, Элизабет В.; Бутц, Кевин; Хеллер, Питер; Нардоне, Раффаэле; Тринка, Ойген (2014-08-01). «Биомаркеры связности могут дифференцировать пациентов с разными уровнями сознания». Клиническая нейрофизиология . 125 (8): 1545–1555. doi :10.1016/j.clinph.2013.12.095. ISSN  1388-2457. PMID  24394693. S2CID  21226652.
  34. ^ Yeung, Jacky T.; Young, Isabella M.; Doyen, Stephane; Teo, Charles; Sughrue, Michael E. (2021-10-28). «Изменения в коннектоме мозга после повторной транскраниальной магнитной стимуляции для реабилитации после инсульта». Cureus . 13 (10): e19105. doi : 10.7759/cureus.19105 . ISSN  2168-8184. PMC 8614179 . PMID  34858752. 
  35. ^ Дадарио, Николас Б.; Брахимай, Бледи; Йенг, Джеки; Сугру, Майкл Э. (2021). «Уменьшение когнитивного следа хирургии опухолей головного мозга». Frontiers in Neurology . 12 : 711646. doi : 10.3389/fneur.2021.711646 . ISSN  1664-2295. PMC 8415405. PMID 34484105  . 
  36. ^ Глассер, Мэтью Ф.; Коулсон, Тимоти С.; Робинсон, Эмма С.; Хакер, Карл Д.; Харвелл, Джон; Якуб, Эсса; Угурбил, Камил; Андерссон, Йеспер; Бекманн, Кристиан Ф.; Дженкинсон, Марк; Смит, Стивен М. (11.08.2016). «Мультимодальная парцелляция коры головного мозга человека». Nature . 536 (7615): 171–178. Bibcode :2016Natur.536..171G. doi :10.1038/nature18933. ISSN  0028-0836. PMC 4990127 . PMID  27437579. 
  37. ^ Дуайен, Стефан; Николас, Питер; Пулогайндран, Ануджан; Кроуфорд, Льюис; Янг, Изабелла М.; Ромеро-Гарсия, Рафаэль; Сугру, Майкл Э. (2021). «Парцелляция нормальной и анатомически искаженной коры головного мозга человека на основе связей». Картирование человеческого мозга . 43 (4): 1358–1369. doi :10.1002/hbm.25728. ISSN 1097-0193  . PMC 8837585. PMID  34826179. S2CID  244660926. 
  38. ^ ab Franaszczuk, PJ; Bergey, GJ; Kaminski, M. (1994). «Анализ начала и распространения мезиального височного припадка с использованием метода направленной передаточной функции». Electroencephalogr. Clin. Neurophysiol . 91 (6): 413–427. doi :10.1016/0013-4694(94)90163-5. PMID  7529681.
  39. ^ ab Камински, М.; Блиновска, К. Дж.; Селенбергер, В. (1997). «Топографический анализ когерентности и распространения активности ЭЭГ во время сна и бодрствования». Electroencephalogr. Clin. Neurophysiol . 102 (3): 216–227. doi :10.1016/S0013-4694(96)95721-5. PMID  9129577.
  40. ^ ab Korzeniewska, A.; Kasicki, S.; Kaminski, M.; Blinowska, KJ (1997). «Информационный поток между гиппокампом и связанными с ним структурами во время различных типов поведения крысы». J Neurosci Methods . 73 (1): 49–60. doi :10.1016/S0165-0270(96)02212-1. PMID  9130678. S2CID  37590742.
  41. ^ ab Ginter Jr, J.; Blinowska, KJ; Kaminski, M.; Durka, PJ (2001). «Анализ фазы и амплитуды в частотно-временном пространстве — применение к произвольному движению пальцев». J Neurosci Methods . 110 (1–2): 113–124. doi :10.1016/S0165-0270(01)00424-1. PMID  11564531. S2CID  8328455.
  42. ^ ab Kus, R.; Ginter Jr, J.; Blinowska, KJ (2006). «Распространение активности ЭЭГ во время движения пальцев и ее воображение». Acta Neurobiol Exp . 66 (3): 195–206. doi : 10.55782/ane-2006-1607 . PMID  17133951.
  43. ^ Пфуртшеллер, Г. (1999). «Количественная оценка ERD и ERS во временной области». Событийно-связанная десинхронизация . Elsevier.
  44. ^ "DTF_MOV.HTML". Архивировано из оригинала 2007-11-18 . Получено 2012-08-06 .
  45. ^ ab Blinowska, KJ; Kus, R.; Kaminski, M.; Janiszewska, J. (2010). «Передача информации во время теста на непрерывное внимание». Топография мозга . 23 (2): 205–213. doi :10.1007/s10548-010-0137-y. PMID  20191316. S2CID  8579316.
  46. ^ "Cat Experiment Animations". Архивировано из оригинала 2013-10-03 . Получено 2012-08-06 .
  47. ^ ab Brzezicka, A.; Kaminski, M.; Kaminski, J.; Blinowska, KJ (2011). «Передача информации во время задачи транзитивного рассуждения». Brain Topography . 24 (1): 1–8. doi :10.1007/s10548-010-0158-6. PMC 3036833 . PMID  20686832. 
  48. ^ "Cat Experiment Animations". Архивировано из оригинала 2016-03-04 . Получено 2012-07-27 .
  49. ^ Бруннер, К.; Биллинджер, М.; Сибер, М.; Маллен, ТР; Макейг, С. (2016). «Объем проводимости влияет на оценки связности на основе кожи головы». Front Comput Neurosci . 10 : 121. doi : 10.3389/fncom.2016.00121 . PMC 5119053 . PMID  27920674. 
  50. ^ Ван Де Стин, Ф.; Фаес, Л.; Карахан, Э.; Сонгсири, Дж.; Вальдес-Соса, Пенсильвания; Маринаццо, Д. (2016). «Критические комментарии к анализу динамической связности пространства датчиков ЭЭГ». Мозговой топогр . 32 (4): 643–654. arXiv : 1607.03687 . Бибкод : 2016arXiv160703687V. дои : 10.1007/s10548-016-0538-7. PMID  27905073. S2CID  11095444.
  51. ^ Камински, М.; Блиновска, К. Дж. (2014). «Направленная передаточная функция не зависит от объемной проводимости — следует избегать нецелесообразной предварительной обработки». Front Comput Neurosci . 8 : 61. doi : 10.3389/fncom.2014.00061 . PMC 4050361 . PMID  24959136. 
  52. ^ Камински, М.; Блиновска, К. (2017). «Влияние объемной проводимости на оценку DTF и проблема ее смягчения». Front Comput Neurosci . 11 : 36. doi : 10.3389/fncom.2017.00036 . PMC 5427064 . PMID  28553220. 
  53. ^ Блиновска, К. Дж.; Камински, М.; Камински, Дж.; Бжезицка, А. (2010). «Обработка информации в мозге и динамические закономерности передачи». Труды конференции IEEE EMBS . Буэнос-Айрес, Аргентина. С. 1722–1726.
  54. ^ Корженевска, А.; Крайничану, К.; Кус, Р.; Франащук, П. Дж.; Крон, Н. Е. (2008). «Динамика причинности, связанной с событиями (ERC) в электрической активности мозга». Hum. Brain Mapp . 29 (10): 1170–1192. doi :10.1002/hbm.20458. PMC 6870676. PMID  17712784 . 
  55. ^ Niso, G.; Bruña, R.; Pereda, E. (2013). «HERMES: на пути к интегрированному набору инструментов для характеристики функциональных и эффективных связей мозга». Neuroinformatics . 11 (4): 405–434. arXiv : 1305.2550 . Bibcode : 2013arXiv1305.2550N. doi : 10.1007/s12021-013-9186-1. PMID  23812847. S2CID  1043710.

Внешние ссылки