人腦是一個(gè)不斷交流的動(dòng)態(tài)網(wǎng)絡(luò),人們很早就認(rèn)識(shí)到大腦區(qū)域之間的相互作用是方向性的。能夠評(píng)估大腦區(qū)域相互作用的方向性對(duì)于理解大腦神經(jīng)網(wǎng)絡(luò)的相互作用是非常重要的,并且研究大腦區(qū)域之間信息流的方向可以突出重要腦區(qū)在腦網(wǎng)絡(luò)中的作用�；陟o息態(tài)功能性磁共振成像（fMRI）數(shù)據(jù)的小尺度網(wǎng)絡(luò)之間的因果關(guān)系已經(jīng)被廣泛的研究,并且已經(jīng)取得了許多顯著地成果。然而,大尺度網(wǎng)絡(luò)之間的因果關(guān)系尚未得到很好的闡述。全腦腦區(qū)之間是如何相互因果影響的很大程度上還是未知的。本研究主要結(jié)合全局Granger因果分析方法及圖論法對(duì)大尺度腦網(wǎng)絡(luò)之間的因果關(guān)系進(jìn)行初步的研究,研究主要工作包括:（1）對(duì)103個(gè)健康被試（包含66個(gè)女生和37個(gè)男生,年齡在20-23歲之間）的功能性核磁共振圖像（fMRI）數(shù)據(jù)通過SPM、DPSARF等軟件做時(shí)間層校正、做頭動(dòng)校正、圖像空間標(biāo)準(zhǔn)化處理等預(yù)處理,得到全腦90個(gè)腦區(qū)的時(shí)間序列。（2）利用全局Granger因果關(guān)系算法來計(jì)算全腦90個(gè)腦區(qū)的時(shí)間序列之間的因果關(guān)系,得到全腦因果網(wǎng)絡(luò)的連接矩陣。再對(duì)連接矩陣進(jìn)行T檢驗(yàn),只保留P<0.05范圍內(nèi)的值。結(jié)果顯示,對(duì)于全腦因果網(wǎng)絡(luò),在全腦90個(gè)腦... 

【文章來源】：浙江工業(yè)大學(xué)浙江省

【文章頁數(shù)】：50 頁

【學(xué)位級(jí)別】：碩士

【部分圖文】：

三個(gè)時(shí)間序列之間的兩種不同的因果連接模式，兩個(gè)時(shí)間序列的因果分析不能區(qū)分這兩種模式

圖 2- 2 下載的數(shù)據(jù)[36]中選取的任意三條平穩(wěn)的時(shí)間序列2.1.4 模型階數(shù)的選擇前面的理論發(fā)展假設(shè)時(shí)間序列可以很好地表現(xiàn)為自回歸過程。理論上自回歸過程具有無限的模型階數(shù)。然而，自回歸過程在實(shí)驗(yàn)中不可能具有無限的模型階數(shù)。自回歸模型滯后階數(shù) P 的選擇對(duì)于自回歸模型來講是非常重要的參數(shù)。自回歸模型滯后階數(shù) P 如果選擇不當(dāng)會(huì)導(dǎo)致模型計(jì)算復(fù)雜度增加。如果選擇的自回歸模型滯后階數(shù)過小，則不能獲得對(duì)模型很好的估計(jì)，導(dǎo)致數(shù)據(jù)表示不佳，因此將無法獲得良好的模型。如果如果選擇的自回歸模型滯后階數(shù)過大，則導(dǎo)致模型計(jì)算的冗余，增加了計(jì)算得難度。因此選擇正確合理模型的階數(shù)，是至關(guān)重要的。通 常 通 過 Akaike Information Criterion(AIC) 算 法 和 Bayesian InformationCriterion(BIC)算法來進(jìn)行線性回歸模型的階數(shù)估計(jì)，確定最小、合理的滯后階數(shù) p。AIC p log det m PN

全局Granger因果關(guān)系方法原理示意圖

【參考文獻(xiàn)】：
期刊論文
[1]歐洲腦科學(xué)計(jì)劃新動(dòng)向[J]. 方陵生.  世界科學(xué). 2014(11)



本文編號(hào)：3551488