ارزیابی روشهای مبتنی بر مدل در برآورد ارتباطات کارکردی پویا بین نواحی مغزی

محورهای موضوعی : آمار

مریم بهبودی ¹ (گروه آمار،دانشکده علوم پایه، دانشگاه آزاد اسلامی واحد علوم و تحقیقات، تهران، ایران)
رحمان فرنوش ² (گروه ریاضی، دانشکده ریاضی، دانشگاه علم و صنعت ایران، تهران، ایران)
محمدعلی عقابیان ³ (گروه فیزیک پزشکی، دانشکده پزشکی، دانشگاه علوم پزشکی تهران، تهران، ایران)
حمید پزشک ⁴ (دانشکده ریاضی، آمار و علوم کامپیوتر، دانشگاه تهران، تهران، ایران)

تاریخ دریافت : 1397/03/25 تاریخ پذیرش : 1397/06/19 تاریخ انتشار : 1398/10/01

کلید واژه: Dynamic conditional correlation model, Functional magnetic resonance imaging, Dynamic functional connectivity, Exponential weighted moving average model,

چکیده مقاله :

امروزه، متخصصان علوم اعصاب علاقه مند به کشف عملکرد مغز از طریق شبکه های مغزی هستند. در این راستا، ارزیابی تغییرات پویا در ارتباطات کارکردی نواحی مغزی با استفاده از داده های تصویربرداری تشدید مغناطیسی کارکردی، توجه آنها را به خود جلب کرده است. در این مقاله، بر دو روش مبتنی بر مدل بنام های مدل میانگین متحرک بصورت نمایی وزن دار شده و مدل همبستگی شرطی پویا، برای برآورد همبستگی پویا بین دو ناحیه مغزی متمرکز می شویم. در ابتدا، عملکرد این دو مدل با استفاده از چند شبیه سازی جدید بررسی می شود. مطابق نتایج بدست آمده، در این مطالعات شبیه سازی نیز مدل همبستگی شرطی پویا عملکرد بهتری نسبت به مدل میانگین متحرک بصورت نمایی وزن دار شده دارد. لذا مدل همبستگی شرطی پویا برای برآورد ارتباط کارکردی پویا دو ناحیه مغزی (قشر سینگولیت قدامی و قشر سینگولیت خلفی) سه فرد معتاد به مت آمفتامین ایرانی در یک آزمایش در حالت استراحت استفاده می شود. مدل همبستگی شرطی پویا عملکرد مناسبی در برآورد ارتباطات کارکردی پویا این افراد معتاد به مت آمفتامین دارد. به علاوه، ارتباط کارکردی پویا در میان آن ها متفاوت است.

چکیده انگلیسی:

Today, neuroscientists are interested in discovering human brain functions through brain networks. In this regard, the evaluation of dynamic changes in functional connectivity of the brain regions by using functional magnetic resonance imaging data has attracted their attention. In this paper, we focus on two model-based approaches, called the exponential weighted moving average model and the dynamic conditional correlation model, to estimate the dynamic correlation between the two brain regions. Initially, the performance of these two models is evaluated using two new simulations. According to the results, in these simulation studies, the dynamic conditional correlation model has better performance than the exponential weighted moving average model. Therefore, a dynamic conditional correlation model is used to estimate the dynamic functional connectivity of two brain regions (the anterior cingulate cortex and the posterior cingulate cortex) for three Iranian addicted to methamphetamine in a resting state functional magnetic resonance imaging. The dynamic conditional correlation model has a good performance in assessing the dynamic functional connectivity of these addicted to methamphetamine. In addition, the dynamic functional connectivity varies between subjects.

منابع و مأخذ:

 

[1] Calhoun, V.D., et al., The chronnectome: time-varying connectivity networks as the next frontier in fMRI data discovery. Neuron, 2014. 84(2): p. 262-274

 

[2] Friston, K.J., Functional and effective connectivity in neuroimaging: a synthesis. Human brain mapping, 1994. 2(1‐2): p. 56-78

 

[3] Horwitz, B., J.M. Rumsey, and B.C. Donohue, Functional connectivity of the angular gyrus in normal reading and dyslexia. Proceedings of the National Academy of Sciences, 1998.95(15): p. 8939-8944

 

[4] Kherif, F., et al., Multivariate model specification for fMRI data. NeuroImage, 2002. 16(4): p. 1083-1068

 

[5] Chang, C. and G.H. Glover, Time–frequency dynamics of resting-state brain connectivity measured with fMRI. Neuroimage, 2010.50(1): p. 81-98

 

[6] Hutchison, R.M., et al., Resting‐state networks show dynamic functional connectivity in awake humans and anesthetized macaques. Human brain mapping, 2013. 34(9): p. 2154-2177

 

[7] Handwerker, D.A., et al., Periodic changes in fMRI connectivity. Neuroimage, 2012. 63(3): p. 1712-1719

[8] Allen, E.A., et al., Tracking whole-brain connectivity dynamics in the resting state. Cerebral cortex,  2012: p. bhs352.

 

[9] Hindriks, R., et al., Can sliding-window correlations reveal dynamic functional connectivity in resting-state fMRI? Neuroimage, 2016. 127: p. 242-256

 

[10] Cribben, I., et al., Dynamic connectivity regression: determining state-related changes in brain connectivity. Neuroimage, 2012. 61(4): p. 907-920

 

[11] Cribben, I., T. Wager, and M. Lindquist, Detecting functional connectivity change points for single-subject fMRI data. Frontiers in computational neuroscience, 2013. 7: p. 143

 

[12] Xu, Y. and M.A. Lindquist, Dynamic connectivity detection: an algorithm for determining functional connectivity change points in fMRI data. Frontiers in neuroscience, 2015.9

 

[13] Lindquist, M.A., et al., Evaluating dynamic bivariate correlations in resting-state fMRI: A comparison study and a new approach. Neuroimage, 2014. 101: p. 531-546.

 

[14] Sheppard, K., Forecasting high dimensional covariance matrices. Handbook of Volatility Models and Their Applications, 2012: p. 103-125

 

[15] Behzadi, Y., et al., A component based noise correction method (CompCor) for BOLD and perfusion based fMRI. Neuroimage, 2007. 37(1): p. 90-101