基于循环统计的生理相位连接性稀疏图模型

《Neural Computation》：Sparse Graphical Modeling for Electrophysiological Phase-Based Connectivity Using Circular Statistics

　　

摘要：

通过分析由多个电极记录的电生理信号，如脑电图（EEG）和皮层电图（ECoG），有助于神经科学家和临床医生了解大脑的潜在结构或机制。从统计学角度来看，这些信号是多维的循环测量值，它们彼此之间存在相关性，可使用专为循环随机变量设计的环面图模型进行有效建模。采用环面图模型可以避免检测到虚假相关性的问题。然而，对该模型的简单估计往往会导致网络结构过于复杂，难以解读。因此，为提高大脑网络结构的可解释性，本文提出了一种基于正则化得分匹配与信息准则相结合的稀疏估计方法。在数值模拟中，我们的方法成功从合成数据集中恢复了真实的依赖结构。此外，我们还对两个真实数据集进行了分析，一个是人类脑电图数据，另一个是狨猴的ECoG数据，结果表明我们的方法可广泛应用于不同类型神经数据中的相位耦合分析。我们发现，使用所提出的方法后，估算出的网络结构的模块性能够更清晰地展现大脑结构，并体现出个体间的差异。