机构名称：
¥ 3.0
分析大脑连通性旨在研究大脑的每个区域如何相互关系。在过去的几十年中，对非侵入性获取技术的改进已经大大扩展了我们捕获有关大脑中的物理或功能连接的精细细节的能力。研究中心之间的扩散使连接性分析使神经科学研究的负责人之一是神经科学研究的负责人。希望更好地理解大脑的行为。我将在ǻ节中介绍不同的连接性概念，以及它们的分析所带来的挑战。我的作品的目的是开发一个新的指标，以比较跨主题的连通性。为此，我将在第ǻ节中介绍图形信号处理的框架。它已经在复杂网络分析的更广泛领域中找到了有希望的应用程序。我们将最近提出的指标调整为我们的设置，结合了图形信号处理和最佳运输理论的想法（我根据需要根据需要介绍最佳运输工具，但是在附录中为感兴趣的读者提供了更全面的介绍）。i提出了该指标的扩展，通过利用Barycenter的概念，该概念允许比较队列而不是个人。i应用了我适应和设计的方法，以用于研究抑郁症的数据。此数据是从患有情绪抑郁症的患者的雷恩（Rennes）中收集的，以研究病理对大脑的长期影响以及疾病临床方面的生物标志物，例如药物抗性。在本报告中，我将参考患者患有抑郁症的受试者和健康组的控制。i然后研究了另一个概念图曲率，该曲线提供了一种揭示图的结构信息的新方法。我在ǽ节中描述了其基础，我讨论了我们如何在上下文中调整它。i提出了一个新想法，该想法是使用扩散距离的计算，以及上述数据获得的一些初步结果。我在此期间生产的大多数实现都可以在线 *。我也有机会为我用于某些实施的Python Optimal Transport Library做出了贡献，并且我一直是JMLR的论文提交的一部分，作为该库的贡献者。
基于图形的大脑结构连通性分析
主要关键词
相关文件推荐
