机构名称：
¥ 1.0
众所周知，大脑功能依赖于多个神经元群之间的相互作用，这些神经元群通过复杂的连接回路连接在一起，以拮抗或协同的方式协同工作以交换信息、同步活动、适应外部刺激或内部要求，并更广泛地参与解决多方面的认知任务。事实上，从神经科学诞生之日起，不同区域如何参与认知及其相互作用的问题就引起了研究人员的兴趣。由于先进的功能性脑成像技术的发展和复杂信号处理方法的调整，人们对大脑连接评估的兴趣大大增加。本期特刊的所有论文都集中在连接性上，即一个大脑区域的活动对另一个大脑区域的活动的影响。然而，这个看似简单的定义包含一系列需要批判性分析的问题。尽管最近出现了许多论文，但大脑连接的几个方面仍然存在争议。读者应该意识到，根据所采用的方法和应用环境，该术语的含义存在深刻而重要的差异。首先，大脑连接的定义并不明确，文献中使用的术语（结构、功能和有效连接）各不相同，这些术语往往令人困惑或模棱两可，具体取决于所采用的方法和应强调的方面。这里的关键点是，文献中采用了几种不同的数学方法来估计数据中的连接性——从简单的统计方法（例如时间序列之间的相关性）到使用线性或非线性模型得出因果关系的更复杂的方法。以这种方式获得的指标的重要性并不相同。因此，大脑连接估计和解释的基本方面涉及估计技术的可靠性、它们在不同条件下的准确性、得出的连接值的神经生理学意义以及它们可以掌握的神经现象类型。本期特刊中的一篇论文（Ricci 等人 [ 1 ]）主要关注这些方面。在本研究中，我们使用神经质量模型生成的信号作为基本事实，模拟多个相互连接的兴趣区域，比较了几种估计大脑连通性的方法。结果表明，格兰杰因果关系检测正确连通性的能力超过了其他估计量（包括传递熵、相关性、一致性和相位同步）。然而，更重要的是，结果强调了非线性对估计值的强烈影响。有明确的证据表明，连通性反映了从一个区域传输到另一个区域的信息量，这一数量可能与因果关系的强度大不相同。事实上，一个区域可以对另一个区域产生强烈的因果影响（例如，在没有实际信息交换的情况下导致其活动饱和）。这是在分析连通性数据时应仔细考虑的一个方面，
神经网络和大脑区域之间的连接
主要关键词
相关文件推荐
