机构名称：
¥ 5.0
图1。在这项研究中，我们系统地比较了从静止状态fMRI时间序列量化动力学模式的不同方式，重点介绍了局部区域动力学和跨四个神经精神疾病的成对耦合的统计。A.对于给定的静止状态fMRI体积（i），皮层和亚皮层分为各个区域，从中提取体素平均的粗体信号时间序列（II）。从这些数据中量化动力学模式的两种关键方法是：（iii）测量单个大脑区域动力学的特性（绿色）；或（iv）计算两对区域之间的统计依赖性（粉红色和蓝色）。B.为了评估fMRI时间序列数据集的不同类型的动态表示的性能（用于识别疾病与神经活动的相关变化），我们包括了四个源自两个开放式访问数据集的神经精神病学示例：UCLA CNP LA5C研究[50]和Abide II/II/II/II/II/II II/II研究[51，52，52，52，64）两个队列中的每个队列还包括用于比较的认知健康对照（UCLA CNP n = 116，Abide n = 578）。C.对于从fMRI数据集提取的每种动力结构（即，对于数据的每个基于功能的“表示”），我们计算了封装各种活动属性范围的可解释的时间序列特征。使用一组25个时间序列特征（Catch22特征集[65]以及平均值，SD和FALFF）从每个大脑区域量化了局部动力学特性。使用一组成对相互作用（SPI）的一组统计量对所有对区域之间的相互作用进行了量化，该统计数据包括PYSPI软件包中的代表性子集[29]。值。D.我们使用线性SVM分类器适合表示静止状态fMRI特性的五种不同方法来评估每种神经精神疾病的病例对照性能的性能：（i）所有25个单个区域序列特征在单个区域，一个区域，一个区域，一个区域； （ii）单个时间序列功能的全脑图，功能； （iii）所有25个单变量时间序列特征的全脑图，一个uni_combo； （iv）使用一个SPI，FC跨所有区域对的功能连接（FC）网络； （v）FC以及所有25个单变量的时间序列特征，该功能从所有大脑区域（UNI_COMBO）计算出，称为FC_COMBO。
通过系统比较提取全脑动力学的可解释特征
主要关键词
相关文件推荐
