NeuroImage:动态模态分解可从rs-fMRI数据中提取时空特征预测行为
2022-01-23 影像小生 MedSci原创
DMD在从rs-fMRI数据中提取时空特征的数据分解方法有优越性
静息态功能连接(FC)的动态特性为研究脑-行为关系提供了丰富的信息。动态模态分解(dynamic modes, DMD)是一种用来表征FC动态特性的方法。然而,动态模式(DMs)表征时空一致性模式,是否能提供个体行为差异的信息,目前尚不清楚。
Shigeyuki Ikeda等在NeuroImage杂志发表研究文章,建立了一种使用DMs预测个体行为差异的方法学方法。
分析过程
该实验研究了DMs在7个特定频带(0 0.1,…,0.6 0.7 Hz)中对预测的贡献。为了验证该方法,该研究测试了59项行为测量中的每一项是否可以通过对Gram矩阵进行多变量模式分析来预测,该矩阵是使用受试者的静息状态功能磁共振成像(rs-fMRI)数据计算得到的特定DM来创建的。
动态模态分解(DMD)、时间独立分量分析(ICA)和空间独立分量分析(10个分量)的预测结果。
动态模态分解(DMD)、时间独立分量分析(ICA)和空间独立分量分析(10个分量)的预测结果比较。
不同频段的预测结果。
聚类结果(0-0.1 Hz)。
在该研究中,DMD成功地预测了行为,并优于传统的提取空间活动模式的数据分解方法—时空独立分量分析。在一个排列测试中,大多数的行为测量都与认知有关。该研究发现,0.2 Hz频段内的DM要用于预测,其空间结构类似于几种常见的静息态网络。
该研究成功地建立了一种方法,可用于预测rs-fMRI活动所固有的DM行为测量的个体差异。表明DMD优于时空ICA。基于特定频段的预测分析表明,DMs<0.2 Hz对预测的贡献较大。聚类分析结果表明,在<0.2 Hz的图中发现了许多类似于RSNs的空间结构,但≥0.2 Hz的图中没有发现类似RSNs的空间结构。此外,DM可能主要编码认知行为测量的个体差异信息。
总之,该研究结果强调了DMD在从rs-fMRI数据中提取时空特征的数据分解方法中的优越性。未来的研究应探讨DMD是否可以作为精神疾病的生物标志物,这将有助于更深入地了解DMD的有效性。
DMD能够有效地从rs-fMRI数据中提取时空特征。
原文出处
Predicting behavior through dynamic modes in resting-state fMRI data
本网站所有内容来源注明为“梅斯医学”或“MedSci原创”的文字、图片和音视频资料,版权均属于梅斯医学所有。非经授权,任何媒体、网站或个人不得转载,授权转载时须注明来源为“梅斯医学”。其它来源的文章系转载文章,或“梅斯号”自媒体发布的文章,仅系出于传递更多信息之目的,本站仅负责审核内容合规,其内容不代表本站立场,本站不负责内容的准确性和版权。如果存在侵权、或不希望被转载的媒体或个人可与我们联系,我们将立即进行删除处理。
在此留言