动态因果模型的设计与分析.docxVIP

动态因果模型的设计与分析 1 动态因果模型 随着人类对大脑结构和功能的深入研究，脑功能研究的趋势更加关注人体大脑网络的连接以及不同脑区域之间的信息流动。它不仅与特定认知任务有关，而且与搜索和定位有关。 脑皮层功能区。在功能整合的前提下,效应连通性(有效连接)能够建立神经元之间交互作用的因果关系,说明“一个神经系统直接或者间接施加于另一个神经系统的影响”,反映神经活动的动态过程以及实验因素对神经活动的调节作用,更接近真实的脑功能机制原理。 动态因果模型(Dynamic casual modeling,DCM)研究一个神经区域的激活通过区域间的连接导致其他神经区域激活水平的变化,并且通过自连接改变自身的激活水平。DCM的一个著优点是它将BOLD(Blood-oxygen level dependent)的生理响应模型加入到功能整合的模型中,可以被认为是直接在神经元(或神经元集合)水平上的建模分析,DCM把人脑神经系统表示成一个动态的“输入-状态-输出”系统,是由外部输入引起不同脑区状态的瞬时反映。 2 lcm总结 2.1 动态模型的建立 DCM是一种非线性神经系统模型,利用双线性微分方程组来近似描述,然后用贝叶斯的方法来估计模型各生理参数。通过调整模型的神经动力学和血液动力学参数,使模型与fMRI数据获得最佳逼近。所以,DCM有神经动力学模型和血液动力学模型两个子模型,可以直接推断与神经动力学有关的假设模型。 在DCM中假设有N个预先选择好的脑区,这N个脑区的神经元活动随时间的变化率可以用一个多变量的微分方程描述: dzt/dt=(A+J∑j=1ut(j)Bj)zt+Cut(1)dzt/dt=(A+∑j=1Jut(j)Bj)zt+Cut(1) 其中:t为时间,单位为s;神经元的活动变量zt,包含了N个脑区里活动的N×1向量。有J个已知的输入,都是时间的函数:ut(j),j=1,2,…,J,因变量dzt/dt与zt和ut的乘积呈线性关系,所以,公式(1)所描述的是一个双线性模型。表达式中,矩阵A、Bj和C都是常数矩阵。雅克比矩阵A表示各脑区的内在连接,代表在没有外界输入的情况下,各区域之间的一阶导数连接度。矩阵A独立于来自ut(j),j=1,2,…,J的潜在的外部影响,表示zt如何影响zt的变化率。矩阵Bj表示由第j个输入引起有效连接的改变,矩阵Bj结合了输入ut(j)’s对不同脑区连接强度可能的调制效应,是实验输入调节下效应连接的改变。矩阵C表示外界输入对神经元活性的影响。一般情况下,我们将连接矩阵一起表示成θC={A,Bj,C},是希望要得到的大脑功能结构和各脑区在神经元水平上相互作用的连接系数。而且这里连接系数的单位是s-1,即频率,主要是因为在动态模型中,这里讨论的是瞬时性,强调在很短的时间内连通性的改变。 DCM中描述的动态神经元活动导致了血液动力活动,这个动态过程由一个扩展的Balloom模型描述。包括一组血液动力学状态变量,状态方程和血液动力学参数θh={κ,γ,τ,α,ρ}。引用Friston等描述的表达式和符号:每个脑区的状态变量都是造成BOLD信号的生物物理状态,使神经元活动转化成血液动力学响应。血液动力学状态仅仅是每个脑区神经元状态的函数。简而言之,对于第i个脑区,神经元活动zi引起了一个血管变化信号si的增加,这个信号还将受到反馈的自动调整,输入的血流fi的响应和这个信号的变化成比例,也伴随着血流体积vi和脱氧血红蛋白qi的变化。 dsi=dt=zi-κisi-γi(fi-1) (2) dfi/dt=?s?si(3) τidvi/dt=fi-v1/αi1/αi(4) τidqi/dt=fiE(fi,ρi)/ρi-vi1/αqi/vi(5) 其中输出血流与体积呈Grubb的α幂指数相关fout(v)=v1/α,氧摄取是E(f,ρ)=1-(1-ρ)1/f的函数,ρ是静息态的氧摄取分数。第i个脑区的BOLD信号yi可看成流量和脱氧血红蛋白的一个静态非线性函数,由血管内外信号的流量加权和组成。 2.2 预测模型的建立 将神经元状态系统和血氧动力学状态系统相结合,构成x={z,s,f,v,q},提供了一个正向网络,即?x?x=f(x,u,θ),y=λ(x),其中θ={θc,θh},λ是超参数,所有的参数和输入,都能经过状态方程进行整合然后通过输出非线性状态方程?x?x=f(x,u,θ),给出预计的响应h(u,θ)。综合利用这些神经动力学和血液动力学的方程以及参数向量θ=[θc,θh],可以生成观察到的fMRI信号的预测模型h(u,θ)。单个实验上观测得到的fMRI数据可以表示成: y=h(u,θ)+Xβ+ω(6) 其中:y为脑区的时间序列,它们之间的连接可以用DCM建模;X为不感兴趣的效应所对应的矩阵;β为