脑网络一
单变量分析:只独立分析一个电信号
多元分析:在复杂的系统中,我们需要分析信号及其相互依赖性
网络神经科学的目标是映射、记录、分析和建模神经生物系统的元素和相互作用
脑部的连接性Brain connectivity
神经群(功能性专用区域)是物理连接的(解剖学连接),并在自身内部和之间相互作用(大脑网络)
脑连接分三块:结构上,功能上,实际效用上的连接
结构上连接
-
连接神经元或神经元元素集合的物理或结构连接
-
在较短的时间尺度下相对稳定(秒至分钟)
-
在较长的时间尺度上(小时到天),结构连接模式可能受到显著的形态变化和可塑性的影响
-
结构连通性是功能/有效连通性的基础,但不能解释它
在功能上的连接性
-
它不建立在任何模型上
-
它本质上是描述性的(我理解就是比较抽象,只能用文字叙述来表达)
-
它可以被某些措施量化,如:相关性,一致性
-
传递熵
实际作用的连接性
-
它明确地指一个神经系统在突触或种群水平上对另一个神经系统施加的影响
-
它对应于一个试图解释所观察到的依赖关系的模型的参数
-
基于耦合或直接的因果影响:假设引导或使用大型模型空间
相关性和一致性 Correlation and coherence
自关联和互关联Auto- and cross-correlation
自关联: r x x [ k ] = ∑ n = − ∞ ∞ x ∗ [ n ] x [ n + k ] r_{xx}[k] = \sum_{n=-\infty}^{\infty} x^{*}[n]x[n+k] rxx[k]=∑n=−∞∞x∗[n]x[n+k]
互相关: r x y [ k ] = ∑ n = − ∞ ∞ x ∗ [ n ] y [ n + k ] r_{xy}[k] = \sum_{n=-\infty}^{\infty} x^{*}[n]y[n+k] rxy[k]=∑n=−∞∞x∗[n]y[n+k]
自相关
时间序列傅里叶变换 X ( f ) X(f) X(f), Power Spectral Density (PSD): S x x ( f ) = ∣ X ( f ) ∣ 2 S_{xx}(f) = |X(f)|^{2} Sxx(f)=∣X(f)∣2
维纳-辛钦定理:一个信号的功率谱密度(PSD)就是该信号自相关函数的傅里叶变换。
互相关
Mutual Power Spectral Density(MPSD): S x y ( f ) = X ( f ) Y ∗ ( f ) S_{xy}(f) = X(f)Y^{*}(f) Sxy(f)=X(f)Y∗(f) S y x ( f ) = Y ( f ) X ∗ ( f ) S_{yx}(f) = Y(f)X^{*}(f) Syx(f)=Y(f)X∗(f)
且这俩是对称的:
S
x
y
(
f
)
=
S
y
x
(
f
)
S_{xy}(f) =S_{yx}(f)
Sxy(f)=Syx(f)
维纳-辛钦定理: S x y ( f ) = S y x ( f ) S_{xy}(f) =S_{yx}(f) Sxy(f)=Syx(f)可以作为互相关函数的傅里叶变换被计算
理论的意义
我理解的是,时间域和频率域不好转换,但是他们先转换成PSD然后就可以互相转换了。。。
谱矩阵 Spectral Matrix S(f)
信号的谱矩阵:
S ( f ) = [ S x x ( f ) S x y ( f ) S y x ( f ) S y y ( f ) ] S(f) = \begin{bmatrix} S_{xx}(f) & S_{xy}(f) \\S_{yx}(f) & S_{yy}(f) \end{bmatrix} S(f)=[Sxx(f)Syx(f)Sxy(f)Syy(f)]
其中, S x x , S y y S_{xx},S_{yy} Sxx,Syy 是x,y关于信号的功率在不同频率的分布的PSD
S x y , S y x S_{xy},S_{yx} Sxy,Syx 是x,y关于信这两个信号如何在不同的频率下共享功率的MPSD
普遍一致性 Ordinary Coherence
普遍一致性是在给定频率下,两个信号之间的线性相关性
-
它是相互功率谱密度(MPSD)除以它们各自的功率谱密度(PSD)的乘积。
-
标准化,以考虑交换功率对信号总功率的比值
-
这是个光谱(=一个频率的函数)
-
归一化到0-1之间
-
对于一个给定频率 f 0 f_{0} f0, C x y ( f 0 ) = 0 C_{xy}(f_{0}) = 0 Cxy(f0)=0 表示两个信号在这个频率是独立的, C x y ( f 0 ) = 1 C_{xy}(f_{0}) = 1 Cxy(f0)=1 表示两个信号在这个频率是最大相关的
限制
-
没有有关交互方向的信息
-
它衡量的是同步性,而不是因果关系
-
它是双变量的
相关性与因果关系 Correlation Vs causation
有相关性并不一定是有因果关系
例子:在某国,某种鸟的数量和人口出生数量相关
原因是他们受国土增大这种 common source 的影响。