[NE-A]脑网络二

---

因果关系

因果关系的定义

• 物理影响：改变它们的原因会改变其后果

  • 实验控制的干预措施，对其远端效应的评估
  • 对大脑活动的物理作用可以有效地消除该节点所受到的任何其他物理影响

• 时间优先级：原因先于其后果

  • 在时间上不同的神经事件之间改善预测能力的测试
  • 观察性检查（非介入性检查）

• 统计学上的定义：给定两个同时测量的信号，如果通过合并来自第二信号的过去信息可以比只使用来自第一个信号的信息更好地预测第一信号，那么第二信号可以被称为与第一信号的因果关系

• 维纳-辛格因果关系：如果了解a(n)的过去显著提高了自回归模型对b(n)的预测，那么可以观察到的时间序列a(n)被认为导致了另一个序列b(n)

线性自回归(AR)模型 Linear Autoregressive (AR) Model

AR模型可用作线性预测器：

就是，$\hat{x}[n]$ 是预测值，然后误差是实际值减去预测值得出，然后通过对误差进行最小化平方来确定系数 a[n]

双AR模型

y的自回归预测是通过包含过去另一个信号x样本的信息来实现的

辛格因果测试

其实，主要想说的是，单变量AR 的预测误差只取决于它自身之前的信号，多变量就取决于这俩信号一起。

这两种模型的预测性能都可以通过预测误差的方差来评估

其实就是看误差的方差，通过比较单独x变量和x，y两个变量的误差方差，之前就提到过，如果带上y让x的误差下降了，那么y就导致了x

简单说就是，引起误差方差下降了G就无限增大，没下降也没上升G就近似为0，上升就说明你模型出错了。。。

优缺点

小测验

成对分析和多元分析

成对分析

• 定义：数据集中的所有信号都成对采集，并评估因果关系

• 缺点：两个时间序列不包含所有可能的相关信息

• 限制：任何被信号3共同影响的信号1和2都不能用成对模型来识别他们之间的统计关系

多元分析

• 是评估整个数据集建立的独一的模型，并考虑了他们之间的相互作用

PCD

• Partial Directed Coherence (PDC) 从 j 到 i 是根据矩阵 A 来定义的

同时，它是有方向性的，从 j 到 i

$PD{C}_{ij}$在一定频率 f 下的值表示从 j 到 i 的因果关系链接的存在

$PD{C}_{ij}$估计在给定频率下区域 j 对区域 I 的影响

成对分析和多元分析比较

成对分析

优点：

• 对信号数量没有限制
• 在短数据段可用时使用

限制：

• 降低准确率

多元分析

优点：

• 更好的评估表现
• 允许在模型中插入所有数据源

限制：

• 可建模的信道/信号数量的限制→需要更多数据

总结

小测验