.png){kind=icon}
返回
Regularized partial correlation provides reliable functional connectivity estimates while correcting for widespread confounding
.png){kind=icon}
PRE
AI
DOI：10.1162/IMAG.a.162.png)
.png){kind=icon}
原文求助.png){kind=icon}
分享.png){kind=icon}
收藏
摘要
En 中文
功能性连接（FC）对于理解大脑的通信网络具有重要价值，增强FC方法有望提供额外的见解。与fMRI领域的标准方法——成对相关性不同，理论表明偏相关性可以估计FC，而不会受到混淆和间接连接的影响。然而，偏相关性FC也可能表现出低重复可靠性，从而降低个体估计的准确性。我们假设通过添加正则化可以提高可靠性，这可以减少在基于回归的方法（如偏相关性）中对噪声的过度拟合。因此，我们将几种正则化替代方法——图拉普拉斯lasso、图岭回归和主成分回归——与未正则化的偏相关性和成对相关性进行了比较，并将它们应用于经验性静息态fMRI和模拟数据。正如假设的那样，正则化显著提高了可靠性，其通过会话间相似性和组内相关性进行量化。这种增强的可靠性在针对结构连接（经验数据）和真实网络（模拟）进行验证时，显著提高了个体FC估计的准确性。在正则化方法中，图拉普拉斯lasso表现出了尤其高的准确性，这可能是通过保留了更多有效的潜在网络结构。我们还发现，图拉普拉斯lasso对噪声水平、数据量和受试者运动（常见的fMRI误差来源）具有鲁棒性。最后，我们证明了静息态图拉普拉斯lasso FC可以有效预测fMRI任务激活和个体行为差异，进一步证实了其可靠性、外部有效性和表征任务相关功能的能力。我们建议使用图拉普拉斯lasso或类似正则化方法来计算FC，因为它们能够比领域标准的成对相关性提供更有效的无混淆连接估计，同时克服了未正则化偏相关性的低可靠性问题。
Keyword:
network neuroscience
fMRI
regularization
structural connectivity
diffusion MRI
individual differences
期刊
I
IF:
0
论文数:
275
被引数:
0
机构
引用论文
Measuring Connectivity in Linear Multivariate Processes With Penalized Regression Techniques.png)
IEEE ACCESS
OAAI
IEEE ACCESSIF3.6
OAAI分享收藏分享收藏Benchmarking of participant-level confound regression strategies for the control of motion artifact in studies of functional connectivityNeuroImage
OAAI
NeuroImageIF0
OAAI分享收藏分享收藏
查看更多内容