مقاله ترجمه شده درباره ارتباطات عملکردی در fMRI در حالت استراحت – سال 2011
مشخصات مقاله:
عنوان فارسی مقاله:
ارتباطات عملکردی در fMRI در حالت استراحت: آیا همبستگی خطی کافی است؟
عنوان انگلیسی مقاله:
Functional connectivity in resting-state fMRI: Is linear correlation sufficient?
کلمات کلیدی مقاله:
fMRI، ارتباطات عملکردی، گوسی بودن، غیرخطی بودن، همبستگی، اطلاعات متقابل
مناسب برای رشته های دانشگاهی زیر:
پزشکی و روانشناسی
مناسب برای گرایش های دانشگاهی زیر:
روانشناسی شناخت و مغز و اعصاب
وضعیت مقاله انگلیسی و ترجمه:
مقاله انگلیسی را میتوانید به صورت رایگان با فرمت PDF از باکس زیر دانلود نمایید. ترجمه این مقاله با فرمت WORD – DOC آماده خریداری و دانلود آنی میباشد.
فهرست مطالب:
چکیده
1. مقدمه
2. مواد و روش ها
2-1- داده ها
2-2- تجزیه و تحلیل
3-2- آزمون های آماری
4-2- ارتباط برای خوشه بندی
1-4-2- شناسایی دسته ها
2-4-2- توافق خوشه بندی ها
3. نتایج
1-3- ارزیابی توصیفی
2-3- آزمون های آماری
3-3- ارتباط برای خوشه بندی
4. بحث
قسمتی از مقاله انگلیسی و ترجمه آن:
Abstract
Functional connectivity (FC) analysis is a prominent approach to analyzing fMRI data, especially acquired under the resting state condition. The commonly used linear correlation FC measure bears an implicit assumption of Gaussianity of the dependence structure. If only the marginals, but not all the bivariate distributions are Gaussian, linear correlation consistently underestimates the strength of the dependence. To assess the suitability of linear correlation and the general potential of nonlinear FC measures, we present a framework for testing and estimating the deviation from Gaussianity by means of comparing mutual information in the data and its Gaussianized counterpart. We apply this method to 24 sessions of human resting state fMRI. For each session, matrix of connectivities between 90 anatomical parcel time series is computed using mutual information and compared to results from its multivariate Gaussian surrogate that conserves the correlations but cancels any nonlinearity. While the group-level tests confirmed nonGaussianity in the FC, the quantitative assessment revealed that the portion of mutual information neglected by linear correlation is relatively minor – on average only about 5% of the mutual information already captured by the linear correlation. The marginality of the non-Gaussianity was confirmed in comparisons using clustering of the parcels – the disagreement between clustering obtained from mutual information and linear correlation was attributable to random error. We conclude that for this type of data, practical relevance of nonlinear methods trying to improve over linear correlation might be limited by the fact that the data are indeed almost Gaussian.
چکیده
تحلیل ارتباطات عملکردی (FC) رویکرد مهمی برای تجزیه و تحلیل داده های محسوب می شود، مخصوصاً داده های به دست آمده تحت شرایط حالت استراحت. معمولاً اندازه گیری FC همبستگی خطی به کار رفته، فرض ضمنی گوسی بودن ساختار وابستگی را در بردارد. اگر فقط توزیع های حاشیه ای اما نه تمام توزیع های دو متغیری گوسی باشند، همبستگی خطی به طور مداوم قدرت وابستگی را کم تخمین می زند. به منظور ارزیابی مناسبتِ (مناسب بودن) همبستگی خطی و پتانسیل کلی اندازه گیری های FC غیرخطی، چارچوبی را برای آزمایش و برآورد انحراف از گوسی بودن به وسیله مقایسه اطلاعات متقابل در داده ها و همتای گوسی شده آن ها ارائه می دهیم. این روش را برای 24 جلسه انسانی در حالت استراحت به کار می بریم. برای هر جلسه، ماتریس ارتباطات بین 90 سری زمانی اجزای تشریحی با استفاده از اطلاعات متقابل محاسبه شده و با نتایج حاصل از جانشین گوسی چند متغیره آن که همبستگی را پوشش داده اما هر غیرخطی بودن را لغو می کند، مقایسه می شود. درحالیکه آزمون ها در سطح گروه غیر گوسی بودن در FC را تأیید کردند، ارزیابی کمّی آشکار ساخت که بخش اطلاعات متقابلِ نادیده گرفته شده در همبستگی خطی، نسبتاً کوچک است- به طور متوسط فقط حدود 5% اطلاعات متقابل از قبل از طریق همبستگی خطی دریافت شد. اکثریت غیرگوسی بودن ها در مقایسات با استفاده از خوشه بندی اجزاء به تأیید رسید- اختلاف بین خوشه بندی به دست آمده از اطلاعات متقابل و همبستگی خطی قابل نسبت دادن به خطای تصادفی بود. اینگونه نتیجه گیری می کنیم که برای این نوع داده¬ها، ارتباط عملی روش های غیرخطی که برای بهبود بیشتر همبستگی خطی تلاش می کنند ممکن است توسط این واقعیت که داده ها در واقع تقریباً گوسی هستند محدود شود.
