has been advocated (Marrelec et al.

has been advocated (Marrelec et al., 2006) as a good surrogate for
structural equation modelling (SEM) (see the Appendix A for a description
of SEM, and for a mathematical perspective relating partial
correlation to SEM). While partial correlation does seem to improve
the distinction between direct and indirect connections (Smith et al.,
2011), it also introduces Berkson's paradox, where there can be artifactual
negative correlations between brain regions.2
Functional connectivity measures such as full and partial correlation
are popular measures because they are easy to compute, and have been
shown to perform relatively well in FMRI network discovery (Smith
et al., 2011). The most straightforward functional human connectomes
are likely to be based on the partial or full correlation matrix fromFMRI
(or MEG) data using an appropriate parcellation.
The problem with functional connectivity
However, there are fundamental problemswith the use of functional
connectivity. For example,we have already commented on how existing
methods for distinguishing direct from indirect connections can only be
achieved at the expense of artifactual negative correlations (Berkson's
paradox). Another important issue is the increasingly popular approach
of using functional connectivity (often in the form of correlation) as a
feature to predict or classify the group from which a particular subject
was sampled (Craddock et al., 2009). The problem is that changes in
functional connectivity; e.g., between conditions or between two population
groups, can occur simply due to changes in signal-to-noise ratio, or
due to changes in other parts of awider network; even when there is no
change in the effective connectivity between the two nodes. This issue
has been demonstrated and documented elsewhere (Friston, 2011).
False positive connectivity can also be inferred if correlations caused
by the measurement process itself are not accounted for. This includes
erroneously inferring neuronal causality in FMRI data when
the hemodynamic blurring is ignored, or inferring artifactual connectivity
due to volume conductance (zero-lag spatial correlations)
in source reconstructed M/EEG data (Schoffelen and Gross, 2009).
Functional connectivity also provides limited insight into the mechanisms
of the dynamics that underlie brain activity, and does not directly
provide biologically relevant information. The best way to overcome
these limitations is to turn to effective connectivity.
Essentially, effective connectivity is an estimate of directed influence,
inferred using a generative model, which, to at least to some
extent, is grounded in bio-physiology. In other words, we need a
biophysical model of the network.
Biophysical functional network models
Here, we consider a biophysical functional network model as a
mathematical description of how we can generate measurements
of brain activity (e.g. using MRI). This modelling assumes that we
know the underlying dynamic interactions between, and within, different
brain areas; and the stochastic or deterministic properties of
the exogenous or endogenous fluctuations that drive the network.
As such “biophysics” includes the neurophysiology of the brain, and
the physics of the measurement device.
We can consider the complete biophysical network model of
functional neuroimaging data as being decomposed into twomain components.
First, there is the neurophysiological model of the network's
neuronal interactions (neuronal dynamics or state equations), which
predicts the neuronal activity. Second, there is the forward model of
the imaging measurement, which predicts the imaging data given the
neuronal activity.

ผลลัพธ์ (ไทย) 1:

ได้รับ advocated (Marrelec และ al., 2006) เป็นตัวแทนที่ดีสำหรับ(SEM) แบบจำลองสมการโครงสร้าง (ดูภาคผนวก A สำหรับคำอธิบายSEM และมุมมองคณิตศาสตร์เกี่ยวข้องบางส่วนความสัมพันธ์กับ SEM) ในขณะที่ความสัมพันธ์บางส่วนดูเหมือนจะ ปรับปรุงความแตกต่างระหว่างการเชื่อมต่อโดยตรง และทางอ้อม (Smith et al.,2011), มันยังแนะนำ Berkson ของ paradox ซึ่งสามารถมี artifactualลบความสัมพันธ์ระหว่างสมอง regions.2มาตรการเชื่อมต่อการทำงานเช่นความสัมพันธ์เต็ม และบางส่วนมีมาตรการที่นิยมเนื่องจากง่ายต่อการคำนวณ และได้รับแสดงการดำเนินการค่อนข้างดีในการค้นพบเครือข่าย FMRI (สมิธร้อยเอ็ด al., 2011) Connectomes มนุษย์ทำงานตรงไปตรงมามากที่สุดมักจะยึดตาม fromFMRI เมตริกซ์สหสัมพันธ์บางส่วน หรือเต็ม(หรือเม็ก) ข้อมูลโดยใช้การ parcellation ที่เหมาะสมปัญหากับการเชื่อมต่อทำงานอย่างไรก็ตาม มี problemswith พื้นฐานการใช้งานเชื่อมต่อ ตัวอย่าง เรามีอยู่แล้วแสดงความคิดเห็นเกี่ยวกับวิธีที่มีอยู่วิธีแยกโดยตรงจากการเชื่อมต่อทางอ้อมสามารถได้รับค่าใช้จ่ายของความสัมพันธ์เชิงลบ artifactual (Berksonparadox) อีกประเด็นที่สำคัญเป็นวิธีนิยมมากขึ้นการใช้งานการเชื่อมต่อ (มักอยู่ในรูปแบบของความสัมพันธ์) เป็นการคุณลักษณะในการทำนาย หรือจำแนกกลุ่มซึ่งกลุ่มมีตัวอย่าง (Craddock et al., 2009) ปัญหาอยู่ที่การเปลี่ยนแปลงในการเชื่อมต่อทำงาน ระหว่างเงื่อนไขเช่น หรือ ระหว่างสองประชากรกลุ่ม อาจเกิดเพียงการเปลี่ยนแปลงในอัตราส่วนสัญญาณเสียงรบกวน หรือเนื่องจากการเปลี่ยนแปลงในส่วนอื่น ๆ ของเครือข่าย awider แม้มีไม่การเปลี่ยนแปลงในการเชื่อมต่อที่มีประสิทธิภาพระหว่างสองโหนด ปัญหานี้มีการสาธิต และเอกสารอื่น ๆ (Friston, 2011)เชื่อมต่อบวกเท็จสามารถยังสรุปถ้าเกิดจากความสัมพันธ์โดยการประเมินตัวเองจะไม่นำมาพิจารณา ซึ่งรวมถึงตั้งใจ inferring causality neuronal FMRI ข้อมูลเมื่อเบลอแสดงความดันโลหิตจะถูกละเว้น หรือ inferring เชื่อม artifactualเนื่องจากเสียงต้านทาน (ช่วงห่างศูนย์พื้นที่สัมพันธ์)ในแหล่งเชิดข้อมูล M/EEG (Schoffelen และรวม 2009)เชื่อมต่อการทำงานยังมีความเข้าใจถึงกลไกการจำกัดเปลี่ยนแปลงที่อยู่ภายใต้กิจกรรมสมอง และไม่ตรงให้ข้อมูลที่เกี่ยวข้องชิ้น วิธีที่ดีสุดเพื่อเอาชนะข้อจำกัดเหล่านี้จะเปิดการเชื่อมต่อที่มีประสิทธิภาพหลัก การเชื่อมต่อที่มีประสิทธิภาพเป็นการประเมินมีอิทธิพลโดยตรงสรุปใช้แบบ generative รุ่น ซึ่ง จะน้อยไปขอบเขต เป็นสูตรในสาขาสรีรวิทยาทางชีวภาพ ในคำอื่น ๆ เราต้องการรุ่น biophysical ของเครือข่ายรูปแบบเครือข่ายทำงาน biophysicalที่นี่ เราพิจารณาแบบ biophysical เครือข่ายที่ทำงานเป็นการอธิบายว่าเราสามารถสร้างวัดทางคณิตศาสตร์กิจกรรมสมอง (เช่นการใช้ MRI) การสร้างแบบจำลองนี้ถือว่าที่เรารู้โต้ตอบแบบอ้างอิงระหว่าง และ อื่นพื้นที่สมอง และคุณสมบัติสโทแคสติก หรือ deterministic ของความผันผวนของบ่อย หรือ endogenous ที่ไดรฟ์เครือข่ายเช่น "ชีวฟิสิกส์ได้" รวมประสาทสรีรวิทยาของสมอง และฟิสิกส์ของอุปกรณ์วัดเราสามารถพิจารณารูปแบบเครือข่าย biophysical สมบูรณ์ของข้อมูล neuroimaging ทำงานเป็นการย่อยสลายไปเป็นคอมโพเนนต์ twomainครั้งแรก มีแบบ neurophysiological ของเครือข่ายneuronal โต้ (neuronal dynamics หรือสมการสถานะ), ซึ่งทำนายกิจกรรม neuronal ที่สอง มีแบบไปข้างหน้าของการประเมินเกี่ยวกับภาพ การทำนายข้อมูลเกี่ยวกับภาพที่ได้รับการกิจกรรม neuronal

ผลลัพธ์ (ไทย) 2:

ได้รับการสนับสนุน (Marrelec et al., 2006)
เป็นตัวแทนที่ดีสำหรับการสร้างแบบจำลองสมการโครงสร้าง(SEM)
(ดูภาคผนวกสำหรับคำอธิบายของSEM
และมุมมองทางคณิตศาสตร์ที่เกี่ยวข้องบางส่วนความสัมพันธ์กับSEM) ในขณะที่ความสัมพันธ์บางส่วนดูเหมือนจะปรับปรุงความแตกต่างระหว่างการเชื่อมต่อโดยตรงและทางอ้อม (สมิ ธ et al., 2011) ก็ยังแนะนำ Berkson ของความขัดแย้งที่อาจมี artifactual ความสัมพันธ์เชิงลบระหว่างสมอง regions.2 มาตรการการเชื่อมต่อการทำงานเช่นความสัมพันธ์เต็มรูปแบบและบางส่วนมาตรการที่นิยมเพราะพวกเขาจะง่ายต่อการคำนวณและได้รับการแสดงให้เห็นว่าการดำเนินการค่อนข้างดีในการค้นพบเครือข่าย fMRI (สมิ ธ et al., 2011) ตรงไปตรงมามากที่สุด connectomes มนุษย์ทำงานมีแนวโน้มที่จะอยู่บนพื้นฐานของความสัมพันธ์บางส่วนหรือทั้งหมดfromFMRI เมทริกซ์(หรือ MEG) ข้อมูลการใช้ parcellation ที่เหมาะสม. ปัญหากับการเชื่อมต่อการทำงานแต่มีพื้นฐาน problemswith การใช้งานของการทำงานการเชื่อมต่อ ตัวอย่างเช่นเราอยู่แล้วมีความเห็นเกี่ยวกับวิธีการที่มีอยู่วิธีการที่แตกต่างจากการเชื่อมต่อโดยตรงทางอ้อมเท่านั้นที่สามารถประสบความสำเร็จในค่าใช้จ่ายของความสัมพันธ์เชิงลบartifactual (ที่ Berkson ของความขัดแย้ง) อีกเรื่องที่สำคัญเป็นวิธีที่นิยมมากขึ้นของการใช้การเชื่อมต่อการทำงาน (มักจะอยู่ในรูปแบบของความสัมพันธ์) เป็นคุณลักษณะที่จะคาดการณ์หรือจำแนกกลุ่มซึ่งเป็นเรื่องที่โดยเฉพาะอย่างยิ่งเป็นตัวอย่าง(แครดด็อ et al., 2009) ปัญหาคือว่าการเปลี่ยนแปลงในการเชื่อมต่อการทำงาน; เช่นระหว่างเงื่อนไขหรือประชากรระหว่างสองกลุ่มก็สามารถเกิดขึ้นได้เนื่องจากการเปลี่ยนแปลงของสัญญาณต่อเสียงรบกวนอัตราส่วนหรือเนื่องจากมีการเปลี่ยนแปลงในส่วนอื่นๆ ของเครือข่าย awider; แม้ในขณะที่ไม่มีการเปลี่ยนแปลงในการเชื่อมต่อที่มีประสิทธิภาพระหว่างสองโหนด ปัญหานี้ได้รับการพิสูจน์และเอกสารอื่น ๆ (Friston 2011). เท็จบวกการเชื่อมต่อนอกจากนี้ยังสามารถสรุปถ้าความสัมพันธ์ที่เกิดจากกระบวนการวัดที่ตัวเองไม่ได้คิด ซึ่งรวมถึงการไม่สมควรอนุมานเวรกรรมประสาทในข้อมูล fMRI เมื่อการไหลเวียนโลหิตเบลอจะถูกละเว้นหรืออนุมานเชื่อมต่อartifactual เนื่องจากการเป็นสื่อกระแสไฟฟ้าปริมาณ (ศูนย์ความล่าช้าความสัมพันธ์เชิงพื้นที่) ในแหล่งที่มาสร้างขึ้นใหม่ M / ข้อมูล EEG (Schoffelen และ Gross, 2009). การเชื่อมต่อการทำงานนอกจากนี้ยังมี ความเข้าใจที่ จำกัด ลงในกลไกของการเปลี่ยนแปลงที่รองรับการทำงานของสมองและไม่ได้โดยตรงให้ข้อมูลที่เกี่ยวข้องทางชีวภาพ วิธีที่ดีที่สุดที่จะเอาชนะข้อ จำกัด เหล่านี้คือการเปิดการเชื่อมต่อที่มีประสิทธิภาพที่จะ. เป็นหลักในการเชื่อมต่อที่มีประสิทธิภาพคือการประมาณการของอิทธิพลกำกับการสรุปโดยใช้แบบจำลองการกำเนิดซึ่งอย่างน้อยบางส่วนขอบเขตเป็นเหตุผลในทางชีวภาพสรีรวิทยา ในคำอื่น ๆ ที่เราจำเป็นต้องมีรูปแบบทางชีวกายภาพของเครือข่าย. ชีวฟิสิกส์แบบเครือข่ายการทำงานที่นี่เราจะพิจารณารูปแบบเครือข่ายการทำงานชีวฟิสิกส์เป็นคำอธิบายทางคณิตศาสตร์ของวิธีการที่เราสามารถสร้างวัดของการทำงานของสมอง(เช่นการใช้ MRI) การสร้างแบบจำลองนี้อนุมานว่าเรารู้ว่าการมีปฏิสัมพันธ์ระหว่างพื้นฐานแบบไดนามิกและภายในที่แตกต่างกันพื้นที่สมอง; และสุ่มหรือคุณสมบัติที่กำหนดของความผันผวนจากภายนอกหรือภายนอกที่ไดรฟ์เครือข่าย. เช่น "ชีวฟิสิกส์" รวมถึงสรีรวิทยาของสมองและฟิสิกส์ของอุปกรณ์วัด. เราสามารถพิจารณารูปแบบเครือข่ายชีวฟิสิกส์ที่สมบูรณ์ของข้อมูล neuroimaging ทำงานเป็น ถูกย่อยสลายเป็นส่วนประกอบ twomain. แรกมีรูปแบบ neurophysiological ของเครือข่ายการมีปฏิสัมพันธ์ของเซลล์ประสาท(การเปลี่ยนแปลงของเซลล์ประสาทหรือสมการของรัฐ) ซึ่งคาดการณ์กิจกรรมประสาท ประการที่สองมีรูปแบบไปข้างหน้าของการวัดการถ่ายภาพซึ่งคาดการณ์ข้อมูลการถ่ายภาพที่ได้รับทางประสาท

ผลลัพธ์ (ไทย) 3:

ได้รับการสนับสนุน ( marrelec et al . , 2006 ) เป็นตัวแทนที่ดีสำหรับ
แบบจำลองสมการโครงสร้าง ( SEM ) ( ดูภาคผนวกสำหรับคำอธิบาย
ของ SEM และคณิตศาสตร์และมุมมองเกี่ยวกับสหสัมพันธ์บางส่วน
กับ SEM ) ในขณะที่สหสัมพันธ์บางส่วนดูเหมือนจะปรับปรุง
ความแตกต่างระหว่างการเชื่อมต่อโดยตรงและโดยอ้อม ( Smith et al . ,
2011 ) ยังแนะนำเบิร์กสันของความขัดแย้งที่สามารถมีความสัมพันธ์เชิงลบระหว่างพื้นที่สมอง artifactual
2
มาตรการการเชื่อมต่อการทำงานเช่นเต็มรูปแบบและบางส่วนความสัมพันธ์
เป็นมาตรการที่ได้รับความนิยมเพราะพวกเขาจะง่ายต่อการใช้ และมี
แสดงแสดงได้ค่อนข้างดีในการค้นพบเครือข่าย fMRI ( Smith
et al . , 2011 ) ตรงไปตรงมามากที่สุดการทำงานของมนุษย์ connectomes
มีแนวโน้มที่จะใช้ในบางส่วนหรือเต็มเมทริกซ์สหสัมพันธ์ fromfmri
( หรือเม็ก ) ข้อมูลที่ใช้ parcellation เหมาะสม ปัญหากับการทำงานการเชื่อมต่อ

อย่างไรก็ตามมีพื้นฐาน problemswith ใช้การเชื่อมต่อการทำงาน

ตัวอย่างเช่น เราได้เห็นวิธีการที่มีอยู่
วิธีการแยกโดยตรงจากการเชื่อมต่อทางอ้อมสามารถ
ความที่ค่าใช้จ่ายของความสัมพันธ์เชิงลบ artifactual ( เบิร์กสันของ
Paradox ) อีกปัญหาสำคัญ คือ เป็นที่นิยมใช้การเชื่อมต่อการทำงานแบบ
( มักจะอยู่ในรูปแบบของความสัมพันธ์ ) เป็นคุณลักษณะที่จะทำนายหรือจัด

โดยเฉพาะกลุ่มซึ่งเป็นวิชาตัวอย่าง ( แครดด็อก et al . , 2009 ) ปัญหาคือว่า การเปลี่ยนแปลงใน
การเชื่อมต่อการทำงาน เช่นระหว่างสองเงื่อนไข หรือระหว่างกลุ่มประชากร
, สามารถเกิดขึ้นได้ก็เนื่องจากการเปลี่ยนแปลงในอัตราส่วนสัญญาณต่อเสียงรบกวนหรือ
เนื่องจากมีการเปลี่ยนแปลงในส่วนอื่น ๆของ awider เครือข่าย แม้ว่าจะไม่มีการเปลี่ยนแปลงในการเชื่อมต่อที่มีประสิทธิภาพ
ระหว่างสองโหนด ปัญหานี้
ได้แสดง และเอกสารอื่น ๆ ( friston , 2011 ) .
เท็จบวกการเชื่อมต่อยังสามารถ inferred ถ้าความสัมพันธ์ที่เกิด
โดยกระบวนการวัดเองไม่ได้สัดส่วน ซึ่งรวมถึงการออกผลระหว่างความเป็นเหตุเป็นผลใน

ข้อมูล fMRI เมื่อสร้างความเบลอถูกเพิกเฉย หรือการ artifactual การเชื่อมต่อ
เนื่องจากระดับเสียงระบบศูนย์ความสัมพันธ์เชิงพื้นที่ล่าช้า )
ในแหล่งข้อมูล M / EEG ( และรวมข้อมูล schoffelen
2009 )การเชื่อมต่อการทำงานยังมีจำกัด ความเข้าใจในกลไกของการเปลี่ยนแปลงที่รองรับกิจกรรม

สมองและไม่ได้โดยตรงให้ได้ ข้อมูลที่เกี่ยวข้อง . วิธีที่ดีที่สุดที่จะเอาชนะข้อ จำกัด เหล่านี้คือการเปิด

เป็นหลัก , การเชื่อมต่อการเชื่อมต่อที่มีประสิทธิภาพ ผลการประเมินที่ได้ใช้อิทธิพล
แบบเข้า ซึ่งอย่างน้อยบาง
ขอบเขตเป็นเหตุผลในทางชีวภาพ ในคำอื่น ๆที่เราต้องการ

แบบปลาหลดปลาหลดการทำงานของเครือข่าย เครือข่าย รูปแบบ
ที่นี่ เราพิจารณาแบบจำลองเครือข่ายการทำงานทางชีวกายภาพเป็น
คำอธิบายทางคณิตศาสตร์ของวิธีการที่เราสามารถสร้างวัด
กิจกรรมสมอง ( เช่นการใช้ MRI ) แบบจำลองนี้ถือว่าเรา
รู้พื้นฐานปฏิสัมพันธ์ระหว่างแบบไดนามิก ,และภายในพื้นที่สมองที่แตกต่างกัน
; และ stochastic หรือตามกําหนดคุณสมบัติของภายนอกหรือภายใน

ของไดรฟ์เครือข่าย เช่น " ชีว " รวมถึงประสาทสรีรวิทยาสมอง และฟิสิกส์ของอุปกรณ์การวัด
.
เราสามารถพิจารณารูปแบบของเครือข่ายที่สมบูรณ์ ทางชีวกายภาพ
การทำงานระบบประสาท ข้อมูลเป็น ย่อยสลายเป็นส่วนประกอบ 2 .
ครั้งแรกมีรูปแบบของเครือข่ายการ neurophysiological
( พลวัตหรือสมการปฏิสัมพันธ์ระหว่างรัฐ ) ซึ่ง
คาดการณ์กิจกรรมการ . แบบที่สองคือแบบไปข้างหน้าของ
ภาพการวัด ซึ่งคาดการณ์ภาพข้อมูลให้
กิจกรรมด .