تلفن: 04142273781

ترجمه مقاله ارتباطات عملکردی در fMRI در حالت استراحت – نشریه الزویر

عنوان فارسی: ارتباطات عملکردی در fMRI در حالت استراحت: آیا همبستگی خطی کافی است؟
عنوان انگلیسی: Functional connectivity in resting-state fMRI: Is linear correlation sufficient?
تعداد صفحات مقاله انگلیسی : 12 تعداد صفحات ترجمه فارسی : 24
سال انتشار : 2011 نشریه : الزویر - Elsevier
فرمت مقاله انگلیسی : PDF فرمت ترجمه مقاله : ورد تایپ شده
کد محصول : 6786 رفرنس : دارد
محتوای فایل : zip حجم فایل : 1.12Mb
رشته های مرتبط با این مقاله: پزشکی و روانشناسی
گرایش های مرتبط با این مقاله: روانشناسی شناخت و مغز و اعصاب
مجله: NeuroImage
دانشگاه: موسسه علوم کامپیوتر، آکادمی علوم چک
کلمات کلیدی: fMRI، ارتباطات عملکردی، گوسی بودن، غیرخطی بودن، همبستگی، اطلاعات متقابل
وضعیت ترجمه عناوین تصاویر : ترجمه شده است
وضعیت ترجمه متون داخل تصاویر : ترجمه شده است
وضعیت فرمولها و محاسبات در فایل ترجمه: به صورت عکس، درج شده است
ترجمه این مقاله با کیفیت عالی آماده خرید اینترنتی میباشد. بلافاصله پس از خرید، دکمه دانلود ظاهر خواهد شد. ترجمه به ایمیل شما نیز ارسال خواهد گردید.
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

نمونه متن انگلیسی

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.

نمونه متن ترجمه

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.