(11 امتیاز از 3 رای)
Loading...
ترجمه مقاله حفظ وزن در شبکه های مجتمع عملکرد مغزی
ترجمه مقاله Weight-conserving characterization of complex functional brain networks
در این بخش ترجمه مقاله حفظ وزن در شبکه های مجتمع عملکرد مغزی را برای دوستان آماده کردیم که علاوه بر چکیده و مقدمه می توانند خود مقاله اصلی را نیز به طور کاملا رایگان دانلود نمایند.
چکیده مقاله
قبل از اینکه به مقوله حفظ وزن در شبکه های مجتمع عملکرد مغزی بپردازیم می خواهیم توضیح مختصری راجب این شبکه داشته باشیم شبکه های مجتمع عملکرد مغزی شبکه های بزرگی از مناطق مغز و اتصالات عملکردی مغز هستند. مشخصه های آماری این شبکه ها به منظور تعیین خواص سراسری و محلی فعالیت مغز با تعداد کمی از معیار های شبکه می باشد.
معیار های مهم شبکه کارکردی عبارتند از معیار های مدولار (اندازه گیری خوبی که شبکه به طور مطلوب به زیر گروه های عملکردی تقسیم می شود) و اندازه گیری های مرکزی (معیاری از تأثیر کاربردی مناطق مغزی فردی). محبوبیت خصوصیات شبکه های کاربردی در حال افزایش می باشد، اما با چندین مشکل روش شناختی درگیر هستند. این مشکلات عبارتند از عدم توانایی برای توصیف شبکه های کارکردی موزون، غفلت از پارتیشن های ماژولاریتی بالای متمایز توپولوژیک و فقدان یک مدل null شبکه برای آزمون فرضیه های ارتباط بین خواص شبکه غیر قابل مشاهده و خواص اتصالات موزون ساده.
مقدمه
شبکه های مغزی کارکردی در مقیاس بزرگ، شبکه هایی از مناطق مغز و اتصالات کاربردی – همکنشی یا همبستگی – بین جفت این مناطق است. شبکه های عملکرد مجتمع مغزی شبکه های بزرگ و گسترده ای از مناطق مغزی که به طور غیر مستقیم در تعامل هستند و اغلب به عنوان نگاشت های فعالیت مغز سراسری عمل می کنند تعاملات بین مناطق در شبکه های مجتمع عملکردی از بزرگ به کوچک و در علامت از مثبت به منفی متفاوت است. در مقابل، شبکه های عملکردی سنتی “ساده” گروه بندی های کوچکتر از مناطق قوی و متقابل هستند که اغلب به عنوان نگاشت های سیستم های کاربردی تخصصی ارائه می شوند. شبکه های عملکردی ساده از ماژول های بسیار متصل – اجزاء یا زیر شبکه ها – با شبکه های مجتمع عملکردی تشکیل می یابند.
چکیده انگلیسی
Complex functional brain networks are large networks of brain regions and functional brain connections. Statistical characterizations of these networks aim to quantify global and local properties of brain activity with a small number of network measures. Important functional network measures include measures of modularity (measures of the goodness with which a network is optimally partitioned into functional subgroups) and measures of centrality (measures of the functional influence of individual brain regions).
Characterizations of functional networks are increasing in popularity, but are associated with several important methodological problems. These problems include the inability to characterize densely connected and weighted functional networks, the neglect of degenerate topologically distinct high-modularity partitions of these networks, and the absence of a network null model for testing hypotheses of association between observed nontrivial network properties and simple weighted connectivity properties. In this study we describe a set of methods to overcome these problems. Specifically, we generalize measures of modularity and centrality to fully connected and weighted complex networks, describe the detection of degenerate high-modularity partitions of these networks, and introduce a weighted-connectivity null model of these networks.
We illustrate our methods by demonstrating degenerate high-modularity partitions and strong correlations between two complementary measures of centrality in resting-state functional magnetic resonance imaging (MRI) networks from the 1000 Functional Connectomes Project, an open-access repository of resting-state functional MRI datasets. Our methods may allow more sound and reliable characterizations and comparisons of functional brain networks across conditions and subjects.
منبع : ncbi.nlm.nih.gov
شبیه سازی شبکه های کامپیوتری و مخابراتی
مشاهده ویدئو در این باره