Диссертация (1105179), страница 16
Текст из файла (страница 16)
В столбцах приведены области-источники, встроках – области-приёмники активности. Нетривиальные значимые (p<0.05) связи выделеныжирным шрифтом (* не значимо после коррекции Бонферрони).BMAиз mPFCиз PCCиз LIPCиз RIPCв mPFC00.108*/0.1820.159/0.131*0.104*/0.156*в PCC0.166/0.085*00.238/0.1860.124*/0.205в LIPC0.020*/0.024*0.035*/0.032*00.129*/0.163*в RIPC0.036*/0.006*0.033*/0.040*0.130*/0.149*0Таблица 6 – Стандартные отклонения параметров сил связей для начального (первые 500сканов)/конечного (последние 500 сканов). В столбцах – области источники активности, встроках – приёмники.Ст.
отклонениеиз mPFCиз PCCиз LIPCиз RIPCв mPFC00.010/0.0100.013/0.0140.014/0.013в PCC0.009/0.00900.013/0.0130.013/0.013в LIPC0.008/0.0080.009/0.00900.011/0.012в RIPC0.009/0.0080.010/0.0090.012/0.0120Особенно это выражено для параметров связей билатеральных структур: все значенияпараметров связей (кроме связи от LIPC к PCC) значимо (p<0.05) меньше у начальной иконечной моделей. Для моделей начального и конечного отрезков значения параметров похожимежду собой, хотя некоторые из них не значимы после коррекции на множественные сравнения(Бонферрони). Это в свою очередь может быть следствием более короткого участкамоделирования: оценки параметров менее стабильны. В работе [98] показано, чтосреднеквадратичная ошибка оценки параметров методом спектрального DCM увеличивается на50% при уменьшении количества фМРТ сканов с 1024 до 512. Несмотря на это, можно видеть,что нетривиальные (>0.1 Гц) параметры в моделях 500 и 1000 сканов различаются только посвоей величине (не отличаются по знаку и не обращаются в нуль).
Такие различия не приводятк различиям в паттернах связей как в смысле наличия или отсутствия некоторой связи, так и визменениях роли связей (возбуждающей или тормозной). Это означает, что лучшая в группемодель стабильна на разных временных промежутках (схема связей не меняется, параметры78меняются незначительно) и описывает относительно стабильный паттерн эффективных связеймежду областями DMN. Этот паттерн может незначительно меняться во времени, но основныеуправляющие области и связи между ними остаются одними и теми же. Исходя из этого, можнопредположить, что испытуемые были в примерно одном и том же ментальном состоянии напротяжении всего эксперимента (более 30 минут).Особо стоит отметить, что, несмотря на то, что победила полностью связанная модель,не все значения параметров сил связей оказались выше порога значимости.
Это может бытьследствием разницы между Байесовым выбором модели (BMS) и Байесовым усреднениемпараметров (BMA). BMS позволяет делать выводы о самих моделях, BMA – о параметрах этихмоделей. В лучшей модели могут быть некоторые связи (параметры), которые сами по себе непроходят тест на значимость в группе, однако вносят вклад в предсказательную способностьмодели. Эти параметры могут сильно варьироваться от испытуемого к испытуемому, либоиметь значения около нуля, либо и то и другое.3.1.4 Расширенная модель связей между 5 областямиПосле стандартного картирования активности (SPM, Statistical Parametric Mapping)оказалось, что у четырех испытуемых из 30 не наблюдается значимая активация ни в областиLHIP, ни в RHIP.
Эти случаи, вероятно, нуждаются в дополнительном исследовании, однакоцелью настоящей работы было установить паттерн эффективных связей между активнымиобластями, поэтому данные четверо испытуемых были исключены из дальнейшего анализа.Для расширенных моделей с пятью активными областями (включающими в себяпопеременно LHIP/RHIP) после Байесовой инверсии 96 моделей для 26 человек было получено96 х 26 = 2496 значений свободной энергии F, являющейся аппроксимацией правдоподобиямоделей [40]. Когда рассматривается значительное число моделей нужно понять, ведут ли себямодели схожим образом у разных испытуемых.
Если модели стабильны по группе, т.е.действительно описывают некий биофизический процесс, общий для всех испытуемых (внашем случае – функциональную интеграцию областей DMN), то можно предположить чтоодна и та же модель (схема связей) будет работать сходным образом у разных испытуемых. Впротивном случае, если одна и та же модель ведет себя на данных от различных испытуемыхслучайным образом, то, скорее всего она не описывает никакую реальную нейрональнуюактивность. Чтобы проверить поведение моделей в группе, были рассчитаны коэффициентыкорреляции между величинами F каждой из 96 моделей между 26 испытуемыми. Итогом79явились корреляционные матрицы размерностью 26 х 26 – по количеству испытуемых (рисунок3.6).
Цветом закодировано значение парного коэффициента корреляции.Рисунок 3.6 – Корреляционные матрицы значений свободной энергии моделей F между 26испытуемыми. Слева: 96 моделей с включением области LHIP, справа: 96 моделей свключением области RHIP.Как видно из матриц, для большинства пар испытуемых корреляция достаточно высока(в среднем около 0.7-0.8) за исключением двух испытуемых, у которых парные коэффициентыкорреляции со всеми остальными заметно ниже. Наблюдение верно как для модели с LHIP, таки с RHIP, поэтому можно сделать вывод, что оба набора моделей стабильны в группе: одна и таже модель ведет себя сходным образом на фМРТ данных различных испытуемых, получаясильно коррелированные значения свободной энергии F (правдоподобия).
Важно отметить, чтов матрицах нет ни одного отрицательного значения, иными словами ни у одной парыиспытуемых модели не ведут себя разнонаправленно.Если просуммировать по группе значения F для каждой из 96 моделей, то можноувидеть, что значения, соответствующие моделям с базой а (полностью связанные модели,оказавшиеся лучшими в группе при моделировании четырех областей ранее, см. рисунок 2.2),будут сильно превосходить остальные.
Этих значений 12 (по количеству способов включенияпарагиппокампальных областей), они представлены на рисунке 3.7 (значения F для всехостальных 96 моделей опущены для наглядности).80Рисунок 3.7 – Суммы F величин по 26 испытуемым для 12 лучших моделей. Модели a_5,a_9, a_6, a_10, a_1 являются лучшими как для включения LHIP (слева), так и RHIP (справа).Из рисунка 3.7 видно, что модели a_5, a_9, a_6, a_10, a_1 лучше остальных как длямодели с LHIP, так и с RHIP.
Остальные модели отстают по сумме правдоподобий в группе.Несмотря на это, выделить из перечисленных пяти лидирующих моделей однозначно лучшую вгруппе затруднительно. Такая же ситуация складывается если рассматривать число победкаждой модели в группе испытуемых (у скольких испытуемых модель превосходила всеостальные). Результаты представлены в Таблице 7.Таблица 7 – Пять лучших моделей и их количество побед в группах LHIP/RHIP. Числа встолбцах показывают суммарное число побед модели в группе.Модельa_5a_9a_6a_10a_1Количество победГруппа LHIP Группа RHIP2044242187В обеих группах модель а_1 (полностью связанная база и полностью связанноевключение парагиппокампальных областей) побеждает с небольшим преимуществом, хотя порезультатам BMS (то есть суммы правдоподобий) эта модель оказывается лучшей только вгруппе RHIP, в группе LHIP лучший результат у а_6.Все пять лучших моделей имеют очень похожую архитектуру, а именно способвключения парагиппокампальных областей.
Это может быть одной из причин, почему81становится сложно определить единственную лучшую модель среди них, так какфункциональная организация нейрональных областей может незначительно варьироваться отиспытуемого к испытуемому. Однако все пять лучших паттернов подразумевают большуювовлеченность парагиппокампальных областей в сеть DMN. Результаты BMA представлены втаблицах 8 и 9.Таблица 8 – Средние значения параметров связей (в Гц) по результатам BMA, включениеLHIP.
В столбцах показаны области-источники активности, в строках – приёмники активности.Нетривиальные значимые (p<0.05) связи выделены жирным шрифтом (* не значимо послекоррекции Бонферрони). Цветом выделен связь, параметр которой значимо изменился посравнению с моделью базовых областей.BMAв mPFCв PCCв LIPCв RIPCв LHIPиз mPFC0,10*-0,18-0,08*0,00*из PCC0,15*0,02*-0,01*0,00*из LIPC0,200,230,210,11*из RIPC0,180,220,22из LHIP0,16*0,290,280,300,02*Таблица 9 – Средние значения параметров связей (в Гц) по результатам BMA, включениеRHIP. В столбцах – области источники активности, в строках – приёмники.
![](https://s.studizba.com/z.php?f=/templates/si/i/noavatar.png&w=100&h=100&t=1"){kind=avatar}
