...
  • 主题
高级搜索  >
历史搜索 清空历史
首页> 外文期刊>Journal of Neuroscience Methods >On the discovery of group-consistent graph substructure patterns from brain networks
【24h】

On the discovery of group-consistent graph substructure patterns from brain networks

机译：从脑网络中发现群一致图子结构模式

获取原文
获取原文并翻译 | 示例
           
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Complex networks constitute a recurring issue in the analysis of neuroimaging data. Recently, network motifs have been identified as patterns of interconnections since they appear in a significantly higher number than in randomized networks, in a given ensemble of anatomical or functional connectivity graphs. The current approach for detecting and enumerating motifs in brain networks requires a predetermined motif repertoire and can operate only with motifs of small size (consisting of few nodes). There is a growing interest in methodologies for frequent graph-based pattern mining in large graph datasets that can facilitate adaptive design of motifs. The results presented in this paper are based on the graph-based Substructure pattern mining (gSpan) algorithm and introduce a manifold of ways to exploit it for data-driven motif extraction in connectomics research. Functional connectivity graphs from electroencephalographic (EEG) recordings during resting state and mental calculations are used to demonstrate our approach. Relying on either time-invariant or time-evolving graphs, characteristic motifs associated with various frequency bands were derived and compared. With a suitable manipulation, the gSpan discovers motifs which are specific to performing mental arithmetics. Finally, the subject-dependent temporal signatures of motifs' appearance revealed the transient nature of the evolving functional connectivity (math-related motifs "come and go"). ? 2012 Elsevier B.V.
机译：复杂的网络构成了神经影像数据分析中反复出现的问题。近来，由于在给定的解剖学或功能连接图集合中，网络主题的出现数量明显多于随机网络，因此它们被确定为互连的模式。当前用于检测和枚举脑网络中的图案的方法需要预先确定的图案库，并且只能与小尺寸的图案（由少量节点组成）一起使用。人们对大型图形数据集中频繁基于图形的模式挖掘的方法学越来越感兴趣，该方法可以促进图案的自适应设计。本文提出的结果基于基于图的子结构模式挖掘（gSpan）算法，并介绍了在连接组学研究中将其用于数据驱动的主题抽取的多种方法。脑电图（EEG）记录的静止状态和心理计算过程中的功能连接图用于演示我们的方法。依靠时不变图或时变图，得出并比较了与各种频带相关的特征图案。通过适当的操作，gSpan会发现特定于执行心理算术的主题。最后，主题出现的主题相关的时间特征揭示了不断发展的功能连接性的暂时性（与数学相关的主题“来来去去”）。 ？ 2012年Elsevier B.V.

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号