Among the large variety of models for large-scale brain activity, effective models achieve a good trade-off between model accuracy and complexity and can be fit to activity data of individual subjects from functional magnetic resonance imaging. We will use an effective model of whole-brain dynamics to fit individual brain activity data from the Human Connectome Project (a large neuroimaging database) and address the relationship between the model nonlinearity and the "dynamic functional connectivity" (temporal variations in the correlation between signals of different areas). In particular, we will focus on the "dynamic functional connectivity speed", a scalar index measuring the rapidity of variation in connectivity patterns, and investigate whether the model reproduces its empirical distribution and whether the latter is related to the model's nonlinearity.
Tra la grande varietà di modelli per l'attività cerebrale su larga scala, gli "effective models" raggiungono un buon compromesso tra accuratezza e complessità del modello e possono essere adattati ai dati di risonanza magnetica funzionale dell'attività dei singoli soggetti. Useremo un modello delle dinamiche del cervello per analizzare i dati dell'attività cerebrale individuale dal Progetto Human Connectome (un grande database di neuroimaging) e affronteremo la relazione tra la non linearità del modello e la "connettività funzionale dinamica" (variazioni temporali nella correlazione tra i segnali di aree diverse). In particolare, ci concentreremo sulla "velocità di connettività funzionale dinamica", un indice scalare che misura la rapidità di variazione nei modelli di connettività, e indagheremo se il modello riproduce la sua distribuzione empirica e se quest'ultima è correlata alla non linearità del modello.
Connettività dinamica e non-linearità in un modello computazionale del cervello
CERNI, PAOLO LAPO
2022/2023
Abstract
Among the large variety of models for large-scale brain activity, effective models achieve a good trade-off between model accuracy and complexity and can be fit to activity data of individual subjects from functional magnetic resonance imaging. We will use an effective model of whole-brain dynamics to fit individual brain activity data from the Human Connectome Project (a large neuroimaging database) and address the relationship between the model nonlinearity and the "dynamic functional connectivity" (temporal variations in the correlation between signals of different areas). In particular, we will focus on the "dynamic functional connectivity speed", a scalar index measuring the rapidity of variation in connectivity patterns, and investigate whether the model reproduces its empirical distribution and whether the latter is related to the model's nonlinearity.File | Dimensione | Formato | |
---|---|---|---|
Cerni_Paolo_Lapo.pdf
accesso aperto
Dimensione
9.9 MB
Formato
Adobe PDF
|
9.9 MB | Adobe PDF | Visualizza/Apri |
The text of this website © Università degli studi di Padova. Full Text are published under a non-exclusive license. Metadata are under a CC0 License
https://hdl.handle.net/20.500.12608/53061