فایل ورد کامل تعیین مشخصات حفظ وزن در شبکه های پیچیده کارکردی مغز

توجه : به همراه فایل word این محصول فایل پاورپوینت (PowerPoint) و اسلاید های آن به صورت هدیه ارائه خواهد شد

این مقاله، ترجمه شده یک مقاله مرجع و معتبر انگلیسی می باشد که به صورت بسیار عالی توسط متخصصین این رشته ترجمه شده است و به صورت فایل ورد (microsoft word) ارائه می گردد

متن داخلی مقاله بسیار عالی، پر محتوا و قابل درک می باشد و شما از استفاده ی آن بسیار لذت خواهید برد. ما عالی بودن این مقاله را تضمین می کنیم

فایل ورد این مقاله بسیار خوب تایپ شده و قابل کپی و ویرایش می باشد و تنظیمات آن نیز به صورت عالی انجام شده است؛ به همراه فایل ورد این مقاله یک فایل پاور پوینت نیز به شما ارئه خواهد شد که دارای یک قالب بسیار زیبا و تنظیمات نمایشی متعدد می باشد

توجه : در صورت مشاهده بهم ریختگی احتمالی در متون زیر ،دلیل ان کپی کردن این مطالب از داخل فایل می باشد و در فایل اصلی فایل ورد کامل تعیین مشخصات حفظ وزن در شبکه های پیچیده کارکردی مغز،به هیچ وجه بهم ریختگی وجود ندارد

تعداد صفحات این فایل: ۳۵ صفحه

چکیده

شبکه های پیچیده کارکردی مغزی شبکه هایی بزرگ از نواحی مغزی و اتصالات کارکردی مغزی می باشند. تعیین مشخصات آماری این شبکه ها با هدف تعیین خصوصیات سراسری و محلی فعالیت مغزی از طریق تعداد کمی از اندازه گیری های شبکه ای انجام می شود. برخی از مهمترین اندازه گیری های کارکردی شبکه عبارتند از اندازه گیری پیمانگی شبکه (اندازه گیری میزان بهینگی تقسیم شبکه به زیر گروه های کارکردی) و اندازه گیری مرکزیت (اندازه گیری اثر کارکردی نواحی انفرادی مغز). تعیین مشخصه های شبکه های کارکردی بیش از پیش محبوب شده اند اما با مشکلاتی در زمینه روش مواجه هستند. این مشکلات عبارتند از عدم توانایی در مشخص سازی شبکه های کارکردی با اتصالات متراکم و وزن دار، نادیده گرفتن قسمت هایی متمایز از شبکه که پیمانگی آنها بالا بوده و همچنین، نبود یک شبکه ی صفر (null) برای تست فرضیه ی ارتباط بین خصوصیات با اهمیت و مشاهده شده در شبکه و خصوصیات اتصال وزن دار. در این مطالعه، ما مجموعه ای از روش ها جهت غلبه بر این مشکلات را بررسی می کنیم. ما به طور خاص اندازه گیری پیمانگی و مرکزیت را به شبکه های پیچیده وزن دار با اتصال کامل تعمیم می دهیم، ردیابی قسمت های منحط با پیمانگی بالا در این شبکه ها را توصیف می کنیم و یک مدل صفر با اتصالات وزن دار را برای این شبکه ها معرفی می کنیم. ما روش خود را با نمایش قسمت های منحط با پیمانگی بالا و همبستگی های زیاد بین دو معیار مکمل مرکزیت در شبکه های کارکردی MRI از ۱۰۰۰ کانکتوم (Connectome) کارکردی که مخزنی از دیتاست های کارکردی MRI است، مطرح می نماییم. روش های ما منجر به تعیین منطقی و مطمئن مشخصات و مقایسه ی شبکه های کارکردی مغزی در شرایط و آزمودنی های مختلف می گردند.

بحث

ما معیارهای پیمانگی، انحطاط پیمانگی بالا و مرکزیت در شبکه های مغزی کارکردی پیچیده را تعریف کرده و مدل صفری را توصیف می کنیم که این معیارها در برابر انها ارزیابی می شوند. ما معیارهای خود را در شبکه های MRI کارکردی در حالت استراحت پیاده سازی کرده و انحطاط پارتیشن با پیمانگی بالا و همبستگی قدرتمند بین دو معیار مکمل مرکزیت را نشان دادیم. معیارهای ما شبکه های کارکردی با اتصال کامل، وزن مثبت و منفی را توصیف می کنند. بعکس، اکثر معیارها در نمایش های تنک و باینری شبکه های کارکردی استفاده می کنند. نمایش تنک با تعریف آستانه وزن اختیاری ساخته شده و به بررسی آستانه های زیادی نیازمند است و همچنین در آن چندین مقایسه آماری انجام می شود. علاوه بر این، آستانه ها برقی اوقات اتصالات قدرتمند را حفظ نکرده و اتصالات ضعیف را حذف نمی کنند بلکه به سطوحی از تنکی دست یافته که تفاوت های بین گروهی در آن ها تقویت شده است. در این مطالعه نشان دادیم که پارتیشن های محاسبه شده بر روی نمایش های بسیار تنک به صورت فزاینده ای زیر مقدار بهینه قرار می گیرند. معیارهای پیشنهادی ما ممکن است نیاز به تحلیل های اختیاری را مرتفع کرده و راه را برای توصیف معقول و منطقی شبکه هموار کنند.

عنوان انگلیسی:Weight-conserving characterization of complex functional brain networks~~en~~

Abstract

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.

Discussion

We defined measures of modularity, high-modularity degeneracy and centrality in complex functional brain networks, and we described a null model against which these measures may be assessed. We applied our measures to an ensemble of resting-state functional MRI networks and demonstrated degeneracy of highmodularity partitions and strong correlations between two complementary measures of centrality. Our measures characterize fully connected, positively and negatively weighted functional networks. In contrast, most measures in current use characterize sparse and binary representations of functional networks. Sparse representations are typically constructed by defining arbitrary weight thresholds, require the exploration of many thresholds, and are consequently associated with multiple statistical comparison problems. Furthermore, thresholds are sometimes chosen not to preserve strong connections and remove weak connections, but to achieve levels of sparseness at which betweengroup differences are pronounced. In this study, we showed that partitions computed on increasingly sparse representations became increasingly less optimal. Our proposed measures may obviate the need for these arbitrary analyses and open the way toward more sound and reliable network characterizations.

$$en!!