Topological Analysis of Seizure-Induced Changes in Brain Hierarchy Through Effective Connectivity
基于有效连接的癫痫发作脑层级变化拓扑分析AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要直接研究脑区间有方向的连接结构，并明确使用多变量时间序列与 EEG 数据。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
基于有效连接的癫痫发作脑层级变化拓扑分析
- 研究问题
- 传统对称连接度量难以表达脑区相互影响的方向时，如何从多变量时间序列识别脑区层级，并描述癫痫发作期间脑区互动的变化？
- 方法与思路
- 作者提出基于因果关系的拓扑排序 CBTR，将用于评估有效连接的因果推断与 Hodge 分解结合，按脑区相互影响排序，并用模拟和 EEG 数据分析。
- 材料陈述的贡献
- 摘要称，CBTR 在模拟中准确且一致地识别层级结构，并在 EEG 应用中定位发作期间互动变化较显著的脑区，为脑组织层级研究提供线索。
- 阅读关注点
- 应核对有效连接与因果关系的操作定义、方向性估计的条件及 Hodge 排序规则，并检查模拟真值、EEG 预处理和互动变化的显著性判据。
- 阅读边界
- 这是 arXiv 预印本，同行评审及期刊接收未获核实；摘要未交代混杂处理及方向识别条件，不能仅凭排序结果确认脑区之间的干预因果效应。
原文摘要
Traditional Topological Data Analysis (TDA) methods, such as Persistent Homology (PH), rely on distance measures (e.g., cross-correlation, partial correlation, coherence, and partial coherence) that are symmetric by definition. While useful for studying topological patterns in functional brain connectivity, the main limitation of these methods is their inability to capture the directional dynamics - which is crucial for understanding effective brain connectivity. We propose the Causality-Based Topological Ranking (CBTR) method, which integrates Causal Inference (CI) to assess effective brain connectivity with Hodge Decomposition (HD) to rank brain regions based on their mutual influence. Our simulations confirm that the CBTR method accurately and consistently identifies hierarchical structures in multivariate time series data. Moreover, this method effectively identifies brain regions showing the most significant interaction changes with other regions during seizures using electroencephalogram (EEG) data. These results provide novel insights into the brain's hierarchical organization and illuminate the impact of seizures on its dynamics.