Cross-Population Amplitude Coupling in High-Dimensional Oscillatory Neural Time Series
高维振荡神经时间序列的跨群体振幅耦合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：摘要直接研究高维时间序列的潜在互相关及领先滞后关系，按时间序列方法归类，其应用对象为神经记录而非宏观数据。
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…
高维振荡神经时间序列的跨群体振幅耦合
- 研究问题
- 如何从两个脑区的高维多电极记录中提取随时间变化的振荡振幅协动，并识别少量主导的跨区域领先与滞后关系？
- 方法与思路
- 作者以潜在时间序列的互相关将典型相关分析扩展至多条时间序列，并设计统计程序，从大量可能的领先滞后关系中筛选主导效应。
- 材料陈述的贡献
- 摘要称，方法在拟真模拟中识别了设定结构，在前额叶与 V4 局部场电位应用中得到合理结果，并可用于其他缓变高维时间序列。
- 阅读关注点
- 应核对时间变化的估计方式、潜在序列的构造、滞后筛选与多重比较控制，以及模拟结构和真实脑区关系的解释依据。
- 阅读边界
- 这是 arXiv 预印本，同行评审或接收状态未核实；摘要未说明统计条件和误差控制，领先滞后相关也不足以确立脑区因果作用。
原文摘要
Neural oscillations have long been considered important markers of interaction across brain regions, yet identifying coordinated oscillatory activity from high-dimensional multiple-electrode recordings remains challenging. We sought to quantify time-varying covariation of oscillatory amplitudes across two brain regions, during a memory task, based on local field potentials recorded from 96 electrodes in each region. We extended Canonical Correlation Analysis (CCA) to multiple time series through the cross-correlation of latent time series. This, however, introduces a large number of possible lead-lag cross-correlations across the two regions. To manage that high dimensionality we developed rigorous statistical procedures aimed at finding a small number of dominant lead-lag effects. The method correctly identified ground truth structure in realistic simulation-based settings. When we used it to analyze local field potentials recorded from prefrontal cortex and visual area V4 we obtained highly plausible results. The new statistical methodology could also be applied to other slowly-varying high-dimensional time series.