在神经影像数据的分形分析方法和应用

人脑固有的高复杂性支撑着令人难以置信的各种认知、电机、和感觉功能。测量这种复杂性可以帮助定义一个综合特征能够代表一般的大脑组织。分形分析是一个框架能够代表高度复杂的结构或信号,给大脑补充和强大的工具来捕获和量化的复杂性。

自相似性的分形对象有属性。它可以分为部分,每个大约(至少)是这两份。一个严格的自相似性只存在于对象定义的数学公式。相反,真实的,自然的,或计算机模拟分形自相似只是从统计学意义上在有限区间的空间尺度上,即。,它们显示相同的统计分布空间的尺度的观察。在过去的几年里,分形分析被应用于很多大脑的结构,包括大脑皮层和皮层下白质,主要使用T1 -和diffusion-weighted磁共振成像数据。虽然呈不规则碎片形也普遍认为在二维空间中,时间序列(即一维的数据)会显示自相似性的属性。这种信号扇区或无标度,因为据说模式是一样的,不管所使用的规模。时间尺度的变化之间的关系和振幅的变化规模通常遵循一个权力关系。人类神经生理学的过程具有高度的可变性在时域(non-stationarity)和随机性,可以归因于内部和外部因素的交互影响有机体。近年来,已成功应用于分形分析EEG和血液动力学的信号,提供一定程度的可预测性和神经科学的规律在不同的领域,诸如意识研究、心境和焦虑障碍、精神分裂症、神经发育和神经退行性疾病,以及整个寿命的生理变化。

在本研究课题中,我们提供了一个概述当前和潜在的分形几何分析的方法和应用结构和功能神经影像数据。我们接受审查,原始研究,文章和观点来创建新见解的量化结构和功能神经影像数据和形状新颖的研究应用程序的复杂性。

关键字:分形分析、神经影像、神经大脑,脑电图,分形维数,功能复杂,磁共振成像,神经影像数据、自相似性、结构复杂性。

重要提示:所有贡献这个研究课题必须的范围内的部分和期刊提交,作为其使命声明中定义。雷竞技rebat前沿有权指导检查手稿更适合部分或同行评审的期刊在任何阶段。