使用隐马尔可夫模型（半马尔可夫模型）研究癫痫患者大脑默认网络（DMN）连接的动态时间模式

《Cognitive Neurodynamics》：Dynamic temporal patterns of DMN connectivity in epilepsy using hidden (semi-) Markov models

本研究对比癫痫患者与健康对照组的默认模式网络动态功能连接，采用隐马尔可夫模型及两种隐半马尔可夫模型（含Gamma和Poisson驻留分布），发现患者低连接状态驻留时间延长且转换灵活性降低，证实Gamma型隐半马尔可夫模型在捕捉动态连接改变方面更具敏感性，为癫痫机制研究提供新视角。

　　

摘要

癫痫是一种以反复发作的无诱因性癫痫发作为特征的神经系统疾病。默认模式网络（DMN）中的连接性改变与癫痫有关，这突显了其在癫痫发作传播中的作用。在本研究中，我们使用数据驱动的动态功能连接性（dFC）模型，比较了癫痫患者与健康对照组之间DMN连接性的时间模式。具体来说，我们采用了一个隐马尔可夫模型（HMM）和两个具有伽马（Gamma）及泊松（Poisson）转移分布的隐半马尔可夫模型（HSMM），以捕捉潜在的脑状态转换以及隐藏的连接状态及其时间特性。为每位受试者计算了动态指标（即分数占用率、转换率和平均寿命），发现他们在低连接状态下的停留时间较长，状态转换的灵活性降低，尤其是在低连接的DMN状态下。与标准HMM相比，HSMM（尤其是Gamma变体）在捕捉这些变化方面表现出更高的敏感性，这突显了在动态功能连接性分析中采用灵活的转移模型的重要性。此外，组别特定的转换模式表明DMN状态转换的时间进程受到了干扰。我们的发现强调了HSMM在捕捉功能脑状态变化方面的潜力，并为癫痫患者DMN的动态重组提供了新的见解。