aalto1 untyped-item.component.html
Comparison of distributional measures of inter-areal synchrony in a simulated critical neural network
Loading...
Files
Aalto login required (access for Aalto Staff only).
URL
Journal Title
Journal ISSN
Volume Title
Perustieteiden korkeakoulu |
Bachelor's thesis
Electronic archive copy is available locally at the Harald Herlin Learning Centre. The staff of Aalto University has access to the electronic bachelor's theses by logging into Aaltodoc with their personal Aalto user ID. Read more about the availability of the bachelor's theses.
Unless otherwise stated, all rights belong to the author. You may download, display and print this publication for Your own personal use. Commercial use is prohibited.
Authors
Date
Department
Major/Subject
Mcode
SCI3029
Degree programme
Language
en
Pages
39
Series
Abstract
The Critical Brain Hypothesis states that the brain operates at a phase transition between order and disorder, specifically within the Griffiths phase (GP). The brain's operating point is located within the GP, where each brain function appears to be optimized at a specific, critical point. To better understand the complex brain dynamics, it is essential to develop methods for estimating the distance between the brain's operating point and the corresponding critical point. One possible method for estimating the distance to criticality is to analyze the distributional measures of inter-areal synchrony, though their suitability remains unexplored.
This study compares six different distributional measures -- standard deviation, variance, Shannon entropy, Tsallis entropy, Wasserstein distance, and Kullback-Leibler divergence -- across different stages of the phase transition. The measures were computed from Phase-Locking Value (PLV) distributions, which quantify synchrony between brain areas. The PLVs were derived from time series previously simulated using the Hierarchical Kuramoto Model for 200 nodes, each representing a brain area. The phase transition was induced by varying the local coupling strength K during the simulations. Simulations were performed using three different connectomes representing the brain structure, each differing in the way the parameter K was defined.
The results revealed clear differences between the measures, especially in their sensitivity and descriptive power. Special attention was paid to how each measure reacted to the phase transition and how these reactions varied depending on the used connectome. Shannon entropy and Kullback-Leibler divergence emerged as the most stable and informative measures, while commonly used measures such as standard deviation had limited success.
These findings suggest that entropy- and divergence-based distribution measures could serve as suitable candidates for quantifying distributional characteristics of inter-areal synchrony. Future work should further assess their quantitative robustness and applicability, for example by using resampling.
Kriittiset aivot -hypoteesin mukaan aivot operoivat faasimuutoksessa epäjärjestyksen ja järjestyksen rajalla, niin sanotussa Griffithsin faasissa (GP). Aivojen operaatiopiste sijaitsee GP:n sisällä, missä kukin aivotoiminto optimoituu tietyssä kriittisessä pisteessä. Monimutkaisten aivotoimintojen ymmärtämiseksi on olennaista löytää keinoja arvioida aivojen operaatiopisteen etäisyyttä vastaavasta kriittisestä pisteestä. Yksi mahdollinen tapa arvioida etäisyyttä kriittisyyteen on analysoida aivoalueiden välisen synkroniajakauman ominaisuuksia, vaikkakin sen toimivuuden vahvistavat tulokset ovat vielä työn alla. Erilaisten jakaumaa kuvaavien mittareiden soveltuvuutta saati niiden välisiä eroja ei ole kuitenkaan vielä tutkittu.
Tässä työssä vertaillaan kuuden erilaisen jakaumaa kuvaavan mittarin -- keskihajonnan, varianssin, Shannon-entropian, Tsallis-entropian, Wasserstein etäisyyden sekä Kullback-Leibler -poikkeaman -- käyttäytymistä faasimuutoksen eri vaiheissa. Mittarit laskettiin vaihelukkoarvojen (engl. Phase-Locking Value) jakaumista, jotka kuvaavat aivoalueiden välistä synkroniaa. Vaihelukkoarvot oli johdettu aikasarjoista, jotka oli aiemmin simuloitu hierarkkisella Kuramoto-mallilla 200:lle solmulle, joista kukin edusti yhtä aivoaluetta. Faasisiirtymä oli tuotettu kasvattamalla solmujen sisäistä kytkentäparametria K simulaatioiden aikana. Simulaatiot suoritettiin kolmelle aivojen rakennetta kuvaavalle konnektomille, jotka poikkesivat toisistaan K:n määrittelyperiaatteen perusteella.
Tulokset osoittavat selkeitä eroja mittareiden välillä erityisesti niiden herkkyydessä ja kuvaavuudessa. Erityistä huomiota kiinnitettiin siihen, miten eri mittarit reagoivat faasimuutokseen ja miten nämä reaktiot vaihtelivat simulaatioissa käytettyjen konnektomien mukaan. Shannon-entropia sekä Kullback-Leibler -poikkeama osoittautuivat kaikista vakaimmiksi sekä kuvaavimmiksi mittareiksi, kun taas yleisemmin käytössä olevat hajontamittarit, kuten keskihajonta ja varianssi suoriutuivat vertailussa heikommin.
Nämä löydökset viittavat siihen, että entropiaan ja poikkeamaan pohjautuvat mittarit voisivat olla kaikista sopivimpia mittareita määrittämään aivoalueiden välisen synkronian ominaisuuksia. Myöhemmissä tutkimuksissa tulisi arvioida tarkemmin niiden soveltuvuutta sekä vakautta hyödyntämällä esimerkiksi toisto-otantaa.