Effective connectivity in functional neuroimaging studies is defined as the time dependent causal influence that a certain brain region of interest (ROI) exerts on another. Structural equation modeling (SEM) is regularly employed to analyze effective connectivity. In recent years, various SEM methods have been proposed to model effective connectivity. However, there has been little attempt to develop SEM methods for analyzing common patterns of effective connectivity across subjects despite the prevalence of multiple-subject research in effective connectivity. This dissertation proposes a method that fills this gap. This method is called dynamic generalized (multiple-set) structured canonical correlation analysis (dynamic GCANO). It combines generalized (multiple-set) canonical correlation analysis (GCANO) with a multivariate autoregressive time series model in a unified framework. This dissertation begins with a brief review of existing SEM techniques, and points out their limitations in analyzing multiple-subject effective connectivity data, which serves as a motivation to develop dynamic GCANO. The technical underpinnings of the proposed method are then stated, including specifications of a modeling framework and an optimization criterion for parameter estimation, which is minimized by an alternating least squares algorithm. The effectiveness of dynamic GCANO is demonstrated by analyzing both synthetic and real data sets. The former reveals reasonably good parameter recoveries by the proposed method, while the latter shows the usefulness of the method in empirical research. Several features of dynamic GCANO are highlighted through these examples. The dissertation concludes with possible extensions of the proposed method. / Suivant les méthodes d'imagerie fonctionnelle cérébrale, une connectivité efficace est définie comme influence dépendant de causalité temporelle qu'une certaine région d'intérêt du cerveau (ROI) exerce sur une autre. La modélisation par équation structurelle (SEM) est régulièrement utilisée pour analyser la connectivité efficace. Ces dernières années, diverses méthodes de SEM ont été proposées pour la modélisation de la connectivité efficace. Cependant, il y a eu peu de tentative pour développer des méthodes de SEM pour analyser les modèles communs de connectivité efficace sur-sujets, malgré la prédominance de recherche sur des sujets multiples pour analyser la connectivité efficace. Cette thèse propose une méthode qui comble cette lacune. Cette méthode est appelée dynamique généralisée (multiples ensemble) structuré l'analyse de corrélation canonique (dynamique GCANO). Elle combine généralisée (multiples ensemble) structuré l'analyse de corrélation canonique (GCANO) avec multivariée des séries chronologiques autorégressif dans un cadre unifié. Cette thèse commence par un bref sommaire sur les techniques existantes de SEM et souligne leurs limites pour analyser les données de plusieurs sous réserve pour la connectivité efficace, ce qui a mené à développer la dynamique GCANO. Les techniques de base de la méthode proposée sont ensuite énumérées, y compris les spécifications du cadre de modélisation et un critère d'optimisation pour l'estimation de paramètres, qui est réduit par alternant algorithme des moindres carrés. L'efficacité du dynamique GCANO est démontrée par l'analyse des ensembles de données synthétiques et réels. Les données synthétiques montrent une récupération raisonnable de paramètre par la méthode proposée, alors que les données réelles montrent l'utilité de la méthode dans les recherches empiriques. Plusieurs fonctionnalités du dynamique sont mises en évidence par le biais de ces exemples. En conclusion, la thèse propose des extensions possibles de la méthode proposée.
| Identifer | oai:union.ndltd.org:LACETR/oai:collectionscanada.gc.ca:QMM.123190 |
| Date | January 2014 |
| Creators | Zhou, Lixing |
| Contributors | Heungsun Hwang (Supervisor) |
| Publisher | McGill University |
| Source Sets | Library and Archives Canada ETDs Repository / Centre d'archives des thèses électroniques de Bibliothèque et Archives Canada |
| Language | English |
| Detected Language | French |
| Type | Electronic Thesis or Dissertation |
| Format | application/pdf |
| Coverage | Doctor of Philosophy (Department of Psychology) |
| Rights | All items in eScholarship@McGill are protected by copyright with all rights reserved unless otherwise indicated. |
| Relation | Electronically submitted theses |
Page generated in 0.0066 seconds