Connectivity studies of the brain are usually based on functional Magnetic Resonance Imaging (fMRI) experiments involving many subjects. These studies need to take into account not only the interaction between areas of a single brain but also the differences amongst those subjects. In this paper we develop a methodology called the group-structure (GS) approach that models possible heterogeneity between subjects and searches for distinct homogeneous sub-groups according to some measure that reflects the connectivity maps. We suggest a GS method that uses a novel distance based on a model selection measure, the Bayes factor. We then develop a new class of Multiregression Dynamic Models to estimate individual networks whilst acknowledging a GS type dependence structure across subjects. We compare the efficacy of this methodology to three other methods, virtual-typical-subject (VTS), individual-structure (IS) and common-structure (CS), used to infer a group network using both synthetic and real fMRI data. We find that the GS approach provides results that are both more consistent with the data and more flexible in their interpretative power than its competitors. In addition, we present two methods, the Individual Estimation of Multiple Networks (IEMN) and the Marginal Estimation of Multiple Networks (MEMN), generated from the GS approach and used to estimate all types of networks informed by an experiment —individual, homogeneous subgroups and group networks. These methods are then compared both from a theoretical perspective and in practice using real fMRI data.

中文翻译：

---

使用 fMRI 网络时间序列的多回归动态模型进行组分析

大脑的连通性研究通常基于涉及许多受试者的功能性磁共振成像 (fMRI) 实验。这些研究不仅需要考虑单个大脑区域之间的相互作用，还需要考虑这些受试者之间的差异。在本文中，我们开发了一种称为组结构 (GS) 方法的方法，该方法对受试者之间可能的异质性进行建模，并根据反映连通性图的某种度量来搜索不同的同质子组。我们建议使用基于模型选择度量（贝叶斯因子）的新距离的 GS 方法。然后，我们开发了一类新的多回归动态模型来估计单个网络，同时承认跨学科的 GS 类型依赖结构。我们将这种方法的功效与其他三种方法进行比较，虚拟典型主体 (VTS)、个体结构 (IS) 和公共结构 (CS)，用于使用合成和真实 fMRI 数据推断组网络。我们发现，与竞争对手相比，GS 方法提供的结果与数据更加一致，并且在解释力上更加灵活。此外，我们提出了两种方法，即多个网络的个体估计 (IEMN) 和多个网络的边际估计 (MEMN)，它们由 GS 方法生成并用于估计实验通知的所有类型的网络——个体、同质子组和群组网络。然后使用真实的 fMRI 数据从理论角度和实践中比较这些方法。个体结构 (IS) 和公共结构 (CS)，用于使用合成和真实 fMRI 数据推断组网络。我们发现，与竞争对手相比，GS 方法提供的结果与数据更加一致，并且在解释力上更加灵活。此外，我们提出了两种方法，即多个网络的个体估计 (IEMN) 和多个网络的边际估计 (MEMN)，它们由 GS 方法生成并用于估计实验通知的所有类型的网络——个体、同质子组和群组网络。然后使用真实的 fMRI 数据从理论角度和实践中比较这些方法。个体结构 (IS) 和公共结构 (CS)，用于使用合成和真实 fMRI 数据推断组网络。我们发现，与竞争对手相比，GS 方法提供的结果与数据更加一致，并且在解释力上更加灵活。此外，我们提出了两种方法，即多个网络的个体估计 (IEMN) 和多个网络的边际估计 (MEMN)，它们由 GS 方法生成并用于估计实验通知的所有类型的网络——个体、同质子组和群组网络。然后使用真实的 fMRI 数据从理论角度和实践中比较这些方法。我们发现，与竞争对手相比，GS 方法提供的结果与数据更加一致，并且在解释力上更加灵活。此外，我们提出了两种方法，即多个网络的个体估计 (IEMN) 和多个网络的边际估计 (MEMN)，它们由 GS 方法生成并用于估计实验通知的所有类型的网络——个体、同质子组和群组网络。然后使用真实的 fMRI 数据从理论角度和实践中比较这些方法。我们发现，与竞争对手相比，GS 方法提供的结果与数据更加一致，并且在解释力上更加灵活。此外，我们提出了两种方法，即多个网络的个体估计 (IEMN) 和多个网络的边际估计 (MEMN)，它们由 GS 方法生成并用于估计实验通知的所有类型的网络——个体、同质子组和群组网络。然后使用真实的 fMRI 数据从理论角度和实践中比较这些方法。从 GS 方法生成并用于估计由实验通知的所有类型的网络——个体、同质子组和组网络。然后使用真实的 fMRI 数据从理论角度和实践中比较这些方法。从 GS 方法生成并用于估计由实验通知的所有类型的网络——个体、同质子组和组网络。然后使用真实的 fMRI 数据从理论角度和实践中比较这些方法。