The flow of information between different regions of the cortex is fundamental for brain function. Researchers use causality detection techniques, such as Granger causality, to infer connectivity among brain areas from time series. Generalized partial directed coherence (GPDC) is a frequency domain linear method based on vector autoregressive model, which has been applied in electroencephalography, local field potential, and blood oxygenation level-dependent signals. Despite its widespread usage, previous attempts to validate GPDC use oversimplified simulated data, which do not reflect the nonlinearities and network couplings present in biological signals. In this work, we evaluated the GPDC performance when applied to simulated LFP signals, i.e., generated from networks of spiking neuronal models. We created three models, each containing five interacting networks, and evaluated whether the GPDC method could accurately detect network couplings. When using a stronger coupling, we showed that GPDC correctly detects all existing connections from simulated LFP signals in the three models, without false positives. Varying the coupling strength between networks, by changing the number of connections or synaptic strengths, and adding noise in the times series, altered the receiver operating characteristic (ROC) curve, ranging from perfect to chance level retrieval. We also showed that GPDC values correlated with coupling strength, indicating that GPDC values can provide useful information regarding coupling strength. These results reinforce that GPDC can be used to detect causality relationships over neural signals.

中文翻译：

---

使用尖峰神经网络模型评估连接性评估。

皮质不同区域之间的信息流动是大脑功能的基础。研究人员使用诸如Granger因果关系等因果关系检测技术来根据时间序列推断大脑区域之间的连通性。广义局部有向相干（GPDC）是一种基于矢量自回归模型的频域线性方法，已应用于脑电图，局部场电势和血液氧合水平相关信号。尽管已广泛使用该方法，但先前验证GPDC的尝试还是使用了过于简化的模拟数据，该数据不能反映出生物信号中存在的非线性和网络耦合。在这项工作中，我们评估了GPDC在应用于模拟LFP信号（即从尖峰神经元模型网络生成的信号）时的性能。我们创建了三个模型，每个都包含五个相互作用的网络，并评估GPDC方法是否可以准确检测网络耦合。当使用更强的耦合时，我们表明GPDC可以正确地从三个模型中的模拟LFP信号中检测到所有现有连接，而不会产生误报。通过更改连接数或突触强度并添加时间序列中的噪声来改变网络之间的耦合强度，从而改变了接收器的工作特性（ROC）曲线，范围从完美到机会级别检索。我们还显示GPDC值与耦合强度相关，这表明GPDC值可以提供有关耦合强度的有用信息。这些结果加强了GPDC可用于检测神经信号的因果关系。并评估了GPDC方法是否可以准确检测网络耦合。当使用更强的耦合时，我们表明GPDC可以正确地从三个模型中的模拟LFP信号中检测到所有现有连接，而不会产生误报。通过更改连接数或突触强度并添加时间序列中的噪声来改变网络之间的耦合强度，从而改变了接收器的工作特性（ROC）曲线，范围从完美到机会级别检索。我们还显示GPDC值与耦合强度相关，这表明GPDC值可以提供有关耦合强度的有用信息。这些结果加强了GPDC可用于检测神经信号的因果关系。并评估了GPDC方法是否可以准确检测网络耦合。当使用更强的耦合时，我们表明GPDC可以正确地从三个模型中的模拟LFP信号中检测到所有现有连接，而不会产生误报。通过更改连接数或突触强度并添加时间序列中的噪声来改变网络之间的耦合强度，从而改变了接收器的工作特性（ROC）曲线，范围从完美到机会级别检索。我们还显示GPDC值与耦合强度相关，这表明GPDC值可以提供有关耦合强度的有用信息。这些结果加强了GPDC可用于检测神经信号的因果关系。我们证明了GPDC可以从三个模型中的模拟LFP信号正确检测到所有现有连接，而不会出现误报。通过更改连接数或突触强度并添加时间序列中的噪声来改变网络之间的耦合强度，从而改变了接收器的工作特性（ROC）曲线，范围从完美到机会级别检索。我们还显示GPDC值与耦合强度相关，这表明GPDC值可以提供有关耦合强度的有用信息。这些结果加强了GPDC可用于检测神经信号的因果关系。我们证明了GPDC可以从三个模型中的模拟LFP信号正确检测到所有现有连接，而不会出现误报。通过更改连接数或突触强度并添加时间序列中的噪声来改变网络之间的耦合强度，从而改变了接收器的工作特性（ROC）曲线，范围从完美到机会级别检索。我们还显示GPDC值与耦合强度相关，这表明GPDC值可以提供有关耦合强度的有用信息。这些结果加强了GPDC可用于检测神经信号的因果关系。通过更改连接数或突触强度，并在时间序列中添加噪声，更改了接收器工作特性（ROC）曲线，范围从完美到机会级别检索。我们还显示GPDC值与耦合强度相关，这表明GPDC值可以提供有关耦合强度的有用信息。这些结果加强了GPDC可用于检测神经信号的因果关系。通过更改连接数或突触强度，并在时间序列中添加噪声，更改了接收器工作特性（ROC）曲线，范围从完美到机会级别检索。我们还显示GPDC值与耦合强度相关，这表明GPDC值可以提供有关耦合强度的有用信息。这些结果加强了GPDC可用于检测神经信号的因果关系。