ABSTRACT Causal interaction estimation among neuronal groups plays an important role in the assessment of brain functions. These directional relations can be best illustrated by means of graphical modeling which is a mathematical representation of a network. Here, we propose an efficient framework to derive a graphical model for the statistical analysis of multivariate processes from observed time series in a data-driven pipeline to explore the interregional brain interactions. A major part of this analysis is devoted to the graph link estimation, which is a measure capable of dealing with the multivariate analysis obstacles. In this paper, we use the Transfer Entropy (TE) measure and focus on its calculation that requires efficient estimation of high dimensional conditional probability distributions. Our method is based on the simplification of high dimensional parts of the conventional TE definition and especially devoted to the reduction of estimation dimension through searching for the most informative contents of the high dimensional parts. To this end, we exploit the causal Markov properties for time series graphs and prove that only a specified subset of involved variables plays an important role in multivariate TE estimation. We demonstrate the performance of our method for stationary processes using some numerical simulated examples as well as real neurophysiological data.

中文翻译：

---

基于链接估计的新方法推断时变大脑连接图

摘要 神经元组之间的因果相互作用估计在评估大脑功能中起着重要作用。这些方向关系可以通过图形建模最好地说明，图形建模是网络的数学表示。在这里，我们提出了一个有效的框架，用于从数据驱动管道中观察到的时间序列中导出用于多元过程的统计分析的图形模型，以探索区域间的大脑相互作用。该分析的主要部分致力于图链接估计，这是一种能够处理多变量分析障碍的措施。在本文中，我们使用传输熵 (TE) 度量并专注于其计算，该计算需要对高维条件概率分布进行有效估计。我们的方法基于对传统 TE 定义的高维部分的简化，特别致力于通过搜索高维部分信息量最大的内容来减少估计维数。为此，我们利用时间序列图的因果马尔可夫特性，并证明只有涉及变量的指定子集在多变量 TE 估计中起重要作用。我们使用一些数值模拟示例以及真实的神经生理学数据证明了我们的方法在平稳过程中的性能。我们利用时间序列图的因果马尔可夫特性，并证明只有涉及变量的指定子集在多变量 TE 估计中起重要作用。我们使用一些数值模拟示例以及真实的神经生理学数据证明了我们的方法在平稳过程中的性能。我们利用时间序列图的因果马尔可夫特性，并证明只有涉及变量的指定子集在多变量 TE 估计中起重要作用。我们使用一些数值模拟示例以及真实的神经生理学数据证明了我们的方法在平稳过程中的性能。