US DE COOKIES Utilitzem cookies necessàries de sistema per al correcte funcionament de la web i cookies opcionals de Google Analytics per obtenir estadístiques de visita. +info
Configuració cookies
Necessàries
Les cookies necessàries són absolutament essencials perquè el lloc web funcioni correctament. Aquesta categoria només inclou galetes que garanteixen funcionalitats bàsiques i funcions de seguretat del lloc web. Aquestes cookies no emmagatzemen cap informació personal.
Nom
Proveïdor
Propietat
Finalitat
Caducitat
+info
_GRECAPTCHA
google.com
Propia
Proveir protecció antispam amb el servei reCaptcha
6 mesos
cc_cookie_accept
fidmag.org
Propia
Usada per confirmar que l'usuari ha confirmat / refusat les cookies (i quins tipus accepta)
1 any
WEB_SESSION
fidmag.org
Propia
Cookie técnica: cookie de sessió PHP. Guarda l'id de sessió d'usuari.
al acabar la sessió
Anàlisi
Les cookies analítiques s'utilitzen per entendre com interactuen els visitants amb el lloc web. Aquestes cookies ajuden a proporcionar informació sobre mètriques, el nombre de visitants, el percentatge de rebots, la font del trànsit, etc.
Nom
Proveïdor
Propietat
Finalitat
Caducitat
+info
_ga
Google Analytics
De tercers
Cookie d'anàlisi o mesurament: Identifica els usuaris i proporciona informació sobre com els usuaris troben la pàgina web i com la utilitzen per a realització d'Informes estadístics
2 anys
_gat_gtag_UA_141706552_1
Google Analytics
De tercers
Cookie d'anàlisi o mesurament: Tracking per part de google per google analytics
1 minut
_gid
Google Analytics
De tercers
Cookie d'anàlisi o mesurament: S'usa per limitar el percentatge de sol·licituds
Regularized Functional Connectivity in Schizophrenia.
Salvador R, Fuentes-Claramonte P, García-León MÁ, Ramiro N, Soler-Vidal J, Torres ML, Salgado-Pineda P, Munuera J, Voineskos A, Pomarol-Clotet E
Servei limitat a col·laboradors/res de la xarxa de centres de Germanes Hospitalàries. Rebreu un missatge al vostre correu-e amb un enllaç per a la descàrrega del present article.
Abstract
Regularization may be used as an alternative to dimensionality reduction when the number of variables in a model is much larger than the number of available observations. In a recent study from our group regularized regression was employed to quantify brain functional connectivity in a sample of healthy controls using a brain parcellation and resting state fMRI images. Here regularization is applied to evaluate resting state connectivity abnormalities at the voxel level in a sample of patients with schizophrenia. Specifically, ridge regression is implemented with different degrees of regularization. Results are compared to those delivered by the weighted global brain connectivity method (GBC), which is based on averaged bivariate correlations and from the non-redundant connectivity method (NRC), a dimensionality reduction approach that applies supervised principal component regressions. Ridge regression is able to detect a larger set of abnormally connected regions than both GBC and NRC methods, including schizophrenia related connectivity reductions in fronto-medial, somatosensory and occipital structures. Due to its multivariate nature, the proposed method is much more sensitive to group abnormalities than the GBC, but it also outperforms the NRC, which is multivariate too. Voxel based regularized regression is a simple and sensitive alternative for quantifying brain functional connectivity.
![isciii[1]](https://fidmag.org/ca/img/0-60-ESCALA/isciii1.png "isciii[1]")
