多个大脑区域之间的同步估计是理解大脑功能的关键问题。 缺少一种合适的方法，该方法能够（1）测量多个大脑区域活动同步的方向和强度，以及（2）适应Swift增加的神经信号的大小和规模。 非线性相互依赖性（NLI）分析是一种用于测量双变量神经信号的同步方向和强度的有效方法。 然而，该方法当前不能直接应用于处理多元信号。 NLI算法的超高复杂性长期以来一直阻碍了它的实际应用。 针对这些问题，这项研究（1）扩展了常规NLI以量化多变量神经信号的全局同步，并且（2）开发了一种并行化NLI方法，该方法在图形处

多个大脑区域之间的同步估计是理解大脑功能的关键问题。 缺少一种合适的方法，该方法能够（1）测量多个大脑区域活动同步的方向和强度，以及（2）适应Swift增加的神经信号的大小和规模。 非线性相互依赖性（NLI）分析是一种用于测量双变量神经信号的同步方向和强度的有效方法。 然而，该方法当前不能直接应用于处理多元信号。 NLI算法的超高复杂性长期以来一直阻碍了它的实际应用。 针对这些问题，这项研究（1）扩展了常规NLI以量化多变量神经信号的全局同步，并且（2）开发了一种并行化NLI方法，该方法在图形处