×
谢里克·穆罕默德;迪帕克·戴伊。

高维脑电图数据的可缩放时空贝叶斯分析。 （英语。法语摘要） Zbl 07759571号

可以。J.统计。 49，编号1，107-128（2021）.
摘要：我们提出了一种可扩展的贝叶斯建模方法，用于识别对特定刺激有反应的大脑区域，并使用它们对受试者进行分类。更具体地说，我们处理多主体脑电图（EEG）数据，用二进制响应区分酒精组和对照组。协变量是矩阵变量，在多个时间点的不同位置对每个受试者进行测量。脑电数据具有复杂的结构，具有空间和时间属性。我们使用分而治之的策略，构建单独的本地模型，即每个时间点一个模型。我们使用贝叶斯变量选择方法，在确定对特定刺激作出响应的位置之前，使用结构化的连续脉冲和实验室。我们通过空间和时间相关矩阵的Kronecker乘积来合并时空结构。我们开发了一种高度可扩展的估计算法，使用似然近似来处理模型中的大量参数。变量选择是通过基于激活持续时间的位置聚类来完成的。我们使用评分规则来评估预测性能。仿真研究证明了我们的可扩展算法在估计和快速计算方面的效率。我们在多主体脑电图数据的案例研究中使用我们的可扩展方法给出了结果。
{©2021加拿大统计学会}

MSC公司：

62至XX 统计

关键词：

吉布斯采样;脑电逆问题;克罗内克产品;似然近似;墨菲图;变量选择

软件：

艾格拉布
PDF格式BibTeX公司 XML格式引用
\textit{S.Mohammed}和\textit{D.K.Dey}，加拿大。J.Stat.49，No.1，107--128（2021；Zbl 07759571）
全文： DOI程序

参考文献：

[1] Albert，J.H.&Chib，S.（1993）。二进制和多光子响应数据的贝叶斯分析。美国统计协会杂志，88，669-679·Zbl 0774.62031号
[2] Andersen，M.R.、Winther，O.和Hansen，L.K.（2014）。结构化尖峰和平板先验的贝叶斯推断。《神经信息处理系统的进展》（Advances In Neural Information Processing Systems），Z.Ghahramani（ed.）、M.Welling（ed。Curran Associates Inc.，纽约州Red Hook，第1745-1753页。
[3] Andersen，M.R.、Vehtari，A.、Winther，O.和Hansen，L.K.（2017年）。时空尖峰和平板先验的贝叶斯推断。机器学习研究杂志，18，5076-5133·Zbl 1442.62049号
[4] Azzalini，A.和Dalla‐Valle，A.（1996）。多元正态分布。Biometrika，83115-726·Zbl 0885.62062号
[5] Banerjee，S.、Gelfand，A.E.、Finley，A.O.和Sang，H.（2008）。大型空间数据集的高斯预测过程模型。英国皇家统计学会杂志：B辑，70825-848·Zbl 1533.62065号
[6] Costa，F.、Batatia，H.、Oberlin，T.、D'giano，C.和Tourneret，J.‐Y。(2017). 基于结构化稀疏先验的贝叶斯脑电源定位。神经影像学，144142-152。
[7] Datta，A.、Banerjee，S.、Finley，A.O.、Hamm，N.A.和Schaap，M.（2016a）。大时空数据的不可分离动态最近邻高斯过程模型及其在颗粒物分析中的应用。应用统计年鉴，101286-1316·Zbl 1391.62269号
[8] Datta，A.、Banerjee，S.、Finley，A.O.和Gelfand，A.E.（2016b）。大型地质统计数据集的层次最近邻高斯过程模型。美国统计协会杂志，111800-812。
[9] Delorme，A.和Makeig，S.（2004）。EEGLAB：一个开源工具箱，用于单次试验脑电图动力学分析，包括独立成分分析。神经科学方法杂志，134，9-21。
[10] Ehm，W.、Gneiting，T.、Jordan，A.和Krüger，F.（2016）。分位数和期望值：一致的评分函数、Choquet表示和预测排名。英国皇家统计学会杂志：B辑，78，505-562·Zbl 1414.62038号
[11] Friston，K.、Harrison，L.、Daunizeau，J.、Kiebel，S.、Phillips，C.、Trujillo‐Barreto，N.、Henson，R.、Flandin，G.和Mattout，J..（2008）。M/EEG逆问题的多个稀疏先验。神经影像学，39（3），1104-1120。
[12] Gneiting，T.和Raftery，A.E.（2007年）。严格正确的评分规则、预测和评估。美国统计协会杂志，102359-378·Zbl 1284.62093号
[13] Grech，R.、Cassar，T.、Muscat，J.、Camilleri，K.P.、Fabri，S.G.、Zervakis，M.、Xanthopoulos，P.、Sakkalis，V.和Vanrumste，B.（2008）。脑电信号源分析中逆问题的求解综述。神经工程与康复杂志，5，25。
[14] 黑斯廷斯，W.K.（1970）。使用马尔可夫链的蒙特卡罗抽样方法及其应用。《生物统计学》，57，97-109·Zbl 0219.65008号
[15] 埃尔南德斯·洛巴托（Hernández‐Lobato，D.）、埃尔南德斯‐洛巴托，J.M.和杜邦，P.（2013）。使用期望传播进行贝叶斯群特征选择的广义尖峰和板先验。《机器学习研究杂志》，1891-1945年，第14期·Zbl 1318.62229号
[16] Hoerl，A.E.&Kennard，R.W.（1970年）。岭回归：非正交问题的有偏估计。技术计量学，12，55-67·Zbl 0202.17205号
[17] Hu，Y.和Allen，G.I.（2015）。通过分布式优化实现大数据的局部聚合建模：神经成像应用。生物统计学，71905-917·Zbl 1419.62372号
[18] Im，首席执行官。（编辑）（编辑）。计算脑电图分析。方法和应用。新加坡施普林格。
[19] Jatoi，M.A.、Kamel，N.、Malik，A.S.、Faye，I.和Begum，T.（2014）。使用脑电图信号进行源定位的方法综述。生物医学信号处理与控制，11，42-52。
[20] Liu，F.、Chakraborty，S.、Li，F.，Liu，Y.和Lozano，A.C.（2014）。基于图拉普拉斯的贝叶斯正则化。贝叶斯分析，9449-474·Zbl 1327.62152号
[21] Mitchell，T.J.和Beauchamp，J.J.（1988）。线性回归中的贝叶斯变量选择。美国统计协会杂志，83，1023-1032·Zbl 0673.62051号
[22] Mohammed，S.、Dey，D.K.和Zhang，Y.（2019年）。贝叶斯变量选择使用尖峰和平板先验，并通过局部建模应用于高维脑电图数据。英国皇家统计学会杂志：C辑，681305-1326。
[23] Mohammed，S.、Dey，D.K.和Zhang，Y.（2020年）。高维脑电图数据的分类，以及使用结构化尖峰和板波优先的位置选择。统计分析和数据挖掘：美国统计局数据科学期刊，13（5），465-481·Zbl 07260693号
[24] Neal，R.M.（2003）。切片采样。《统计年鉴》，31705-767·Zbl 1051.65007号
[25] Nathoo，F.S.、Babul，A.、Moiseev，A.、Virji‐Babul、N.和Beg，T.F.（2014）。用于电磁脑成像的变分贝叶斯时空模型。生物统计学，70132-143·Zbl 1419.62415号
[26] Pascual‐Marqui，R.D.、Michel，C.M.和Lehmann，D.（1994）。低分辨率电磁层析成像：一种定位大脑电活动的新方法。国际心理生理学杂志，18，49-65。
[27] Phillips，C.、Rugg，M.D.和Friston，K.J.（2002年）。脑电信号源定位的解剖信息基函数：结合功能和解剖约束。《神经影像》，16（3），678-695。
[28] Savage，L.J.（1971）。激发个人概率和期望。美国统计协会杂志，66783-801·Zbl 0253.92008号
[29] Snodgrass，J.G.和Vanderwart，M.（1980）。一组260张标准图片：名称一致性、图像一致性、熟悉度和视觉复杂性的标准。实验心理学杂志：人类学习和记忆，6174。
[30] Srinivasan，R.、Winter，W.R.和Nunez，P.L.（2006）。使用高分辨率脑电和脑磁图对脑电振荡进行源分析。脑研究进展，159，29-42。
[31] Tian，T.S.、Huang，J.Z.、Shen，H.和Li，Z.（2012）。一种用于MEG源重建的双向正则化方法。应用统计年鉴，61021-1046·Zbl 1254.92059号
[32] Tibshirani，R.（1996）。通过套索回归收缩和选择。英国皇家统计学会杂志：B辑，58267-288·Zbl 0850.62538号
[33] Ting，C.、Ombao，H.和Samdin，S.B.（2017年）。使用状态切换因子模型估计功能磁共振成像中的动态连接状态。IEEE医学成像学报，37（4），1011-1023。
[34] Titsias，M.K.和Lázaro‐Gredilla，M.（2011）。用于多任务和多核学习的尖峰和平板变分推理。《神经信息处理系统进展》，第24卷，J.Shawe‐Taylor（编辑）、R.S.Zemel（编辑），P.L.Bartlett（编辑）和F.Pereira（编辑）以及K.Q.Weinberger（编辑）编辑。Curran Associates Inc.，纽约州Red Hook，第2339-2347页。
[35] Trujillo‐Barreto，N.J.、Aubert‐Vázquez，E.和Penny，W.D.（2008）。基于时空先验的贝叶斯M/EEG源重建。神经影像，39，318-335。
[36] 维奇亚，A.V.（1988）。连续空间过程的估计和模型识别。英国皇家统计学会杂志：B辑，50297-312。
[37] Vila，J.P.和Schniter，P.（2013）。期望最大化高斯混合近似消息传递。IEEE信号处理汇刊，614658-4672·Zbl 1393.94471号
[38] Wang，Y.，Ting，C.，&Ombao，H.（2016）。在高维皮层源信号中建立有效连接模型。IEEE信号处理选定主题杂志，10（7），1315-1325。
[39] Wipf，D.&Nagarajan，S.（2009年）。MEG/EEG源成像的统一贝叶斯框架。《神经影像》，44（3），947-966。
[40] Zhou，H.和Li，L.（2014）。正则化矩阵回归。英国皇家统计学会杂志：B辑，76463-483·Zbl 07555458号
[41] Zhou，H.、Li，L.和Zhu，H.（2013）。张量回归在神经影像数据分析中的应用。美国统计协会杂志，108，540-552·Zbl 06195959号
此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配，可能包含数据转换错误。在某些情况下，zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献，而不要求完整或完全匹配。