莱拉·韦赫贝;阿迪提亚·拉姆达斯;丽贝卡·C·斯特尔斯。;Cosma Rohilla沙利兹 有规律的大脑阅读,收缩和平滑。 (英语) Zbl 1397.62474号 附录申请。斯达。 1997-2022年第4期第9期(2015年). 摘要:功能性神经成像测量大脑对复杂刺激的反应。然而,样本大小适中,噪音很大,刺激是高维的。因此,直接估计本身就不精确,需要进行正规化。我们比较了一组通过收缩进行正则化的方法:岭回归、弹性网(岭回归和套索的推广)和基于小面积估计的分层贝叶斯模型(SAE)。我们将正则化与空间平滑以及平滑与收缩的组合进行了对比。所有方法都是在多个受试者的功能磁共振成像(fMRI)数据上进行测试的,这些受试者参与了两个与阅读相关的不同实验,用于预测对刺激的神经反应和从反应中解码刺激。有趣的是,当通过交叉验证为每个体素独立选择正则化参数时,在分类精度高/低的体素中选择低/高正则化,这表明正则化强度是识别认知任务相关体素的良好工具。令人惊讶的是,所有的正则化方法都能很好地工作,这表明击败基本平滑和收缩不仅需要聪明的方法,还需要谨慎的建模。 引用于2文件 MSC公司: 62页第10页 统计学在生物学和医学科学中的应用;元分析 62J07型 岭回归;收缩估计器(拉索) 关键词:功能磁共振成像;小面积估算;正规化;收缩,收缩;空间平滑;岭回归 软件:Matlab公司;Glmnet公司;ElemStatLearn(电子状态学习);最小功率12 PDF格式BibTeX公司 XML格式引用 \textit{L.Wehbe}等人,Ann.Appl。Stat.9,No.4,1997--2022(2015;Zbl 1397.62474) 全文: 内政部 arXiv公司 欧几里得 参考文献: [1] Abbott,L.F.和Sejnowski,T.J.编辑(1998年)。神经代码和分布式表示:神经计算的基础。麻省理工学院出版社,马萨诸塞州剑桥。 [2] Ashburner,J.、Barnes,G.、Chen,C.-C.、Daunizeau,J.,Flandin,G.,Friston,K.、Kiebel,S.、Kilner,J..、Litvak,V.、Moran,R.、Penny,W.、Rosa,M.、Stephan,K.,Gitelman,D.、Henson,R.,Hutton,C.、Glauche,V.,Mattout,J.和Phillips,C.(2008)。SPM8手册。伦敦大学学院神经病学研究所威康信托神经成像中心功能成像实验室。 [3] 阿什比,F.G.(2011)。FMRI数据的统计分析。麻省理工学院出版社,马萨诸塞州剑桥。 [4] Ballard,D.H.、Zhang和Rao,R.P.N.(2002)。分布式同步:神经信号的概率模型。在《大脑的概率模型:感知和神经功能》(R.P.N.Rao,B.A.Olshausen和M.S.Lewicki编辑)中。神经信息处理系列273-284。麻省理工学院出版社,马萨诸塞州剑桥。 [5] Broderick,T.、Boyd,N.、Wibisono,A.、Wilson,A.C.和Jordan,M.I.(2013)。流式变分贝叶斯。神经信息处理系统进展26【NIPS 2013】(C.J.C.Burges、L.Bottou、M.Welling、Z.Ghahramani和K.Q.Weinberger编辑)1727-1735。 [6] Cristianini,N.和Shawe-Taylor,J.(2000)。支持向量机简介:以及其他基于内核的学习方法。剑桥大学出版社,马萨诸塞州剑桥·Zbl 0994.68074号 [7] Datta,G.S.、Ghosh,M.、Steorts,R.和Maples,J.(2011年)。贝叶斯基准测试在小面积估算中的应用。测试20 574-588·Zbl 1274.62197号 ·doi:10.1007/s11749-010-0218-y [8] Engel,A.K.、Fries,P.和Singer,W.(2001年)。动态预测:自顶向下处理中的振荡和同步。Nat.Rev.,《神经科学》。2 704-716. [9] Friedman,J.、Hastie,T.、Tibshirani,R.和Jiang,H.(2010)。用于Matlab的Glmnet。斯坦福大学统计系。 [10] Fries,P.(2009)。神经元γ带同步是皮层计算中的一个基本过程。每年。神经科学评论。32 209-224. [11] Friston,K.J.、Rothshtein,P.、Geng,J.J.、Sterzer,P.和Henson,R.N.(2010年)。对功能定位器的批评。《人脑绘图基础问题》(S.J.Hanson和M.Bunzl编辑)3-24。麻省理工学院出版社,马萨诸塞州剑桥。 [12] Genovese,C.R.(2000年)。功能磁共振成像数据的贝叶斯时间过程模型。J.Amer。统计师。协会95 691-703。 [13] Golub,G.H.、Heath,M.和Wahba,G.(1979年)。广义交叉验证是一种选择良好脊线参数的方法。技术计量21 215-223·Zbl 0461.62059号 ·doi:10.2307/1268518 [14] Hastie,T.、Tibshirani,R.和Friedman,J.(2001)。统计学习的要素:数据挖掘、推理和预测。纽约州施普林格·Zbl 0973.62007号 [15] Haufe,S.、Meinecke,F.、Görgen,K.、Dähne,S.,Haynes,J.-D.、Blankertz,B.和Bießmann,F.(2014)。多元神经成像中线性模型权重向量的解释。神经影像87 96-110。 [16] Hoerl,A.E.和Kennerd,R.W.(1970年)。岭回归:非正交问题的有偏估计。技术计量12 55-67·Zbl 0202.17205号 ·doi:10.307/1267351 [17] Jaakkola,T.和Haussler,D.(1999)。在区分分类器中开发生成模型。神经信息处理系统进展11[NIPS 1998](M.J.Kearns、S.A.Solla和D.A.Cohn编辑)487-493。麻省理工学院出版社,马萨诸塞州剑桥。 [18] Kyung,M.、Gill,J.、Ghosh,M.和Casella,G.(2010年)。惩罚回归、标准误差和贝叶斯套索。贝叶斯分析。5 369-411. ·Zbl 1330.62289号 ·doi:10.1214/10-BA607 [19] Lee,K.-J.、Jones,G.L.、Caffo,B.S.和Bassett,S.S.(2011年)。功能磁共振成像时间序列数据的空间贝叶斯变量选择模型·Zbl 1327.62507号 ·doi:10.1214/14-BA873 [20] Logothetis,N.K.(2008年)。fMRI能做什么和不能做什么。《自然》453 869-878。 [21] Louis,T.A.(1984)。使用贝叶斯和经验贝叶斯方法估计总体参数值。J.Amer。统计师。协会79 393-398·doi:10.1080/01621459.1984.10478062 [22] Mitchell,T.M.、Shinkareva,S.V.、Carlson,A.、Chang,K.-M.、Malave,V.L.、Mason,R.A.和Just,M.A.(2008年)。预测与名词含义相关的人脑活动。科学320 1191-1195。 [23] Naselaris,T.、Kay,K.N.、Nishimoto,S.和Gallant,J.L.(2011年)。fMRI中的编码和解码。神经影像56 400-410。 [24] Neiswanger,W.、Wang,C.和Xing,E.(2013)。渐进精确,令人尴尬的平行MCMC。预打印。可从获取。arXiv:1311.4780 [25] Norman,K.A.、Polyn,S.M.、Detre,G.J.和Haxby,J.V.(2006)。除读心术外:功能磁共振成像数据的多盒模式分析。趋势认知。科学。10 424-430. [26] Palatucci,M.、Pomerleau,D.、Hinton,G.E.和Mitchell,T.M.(2009)。使用语义输出代码进行零炮学习。神经信息处理系统进展22【NIPS 2009】(Y.Bengio,D.Schuurmans,J.Lafferty,C.K.I.Williams和A.Culotta,eds.)1410-1418。麻省理工学院出版社,马萨诸塞州剑桥。 [27] Park,M.、Koyejo,O.、Ghosh,J.、Poldrack,R.A.和Pillow,J.W.(2013)。功能神经成像的贝叶斯结构学习。在第16届国际人工智能与统计会议上(C.M.Carlvaho和P.Ravikumar编辑)489-497。 [28] Pereira,F.、Mitchell,T.和Botvinick,M.(2009年)。机器学习分类器和fMRI:教程概述。NeuroImage 45 S199-S209。 [29] Pfeffermann,D.(2013年)。小面积估算的新重要进展。统计师。科学。28 40-68. ·Zbl 1332.62038号 ·doi:10.1214/12-STS395 [30] Poldrack,R.A.(2008)。fMRI在认知神经科学中的作用:我们站在哪里?货币。操作。神经生物学。18 223-227. [31] Rao,J.N.K.(2003)。小面积估算。新泽西州霍博肯威利·Zbl 1026.62003年 [32] Rieke,F.、Warland,D.、de Ruyter van Stevenick,R.和Bialek,W.(1999)。Spikes:探索神经代码。麻省理工学院出版社,马萨诸塞州剑桥·Zbl 0912.92004号 [33] Rowling,J.K.(2012)。《哈利·波特与魔法石》。伦敦Pottermore有限公司。 [34] Scott,S.L.,Blocker,A.W.和Bonassi,F.V.(2013)。贝叶斯和大数据:共识蒙特卡罗算法。在“EFaB@Bayes(贝叶斯)250”会议,2013年12月16日,杜克大学。 [35] Shepherd,G.M.(1994)。《神经生物学》,第三版,牛津大学出版社,伦敦。 [36] Smith,S.M.(2004)。fMRI分析概述。英国无线电杂志。77 S167-S175。 [37] Sudre,G.、Pomerleau,D.、Palatucci,M.、Wehbe,L.、Fyshe,A.、Salmelin,R.和Mitchell,T.(2012)。跟踪具体名词的感知和语义特征的神经编码。神经影像62 451-463。 [38] Tibshirani,R.(1996)。通过套索进行回归收缩和选择。J.罗伊。统计师。Soc.序列号。乙58 267-288·Zbl 0850.62538号 [39] Tzourio-Mazoyer,N.、Landeau,B.、Papathanassiou,D.、Crivello,F.、Etard,O.、Delcroix,N.,Mazoyer、B.和Joliot,M.(2002年)。使用MNI MRI单个受试者大脑的宏观解剖分割,自动标记SPM中激活的解剖结构。神经影像15 273-289。 [40] von Luxburg,U.(2007年)。光谱聚类教程。统计计算。17 395-416. ·数字对象标识代码:10.1007/s11222-007-9033-z [41] 温赖特,M.J.和乔丹,M.I.(2008)。图形模型、指数族和变分推理。福恩德。趋势马赫数。学习。1 1-305. ·Zbl 1193.62107号 ·数字对象标识代码:10.1561/220000001 [42] Wehbe,L.、Murphy,B.、Talukdar,P.、Fyshe,A.、Ramdas,A.和Mitchell,T.(2014)。同时揭示参与不同故事阅读子过程的大脑区域的模式。公共图书馆综合频道9 e112575。 [43] Wehbe,L.、Ramdas,A.、Steorts,R.C.和Shalizi,C.R.(2015)。补充“收缩和平滑的常规大脑阅读”·Zbl 1397.62474号 [44] Yarkoni,T.、Poldrack,R.A.、Nichols,T.E.、Van Essen,D.C.和Wager,T.D.(2011)。人类功能神经成像数据的大规模自动合成。自然方法8 665-670。 [45] Zou,H.和Hastie,T.(2005)。通过弹性网进行规则化和变量选择。J.R.统计社会服务。B.统计方法。67 301-320·Zbl 1069.62054号 ·数字对象标识代码:10.1111/j.1467-9868.2005.0050.x 此参考列表基于出版商或数字数学图书馆提供的信息。它的项目与zbMATH标识符启发式匹配,并且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。