×

一阶向量自回归模型对功能磁共振成像数据是最优的吗? (英语) Zbl 1414.92191

摘要:我们考虑了功能磁共振成像(fMRI)数据向量自回归(VAR)模型的最优阶数选择问题。许多先前的研究使用1的模型顺序,忽略了它可能在不同的数据维度、主题、任务和实验设计的数据集之间有很大的差异。此外,所使用的经典信息准则(IC)(例如Akaike IC(AIC))是有偏差的,并且不适用于通常具有小样本量的高维fMRI数据。我们通过对三种典型数据类型(静息状态、事件相关设计)使用不同的模型选择标准进行综合评估,检验了功能磁共振成像最佳VAR阶数的混合结果,特别是一阶假设的有效性,以及一个区块设计数据集——从不同功能的大脑网络中获得不同的时间序列维度。我们使用了一个更为平衡的判据,即基于Kullback对称散度的Kullback IC(KIC),并结合了两个有向发散。我们也考虑偏差修正版本(AICc和KICc)以改进小样本下的VAR模型选择。仿真结果表明,与经典准则相比,该准则具有更好的小样本选择性能。这两种偏差校正集成电路提供了更准确和一致的模型顺序选择比他们的有偏差的对手,他们遭受过度拟合,其中KICc表现最好。实际数据的结果表明,在所有小到中等维度的数据集中,根据所有标准选择大于1的阶数,特别是从小型特定网络(如静息状态默认模式网络和任务相关的运动网络)中选择,而在全脑网络的大维度中,选择接近一个但不一定是一个的低阶。

理学硕士:

92C55型 生物医学成像与信号处理
第62页 统计学在生物学和医学科学中的应用;荟萃分析

软件:

DPARSF公司
PDF格式 BibTeX公司 XML 引用
全文: 内政部

参考文献:

[1] 卡瓦诺,J.E.(1999年)。基于Kullback对称散度的大样本模型选择准则。统计概率。利特。,42,333-343·Zbl 0955.62012
[2] 卡瓦纳,J.E.(2004年)。基于Kullback对称散度的线性模型选择准则。南方的。新西兰J.Stat.,46(2),257-274·Zbl 1061.62004
[3] Craddock,R.C.,James,G.A.,Holtzheimer,P.E.,Hu,X.P.,和Mayberg,H.S.(2012年)。通过空间约束谱聚类生成全脑功能磁共振图谱。人脑绘图,331914-1928年,
[4] Deshpande,G.,LaConte,S.,James,G.A.,Peltier,S.和Hu,X.(2009年)。功能磁共振成像数据的多元格兰杰因果关系分析。人脑绘图,301361-1373,
[5] Gorrostieta,C.,Fiecas,M.,Ombao,H.,Burke,E.和Cramer,S.(2013年)。层次向量自回归模型及其在多主体有效连通性中的应用。计算神经科学前沿,7(159),1-11。
[6] Gorrostieta,C.,Ombao,H.,Bedard,P.和Sanes,J.N.(2012年)。使用混合效应向量自回归模型研究大脑连通性。神经影像学,59,3347-3355,
[7] Harrison,L.,Penny,W.D.和Friston,K.(2003年)。功能磁共振成像时间序列的多元自回归建模。神经影像学,191477-1491,
[8] Hurvich,C.M.和Tsai,C.L.(1989年)。小样本回归与时间序列模型选择。生物计量学,76297-307·零担0669.62085
[9] Hurvich,C.M.和Tsai,C.L.(1993年)。向量自回归模型选择的修正Akaike信息准则。J、 时间序列分析。,14,271-279·Zbl 0768.62076
[10] Khalid,M.U.和Seghuane,A.K.(2014年)。一种用于fMRI数据分析的SVD稀疏字典学习算法。IEEE统计信号处理研讨会论文集(第65-68页)。新泽西州皮斯卡塔韦:IEEE。
[11] Lee,K.,Tak,S.和Ye,J.C.(2011年)。基于MDL准则的稀疏字典学习fMRI数据驱动稀疏GLM。IEEE传输。医学影像学,30(5),1076-1089,
[12] Lund,T.E.,Nøgard,M.D.,Rostrup,E.,Rowe,J.B.和Paulson,O.B.(2005年)。运动或活动:它们在功能磁共振成像中受试者内和受试者间变化中的作用。神经影像学,26(3),960-964,
[13] 彭妮,W.D.(2012年)。比较动态因果模型使用AIC,BIC和自由能。神经影像学,59319-330,
[14] Penny,W.D.,Stephan,K.E.,Mechelli,A.和Friston,K.J.(2004年)。比较动态因果模型。神经影像学,22,1157-1172,
[15] Satoa,J.R.,Fujitab,A.,Cardosoc,E.F.,Thomazd,C.E.,Brammer,M.J.和Amaro,Jr.,E.(2010年)。分析感兴趣区域之间的连通性:一种基于聚类格兰杰因果关系的fMRI数据分析方法。神经影像学,52(4),1444-1455,
[16] Seghuane,A.K.(2006年)。利用Kullback对称散度从有限样本中选择向量自回归模型阶数。IEEE传输。电路与系统-I普通论文,53(10),2327-2335·Zbl 1377.62031
[17] Seghuane,A.K.和Amari,S.(2012年)。直接影响的识别:格兰杰因果关系,库尔贝克-莱布勒分歧和复杂性。神经计算,241722-1739·Zbl 1311.92115
[18] Seghuane,A.K.和Bekara,M.(2004年)。基于Kullback对称散度的小样本模型选择准则。IEEE传输。信号处理。,52(12),3314-3323·Zbl 1373.62035
[19] Shehzad,Z.,Kelly,A.M.,Reiss,P.T.,Gee,D.G.,Gotimer,K.,Uddin,L.Q.,…米勒姆,M.P.(2009年)。静息的大脑:不受约束但可靠。大脑皮层,19209-2229,
[20] Shibata,R.(1989年)。模型选择的统计方面。在C.Willems(编辑),从数据到模型(第215-240页)。纽约:斯普林格·维拉格,
[21] Ting,C.-M.,Seghuane,A.-K.,Salleh,S.-H.和Noor,A.B.M.(2014年)。利用因子模型从功能磁共振成像数据估计高维脑连通性。在IEEE统计信号处理论文集。研讨会(第73-76页)。新泽西州皮斯卡塔韦:IEEE。
[22] Ting,C.-M.,Seghuane,A.-K.,Salleh,S.-H.和Noor,A.B.M.(2015年)。使用基于因子的子空间自回归模型从fMRI数据估计有效连通性。IEEE信号处理。信件,22(6),757-761,
[23] Tzourio Mazoyer,N.,Landeau,B.,Papathanassou,D.,Crivello,F.,Etrad,O.,Delcroix,N.,…Joliot,M.,(2002年)。利用MNI-MRI单个受试者大脑的宏观解剖分组,自动标记SPM中的激活。神经影像学,15273-289,
[24] Valdés-Sosa,P.A.(2004年)。脑流形上定义的时空自回归模型。神经信息学,239-250,
[25] Valdés-Sosa,P.A.,sánchez Bornot,J.M.,Lage Castellanos,A.,Vega Hernández,M.,Bosch Bayard,J.,Melie GarcíA,L.和Canales Rodríguez,E.(2005年)。用稀疏多元自回归估计脑功能连通性。菲洛斯。翻译。R、 Soc。B、 360969-981,
[26] Yan,C.和Zang,Y.(2010年)。DPARSF:一个用于静态fMRI“流水线”数据分析的MATLAB工具箱。系统神经科学前沿,4(13),1-7。
此参考列表基于出版商或数字数学图书馆提供的信息。它的项被试探性地匹配到zbMATH标识符,并且可能包含数据转换错误。它试图尽可能准确地反映原始论文中列出的参考文献,而不要求匹配的完整性或精确性。