使用fMRI先验的高维多变量自回归模型对人类电生理学数据的估计

科学领域:

• 神经科学是一个神经科学.
• 计算神经科学是一种神经科学.
• 系统神经科学 系统神经科学

背景情况:

• 多变量自回归 (MVAR) 模型对于评估大脑网络中的因果相互作用至关重要.
• 估计高维电生理学数据的MVAR模型是数据密集型的,限制大规模大脑研究中的应用.
• 之前的方法集中在选择系数以减少对MVA估计的数据要求.

研究的目的:

• 开发一种更有效的数据方法,用于在高维的大脑记录中对MVAR模型进行估计.
• 将先前的神经成像信息纳入MVAR估计中,以提高准确性并减少数据需求.
• 为了促进在短时间内进行有效的连接分析,以了解大脑功能.

主要方法:

• 提出了一个权重组最小绝对收缩和选择运营商 (LASSO) 规范化策略.
• 将先前的信息,如fMRI的静止状态功能连接,纳入MVAR模型估计.
• 通过使用模拟研究与从脑内电脑学 (iEEG) 数据得出的生理现实的MVAR模型验证了该方法.

主要成果:

• 与现有的组 LASSO 方法相比,提出的方法将数据要求减少了两倍.
• 实现了更加节和准确的MVAR模型.
• 已证明对先前信息和iEEG数据采集条件 (例如不同睡眠阶段) 的变化具有强度.

结论:

• 新型加权组 LASSO 方法提高了 MVAR 模型估计效率和准确性.
• 这种方法显著降低了分析大脑网络因果关系的数据需求.
• 在短时间范围内实现精确有效的连接分析,帮助在快速行为状态转换期间研究感知和认知.