高维多主体时间序列过渡矩阵推断与应用到大脑连接分析

科学领域:

• 神经科学是一个神经科学.
• 统计 统计 统计 统计
• 机器学习 机器学习

背景情况:

• 有效的连接分析揭示了有针对性的神经影响,这对于理解大脑功能至关重要.
• 矢量自回归 (VAR) 模型对于这种分析是有价值的,但现有的方法在测量错误,多个对象和过渡矩阵推断方面存在困难.
• 神经科学中的高维数据为准确的连接建模提出了独特的挑战.

研究的目的:

• 开发一种可靠的方法来推断高维度VAR模型中的过渡矩阵,这些模型具有测量误差和多个对象.
• 提出一种同时测试程序,可以准确控制错误发现,同时最大限度地提高统计能力.
• 用模拟数据和现实世界功能磁共振成像 (fMRI) 数据验证拟议的方法.

主要方法:

• 开发了一个修改后的预期最大化 (EM) 算法,以处理测量错误和多个对象.
• 创建了一个新的测试统计数据,使用在偏差纠正的滞后自动共变量估计器上使用张量回归.
• 为了可靠的推断,实施了适当值的同时测试.

主要成果:

• 修改后的EM算法显示其估计的统一一致性.
• 拟议的测试程序实现了一致的错误发现控制.
• 测试的统计能力被证明是接近一个非对称的,表明高效率.
• 该方法的性能通过模拟和应用到任务唤起的fMRI数据来验证.

结论:

• 开发的同时测试程序为复杂场景中的有效连接分析提供了强大而可靠的方法.
• 这种方法可以在高维VAR模型中推断过渡矩阵,特别是在处理测量误差和多个对象时.
• 这些发现对从神经成像数据中理解大脑网络动态具有重大意义.