代数据自适应自回归 (IDAR) 漂白过程用于长短TR fMRI
Kun Yue1, Jason Webster2, Thomas Grabowski2,3
1Department of Biostatistics, University of Washington, Seattle, WA, United States.
Frontiers in neuroscience
|August 19, 2024
概括
在fMRI数据中的序列相关性使分析复杂化,特别是短重复时间 (TRs). 一种代白化方法,IDAR,显示出希望,但需要进一步开发,以充分解决剩余相关性和I型错误率.
科学领域:
- 神经成像是一种神经成像.
- 统计分析 统计分析
- 大脑功能研究研究大脑功能研究
背景情况:
- 功能磁共振成像 (fMRI) 对大脑研究至关重要.
- 在fMRI数据中的序列相关性带来了重大的分析挑战,并可能导致错误的结论.
- 传统的统计方法与fMRI数据固有的复杂序列相关性作斗争.
研究的目的:
- 评估传统美白程序对短TR fMRI 数据的不足.
- 引入和评估一种代美白方法,IDAR,用于解决序列相关性.
- 将IDAR的性能与分析fMRI数据的传统方法进行比较.
主要方法:
- 对fMRI数据的现有美白方法的研究不足.
- 开发并实施了一种代的数据适应自回归 (IDAR) 模型.
- 采用高阶自回归模型与数据驱动的订单来捕获复杂的序列相关性.
主要成果:
- 传统的美白方法 (AR(1),ARMA(1,1)) 对短TR fMRI 数据无效.
- 与传统方法相比,IDAR显著改善了序列相关性减少,统计能力和I型错误控制,特别是对于短TR数据.
- IDAR在同时管理剩余相关性和膨胀的I型错误率方面遇到了局限性.
结论:
- 在短TR fMRI 数据中需要解决序列相关性,这是非常必要的,因为它们的流行率越来越高.
- IDAR为各种fMRI数据集提供了可行的解决方案,但需要进一步精细化以获得最佳性能.
- 未来的研究应该专注于创新的方法,同时减轻序列相关性和控制I型错误,而不牺牲分析能力.
