贝叶斯解卷法用于fMRI数据的计算认知建模
Jonathon R Howlett1, Katia M Harlé1, Alan N Simmons1
1VA San Diego Healthcare System, San Diego, CA, USA; Department of Psychiatry, University of California San Diego, La Jolla, CA, USA.
NeuroImage
|April 13, 2025
概括
这项研究引入了一种新的贝叶斯解卷方法来分析fMRI数据,揭示了条纹活动反映了奖励预期期间的预测错误. 这种技术比传统的fMRI分析提供了更可靠的参数估计.
科学领域:
- 认知神经科学 认知神经科学
- 神经成像分析分析 神经成像分析
- 计算精神病学是一种计算精神病学.
背景情况:
- 目前的功能磁共振成像 (fMRI) 分析工具很难直接估计使用血液氧气水平依赖 (BOLD) 信号的计算认知模型的潜在参数.
- 从可观测的神经数据推断认知过程是认知神经科学的一个关键目标.
研究的目的:
- 介绍一种新的贝叶斯解卷技术,用于对fMRI时间序列数据的层次生成性认知建模.
- 通过将其应用于货币激励延迟 (MID) 任务并识别激励预期过程来验证该技术.
主要方法:
- 开发并应用贝叶斯解卷技术用于fMRI时间序列分析.
- 使用了层次化的生成认知建模方法.
- 通过使用MID任务在临床试验中对焦虑和抑郁症进行fMRI扫描的54名患者的数据验证了该方法.
主要成果:
- 在预期货币收益或损失时,条形奖励区域的活动反映了激励预测错误,而不是原始激励价值.
- 来自生成贝叶斯学习模型的个别参数比传统的fMRI分析指数更可靠地估计.
- 关键可靠的参数包括持续的先前和预测错误和BOLD信号之间的β缩放术语.
结论:
- 新的贝叶斯解卷法使得从fMRI BOLD信号中直接估计潜在的认知参数.
- 与传统的fMRI分析相比,这种方法提供了更可靠的参数估计.
- 该技术具有广泛的潜力,用于研究各种神经过程和健康和疾病的个体差异.
更多相关视频
08:45Mapping Cortical Dynamics Using Simultaneous MEG/EEG and Anatomically-constrained Minimum-norm Estimates: an Auditory Attention Example
Published on: October 24, 2012
14.6K
08:19Simultaneous Data Collection of fMRI and fNIRS Measurements Using a Whole-Head Optode Array and Short-Distance Channels
Published on: October 20, 2023
952
