在一个巨大的EEG多元宇宙中迷失? 对比代表性管道选择的采样方法

科学领域:

• 神经科学是一个神经科学.
• 数据科学数据科学数据科学
• 计算生物学 计算生物学

背景情况:

• 数据分析管道的多样性导致科学研究中的可复制性较低.
• 这一问题在脑电图 (EEG) 数据分析中尤为突出.
• 多元分析旨在评估各种管道的结果稳定性,但计算所有通常是不可行的,导致依赖采样方法和潜在的多元采样不确定性.

研究的目的:

• 开发和评估一个开源工具来比较管道样本在多元分析中的代表性.
• 评估不同的采样方法如何影响EEG数据分析中的稳定性估计.
• 为了减轻大规模神经成像研究中采样引入的偏差.

主要方法:

• 使用EEG记录计算了一个528管道的多元宇宙,用于情绪分类任务 (从晚期积极潜力预测外向).
• 采用了三种抽样方法 (随机,分层,主动学习),从整个多元宇宙中选择了5% (26个管道).
• 在这些样本中评估了模型匹配分布的代表性.

主要成果:

• 在不同的采样方法中观察到模型匹配分布的代表性变化.
• 积极学习和分层抽样表明了整个多元宇宙的最高代表性.
• 通过交叉验证来评估可复制性,并对管道样本大小的可复制性进行了探索.

结论:

• 在大型多元宇宙分析中,代表性管道采样对于减轻偏差至关重要.
• 选择采样策略显著影响稳定性估计的可靠性.
• 开发的工具有助于研究人员选择适当的采样方法,以便进行更可靠的神经成像研究.