人口受体场估计的不确定性由变异性qPRF揭示出来
Sebastian Waz1, Yalin Wang2, Zhong-Lin Lu3
1Center for Neural Science, New York University, 4 Washington Place, NY, 10003, NY, USA.
我们开发了qPRF-v,这是一个更快的方法,用于人口受感场 (pRF) 建模. 它量化了pRF估计的不确定性,提高了视网膜图的准确性,并使个性化大脑分析成为可能.
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.
- 脑部成像 脑部成像
背景情况:
- 人口受体场 (pRF) 建模对于神经科学中的视网膜图谱绘制至关重要.
- 由于计算的局限性,传统的pRF估计缺乏方差量化.
- 在pRF估计的变化源于扫描仪,神经血管,生理和任务因素.
研究的目的:
- 介绍 qPRF-v,一个用于快速和准确的 pRF 建模的新型软件扩展.
- 量化与pRF模型参数相关的不确定性.
- 提高人口级视网膜图的质量和细节.
主要方法:
- 引入了qPRF-v,这是qPRF软件的扩展,实现了对pRF估计的1000倍以上的速度增长.
- 利用变化推断来有效地近似pRF参数的后方方差异.
- 通过简单的平均值,R平方加权平均值和反变量加权平均值生成的比较视网膜图.
主要成果:
- qPRF-v显著加快了pRF估计,同时保持了适合性.
- 变异推理揭示了神经动力学参数的大量不确定性.
- 与传统方法相比,反变量加权平均值大大提高了视网膜图的图形质量和离心率细节.
结论:
- qPRF-v通过直接解决变异性来提高视网膜类地图的准确性.
- 该方法使视觉处理能够进行更强大,更个性化的分析.
- 这一进步支持个性化神经科学和改进的大脑地图,用于研究和临床使用.
更多相关视频
07:55The Optical Fractionator Technique to Estimate Cell Numbers in a Rat Model of Electroconvulsive Therapy
Published on: July 9, 2017
07:28Psychophysically-anchored, Robust Thresholding in Studying Pain-related Lateralization of Oscillatory Prestimulus Activity
Published on: January 21, 2017
相关概念视频
Propagation of Uncertainty from Random Error
Uncertainty: Confidence Intervals
Estimation of the Physical Quantities
Estimating Population Mean with Unknown Standard Deviation
William S. Gosset (1876–1937) of the...
Propagation of Uncertainty from Systematic Error
Distributions to Estimate Population Parameter
