用于大规模逆协方差估计的分层图模型及其在 fMRI 中的应用
统计方法学
2014-04-08 v2 应用统计
机器学习
摘要
脑网络已引起许多神经科学家的兴趣。基于功能性磁共振成像 (fMRI) 数据，已开发出统计工具来重建脑网络。然而，全脑 fMRI 的维度通常高达数十万，这对这些方法的适用性提出了挑战。我们开发了一种分层图模型 (HGM) 以解决这一困难。该模型基于稀疏高斯图模型引入了一个隐藏的网络层，观测数据则从各个网络节点采样。在 fMRI 中，网络层模拟不同脑功能单元的底层信号以及这些单元之间的直接相互作用。引入这种分层结构不仅提供了一种形式化且可解释的方法，还使得推断具有数十万节点的大规模网络的高效计算成为可能。基于我们公式的条件凸性，我们开发了一种交替更新算法来同时计算 HGM 模型参数。该方法的有效性在模拟数据和来自停止/启动 (stop/go) fMRI 实验的真实数据集上得到了验证。
引用
@article{arxiv.1403.4698,
title = {A Hierarchical Graphical Model for Big Inverse Covariance Estimation with an Application to fMRI},
author = {Xi Luo},
journal= {arXiv preprint arXiv:1403.4698},
year = {2014}
}
备注
An R package of the proposed method will be publicly available on CRAN. This paper has been presented orally at Yale University on Feburary 18, 2014, and at the Eastern North American Region Meeting of the International Biometric Society on March 18, 2014