改进婴儿 fNIRS 数据分析是否需要先进方法？对基线校正平均、一般线性模型（GLM）与基于多变量模式分析（MVPA）方法的评估
神经元与认知
2022-11-29 v1
摘要
在过去十年中，fNIRS 提供了一种非侵入性方法来研究发育人群中的神经激活。尽管其在发展认知神经科学中的使用日益增多，但对于如何对婴儿 fNIRS 数据进行预处理和分析，几乎没有一致性或共识。在本注册报告中，我们研究了将更先进的统计分析应用于婴儿 fNIRS 数据的可行性，并比较了最常用的基线校正平均、基于一般线性模型（GLM）的单变量以及多变量模式分析（MVPA）方法，以展示基于这些不同分析方法所得结论的趋同或差异。我们使用面孔倒置范式测试了不同的分析方法，该范式测量了三十名 4 至 6 个月大婴儿对正立和倒置面孔刺激的大脑激活变化。通过纳入更标准的方法与近期机器学习技术，我们旨在为 fNIRS 学界提供分析婴儿 fNIRS 数据集的替代方法。
引用
@article{arxiv.2211.14855,
title = {Are advanced methods necessary to improve infant fNIRS data analysis? An assessment of baseline-corrected averaging, general linear model (GLM) and multivariate pattern analysis (MVPA) based approaches},
author = {Maria Laura Filippetti and Javier Andreu-Perez and Carina de Klerk and Chloe Richmond and Silvia Rigato},
journal= {arXiv preprint arXiv:2211.14855},
year = {2022}
}