具有空间变化自回归阶数的 fMRI 数据贝叶斯分析
统计计算
2017-10-05 v1
摘要
fMRI 数据的统计建模具有挑战性，因为数据在空间和时间上均存在相关性。在空间上，测量取自数千个被称为体素的相邻区域；在时间上，每个体素的测量取自数百个时间点。贝叶斯分层建模的最新进展通过结合信号和噪声的空间与时间先验，解决了 fMRI 数据中时空结构的挑战。尽管对 fMRI 信号（即实验设计与血流动力学响应函数的函数选择的卷积）及其空间变异性进行了广泛的研究，但对 fMRI 噪声中通常存在的真实时间依赖性建模却鲜少关注，通常采用低阶自回归过程。此外，自回归阶数在各体素间保持恒定（例如每个体素均为 AR(1)）。受事件相关 fMRI 实验的启发，我们提出了一种新颖的分层贝叶斯模型，能够自动选择在大脑空间上变化的噪声过程的自回归阶数。通过模拟研究，我们表明该模型提高了准确性，并将其应用于我们的启发性实例中。
引用
@article{arxiv.1710.01434,
title = {Bayesian Analysis of fMRI data with Spatially-Varying Autoregressive Orders},
author = {Ming Teng and Farouk S. Nathoo and Timothy D. Johnson},
journal= {arXiv preprint arXiv:1710.01434},
year = {2017}
}