时空癫痫发作动力学的贝叶斯信念更新
机器学习
2017-11-15 v2 神经与进化计算
统计方法学
摘要
癫痫发作活动在空间和时间上均表现出复杂的动力学。要理解癫痫发作的演变和传播，需要分析空间扩展的数据集。我们先前描述了一种使用变分拉普拉斯的高效滤波方案，该方案可在动态因果建模（DCM）框架 [Friston, 2003] 中用于估计通过侵入性或非侵入性电记录（EEG/ECoG）记录的癫痫发作的时间动力学。时空动力学使用偏微分方程建模——与我们先前关于癫痫发作动力学时间估计工作中使用的常微分方程形成对比 [Cooray, 2016]。我们提供了该方法必要的理论背景，并在模拟癫痫发作活动数据和经验性侵入性 ECoG 数据上测试了由此产生的方案。该方法提供了一个框架来同化癫痫发作活动的空间和时间动力学，这是一个具有重要生理学和临床意义的方面。
引用
@article{arxiv.1705.07278,
title = {Bayesian Belief Updating of Spatiotemporal Seizure Dynamics},
author = {Gerald K Cooray and Richard Rosch and Torsten Baldeweg and Louis Lemieux and Karl Friston and Biswa Sengupta},
journal= {arXiv preprint arXiv:1705.07278},
year = {2017}
}
备注
ICML 2017 Time Series Workshop