面向多层二维功能数据的贝叶斯混合效应模型及其在脑电实验中的应用
统计方法学
2025-07-29 v1
摘要
在多条件脑电实验中，脑活动被记录为主体执行各种任务或暴露于不同刺激。所记录的信号常被转化为时频表示，这些表示在时频维度上常显示平滑变化。这些表示自然结构为二维功能数据，实验条件嵌套于主体之中。现有分析方法未能联合考虑数据所具有的多层结构、功能性特征以及主体层协变量的依赖性。为此，我们提出一种用于二维功能数据的贝叶斯混合效应模型，纳入以条件水平为主的协变量依赖性固定效应以及多层随机效应。为增强模型可解释性与简洁性，我们引入一种新型的协变量依赖性CANDECOMP/PARAFAC (CP) 分解，用于固定效应，其提供可边缘解释的时间与频率模式。我们进一步提出一种用于CP秩选择的稀疏诱导先验，并提出一种高效的后验抽样算法。通过大量仿真实验评估所提方法，并应用于脑电数据分析，旨在探讨酒精问题对视觉刺激反应中认知处理的影响。我们的分析揭示了与酒精问题相关的时频活动模式，为理解不同主体群体与实验条件之间的神经加工差异提供了新见解。
引用
@article{arxiv.2507.20092,
title = {Bayesian Mixed-Effects Models for Multilevel Two-way Functional Data: Applications to EEG Experiments},
author = {Xiaomeng Ju and Thaddeus Tarpey and Hyung G Park},
journal= {arXiv preprint arXiv:2507.20092},
year = {2025}
}