BVAR-Connect：基于变分贝叶斯的多被试向量自回归模型用于脑连接网络推断
应用统计
2021-06-18 v1
摘要
本文提出 BVAR-connect，一种基于静息态功能磁共振成像数据推断有效脑连接的贝叶斯多被试向量自回归（VAR）模型的变分推断方法。该建模框架采用贝叶斯变量选择方法，灵活地将多模态数据（特别是结构扩散张量成像（DTI）数据）整合到先验构建中。我们所开发的变分推断方法使方法具有可扩展性，并能够估计数据的全脑分区的被试级与组级脑连接网络。我们简要介绍了一个已发布供公众使用的用户友好型 MATLAB GUI。我们在模拟数据上评估了性能，表明所提推断方法可达到与基于采样的马尔可夫链蒙特卡洛方法相当的精度，但计算成本大幅降低。我们还处理了被试组样本量不平衡的情况。最后，我们在有创伤史儿童的静息态功能磁共振成像与结构 DTI 数据上展示了该方法的应用。
引用
@article{arxiv.2006.04608,
title = {BVAR-Connect: A Variational Bayes Approach to Multi-Subject Vector Autoregressive Models for Inference on Brain Connectivity Networks},
author = {Jeong Hwan Kook and Kelly A. Vaughn and Dana M. DeMaster and Linda Ewing-Cobbs and Marina Vannucci},
journal= {arXiv preprint arXiv:2006.04608},
year = {2021}
}
备注
Neuroinformatics (2020), in press