基于连接性预测模型的大脑网络比较
神经元与认知
2019-11-06 v2
摘要
本研究采用预测建模，同时识别被试内获取的多模态大脑网络中的共性与差异。典型地，从结构连接组预测功能连接组的预测建模探究多模态成像数据间的共性。然而，稀疏典型相关分析（sCCA）等多元方法的直接应用作用于跨被试功能连接的向量化元素，且不能保证预测的功能连接模型为对称正定矩阵（SPD）。我们提出一种基于将连接矩阵迁移至黎曼流形的优雅方案，其显著提升了模型的预测性能。采用随机化 lasso 以缓解 sCCA 对 lasso 参数的依赖并控制假阳性率。随后，利用二项分布设定一个阈值统计量，以反映某连接被随机选中或拒绝。最后，我们基于去噪方法估计 sCCA 载荷，从而改进系数估计。我们基于静息态 fMRI 与弥散加权 MRI 数据验证所提方法。对预测性能的定量验证显示出优越性能，而识别过程的定性结果亦具前景。
引用
@article{arxiv.1811.08763,
title = {Comparison of Brain Networks based on Predictive Models of Connectivity},
author = {Fani Deligianni and Jonathan D. Clayden and Guang-Zhong Yang},
journal= {arXiv preprint arXiv:1811.08763},
year = {2019}
}
备注
7 pages, 4 figures