用于编码和解码模型的数据驱动 HRF 估计
计算工程、金融与科学
2014-11-10 v6 机器学习
摘要
尽管规范且独立于数据的血流动力学响应函数 (HRF) 被广泛使用，但已知 HRF 的形状在不同脑区和受试者之间存在差异。这表明对该函数进行数据驱动估计可以在建模 BOLD fMRI 数据时提供更高的统计效力。然而，当自由参数数量较大时，对 HRF 的无约束估计可能会产生高度不稳定的结果。我们开发了一种联合估计激活和 HRF 的方法，该方法利用秩约束使估计的 HRF 在不同事件/条件下保持一致，同时允许其在不同体素间存在差异。模型估计导出了一个优化问题，我们提出利用快速梯度计算的 Efficient quasi-Newton 方法来求解。该模型称为带秩 -1 约束的 GLM (R1-GLM)，可扩展至具有分离设计的 GLM 场景，后者已被证明能提高脑活动解码实验中的解码精度。我们在两个不同的数据集中比较了 10 种不同的 HRF 建模方法在编码和解码得分方面的表现。结果表明，R1-GLM 模型在编码和解码设置中均显著优于竞争方法，使其成为从准确性和计算效率角度来看都极具吸引力的方法。
引用
@article{arxiv.1402.7015,
title = {Data-driven HRF estimation for encoding and decoding models},
author = {Fabian Pedregosa and Michael Eickenberg and Philippe Ciuciu and Bertrand Thirion and Alexandre Gramfort},
journal= {arXiv preprint arXiv:1402.7015},
year = {2014}
}
备注
appears in NeuroImage (2015)