稀疏贝叶斯算法在 MEG/EEG 源空间因果分析中估计 MVAR 系数的有效性
应用统计
2012-11-15 v1 数值分析
摘要
本文考察了稀疏贝叶斯算法在存在大量背景干扰时估计多元自回归 (MVAR) 系数的有效性。本文采用计算机实验比较了源空间因果分析中的两种方法：传统的最小二乘法和稀疏贝叶斯方法。我们的计算机实验结果表明，干扰对最小二乘法的影响非常严重。除非信干比非常高，否则会产生大量的假阳性结果。另一方面，稀疏贝叶斯方法对干扰的存在相对不敏感。然而，稀疏贝叶斯方法的这种鲁棒性是以牺牲真实因果关系的可检测性为代价的。我们的实验还表明，替代数据自助法 (surrogate data bootstrapping) 倾向于给出对稀疏方法而言过低的统计阈值。基于置换检验的方法给出了更高（更保守）的阈值，只要控制期可用，就应与稀疏贝叶斯方法一起使用。
引用
@article{arxiv.1211.3211,
title = {Effectiveness of sparse Bayesian algorithm for MVAR coefficient estimation in MEG/EEG source-space causality analysis},
author = {Kensuke Sekihara and Hagai Attias and Julia P. Owen and Srikantan S. Nagarajan},
journal= {arXiv preprint arXiv:1211.3211},
year = {2012}
}
备注
Proceedings of the 8th Annual Conference of Non-invasive Functional Source Imaging held at Banff, May 2011