估计学习效应：一种用于 MEG 源定位的短时傅里叶变换回归模型
应用统计
2015-12-04 v1
摘要
脑磁图（MEG）具有高时间分辨率，非常适合于研究感知学习。然而，要确定学习在大脑中发生的位置，需要应用源定位技术将 MEG 传感器数据投影到脑空间。先前的源定位方法，例如 Gramfort 等人（[Gramfort et al., 2013]）的短时傅里叶变换（STFT）方法，产生了引人入胜的结果，但它们并非设计用于纳入逐试次的学习效应。在此，我们修改 [Gramfort et al., 2013] 中的方法，产生一种基于 STFT 的源定位方法（STFT-R），其包含 STFT 分量对诸如行为学习曲线等协变量的额外回归。我们还利用分层 L 21 惩罚来诱导 STFT 分量的结构化稀疏性，并强调来自根据先验知识选择的感兴趣区域（ROIs）的信号。在从模拟数据重建 ROI 源信号时，STFT-R 比使用流行的最小范数估计（MNE）的两步法实现了更小的误差；在真实人类学习实验中，STFT-R 产生了关于 ROI 信号的哪些时频分量与学习相关的更具可解释性的结果。
引用
@article{arxiv.1512.00899,
title = {Estimating Learning Effects: A Short-Time Fourier Transform Regression Model for MEG Source Localization},
author = {Ying Yang and Michael J. Tarr and Robert E. Kass},
journal= {arXiv preprint arXiv:1512.00899},
year = {2015}
}
备注
Author manuscript accepted to 4th NIPS Workshop on Machine Learning and Interpretation in Neuroimaging (2014), (in press on Lecture Notes in Computer Science, by Springer)