基于机制切换因子模型的高维fMRI数据时变有效连接估计
应用统计
2019-07-04 v1
摘要
近期关于动态脑连接分析的研究依赖于滑动窗口分析或时变系数模型，它们无法同时捕捉平滑和突变。新出现的证据表明脑连接存在状态相关变化，其依赖结构在有限数量的潜在状态或机制之间交替。另一个挑战是具有大量节点的全脑网络推断。我们采用马尔可夫切换动态因子模型，其中高维fMRI数据的状态驱动时变连接机制由遵循机制切换过程的低维共同潜在因子刻画。它使得对连接机制变化点及与每个机制相关的巨大依赖关系能够进行可靠的、数据自适应的估计。我们考虑切换VAR来量化动态有效连接。我们提出一个三步估计流程：(1) 使用主成分分析（PCA）提取因子；(2) 利用基于因子的切换向量自回归（VAR）模型在状态空间形式下通过卡尔曼滤波和期望最大化（EM）算法识别动态连接状态；(3) 基于子空间估计为每个状态构建高维连接度量。模拟结果显示，我们提出的估计器优于时间窗口系数的K均值聚类，在高维设定下提供了对机制动态和连接度量更精确的估计。应用于静息态fMRI数据分析，识别出休息期间脑状态的动态变化，并揭示了不同状态下静息态网络中独特的定向连接模式和模块组织。
引用
@article{arxiv.1701.06754,
title = {Estimating Time-Varying Effective Connectivity in High-Dimensional fMRI Data Using Regime-Switching Factor Models},
author = {Chee-Ming Ting and Hernando Ombao and S. Balqis Samdin and Sh-Hussain Salleh},
journal= {arXiv preprint arXiv:1701.06754},
year = {2019}
}
备注
21 pages