GP CaKe：基于因果核的脑有效连接性
神经元与认知
2017-05-17 v1 机器学习
摘要
网络神经科学的一个基本目标是理解一个脑区的活动如何驱动其他脑区的活动，这一过程被称为有效连接性。本文提出使用积分微分方程和因果核来建模这种因果交互，从而实现对有效连接性的丰富分析。该方法结合了自回归建模的可处理性与灵活性以及动态因果建模的生物物理可解释性。因果核使用高斯过程回归进行非参数学习，产生了一种高效的因果推断框架。我们构建了一类新的因果协方差函数，用以强制因果核所需的属性，我们将此方法称为 GP CaKe。该模型及其超参数本身具有生物物理意义，因此易于解释。我们在多项模拟中展示了 GP CaKe 的功效，并给出了在脑磁图（MEG）数据上的实际应用示例。
引用
@article{arxiv.1705.05603,
title = {GP CaKe: Effective brain connectivity with causal kernels},
author = {Luca Ambrogioni and Max Hinne and Marcel van Gerven and Eric Maris},
journal= {arXiv preprint arXiv:1705.05603},
year = {2017}
}