基于层次贝叶斯估计电动诱发电位招募曲线，获得准确且稳健的估计
计算机视觉与模式识别
2026-01-13 v2
摘要
电磁刺激探测并调制控制运动的神经系统。理解其作用的关键在于肌肉招募曲线，将诱发电位大小映射到刺激强度。当前估计曲线参数的方法需要大样本；然而，由于实验限制，获取这些样本往往是不切实际的。在本文中，我们提出了一种层次贝叶斯框架，能够处理小样本、处理异常值、模拟高保真数据，并返回曲线参数的后验分布，以量化估计不确定性。它使用一种修正的 logistic 函数，估计电动阈值，并在预测性能上优于常用的 sigmoidal 方法，经过交叉验证后证实。 在模拟实验中，我们的方法在稀疏数据上优于非层次模型，减少阈值估计误差，并需要更少的受试者来检测阈值偏移。我们呈现两个常见的用例，涉及电气和电磁刺激数据，并提供一个用于各种应用的 Python 开源库，称为 hbMEP。
引用
@article{arxiv.2407.08706,
title = {HiRes-LLaVA: Restoring Fragmentation Input in High-Resolution Large Vision-Language Models},
author = {Runhui Huang and Xinpeng Ding and Chunwei Wang and Jianhua Han and Yulong Liu and Hengshuang Zhao and Hang Xu and Lu Hou and Wei Zhang and Xiaodan Liang},
journal= {arXiv preprint arXiv:2407.08706},
year = {2026}
}