使用混合主成分回归从fMRI中识别神经特征
机器学习
2025-09-10 v1 机器学习
摘要
神经影像分析的最新进展使得在功能性磁共振成像扫描期间从大脑激活模式中准确解码心理状态成为可能。为此目的常用的一种工具是经最小绝对收缩和选择算子正则化的主成分回归（LASSO PCR），这是一种多体素模式分析（MVPA）方法。该模型假设所有成分都同样可能包含相关信息，而实际上任务相关信号可能集中在特定成分中。在这种情况下，模型将无法选择最大化与所研究认知过程相关的总信号的最优主成分集。在此，我们提出了对LASSO PCR的修改，允许正则化惩罚直接与主成分的索引相关联，这反映了一个先验信念，即任务相关信号更可能集中在解释更大方差的成分中。此外，我们提出了一种新颖的混合方法，即联合稀疏性排序LASSO（JSRL），它在信息对等框架下整合了成分级和体素级活动，并施加排序稀疏性以指导成分选择。我们将这些模型应用于风险承担、金钱激励和情绪调节任务期间的大脑激活。结果表明，将稀疏性排序纳入LASSO PCR产生的模型具有增强的分类性能，JSRL在交叉验证偏差R²上实现了高达51.7%的提升，在交叉验证AUC上实现了7.3%的提升。此外，在所有分类任务中，稀疏性排序模型的表现与标准LASSO PCR方法相当或更好，并将预测权重分配给与其既定功能角色一致的脑区，为MVPA提供了一种稳健的替代方案。
引用
@article{arxiv.2509.07300,
title = {Identifying Neural Signatures from fMRI using Hybrid Principal Components Regression},
author = {Jared Rieck and Julia Wrobel and Joshua L. Gowin and Yue Wang and Martin Paulus and Ryan Peterson},
journal= {arXiv preprint arXiv:2509.07300},
year = {2025}
}