用隐马尔可夫与高斯混合模型建模静息态脑信号中的状态转移动力学
神经元与认知
2021-09-02 v3 无序系统与神经网络
摘要
近期研究提出，可将大脑活动归纳为相对较少的隐藏状态之间的动力学，且这种方法有望成为揭示脑功能的有力工具。隐马尔可夫模型（HMMs）是推断离散脑状态间此类神经动力学的常用方法。然而，在神经时间序列数据中假设马尔可夫结构的影响尚未得到充分检验。为此，为探讨该问题并检验 HMM 的性能，我们将 HMM 与高斯混合模型（GMM）进行比较；GMM 无时间正则化，因而在统计上比 HMM 更简单。我们将两种模型应用于由经验静息态功能磁共振成像（fMRI）数据生成的合成时间序列。我们比较了 GMM 和 HMM 在不同采样频率、每位被试记录长度、被试数量以及独立成分信号数量下的表现。我们发现，在大多数情况下，HMM 对隐藏状态的估计精度优于 GMM。但我们也发现，在采样频率相当低（例如 TR = 2.88 或 3.60 s）或数据相对较短的条件下，GMM 的精度与 HMM 相当。这些结果表明，在此条件下，GMM 可作为 HMM 研究隐藏状态动力学的可行替代方案。
引用
@article{arxiv.2001.08369,
title = {Modeling state-transition dynamics in resting-state brain signals by the hidden Markov and Gaussian mixture models},
author = {Takahiro Ezaki and Yu Himeno and Takamitsu Watanabe and Naoki Masuda},
journal= {arXiv preprint arXiv:2001.08369},
year = {2021}
}
备注
Sample code is available at https://github.com/tkEzaki/gmm_hmm_comparison