用于脑信号格兰杰因果分析的多尺度贝叶斯状态空间模型
统计方法学
2018-04-16 v2
摘要
对两个脑信号之间时变与频率特异关系的建模，正成为回答实验神经科学中理论问题的重要方法工具。在本文中，我们提出估计一个可能随时间变化的频率格兰杰因果统计量，以评估任务期间两个脑区之间的功能连接。为此，我们使用一种自适应卡尔曼滤波类型的估计器，用于系数随时间演化的线性高斯向量自回归模型。估计过程通过变分贝叶斯近似实现，并推广到多次试验。该贝叶斯状态空间 (BSS) 模型提供了一种颇为自然的动态格兰杰因果统计量。我们提议扩展 BSS 模型以包含 à trous Haar 分解。这种基于小波的预测方法基于对信号使用冗余 à trous 小波变换的多尺度分辨率分解，使我们能够捕捉信号间的短程与长程依赖关系。同样重要的是，它使我们能够导出所需的动态且频率特异的格兰杰因果统计量。这些模型在心理实验任务期间记录的颅内局部场电位数据上的应用，显示了杏仁核与内侧眶额皮层之间复杂的基于频率的串扰。关键词：à trous Haar 小波；多次试验；神经科学数据；非平稳性；时频；变分方法 本文的发表版本为 Cekic, S., Grandjean, D., Renaud, O. (2018). Multiscale Bayesian state-space model for Granger causality analysis of brain signal. Journal of Applied Statistics. https://doi.org/10.1080/02664763.2018.1455814
引用
@article{arxiv.1704.02778,
title = {Multiscale Bayesian State Space Model for Granger Causality Analysis of Brain Signal},
author = {Sezen Cekic and Didier Grandjean and Olivier Renaud},
journal= {arXiv preprint arXiv:1704.02778},
year = {2018}
}