基于近似贝叶斯计算的网络推断：以随机多群体神经质量模型为例
统计方法学
2025-08-27 v4 数值分析
数值分析
摘要
本文提出一种改进的序贯蒙特卡洛近似贝叶斯计算（SMC-ABC）算法，用于耦合随机微分方程（SDEs）中多元时间序列建模的网络推断。我们的方法受神经科学启发，特别是估计癫痫发作前与发作期间脑连接性的挑战。为此，我们作出四项关键贡献。第一，我们引入一个6N维SDE来建模N个耦合神经元群体的活动，扩展了用于描述人类脑电图（EEG）节律（尤其是癫痫活动）的（单群体）随机Jansen and Rit神经质量模型。第二，我们为该模型仿真构建了一种可靠且高效的数值分裂格式。第三，我们将所提出的改进SMC-ABC算法应用于该神经质量模型，并在不同类型仿真数据上验证。与标准SMC-ABC相比，得益于引入描述耦合方向存在与否的二元参数，我们的方法通过更少的模型仿真次数即可到达所需后验区域，从而显著降低计算成本。最后，我们将方法应用于真实多通道EEG数据，揭示了不同癫痫发作患者脑活动间的潜在相似性，以及发作前与发作期之间的差异。
引用
@article{arxiv.2306.15787,
title = {Network inference via approximate Bayesian computation. Illustration on a stochastic multi-population neural mass model},
author = {Susanne Ditlevsen and Massimiliano Tamborrino and Irene Tubikanec},
journal= {arXiv preprint arXiv:2306.15787},
year = {2025}
}
备注
37 pages, 22 figures