通过采样生物物理学上合理的血流动力学模型进行非线性反卷积
神经元与认知
2020-08-17 v1 数据分析、统计与概率
摘要
测量大脑活动的非侵入式方法对于理解人脑的认知过程非常重要。一个突出的例子是功能磁共振成像，它是对通过神经血管耦合以非线性方式依赖于神经活动的延迟信号的含噪测量。这些特征使得从 fMRI 推断神经活动成为需要神经元水平信息的 fMRI 研究中一个困难但重要的步骤。在本文中，我们使用贝叶斯方法来解决这一推断问题，其中我们将潜在的神经活动建模为随机过程，并假设观测到的 BOLD 信号源自真实的生理（Balloon）模型。我们应用一种名为 APIS 的最新开发的平滑方法，在给定单事件 fMRI 时间序列的情况下高效地采样后验。为了高效地推断具有高似然度的多时间序列神经信号，我们引入了对原始算法的修改。我们证明，我们的自适应过程能够补偿模型中输入的缺失以推断神经活动，并且在该设置下其性能显著优于标准的自举粒子滤波平滑器。这使得所提出的过程对于反卷积静息态 fMRI 数据特别具有吸引力。为了验证该方法，我们利用信号中包含的计时信息评估了推断信号的质量。APIS 基于在具有短刺激物的反应时间实验中收集的 fMRI 数据，获得了可靠的事件计时估计。因此，我们首次表明，可以通过重建潜在神经信号来获得神经活动的准确绝对计时。
引用
@article{arxiv.1803.08797,
title = {Nonlinear Deconvolution by Sampling Biophysically Plausible Hemodynamic Models},
author = {Hans-Christian Ruiz-Euler and Jose R. Ferreira Marques and Hilbert J. Kappen},
journal= {arXiv preprint arXiv:1803.08797},
year = {2020}
}