优化用于建模神经元响应的数据

在本技术报告中，我们解决神经影像统计学中一个未解决的挑战：如何确定多个数据集中哪一个最适合推断神经元响应。这类比较对于实验者在选择成像方案时以及对于新采集方法的开发者而言都十分重要。然而，一个数据集优于另一个数据集的假设无法使用常规统计学（基于似然比）进行检验，因为这些方法要求在各假设下数据相同。在此我们提出贝叶斯数据比较，这是一个用于评估功能影像数据质量的原则性框架，其评估依据为可估计神经元连接参数的精度以及可消歧竞争模型的能力。对于若干候选数据集中的每一个，使用动态因果建模（DCM）——一种常用的贝叶斯神经影像数据建模方法——推断神经元响应。接下来，使用贝叶斯一般线性模型（GLM）在组水平上汇总来自被试特定模型的参数。然后，我们使用此处引入的一系列度量，依据（组水平）参数估计的精度以及数据区分相似模型的能力来评估每个数据集。为示例该方法，我们比较了在一项评估多频带fMRI采集方案的研究中获取的四个数据集。为使人们能够使用自己的数据和实验范式复现这些分析，我们通过SPM软件提供通用Matlab代码。