基于收缩与平滑的正则化脑解码

功能神经影像学测量大脑对复杂刺激的反应。然而，样本量适中，噪声显著，且刺激具有高维性。因此，直接估计本质上是不精确的，需要正则化。我们比较了一系列通过收缩进行正则化的方法：岭回归、弹性网（岭回归和 Lasso 的推广），以及基于小区域估计 (SAE) 的层次贝叶斯模型。我们将正则化与空间平滑以及平滑与收缩的组合进行了对比。所有方法均在来自参与两项不同阅读实验的多名受试者的功能磁共振成像 (fMRI) 数据上进行了测试，既用于预测对刺激的神经反应，也用于从反应中解码刺激。有趣的是，当通过交叉验证为每个体素独立选择正则化参数时，在分类准确率高的体素中选择了低正则化，而在分类准确率低的体素中选择了高正则化，这表明正则化强度是识别认知任务相关体素的有效工具。令人惊讶的是，所有正则化方法的表现大致相当，这表明要超越基本的平滑和收缩，不仅需要巧妙的方法，还需要仔细的建模。