神经影像学中基于随机场理论的稳健 FWER 控制：驾驭 SuRF 驶向连续陆地 第二部分
应用统计
2023-12-19 v1
摘要
历史上，RFT 在 fMRI 中的应用依赖于平滑性、平稳性和高斯性假设。前两个假设已在本系列文章的第一部分中予以解决。在此，我们处理（真实）fMRI 数据的严重非高斯性，以极大提升 fMRI 群组分析中体素级 RFT 的性能。特别地，我们引入了一种加速中心极限定理收敛的变换，使我们能够依赖检验统计量的极限高斯性。我们将证明，当 GKF 与高斯化变换结合时，即使数据是非高斯的，我们也能准确估计变换后检验统计量游程集的 EEC。这使我们能够放弃 RFT 推断的关键假设，并提供一种在 fMRI 中正确控制体素级假阳性率的快速方法。我们采用大数据 \cite{Eklund2016} 式的验证，其中我们使用虚假任务设计处理来自 UK BioBank 7000 名受试者的静息态数据。我们从该数据中重采样以创建真实的噪声，并以此证明错误率得到了正确控制。
引用
@article{arxiv.2312.10849,
title = {Robust FWER control in Neuroimaging using Random Field Theory: Riding the SuRF to Continuous Land Part 2},
author = {Samuel Davenport and Armin Schwartzman and Thomas E. Nichols and Fabian J. E. Telschow},
journal= {arXiv preprint arXiv:2312.10849},
year = {2023}
}