用于fMRI组数据分析的大脑活动模型选择
应用统计
2010-05-19 v1 统计理论
统计理论
摘要
本论文致力于多被试fMRI数据的统计分析，旨在以跨被试可重复的方式识别参与特定认知或感觉运动任务的大脑结构。为了克服标准参数映射(SPM)软件中实现的基于体素的检验方法的一些局限性，我们引入了一种贝叶斯模型选择方法来解决该问题，即从预定义的可能模型集合中选择给定数据下最可能的大脑活动模型。基于将大脑体积分割为功能同质的区域，每个模型对应一个分区，将区域划分为参与所研究任务的和不活跃的。这允许纳入先验信息，并避免了类似SPM方法对用于定义活跃区域的任意阈值（称为聚类形成阈值）的依赖。通过控制贝叶斯风险，我们的方法平衡了假阳性和假阴性风险控制。此外，它基于一个生成模型，该模型解释了由于空间归一化误差导致的个体效应定位的空间不确定性。在模拟和真实fMRI数据集上，我们表明这种新范式纠正了类似SPM方法的若干偏差，这些偏差根据聚类形成阈值的选择，要么膨胀要么遗漏不同的活跃区域。
引用
@article{arxiv.1005.3225,
title = {Selection of a Model of Cerebral Activity for fMRI Group Data Analysis},
author = {Merlin Keller and Alexis Roche and Marc Lavielle},
journal= {arXiv preprint arXiv:1005.3225},
year = {2010}
}
备注
PhD Thesis, 208 pages, Applied Statistics and Neuroimaging, University of Orsay, France