SMART：面向最优设计矩阵生成的统计框架及其在fMRI中的应用
统计方法学
2010-08-17 v1 应用统计
统计计算
摘要
一般线性模型（GLM）是分析功能性磁共振成像（fMRI）数据的成熟工具。通过GLM进行的大多数fMRI分析以大规模单变量方式进行，即对每个体素的数据使用相同的设计矩阵。这种方法的一个主要局限性是感兴趣信号及其相关混杂因素的局部变化性质。这种局部变异性会导致感兴趣对比度的潜在较大偏差和不可控的方差增加。本文的主要贡献有两个方面：（1）我们开发了一个名为SMART的统计框架，该框架能够在显式控制一组潜在设计矩阵上的偏差-方差分解的同时，估计最优设计矩阵；（2）我们开发并验证了一种用于计算一般fMRI数据集最优设计矩阵的数值算法。该框架的意义包括能够将底层信号的幅度最优地匹配到其真实幅度，同时将“零”信号匹配到零大小，从而优化信号检测的灵敏度和特异性。通过使用单个对比度（而非F检验）以优化偏差和方差的方式捕获多个感兴趣的轮廓，可以将第一级参数估计及其方差传递到更高级别进行组分析，这是使用F检验无法实现的。我们展示了该方法在体内药理学fMRI数据（捕捉对药物输注的急性反应）、任务诱发块设计fMRI以及事件相关fMRI中血氧水平依赖响应函数（HRF）响应估计中的应用。我们的框架非常通用，具有潜在的广泛跨学科适用性。
引用
@article{arxiv.0903.1880,
title = {SMART: A statistical framework for optimal design matrix generation with application to fMRI},
author = {Gautam Pendse and Adam Schwarz and Richard Baumgartner and Alexandre Coimbra and David Borsook and Lino Becerra},
journal= {arXiv preprint arXiv:0903.1880},
year = {2010}
}
备注
68 pages, 34 figures