脑电图和脑磁图的拓扑推断
应用统计
2010-11-15 v1
摘要
神经影像学产生在一个或多个维度上连续的数据。这需要一个能够处理近似空间函数（例如解剖图像、时频图和电磁记录随时间变化的分布式源重建）数据的推断框架。统计参数映射（SPM）是神经影像学中全脑推断的标准框架：SPM使用随机场理论提供经调整以控制族系误差或错误发现率的p值，当在大空间体积上进行拓扑推断时。随机场理论将数据视为一个或多个维度上连续过程的实现。这与经典方法（如Bonferroni校正）形成对比，后者将图像视为没有连续性属性的离散样本集合（即，图像中某一点的概率行为不依赖于其他点）。在此，我们说明如何将随机场理论应用于随时间、空间或频率变化的数据。我们强调这种拓扑推断如何对数据采样的流形几何不变。这在电磁研究中特别有用，这些研究通常处理头皮或皮层网格上的非常平滑的数据。该应用展示了随机场理论的通用性和简洁性，以及拓扑推断的关键构建者Keith Worsley（1951-2009）的开创性贡献。
引用
@article{arxiv.1011.2901,
title = {Topological inference for EEG and MEG},
author = {James M. Kilner and Karl J. Friston},
journal= {arXiv preprint arXiv:1011.2901},
year = {2010}
}
备注
Published in at http://dx.doi.org/10.1214/10-AOAS337 the Annals of Applied Statistics (http://www.imstat.org/aoas/) by the Institute of Mathematical Statistics (http://www.imstat.org)