基于GraphNet的全脑预测分析
应用统计
2015-03-19 v2
摘要
多变量机器学习方法正越来越多地用于分析神经影像数据，常常取代更传统的"大规模单变量"技术——后者逐体素拟合数据。在功能磁共振成像（fMRI）文献中，这导致了"现成"分类和回归方法的广泛应用。这些通用方法使研究者能够使用即插即用的算法，从分布式神经活动模式中准确解码感知、认知或行为状态。然而，当应用于相关的全脑fMRI数据时，这些方法存在系数不稳定性、对异常值敏感的问题，并产生难以解释的非稀疏解，需要任意阈值化处理。本文，我们开发了图约束弹性网络（Graph-constrained Elastic Net, GraphNet）的变体，……我们（1）将GraphNet扩展至包含稳健损失函数，使其对异常值不敏感；（2）为其配备"自适应"惩罚项，渐近地保证正确的变量选择；以及（3）开发了一种新颖的稀疏结构化支持向量图网络分类器（sparse structured Support Vector GraphNet classifier, SVGN）。当应用于先前发表的数据时，这些高效的全脑方法显著提高了分类准确率，超越了同一数据上先前报道的基于感兴趣体积（VOI）的分析，同时发现了原始VOI方法中未记录的任务相关区域。关键的是，GraphNet估计能够很好地推广到三年多后采集的样本外数据——同一任务但不同被试和刺激。通过从多个时间点的全脑数据（>100,000个"特征"）中实现重要体素的稳健高效选择，这些方法实现了脑区的数据驱动选择，能够准确预测个体内和个体间的单试次行为。
引用
@article{arxiv.1110.4139,
title = {Whole-brain Prediction Analysis with GraphNet},
author = {Logan Grosenick and Brad Klingenberg and Kiefer Katovich and Brian Knutson and Jonathan E. Taylor},
journal= {arXiv preprint arXiv:1110.4139},
year = {2015}
}