文献

J-GLOBAL ID：201602216353511050   整理番号：16A0193142

多変量自己回帰モデルからの機能的接続性のイノベーションに基づくスパース推定

Innovation-based sparse estimation of functional connectivity from multivariate autoregressive models

著者 (4件)： DELOCHE Francois (Ecole polytechnique, Palaiseau, FRA) ,  DE VICO FALLANI Fabrizio (INRIA Paris-Rocquencourt, Paris, FRA) ,  DE VICO FALLANI Fabrizio (Inst. Cerveau et de la Moelle epiniere, Paris, FRA) ,  ALLASSONNIERE Stephanie (Ecole polytechnique, Palaiseau, FRA)
資料名： Proceedings of SPIE  (Proceedings of SPIE)
巻： 9597  ページ： 95971I.1-95971I.11  発行年： 2015年 
JST資料番号： D0943A  ISSN： 0277-786X  CODEN： PSISDG  資料種別： 会議録 (C)
記事区分： 原著論文  発行国： アメリカ合衆国 (USA)  言語： 英語 (EN)

抄録/ポイント： 脳の接続性推定は,いかに皮質領域がコミュニケーションをとり共に働くかを記述することを目的とする。統計的依存性(時間相関)に基づく推定は,機能的接続性を定義し,偶然の相互作用に基づく推定は,有効接続性として定義する。本論文の考えは,種々の基準を,多変量自己回帰(MVAR)モデルの係数を解釈するために提案する一方,それらの直接的ペナルティのみを,スパース推定手順に対して用いることであった。Group Lassoにイノベーション項を含め,ペナルティを適応し,イノベーションに基づくGroup Lasso(iGLasso)を提案した。これは,スパース接続性仮定に近いスパース性構造を高めると主張した。本アルゴリズムを検証するために,明示的および黙示的接続性と称する2つのモデルを導入した。2つのモデルの混合をシミュレートしたデータに対して,本方法は,MVAR行列の係数値が高いとき,特に良い結果を示した。本方法は,部分有向コヒーレンス(PDC)および有向伝達関数(DTF)の間の差の良好な理解のために有用であった。

シソーラス用語： 回帰分析 ,  *自己回帰モデル ,  *推定 ,  技術革新 ,  連結性 ,  ペナルティ ,  行列 ,  伝達関数 ,  脳
準シソーラス用語： イノベーション ,  *スパース推定 ,  行列係数 ,  自己回帰 ,  接続性 ,  *多変量ARモデル

分類 (1件)： 医用画像処理  (JE04020T)

タイトルに関連する用語 (5件)： 多変量 ,  自己回帰モデル ,  接続性 ,  イノベーション ,  スパース推定