文献

J-GLOBAL ID：201702232852479963   整理番号：17A1397397

数データ点が利用可能であるとき脳接続性の推定:展望と限界【Powered by NICT】

Estimating brain connectivity when few data points are available: Perspectives and limitations

著者 (6件)： Antonacci Yuri (Department of Computer, Control, and Management Engineering, University of Rome Sapienza, Italy) ,  Toppi Jlenia (Department of Computer, Control, and Management Engineering, University of Rome Sapienza, Italy) ,  Caschera Stefano (Department of Computer, Control, and Management Engineering, University of Rome Sapienza, Italy) ,  Anzolin Alessandra (Department of Computer, Control, and Management Engineering, University of Rome Sapienza, Italy) ,  Mattia Donatella (IRCCS Fondazione Santa Lucia, Rome, Italy) ,  Astolfi Laura (Department of Computer, Control, and Management Engineering, University of Rome Sapienza, Italy)
資料名： IEEE Conference Proceedings  (IEEE Conference Proceedings)
巻： 2017  号： EMBC  ページ： 4351-4354  発行年： 2017年 
JST資料番号： W2441A  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： 多変量自己回帰モデル(MVAR)の使用に基づく方法は脳機能的連結性の推定のための正確で柔軟なツールであることが証明されている。が,多変量アプローチは,複雑さ(パラメータの数に関して)は問題に含まれる信号の数とともに二次的に増加するモデルの利用を意味する。これはしばしば劣決定問題と多重共線性の条件につながる可能性がある。本論文の目的は,これらの方法に通常適用される統計の修正版と組み合わせたリッジ回帰に基づくアプローチを導入し,試験するために,現在の方法が失敗するような条件に脳連結性の推定を広げ,十分なデータ点の欠如に起因することである。異なるグランドトルースネットワークを実装するシミュレーション研究によって,通常最小二乗(OLS)に基づく古典的アプローチと比較して,この新しい方法の性能を試験し,異なるネットワークサイズと異なるレベルのデータ点である。シミュレーション結果は,この新しい方法が,低データ点/モデル次元比に関連した全ての条件で,パラメータ推定と偽陽性/偽陰性率の精度の点で,優れた性能を提供し,単一試行レベルで推定したパターンを推定し,検証するために利用できることをまたは短時間データセグメントが利用可能であるときに示した。Copyright 2017 The Institute of Electrical and Electronics Engineers, Inc. All Rights reserved. Translated from English into Japanese by JST【Powered by NICT】

シソーラス用語： 多重化 ,  パラメータ推定 ,  *連結性 ,  シミュレーション ,  自己回帰モデル ,  決定問題 ,  最小二乗法
準シソーラス用語： 誤検出 ,  リッジ回帰 ,  複雑性 ,  脳機能 ,  多変量 , 【Automatic Indexing@JST】

分類 (1件)： システム設計・解析  (IA02030D)

タイトルに関連する用語 (5件)： 脳 ,  接続性 ,  推定 ,  展望 ,  限界