文献

J-GLOBAL ID：201702242330710858   整理番号：17A1215591

運動スパイクを用いたfMRIデータへの適用を用いたBayes異分散GLM【Powered by NICT】

A Bayesian heteroscedastic GLM with application to fMRI data with motion spikes

著者 (5件)： Eklund Anders (Division of Statistics & Machine Learning, Department of Computer and Information Science, Linkoping University, Linkoping, Sweden) ,  Eklund Anders (Division of Medical Informatics, Department of Biomedical Engineering, Linkoping University, Linkoping, Sweden) ,  Eklund Anders (Center for Medical Image Science and Visualization (CMIV), Linkoping University, Linkoping, Sweden) ,  Lindquist Martin A. (Department of Biostatistics, Johns Hopkins University, Baltimore, USA) ,  Villani Mattias (Division of Statistics & Machine Learning, Department of Computer and Information Science, Linkoping University, Linkoping, Sweden)
資料名： NeuroImage  (NeuroImage)
巻： 155  ページ： 354-369  発行年： 2017年 
JST資料番号： W3139A  ISSN： 1053-8119  資料種別： 逐次刊行物 (A)
記事区分： 原著論文  発行国： オランダ (NLD)  言語： 英語 (EN)

抄録/ポイント： 機能的磁気共鳴イメージング(fMRI)データを解析するための自己回帰型ノイズと異分散ノイズ革新(GLMH)ボクセル一般線形モデルを提案した。モデルはBayesの観点から解析し,データ駆動的に運動スパイクに近い自動下降重み付け時間点の利点がある。平均(すなわち,設計マトリックス)と分散の両方をモデル化するために回帰のBayes変数選択を可能とする非常に効率的なMarkov連鎖Monte Carlo(MCMC)アルゴリズムを開発した。これは平均と分散(例えば,時間傾向,活性化刺激,頭部運動パラメータとそれらの時間導関数)の両方で広い範囲の説明変数を含むように,MCMC出力から介在物の事後確率を計算することが可能となる。変数選択は,自己回帰型ノイズ過程における遅れに適用し,それはすべての他のモデルパラメータと同時にデータからの遅延次数を推定を可能にした。fMRIデータ解析における不等分散性の適切なモデリングの重要性を説明するためにOpenfMRIからシミュレートされたデータおよび実fMRIデータの両方を用いた。著者らの結果は,GLMHは頭部運動の程度に依存して時間的に変化する分散を可能にすることにより,その等分散対応物と比較して,より多くの脳活動を検出するための傾向があることを示す。Copyright 2017 Elsevier B.V., Amsterdam. All rights reserved. Translated from English into Japanese by JST.【Powered by NICT】

シソーラス用語： Markov連鎖 ,  重みづけ ,  アルゴリズム ,  モデリング ,  *雑音 ,  データ解析 ,  モデル ,  事後確率
準シソーラス用語： モデルパラメータ ,  MCMC ,  頭部運動 ,  変数選択 ,  線形モデル ,  自己回帰 ,  *機能的MRI , 【Automatic Indexing@JST】

著者キーワード (6件)： Bayes ,  FMRI ,  異分散 ,  MCMC ,  頭運動 ,  運動スパイク

分類 (2件)： 医用画像処理  (JE04020T) ,  生体計測  (EL03020C)

タイトルに関連する用語 (3件)： 運動 ,  スパイク ,  fMRI