Understanding the dynamics of functional brain connectivity patterns using noninvasive neuroimaging techniques is an important focus in human neuroscience. Vector autoregressive (VAR) processes and Granger causality analysis (GCA) have been extensively used for this purpose. While high-resolution multi-subject neuroimaging data are routinely collected now-a-days, the statistics literature on VAR models has remained heavily focused on small-to-moderate dimensional problems and single-subject data. Motivated by these issues, we develop a novel Bayesian random effects panel VAR model for multi-subject high-dimensional neuroimaging data. We begin with a single-subject model that structures the VAR coefficients as a three-way tensor, then reduces the dimensions by applying a Tucker tensor decomposition. A novel sparsity-inducing shrinkage prior allows data-adaptive rank and lag selection. We then extend the approach to a novel random effects model for multi-subject data that carefully avoids the dimensions getting exploded with the number of subjects but also flexibly accommodates subject-specific heterogeneity. We design a Markov chain Monte Carlo algorithm for posterior computation. Finally, GCA with posterior false discovery control is performed on the posterior samples. The method shows excellent empirical performance in simulation experiments. Applied to our motivating functional magnetic resonance imaging study, the approach allows the directional connectivity of human brain networks to be studied in fine detail, revealing meaningful but previously unsubstantiated cortical connectivity patterns.


翻译:利用非侵入性神经成像技术了解大脑连接功能模式的动态,这是人类神经科学的一个重要焦点。 病媒自反(VAR)进程和Granger因果关系分析(GCA)已被广泛用于此目的。 虽然现在每天例行收集高分辨率多主题神经成像数据,但VAR模型的统计文献仍然大量侧重于小到中度的维维度问题和单一主题数据。受这些问题的驱动,我们开发了一个新颖的Bayesian随机效应面板VAR模型,用于多主题高度神经成像数据。我们首先开发了一个单一主题模型,将VAR系数作为三路导体,然后通过应用Tark Extor 解构筑一个高分辨率的多主题神经成像数据分析数据模型(GCA ) 来降低其尺寸。 一种新颖的吸引缩略图的缩略图使得数据适应性等级和滞后数据选择成为新的随机效应模型。 我们随后将这一方法推广到一个多主题数据模型的随机效应模型模型,小心避免其尺寸与多个主题发生爆炸,但也灵活地适应特定主题的神经成型数据。 我们设计了一个单项的精度变精度变精度变精度变精度的图像的图像模型, 模拟的图像模型,我们用模拟的模型的模型的模型的模型的模型的模型的模拟的模型, 的模拟的模拟的模型的模型的模型的模型的模型的模型的模型的模型是用来进行了人类变精度的模型, 。

0
下载
关闭预览

相关内容

不可错过!700+ppt《因果推理》课程!杜克大学Fan Li教程
专知会员服务
69+阅读 · 2022年7月11日
不可错过!《机器学习100讲》课程,UBC Mark Schmidt讲授
专知会员服务
72+阅读 · 2022年6月28日
因果图,Causal Graphs,52页ppt
专知会员服务
246+阅读 · 2020年4月19日
专知会员服务
159+阅读 · 2020年1月16日
强化学习最新教程,17页pdf
专知会员服务
174+阅读 · 2019年10月11日
【SIGGRAPH2019】TensorFlow 2.0深度学习计算机图形学应用
专知会员服务
39+阅读 · 2019年10月9日
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Latest News & Announcements of the Industry Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年7月29日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Arxiv
0+阅读 · 2022年10月20日
Arxiv
14+阅读 · 2020年12月17日
VIP会员
相关VIP内容
相关资讯
VCIP 2022 Call for Special Session Proposals
CCF多媒体专委会
1+阅读 · 2022年4月1日
IEEE TII Call For Papers
CCF多媒体专委会
3+阅读 · 2022年3月24日
ACM TOMM Call for Papers
CCF多媒体专委会
2+阅读 · 2022年3月23日
AIART 2022 Call for Papers
CCF多媒体专委会
1+阅读 · 2022年2月13日
【ICIG2021】Latest News & Announcements of the Tutorial
中国图象图形学学会CSIG
3+阅读 · 2021年12月20日
【ICIG2021】Check out the hot new trailer of ICIG2021 Symposium3
中国图象图形学学会CSIG
0+阅读 · 2021年11月9日
【ICIG2021】Latest News & Announcements of the Industry Talk2
中国图象图形学学会CSIG
0+阅读 · 2021年7月29日
Hierarchically Structured Meta-learning
CreateAMind
25+阅读 · 2019年5月22日
A Technical Overview of AI & ML in 2018 & Trends for 2019
待字闺中
16+阅读 · 2018年12月24日
相关基金
国家自然科学基金
1+阅读 · 2014年12月31日
国家自然科学基金
0+阅读 · 2014年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
1+阅读 · 2013年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2012年12月31日
国家自然科学基金
0+阅读 · 2008年12月31日
Top
微信扫码咨询专知VIP会员