Məlumat

FMRI GLM modelində cavab vektoru nədir?

FMRI GLM modelində cavab vektoru nədir?


We are searching data for your request:

Forums and discussions:
Manuals and reference books:
Data from registers:
Wait the end of the search in all databases.
Upon completion, a link will appear to access the found materials.

fMRI-də birdəyişənli analiz adətən ümumi xətti modeldən (GLM) istifadə edir, burada eksperimental vəziyyət və BOLD fəaliyyəti arasındakı əlaqə hər bir voksel üçün ayrıca xətti reqressiya modeli ilə təxmin edilir (“kütləvi birdəyişənli model”). Bununla belə, $Y$ cavab vektorunun nədən ibarət olduğunu tapmaq mənim üçün təəccüblü dərəcədə çətin idi. Bilirəm ki, bu, qanın oksigenləşmə səviyyəsindən asılı siqnalın bir ölçüsüdür (BOLD siqnal) - amma dəqiq olaraq nə ölçülür, yəni vahidlər nədir? Bu oksi/deoksi nisbətidir, yoxsa başqa bir xüsusiyyətdir?


Qısa cavab

Vahidlər vacib deyil və adətən normallaşdırılır.

Daha uzun cavab

"BOLD" adı əslində çox ibrətamizdir: Qanın Oksigenləşmə Səviyyəsindən Asılı Kontrast (və ya siqnal). BOLD birbaşa oksigenləşdirilmiş/deoksigenləşdirilmiş nisbət kimi heç bir şeyi ölçmür və ya biz yəqin ki, buna daha oxşar bir şey deyərdik: oksi/deoksi nisbəti.

Əvəzində "BOLD" yalnız skaner xüsusiyyətlərini qanın oksigenləşmə səviyyəsindən təsirlənəcək şəkildə qurduğunuz zaman əldə etdiyiniz MRT şəklidir. Oksigenləşmə səviyyəsi BOLD siqnalının yeganə töhfəçisi deyil, lakin eksperimental olaraq siz zamanla dəyişən, lakin maraqlı olmayan hər hansı təsirləri nəzərə almağa çalışırsınız və dəyişməyən ilkin səviyyələrə məhəl qoymursunuz.

fMRI işləyir, çünki qanda suyun transvers relaksasiya vaxtı T2 qanın oksigenləşməsindən asılıdır. Bir siçovul beynində QALIN kontrast göstərən orijinal kağızdan Ogawa et al. 1990:

Bu tədqiqatda istifadə edilən 7-T sahə gücündə T2 100% oksigenləşmədə 50 msn-dən 0% oksigenləşmədə 4 msn arasında dəyişir. T2 dəyəri siqnalın qəbulunun əks-səda vaxtı ilə müqayisə oluna bilən və ya ondan daha qısa olduqda venoz qan siqnalı çox zəifləyir. 60% oksigenləşmə səviyyəsində təxmin edilən T2 dəyəri bu hesabatda istifadə edilən əks-səda vaxtına bənzər 18 msn təşkil edir.

Başqa sözlə, əks-səda müddəti 18 ms olan gradient-echo şəkilləri istehsal etsəniz, əldə etdiyiniz şəkillər 100% və 60% oksigenləşmə ilə çox fərqli siqnal səviyyələrini göstərir. Maqnitinizin gücündən asılı olaraq, görmək istədiyiniz fərqlərin ardınca getmək üçün bu dəfə tənzimləyə bilərsiniz.

Müxtəlif şəraitlərdə (yəni, müxtəlif skanerlər, müxtəlif parametrlər) qeydə alınmış şəkilləri hər hansı faydalı ölçmə miqyasında müqayisə etməyin sadə yolu yoxdur. Bunun əvəzinə insanlar adətən zaman və ya məkan baxımından nisbi dəyərləri bildirirlər. Bu səbəbdən, siz tez-tez % dəyişiklik və ya standart sapma (yəni, z balları) baxımından ifadə edilən BOLD siqnalları görürsünüz.

Nəhayət, ümumi xətti modelə uyğunlaşmaq üçün fərqi yoxdur: siz model uyğunluğunun strukturunu dəyişmədən asılı dəyişəni sərbəst şəkildə miqyaslaya bilərsiniz, sizə təsir edən yalnız kəsişmə və əmsalların böyüklüyünün şərhidir.

İstinadlar


Ogawa, S., Lee, T. M., Kay, A. R., & Tank, D. W. (1990). Qanın oksigenləşməsindən asılı olaraq kontrastlı beyin maqnit rezonans görüntüləməsi. Milli Elmlər Akademiyasının Materialları, 87(24), 9868-9872.


Ümumi Xətti Model (GLM)

Təsvir edilən t iki orta qiymət fərqini qiymətləndirmək üçün test keyfiyyət (kateqorik) müstəqil dəyişənin təhlilinin xüsusi halıdır. Keyfiyyət dəyişəni diskret səviyyələrlə müəyyən edilir, məsələn, "stimulun söndürülməsi" və "stimulun aktiv olması". Dizayn bir və ya bir neçə faktora təyin edilmiş ikidən çox səviyyəni ehtiva edərsə, t testinin genişləndirilməsi kimi qəbul edilə bilən dispersiya təhlili (ANOVA) aparıla bilər. Digər tərəfdən təsvir edilən korrelyasiya əmsalı kəmiyyətdən asılı olmayan dəyişənlərin təhlili üçün uyğundur. Kəmiyyət dəyişəni istənilən mərhələli zaman kursu ilə müəyyən edilə bilər. Birdən çox istinad vaxtı kursunu nəzərə almaq lazımdırsa, sadə xətti korrelyasiya təhlilinin genişləndirilməsi kimi qəbul edilə bilən çoxsaylı reqressiya təhlili aparıla bilər.

Ümumi Xətti Model (GLM) çoxlu reqressiya təhlili ilə riyazi olaraq eynidir, lakin onun həm çoxsaylı keyfiyyət, həm də çoxlu kəmiyyət dəyişənləri üçün uyğunluğunu vurğulayır. GLM hər hansı faktorial ANOVA dizaynı, eləcə də keyfiyyət və kəmiyyət dəyişənlərinin qarışığı olan dizaynlar da daxil olmaqla, bir asılı dəyişən ilə istənilən parametrik statistik testi həyata keçirmək üçün uyğundur (kvariasiya təhlili, ANCOVA). Çoxsaylı kəmiyyət və keyfiyyət müstəqil dəyişənləri daxil etmək çevikliyinə görə GLM, Friston və həmkarları tərəfindən neyroimaging cəmiyyətinə təqdim edildikdən sonra fMRI məlumatlarının təhlili üçün əsas alətə çevrilmişdir (Friston et al. 1994, 1995). Aşağıdakı bölmələr fMRI məlumatlarının təhlili kontekstində GLM-nin riyazi fonunu qısaca təsvir edir, GLM-nin hərtərəfli müalicəsi standart statistik ədəbiyyatda tapıla bilər, məs. Draper və Smith (1998) və Kutner et al. (2005).

Qeyd: fMRI ədəbiyyatında "Ümumi Xətti Model" termini onun birdəyişənli versiyasına aiddir. "Birdəyişən" termini bu kontekstdə müstəqil dəyişənlərin sayına deyil, asılı dəyişənlərin sayına istinad edir. Daha əvvəl qeyd edildiyi kimi, hər bir voksel zaman seriyası (asılı dəyişən) üçün ayrıca statistik təhlil aparılır. Ümumi formada Ümumi Xətti Model çoxsaylı asılı dəyişənlər üçün müəyyən edilmişdir, yəni çoxdəyişənli kovariasiya analizi (MANCOVA) kimi ümumi testləri əhatə edir.

Çoxsaylı reqressiya təhlili nöqteyi-nəzərindən GLM bir neçə istinad funksiyasının xətti kombinasiyası (çəkili cəmi) baxımından asılı dəyişənin dəyişməsini “izah etmək” və ya “proqnozlaşdırmaq” məqsədi daşıyır. Asılı dəyişən vokselin müşahidə olunan fMRI vaxt kursuna, istinad funksiyaları isə eksperimental paradiqmanın müxtəlif şərtləri üçün gözlənilən (ideallaşdırılmış) fMRI cavablarının zaman kurslarına uyğundur. İstinad funksiyalarına həmçinin proqnozlaşdırıcılar, reqressorlar, izahedici dəyişənlər, kovariatlar və ya əsas funksiyalar deyilir. Müəyyən edilmiş proqnozlaşdırıcılar toplusu model adlanan dizayn matrisini təşkil edir. Proqnozlaşdırıcı vaxt kursu adətən standart hemodinamik cavab funksiyası (iki qamma HRF və ya tək qamma HRF) ilə vəziyyət qutusu-maşın vaxt kursunun cəmlənməsi ilə əldə edilir. Vəziyyət qutusu-vaqon vaxt kursu, modelləşdirilmiş vəziyyətin müəyyən edildiyi vaxt nöqtələrində 1 ("on") və bütün digər vaxt nöqtələrində 0-a dəyərlər təyin etməklə müəyyən edilə bilər. Hər bir proqnozlaşdırıcı vaxt kursu X əlaqəli əmsal və ya beta çəkisi b əldə edir, onun voksel vaxt kursunu y izah etməkdə potensial töhfəsini kəmiyyətcə göstərir. Voksel vaxt kursu y müəyyən edilmiş proqnozlaşdırıcıların cəmi kimi modelləşdirilmişdir, hər biri əlaqəli beta çəkisi b ilə vurulur. Bu xətti birləşmə səs-küy dalğalanmalarına görə məlumatları mükəmməl şəkildə izah etməyəcəyi üçün, n məlumat nöqtəsi və p proqnozlaşdırıcısı olan GLM tənliklər sisteminə e səhv dəyəri əlavə olunur:

Sol tərəfdəki y dəyişəni verilənlərə, yəni bir vokselin ölçülmüş vaxt kursuna uyğun gəlir. Zaman yuxarıdan aşağıya doğru hərəkət edir, yəni y1 1-ci zaman nöqtəsində ölçülmüş dəyər, y2 zaman nöqtəsi 2-də ölçülmüş dəyər və s. Voksel vaxt kursu (sol sütun) tənliyin sağ tərəfindəki şərtlərlə "izah edilir". Sağ tərəfdəki birinci sütun ilk beta çəkisinə b0 uyğun gəlir. Müvafiq proqnozlaşdırıcı vaxt kursu X0 hər zaman nöqtəsi üçün 1 dəyərinə malikdir və buna görə də "sabit" adlanır. 1 ilə vurma b0 dəyərini dəyişmədiyi üçün bu proqnozlaşdırıcı zaman kursu (X0) tənlikdə açıq şəkildə görünmür. Qiymətləndirmədən sonra (aşağıya bax), b0 dəyəri adətən əsas vəziyyətin siqnal səviyyəsini təmsil edir və həmçinin kəsişmə adlanır. Onun mütləq dəyəri informativ olmasa da, sabit proqnozlaşdırıcının dizayn matrisinə daxil edilməsi vacibdir, çünki o, digər proqnozlaşdırıcılara vəziyyətlə bağlı kiçik dalğalanmaları baza siqnal səviyyəsinə nisbətən artım və ya azalma kimi modelləşdirməyə imkan verir. Sağ tərəfdəki digər proqnozlaşdırıcılar müxtəlif şərtlərin gözlənilən vaxt kurslarını modelləşdirir. Çox faktorlu dizaynlar üçün əsas və qarşılıqlı təsirləri qiymətləndirmək üçün proqnozlaşdırıcılar vəziyyət səviyyələrinin kodlaşdırma kombinasiyalarını təyin etmək olar. Vəziyyətin proqnozlaşdırıcısının beta çəkisi onun vaxt kursunun voksel vaxtının gedişatını izah etməkdə verdiyi töhfəni kəmiyyətlə müəyyən edir. Beta dəyərlərinin dəqiq təfsiri dizayn matrisinin təfərrüatlarından asılı olsa da, böyük müsbət (mənfi) beta çəkisi adətən əsas xəttə nisbətən modelləşdirilmiş eksperimental vəziyyət zamanı vokselin güclü aktivasiya (deaktivasiya) nümayiş etdirdiyini göstərir. Bütün beta dəyərləri birlikdə bir və ya bir neçə eksperimental şərait üçün voksellərin "üstünlüyünü" xarakterizə edir. Tənliklər sistemindəki son sütunda qalıqlar, proqnoz səhvləri və ya səs-küy adlanan xəta dəyərləri var. Bu xəta qiymətləri ölçülmüş voksel zaman kursunun proqnozlaşdırılan zaman kursundan, proqnozlaşdırıcıların xətti kombinasiyasından sapmasını kəmiyyətlə ifadə edir.

GLM tənliklər sistemi matris notasiyası ilə zərif şəkildə ifadə edilə bilər. Bu məqsədlə biz voksel zaman kursunu, beta dəyərlərini və qalıqları vektor kimi, proqnozlaşdırıcılar dəstini isə matris kimi təqdim edirik:

Göstərilən vektorları və matrisi tək hərflərlə təmsil edərək, GLM tənliklər sisteminin bu sadə formasını əldə edirik:

Bu qeyddə matris X Sütun vektorları kimi proqnozlaşdırıcı vaxt kurslarını ehtiva edən dizayn matrisini təmsil edir. Beta dəyərləri indi ayrıca vektorda görünür b. Termin Xb matris-vektor vurulmasını göstərir. Yuxarıdakı rəqəm GLM-in qrafik təsvirini göstərir. Siqnalın, proqnozlaşdırıcıların və qalıqların zaman kursları tənliklər sistemində olduğu kimi yuxarıdan aşağıya doğru keçən zamanla sütun şəklində təşkil edilmişdir.

Məlumatları nəzərə alaraq y və dizayn matrisi X, GLM uyğunlaşdırma proseduru məlumatları mümkün qədər yaxşı izah edən bir sıra beta dəyərləri tapmalıdır. Model tərəfindən proqnozlaşdırılan zaman kursu dəyərləri proqnozlaşdırıcıların xətti kombinasiyası ilə əldə edilir:

Ölçülmüş dəyərlərə mümkün qədər yaxın olan proqnozlaşdırılan dəyərlərə aparan beta dəyərləri ilə yaxşı uyğunluq əldə ediləcəkdir y. Tənliklər sistemini yenidən təşkil etməklə aydın olur ki, məlumatların yaxşı proqnozlaşdırılması kiçik xəta qiymətlərini nəzərdə tutur:

Səhv dəyərlərinin cəmini minimuma endirən bu beta dəyərlərini tapmaq intuitiv bir fikir olardı. Səhv dəyərlərində həm müsbət, həm də mənfi dəyərlər olduğundan (və əlavə statistik mülahizələrə görə), GLM proseduru xəta dəyərlərinin cəmini minimuma endirən beta dəyərlərini təxmin etmir, lakin kvadrat xəta dəyərlərinin cəmini minimuma endirən beta dəyərlərini tapır:

Termin e'e kvadratların cəminin vektor qeydidir (Sigma e 2 ). Apostrof simvolu vektor və ya matrisin transpozisiyasını bildirir. Kvadrat xəta dəyərlərini minimuma endirən optimal beta çəkiləri (“ən kiçik kvadratlar təxminləri”) aşağıdakı tənlik ilə təkrarlanmadan əldə edilir:

Mötərizədə olan termin transpozisiya edilmiş matris-matris çarpmasını ehtiva edir, X', və köçürülməmiş, X, dizayn matrisi. Bu termin proqnozlaşdırıcıların sayına uyğun gələn bir sıra sətir və sütunlu kvadrat matrisa ilə nəticələnir. Hər bir hüceyrə X'X matris iki proqnoz vektorun skalyar hasilini ehtiva edir. Skayar hasil kovariasiyanın hesablanmasına uyğun gələn iki vektorun müvafiq qeydlərinin bütün hasillərinin cəmlənməsi ilə alınır. Bu X'X matris, beləliklə, proqnozlaşdırıcı variasiya-kovarians matrisinə uyğun gəlir. Dispersiya-kovariasiya matrisi “-1” simvolu ilə işarələndiyi kimi tərsinə çevrilir. Nəticədə matris (X'X) -1 yalnız beta dəyərlərinin hesablanması üçün deyil, həm də təzadların əhəmiyyətini yoxlamaq üçün mühüm rol oynayır (aşağıya bax). Sağ tərəfdə qalan müddət, X'y, proqnozlaşdırıcılar qədər elementləri ehtiva edən vektor kimi qiymətləndirir. Bu vektorun hər bir elementi müşahidə olunan voksel zaman kursu ilə proqnozlaşdırıcı zaman kursunun skalyar hasilidir (kovarians).

Ən kiçik kvadratların qiymətləndirilməsi metodunun maraqlı xüsusiyyəti ondan ibarətdir ki, ölçülmüş zaman kursunun dispersiyasını proqnozlaşdırılan dəyərlərin (modellə əlaqəli dispersiya) və qalıqların dispersiyasının cəminə bölmək olar:

Voksel zaman kursunun dispersiyası sabit olduğundan, səhv dispersiyasının ən kiçik kvadratlarla minimuma endirilməsi model tərəfindən izah edilən dəyərlərin dispersiyasının maksimallaşdırılmasına uyğundur. Çoxlu korrelyasiya əmsalının kvadratı R model ilə izah edilə bilən məlumatların dispersiya nisbətinin ölçüsünü təmin edir:

Çoxsaylı korrelyasiya əmsalının dəyərləri 0-dan (dispersiya izah edilmir) 1-ə (bütün variasiya model tərəfindən izah olunur) arasında dəyişir. Bir əmsalı R = 0,7, məsələn, 49% (0,7x0,7) izah edilmiş dispersiyaya uyğundur. Çoxsaylı korrelyasiya əmsalını hesablamaq üçün alternativ üsul proqnozlaşdırılan qiymətlərlə müşahidə edilən dəyərlər arasında standart korrelyasiya əmsalının hesablanmasından ibarətdir: R = ryy. Bu tənlik proqnozlaşdırıcı dəyişənlərin birləşmiş çoxluğunun müşahidə olunan zaman kursu ilə qarşılıqlı əlaqəsini (korrelyasiyasını) kəmiyyətcə müəyyən edən çoxsaylı korrelyasiya əmsalının mənasına dair başqa bir baxış təklif edir.


FMRI GLM modelində cavab vektoru nədir? - Biologiya

fMRI məlumatlarının statistik təhlili üçün bir çox üsullar təklif edilmişdir və bunların bir çoxu ümumi istifadədədir. Belə təhlilin məqsədi tapşırığa cavab olaraq əhəmiyyətli siqnal dəyişikliyi göstərən bölgələri müəyyən edən bir görüntü yaratmaqdır. Hər bir pikselə sıfır fərziyyənin ehtimalından asılı olaraq bir dəyər təyin edilir ki, müşahidə olunan siqnal dəyişiklikləri sırf onun dispersiyasına uyğun olan məlumatların təsadüfi dəyişməsi ilə izah edilə bilər, yanlışdır. Belə təsvirə statistik parametrik xəritə deyilir. Bu bölmənin məqsədi belə xəritələrin necə hazırlana biləcəyini göstərməkdir.

Bu tezisdə təqdim olunan məlumatların təhlili zamanı aşağıda təsvir edilən bütün üsullardan bu və ya digər vaxt istifadə edilmişdir. Əsasən istifadə istisna olmaqla, əksəriyyəti "C" proqramları kimi həyata keçirilmişdir SPM[10] ümumi xətti modelin həyata keçirilməsi.

Bu bölmədə təsvir olunan təhlil üsulları nümunə məlumat dəstində nümayiş etdirilir. Görülən təcrübə vizual olaraq işarələnmiş motor tapşırığı nəticəsində yaranan aktivasiyaları aşkar etmək üçün nəzərdə tutulmuşdu. Subyektin bütün beyni hər dörd saniyədən bir 3 x 3 x 10 mm 3 ölçülü 16 tac dilimində təsvir edilmişdir. LED displeyinə görə onlardan 2 Hz tezliyi ilə topu sıxmaq tələb olunurdu. Təcrübədə 16 saniyə istirahət, ardınca 32 dəfə təkrarlanan 16 saniyə tapşırıq yerinə yetirildi.

Bu fəsildə qeyd olunan statistik məlumatlara dair əlavə təfərrüatları bir çox statistika dərsliklərində, məsələn, Zar[11] və Miller və Freund[12] kitablarında tapmaq olar.

6.3.1 Çıxarma üsulları

İki vəziyyətli fMRI təcrübəsinin nəticələrini əldə etməyin ən sadə üsullarından biri sadə çıxma əməliyyatını yerinə yetirməkdir. Bu, tapşırığın "on" mərhələsində əldə edilən bütün şəkillərin orta hesabla götürülməsi və bütün "söndürülmüş" şəkillərin orta qiymətinin çıxarılması ilə həyata keçirilir. Belə bir texnikanın dezavantajı odur ki, başın hərəkətinə son dərəcə həssasdır və təsvirdə böyük miqdarda artefaktın yaranmasına səbəb olur. Şəkil 6.7a nümunə verilənlər toplusundan motor korteksi vasitəsilə bir dilim göstərir və Şəkil 6.7b 'on' şəkillərdən 'off' şəkillərinin çıxarılmasının nəticəsini göstərir. Əsas motor korteksində siqnal artımı müşahidə olunsa da, xüsusilə də təsvirin sərhədlərində çoxlu artefakt var.

Belə bir üsul sıfır fərziyyəsinə qarşı sınaqdan keçirilə bilən statistik məlumat vermir, ona görə də düz çıxma yerinə daha çox Tələbənin t-testindən istifadə olunur. Bu, "off" və ya "on" dəyərlərindəki standart sapma ilə vasitələrdəki fərqi qiymətləndirir, kiçik standart sapmalarla böyük fərqlərə yüksək t-ballar verir və böyük standart sapmalara malik kiçik fərqlərə aşağı t-bal verir. T-xalı düsturdan istifadə edərək X zaman seriyası üçün piksel-piksel əsasında hesablanır.

və yığılmış variasiyadır

'1' şəkilçisi işarə edir n Tapşırığın 'on' dövründə əldə edilən 1 təsvir, '2' isə istinad edir n İstirahət müddətində əldə edilən 2 şəkil. Şəkil 6.7c nümunə verilənlər toplusu üçün t-balların statistik parametrik xəritəsini göstərir. Yenə motor korteksinin aktivləşməsi aydın görünür, lakin hərəkət artefaktı çıxarma texnikası ilə müqayisədə azalır.

Şəkil 6.7 fMRI məlumatlarını təhlil etmək üçün çıxma üsullarından istifadə. (a) Birincil motor korteksi vasitəsilə tək dilim koronal EPI görüntüsü. (b) fMRI eksperimentinin 'off' dövründə əldə edilmiş şəkillərin orta dəyəri 'on' dövründə əldə edilmiş şəkillərin ortasından çıxılır. (c) (b) şəklinə uyğun t-statistik parametrik xəritə.

6.3.2 Korrelyasiya üsulları

BOLD cavabının qan axını ilə vasitəçi olduğunu bildiyimiz üçün stimula cavabın formasını proqnozlaşdırmaqla və hər bir piksel vaxt kursu ilə bu istinad dalğa forması arasında korrelyasiya əmsallarını hesablamaqla aktivasiyaların aşkarlanmasını yaxşılaşdırmaq mümkündür. Bu, təcrübə zamanı digər fizioloji dəyişikliklərə və hərəkətə daha az həssasdır. Zaman kursu X və istinad dalğa forması Y üçün korrelyasiya əmsalı kimi hesablanır

və mükəmməl korrelyasiya üçün 1 dəyəri, korrelyasiya yoxdur üçün sıfır dəyəri və mükəmməl antikorrelyasiya üçün -1 dəyəri var.

Müvafiq istinad dalğa formasının seçilməsi bu texnikanın aktivləşdirmələrin tapılmasında müvəffəqiyyəti üçün çox vacibdir. Birinci yaxınlaşma tapşırıq zamanı əldə edilən skanlar üçün yüksək, istirahət zamanı əldə edilən skanlar üçün aşağı olan kvadrat dalğa ola bilər (Şəkil 6.8a). Bununla belə, belə dalğa forması QOL kontrastı tənzimləyən hemodinamik reaksiyanın gecikməsini və hamarlığını nəzərə almır. Bunun təkmilləşdirilməsi kvadrat dalğanın fazasını dəyişdirmək olardı (Şəkil 6.8b), gecikmə 3 ilə 6 saniyə arasındadır.

Referans dalğa formasını daha da yaxşılaşdırmaq üçün faktiki hemodinamik reaksiyaya daha yaxından baxmaq lazımdır. Nümunə məlumat dəsti üçün istifadə olunan eksperimentdə, həm vizual, həm də motor aktivləşdirmənin olduğu yerdə, digərini tapmaq üçün istinad dalğa formasını yaratmaq üçün bir növ stimula cavabdan istifadə etmək mümkündür. Bu halda, bir və ya daha çox piksel üçün zaman seriyası, deyək ki, vizual korteks çıxarılır (Şəkil 6.8c) və bu dalğa forması ilə təsvirdəki hər bir digər piksel arasında korrelyasiya əmsalları hesablanır.Belə bir analiz beyində yalnız vizual kortekslə eyni şəkildə stimula cavab verən bölgələri aşkar edir. Bu texnikanın əsas çatışmazlığı onun hərəkət artefaktına xüsusilə həssas olmasıdır, çünki belə bir artefakt istinad dalğa şəklində mövcuddursa, digər bölgələrin hərəkəti yüksək korrelyasiya olacaqdır. Bunu azaltmağa çalışmaq üçün hər bir stimula vizual korteksdəki reaksiya birlikdə orta hesabla götürülə bilər və tək dövrəyə orta cavab verə bilər. Sonra istinad dalğa forması bu tək dövrəli orta cavabların təkrarından ibarətdir (Şəkil 6.8d).

Şəkil 6.8. Aktivləşdirmələri aşkar etmək üçün piksel vaxt kursu ilə əlaqələndirmək üçün istifadə edilə bilən müxtəlif istinad funksiyaları (təsvirlər üçün mətnə ​​baxın)

Hemodinamik reaksiyanın proqnozlaşdırılmasında daha ümumi olmaq, beləliklə, hər hansı bir stimul uzunluğu üçün istinad dalğa formasının qurulması üçün tək bir stimula cavabı bilmək lazımdır. Friston[13] təklif etdi ki, hemodinamik reaksiya funksiyası giriş funksiyasını hamarlaşdıran və dəyişdirən nöqtə yayılma funksiyası kimi qəbul edilə bilər. Məlum bir aktivasiya sahəsindən cavabı stimullaşdırıcı funksiya ilə ayırmaqla hemodinamik cavab funksiyasını əldə etmək olar. Bununla belə, hemodinamik reaksiya funksiyası bütün beyində tamamilə vahid deyil və bir bölgədən alınan forma digəri üçün optimal olmaya bilər. Alternativ olaraq, cavab Puasson və ya beta funksiyası kimi riyazi funksiya ilə modelləşdirilə bilər. Poisson funksiyası

eni l = 6 saniyə ilə müşahidə olunan hemodinamik reaksiyalara yaxşı uyğun gəlir (Şəkil 6.8e).

Ümumiyyətlə, təsvir olunan həcmin hər bir dilimi eyni anda alınmadığından, istinad dalğa forması ilə korrelyasiyada vaxt fərqlərini nəzərə almaq lazımdır. Bunu etmək üçün giriş stimulunu Poisson funksiyası ilə birləşdirərək hər bir dilimin əldə edildiyi anda aktivləşdirmənin nisbi böyüklüyü proqnozlaşdırılır. Sonra bu seriyadan korrelyasiya əmsalları proqnozlaşdırılan zaman seriyasındakı müvafiq nöqtələrdən istinad dalğa formasını quraraq, dilim əsasında dilim əsasında hesablana bilər.

İstinad dalğa formasının nəticəyə təsirinin nümunələri Şəkil 6.9-da göstərilmişdir. Burada r > 0,20 olan istinad dalğa formalarına uyğun gələn başdakı piksellər əsas təsvirin üstündə qırmızı rənglə göstərilmişdir (Şəkil 6.8). Kvadrat dalğa korrelyasiyası aktivasiyaların aşkar edilməsində ən az effektivdir (a), lakin dalğa formasını 4 saniyə gecikdirməklə əhəmiyyətli təkmilləşdirmə əldə edilir (b). Vizual korteksin özü ilə əlaqəsi (c) təəccüblü deyil, yüksəkdir, lakin orta vizual korteks reaksiyasından (d) istifadə motor korteksindəki korrelyasiyanı yaxşılaşdırır. Hemodinamik cavabın (e) Puisson funksiya modeli gecikmiş kvadrat dalğada bir qədər yaxşılaşır və yaxşı modeldir.

(a) kvadrat dalğa
(b) Gecikmiş kvadrat dalğa
(c) Vizual korteks reaksiyası
(d) Orta vizual korteks reaksiyası
(e) Puasson Paylama Modeli

Şəkil 6.9 Test məlumat dəstlərini Şəkil 6.8-də göstərilən istinad dalğa formaları ilə əlaqələndirməklə əldə edilən aktivləşdirmə şəkilləri.

6.3.3 Ümumi xətti model

Yuxarıda təsvir edilən statistik üsulların hər ikisi parametrik testlərdir. Yəni müşahidələrin normal populyasiyalardan götürüldüyünü güman edirlər. Parametrik modelləşdirmə üsullarının əksəriyyəti ümumi xətti modelin xüsusi hallarıdır. Funksional görüntüləmə məlumatlarının təhlili üçün əvvəlcə PET üçün hazırlanmış, sonra fMRI üçün genişləndirilmiş bu çərçivə proqram paketində həyata keçirilir. SPM[14]. Ümumi xətti model yalnız burada təsvir edilmişdir, çünki nəzəriyyə ədəbiyyatda geniş şəkildə əhatə olunmuşdur[15].

Ümumi xətti modelin məqsədi zaman kursunun dəyişməsini izah etməkdir y 1 . y i . y n , izahlı dəyişənlərin xətti kombinasiyası və xəta termini baxımından. Yalnız bir izahlı dəyişəni olan sadə model üçün x 1 . x i . x n , ümumi xətti model yazıla bilər

harada b miqyaslama və ya yamac parametridir və e i xəta terminidir. Modeldə daha çox dəyişən varsa, ümumi xətti modeli matris şəklində yazmaq rahatdır

indi harada Y müşahidə olunan piksel dəyərlərinin vektorudur, b parametrlərinin vektorudur və e xəta şərtlərinin vektorudur. Matris X dizayn matrisi kimi tanınır. Orijinal məlumatda hər zaman nöqtəsi üçün bir sıra və modeldəki hər izahedici dəyişən üçün bir sütun var. Bir fMRI təcrübəsini təhlil edərkən, sütunları X təqdim olunan stimulun 'on' və 'off' elementlərinə uyğun vektorları ehtiva edir. Parametrin böyüklüyünü tapmaqla b bu vektorlara uyğun olaraq aktivləşmənin mövcudluğu və ya olmaması aşkar edilə bilər.

b "normal tənlikləri" həll etməklə müəyyən edilə bilər.

ən yaxşı xətti təxmin haradadır b. Bir şərtlə ki (X T X) çevrilə biləndir, sonra ilə verilir

Bu cür parametr təxminləri normal şəkildə paylanır və xəta müddəti müəyyən edilə bildiyi üçün statistik nəticə çıxarmaq olar. b aktivləşdirmə reaksiyasının modelinə uyğun gələn parametr sıfır fərziyyədən əhəmiyyətli dərəcədə fərqlənir.

Ümumi xətti model verilənlərin modelləşdirilməsinin əksər növləri üçün çərçivə təmin edir və modelləşdirilə bildiyi halda sürüşmə və ya tənəffüs kimi təhlili qarışdıra biləcək təsirləri aradan qaldıra bilər.

6.3.4 Serial T-testi

Yuxarıda təsvir edilən bütün üsullar aktiv bölgələrin izləyəcəyi zaman kursunun proqnozlaşdırılmasını tələb edir. Bir çox eksperimentlər üçün sürətli təsvirlərin və diqqətlə hazırlanmış paradiqmaların istifadəsi idrak hadisələrinin ardıcıllığının ayrılmasını mümkün edir. Parkinson xəstəliyi ilə bağlı araşdırmamızın bir hissəsi olan və 7-ci Fəsildə daha ətraflı təsvir edilən belə bir nümunə, hərəkətin başlanmasını ehtiva edən bir paradiqmadır. Bu təcrübədə subyektdən '5' rəqəminin vizual təqdimatına əllə tutulan düyməni basaraq cavab verməsi və '2'nin təqdimatına heç bir cavab verməməsi tələb olunurdu. Bu paradiqma ənənəvi, dövrə əsaslanan təcrübələrdən iki fərq təqdim etdi. Birincisi, düymənin basılmasından məsul olan maraqların aktivləşdirilməsi qeyri-müntəzəm sürətlə baş verdi. İkincisi, tapşırıqda iştirak edən bütün idrak prosesləri, o cümlədən hərəkətin planlaşdırılması və icrası, dövrə əsaslanan paradiqmalarda istifadə olunan davamlı aktivləşdirmədən fərqli olaraq, bir neçə yüz millisaniyəlik bir zaman müddətində baş verdi. Belə bir təcrübə təhlilin yeni formasını tələb edir. İki texnika qiymətləndirilmişdir, onların hər ikisi tapşırıq zamanı aktivləşdirmənin vaxtı ilə bağlı heç bir fərziyyə irəli sürmür: burada təsvir olunan ardıcıl t-testi və növbəti bölmədə izah edilən dispersiya texnikasının təhlili.

Serial t-testinin əsası istirahət vəziyyətinin əsas xəttini müəyyən etmək və tapşırıqdan əvvəl, ərzində və sonra hər bir zaman nöqtəsində əldə edilmiş şəkilləri bu baza ilə müqayisə etməkdir. Şəkil 6.10 texnikanı göstərir. Stimuldan sonrakı hər bir zaman nöqtəsi üçün orta və standart sapma təsviri, əsas orta və standart sapma təsviri kimi qurulur. Sonra t-statistik parametrik xəritələr toplusu orta şəkil birinci ilə orta ilkin təsvir, orta şəkil ikinci və baza xətti arasındakı fərq üçün piksel-piksel əsasında t-xalını (6.5 - 6.7 tənliklərindən istifadə etməklə) hesablamaqla formalaşdırılır. , və s.

Şəkil 6.10. Serial t-testindən istifadə edərək fMRI analizi

Şəkil 6.11-də bu texnikadan istifadə etməklə nümunə verilənlər toplusunun təhlilinin nəticəsi göstərilir. Belə bir məlumat dəsti serial t-test analizinin faydasını həqiqətən göstərmir. Fəsil 7-də göstərilən nəticələr hadisələrin vaxtlarına və gözlənilməz dalğa formalarına baxmaqda istifadəsini daha yaxşı göstərir.

Şəkil 6.11 Serial t-testindən istifadə edərək test məlumat dəstinin işlənməsinin nəticələri. Səkkiz həcmli şəkil dəsti cərgələr şəklində göstərilir, ilk dördü eksperimentin "istirahət" dövrlərinə, sonrakı dördü isə "tapşırıq" dövrlərinə uyğun gəlir. Aktivləşdirmə həm əsas motor, həm də vizual kortekslərdə görünə bilər.

Texnikanın iki əsas çatışmazlığı var. Birincisi, kifayət qədər siqnalın səs-küy nisbətinə nail olmaq üçün dövrə əsaslanan paradiqma ilə müqayisədə daha çox dövrə malik olmaq lazımdır ki, bu da daha uzun təcrübələrə səbəb olur. Bu, mövzu üçün narahat ola bilər və skaner aparatına əlavə tələblər qoyur. Vahid hadisə tapşırıqlarını bir-birinə yaxınlaşdırmaq üçün müəyyən imkanlar var, lakin BOLD siqnalının ilkin vəziyyətə qayıtmasına icazə vermək üçün kifayət qədər interval olmalıdır. Bu gecikmə ən azı on saniyədir. İkinci çatışmazlıq ondan ibarətdir ki, təhlil nəticəsində bütövlükdə şərh edilməli olan bir çox statistik parametrik xəritələr əldə edilir. Bununla belə, texnikanın məlumat vaxtı kursu ilə bağlı bir neçə fərziyyə irəli sürməsi onu güclü bir texnika halına gətirir və daha müxtəlif eksperimental dizayn imkanlarını açır və dövrə əsaslanan paradiqmalardan uzaqlaşır.

6.3.5 Variasiyanın təhlili

Aktivləşdirmə vaxtı kursunun forması ilə bağlı heç bir fərziyyə tələb etməyən ikinci texnika, orta hesablama zamanı variasiya dəyişikliklərinə baxır. Texnika sadə siqnalın orta hesablanması nəzəriyyəsinə əsaslanır[16]. Məsələn, Şəkil 6.12-də göstərildiyi kimi təkrarlanan siqnala ölçülmüş cavabı götürək. Zaman seriyası iki komponentdən ibarətdir, biri siqnala həqiqi cavabdır, digəri isə əlaqəli olmayan fizioloji hadisələr və görüntüdəki səs-küy nəticəsində təsadüfi dalğalanmalardır. Birlikdə orta hesabla 32 dövrə vurduqda, səs-küylü komponentin gücü azalır, lakin təkrarlanan siqnalın gücü azalır. Səs-küylü komponentin azaldılması həm orta, həm də orta məlumat dəstinin dispersiyasını hesablamaqla ölçülə bilər.

Şəkil 6.12. Siqnal Ortalama. Orta siqnalda səs-küyün fərqi N orijinal siqnalda olduğundan dəfələrlə azdır, harada N dövrlərin sayıdır.

Aktivləşdirmə bölgələrini aşkar etmək üçün təsvirdəki hər bir piksel üçün orta hesablanmış məlumat dəstinin dispersiyasının ortalanmamış məlumat dəstinin dispersiyasına nisbəti hesablanır. Sırf təsadüfi intensivlik dəyişikliyi bölgələrindəki piksellər üçün bu nisbət təxminən 1/ olacaq.n, harada n birlikdə orta hesabla alınan dövrlərin sayıdır. Bununla belə, aktivləşmə bölgələrində piksellər bundan əhəmiyyətli dərəcədə yüksək nisbətə malik olacaqlar, çünki həm orta hesablanmamış, həm də orta hesablanmış məlumat dəstlərinin dispersiyasında BOLD effektinin stimulun kilidlənmiş intensivliyi variasiyaları üstünlük təşkil edir və bu, orta hesablama zamanı azalmır.

Texnika daha rəsmi şəkildə dispersiya təhlili (ANOVA) kimi izah olunur[17]. Əgər X ij istinad edir istimuldan sonra ci zaman nöqtəsi, of jeksperimentin ci dövrü

vaxt t X 11, X 12, . X 1j, . X 1n X 1
vaxt 2t X 21, X 22, . X 2j, . X 2n X 2
. . . . . . . .
vaxt o X i1 , X i2, . X ij, . X in X i
. . . . . . . .
vaxt kt X k1, X k2, . X kj, . X kn X k
X

ilə n dövrlər və k dövr başına xal. Sıfır fərziyyə ondan ibarətdir ki, vasitələrdə əhəmiyyətli fərq yoxdur, . Bu, populyasiya dispersiyasının iki təxminini müqayisə etməklə yoxlanıla bilər, biri eyni vaxt nöqtəsinin ölçmələrindəki variasiyalara əsaslanan s 2, digəri isə vaxt nöqtələri arasındakı fərqə əsaslanır.

İstənilən zaman nöqtəsinin ölçülməsi daxilində dispersiya ilə hesablana bilər

və buna görə də zaman nöqtələri daxilində orta dispersiya ilə verilir

və əsaslanır k(n-1) sərbəstlik dərəcələri. Zaman nöqtəsi vasitələrinin variasiyası ilə verilir

onda s 2 ilə təxmin edilə bilər

hansı əsaslanır k-1 dərəcə sərbəstlik. Sıfır fərziyyəyə əsasən, həm və həm də müstəqil olaraq əhalinin dispersiyasını s 2 qiymətləndirin. Bu nisbət deməkdir

ilə F paylanması olacaq k-1 və k(n-1) sərbəstlik dərəcələri. Əgər stimula bağlı vaxtda hər hansı bir siqnal dəyişikliyi olarsa, dəyəri sıfır fərziyyə altında gözləniləndən daha böyük olacaqdır.

fMRI məlumatlarının təhlilində F-statistik parametrik xəritəni yaratmaq üçün 6.15 - 6.19 tənliklərindən istifadə olunur. Bu tənliklər aşağıdakı qısa düsturlardan istifadə etməklə həyata keçirilir

Bu yanaşmanın real məlumatlar üzərində etibarlılığını qiymətləndirmək üçün fantom və baş təsvirləri təhlil edilmişdir. Fantom məlumat dəsti hər biri 128 x 128 x 16 matris ölçüsü olan 256 həcmli təsvirdən ibarət olub və 4 saniyəlik təkrar tezliyi ilə əldə edilib. Baş məlumat dəsti eyni matris ölçüsünə malik 256 baş təsvirdən ibarət idi və subyekt heç bir müəyyən tapşırıq yerinə yetirmirdi. Hər iki məlumat dəsti funksional görüntüləmə məlumat dəstinin olacağı kimi əvvəlcədən işlənmişdir və sonra hər dövrə üçün 16 bal və 16 dövr qəbul edilərək dispersiya təhlili aparılmışdır. Histoqramları F hər bir məlumat dəsti üçün Şəkil 6.13-də müvafiq F paylanması nöqtəli xətt kimi göstərilmişdir.

harada n 1 - bir dövrə düşən xalların sayı, bir və n 2 məlumat nöqtələrinin ümumi sayından hər dövrəyə düşən balların sayından çıxılmaqla bərabərdir[18]. Hər üç histoqram F paylanmasına yaxşı uyğunluğu göstərir və bu texnikanın fMRI məlumatlarına tətbiqinin etibarlılığını təsdiqləyir.

Şəkil 6.13 (a) simulyasiya edilmiş məlumatlar, (b) fantom verilənlər və (c) baş məlumatları üçün hesablanmış F-ballarının (bərk xətt) və müvafiq F-paylanmasının (nöqtəli xətt) qrafikləri.

ANOVA texnikasından istifadə edərək nümunə aktivləşdirmə verilənlər toplusunun təhlilinin nəticələri Şəkil 6.14-də göstərilmişdir. Serial t-testində olduğu kimi, belə bir məlumat dəsti bu texnikanın potensialını ən yaxşı şəkildə göstərmir. Daha yaxşı bir nümunə qısamüddətli yaddaşı araşdırmaq üçün aparılan tədqiqatın təhlilindən gəlir.

Şəkil 6.14 Variasiya təhlili texnikasından istifadə edərək test məlumat toplusunun işlənməsinin nəticələri. Qırmızı rənglə kölgələnmiş bu piksellər, stimulun bağlandığı vaxtın müəyyən bir şəkildə dəyişən bölgələrinə uyğundur.

Bu təcrübə üçün stimul paradiqması üç mərhələdən ibarət idi. Mövzuya ardıcıl olaraq ilk üç rəqəm təqdim edildi. Səkkiz saniyədən sonra dördüncü rəqəm təqdim edildi və subyektdən, əgər bu son rəqəm əvvəllər təqdim olunan üç rəqəmdən hər hansı biri ilə eynidirsə, sağ əlindəki düyməni basaraq, yoxsa sol əlindəki düyməni basmaqla cavab verməsi tələb olunurdu. [19]. Son mərhələ əsas təmin etmək üçün istirahət dövrü idi. Bütün sınaq 32 dəfə təkrarlandı.

Beynin bəzi bölgələrinin yalnız rəqəmlərin təqdimatı zamanı, bəzilərinin saxlama dövründə, bəzilərinin yalnız geri çağırma mərhələsində, digərlərinin isə bütün yaddaş tapşırığı zamanı aktiv olacağı gözlənilir. Korrelyasiya texnikasından istifadə edərək bu cür məlumatları təhlil etmək bütün istinad dalğa formalarını proqnozlaşdırmaq demək olardı. ANOVA texnikası bir testdə müxtəlif formaların cavablarını aşkar etdi. Şəkil 6.15-də qısamüddətli yaddaş təcrübəsinin ANOVA analizindən əldə edilmiş aktivləşdirmə xəritələri və bir sıra sahələrdən vaxt kursu qrafikləri göstərilir.

Şəkil 6.15 Maraqlanan bir neçə bölgə üçün orta dövr qrafikləri ilə birlikdə mətndə təsvir olunan qısamüddətli yaddaş təcrübəsindən əldə edilən məlumatlara tətbiq olunan Variasiya texnikasının təhlili. Beynin stimula müxtəlif yollarla hərəkət edən sahələri tək bir aktivasiya görüntüsündə görünə bilər.

ANOVA analizinin yekun şəkli, stimulun təqdimatı ilə sinxron şəkildə dəyişən bütün bölgələri göstərir. Aktivləşdirmə kimi deaktivasiyaları seçməkdə eyni dərəcədə yaxşıdır. Bu, mövcud olan bütün məlumatları toplamaq üçün bu şəkilləri əsas komponent təhlili və ya klaster təhlili kimi digər analiz formaları üçün yaxşı başlanğıc nöqtəsi edir.

6.3.6 Proqram təminatının tətbiqi

Bir verilənlər toplusunda həyata keçirilə bilən testlərin müxtəlifliyinə görə, yuxarıda təsvir edilən testləri həyata keçirmək üçün proqram ayrı-ayrı proqramlar toplusu kimi yazılmışdır.

Proqram əlaqələndirmək istifadəçi tərəfindən müəyyən edilmiş dəyərlərdən istinad dalğa forması qurur və isteğe bağlı olaraq bunu istifadəçinin müəyyən etdiyi genişliyin Poisson funksiyası ilə birləşdirir. Korrelyasiya əmsalları 6.8 tənliyindən istifadə etməklə hesablanır. İstinad dalğa forması 0 ilə 1 arasında dəyişirsə, aktivləşdirmə zamanı dəyişmə faizinin ölçüsü formanın xətti reqressiyasını hesablamaqla əldə edilə bilər.

Faiz dəyişikliyi aşağıdakı kimi hesablana bilər (b/a) x 100%.

Proqram həmçinin aşağıdakı bölmələrdə izah edildiyi kimi Fişers Z transformasiyasından və azaldılmış sərbəstlik dərəcələrindən istifadə edərək z-balların müvafiq təsvirini hesablayır. Bu çıxışların hər biri üçün fayl adları belədir

cc_<file>.img korrelyasiya əmsalları 'şort' x 10,000 kimi saxlanılır
pc_<file>.img faiz dəyişikliyi 'şort' x 1000 kimi saxlanılır (belə ki, 1% siqnal dəyişikliyi x 1000)
cz_<file>.img z-balları 'float' kimi yadda saxlanıldı (miqyaslı deyil)

Serial t-testləri tərəfindən həyata keçirilir xəritətmapnc, birincisi siklik təcrübələr üçün, ikincisi isə qeyri-tsiklik təcrübələr üçün uyğundur. Qeyri-tsiklik versiya üçün stimul vaxtları mətn faylından əldə edilir və hər iki çıxış t-hesab xəritələri tt_ adlı faylda 1000 ilə miqyaslanmış "qısa" kimi saxlanılır.<file>.img.

ANOVA testləri proqramlar tərəfindən həyata keçirilir anova, və anovancva_ adlı faylda hər ikisi f-balları 1000-ə bərabər çıxarır<file>.img.


2 Cavab 2

Bu olduqca geniş sualdır - mən bunu əsasən belə tərcümə edərdim: GLM nədir və qarışıq model nədir. Hər şeydən əvvəl, bir GLM-ə uyğunlaşmaq istədiyinizi yazırsınız, amma LM nəzərdə tutduğunuzdan şübhələnirəm, çünki formula

adətən bir LM ifadə edərdi. GLM üçün bizim əlavə keçid funksiyamız olacaq.

Yuxarıdakı düsturda $Y$ sizin cavabınız, $X$ proqnozlaşdırıcılarınızdır (dizayn matrisi) və $eta$ bu proqnozlaşdırıcılar üçün reqressiya əmsallarıdır (kateqoriyalıdırsa, təzadlar).

Təsadüfi effektli model üçün qeydiniz bir qədər qeyri-adidir (bunun haradan götürüldüyünə əmin deyiləm), lakin mən şübhələnirəm

$Y = Xeta + epsilon$ $eta = X'eta' + epsilon'$

hər bir qruplaşdırma faktoru üçün reqressiya əmsallarının/kontrastlarının fərqli ola biləcəyi təsadüfi yamac modelinə uyğunlaşmaq istədiyiniz deməkdir. Təsadüfi yamac modelinin fərziyyəsi ondan ibarətdir ki, qruplar arasında $eta$ fərqləri qruplar arası dəyişkənlik olan $epsilon'$ normal paylanmasından götürülür. Beləliklə, $eta$ proqnozlaşdırıcılarının yekun vektoru ümumi $eta'$ və təsadüfi təsirlərdən $epsilon'$ ibarətdir.

Ümumiyyətlə, bu qeydin qarışıq modelin necə işlədiyini başa düşmək üçün həddən artıq faydalı olub olmadığına əmin deyiləm - mən qarışıq modellər haqqında ümumi dərslik və ya təlimatla başlamağı təklif edərdim.

  • R-də sadə dərslik Bates, D. Mächler, M. Bolker, B. & Walker, S. (2014) lme4 istifadə edərək xətti qarışıq effektli modellərin uyğunlaşdırılmasıdır.
  • Daha statistik istinad Gelman, A. & Hill, J. (2006) reqressiya və çoxsəviyyəli/iyerarxik modellərdən istifadə edərək məlumatların təhlilidir. Cambridge University Press, xüsusən ch 11,12
  • Hesablama üsulları haqqında əsas izahat əldə etmək üçün Bates, D. M. (2010) lme4: R ilə qarışıq effektlərin modelləşdirilməsinə baxa bilərsiniz.

Əlbəttə ki, bir çox başqa yaxşı kitablar da var, bu sizin sahənizdən və riyaziyyatın hansı səviyyədən axtardığınızdan asılıdır.


FMRI məlumatlarının təhlili üçün hibrid SVM-GLM yanaşması

Adi ümumi xətti model (GLM) ilə təmsil olunan fərziyyəyə əsaslanan fMRI məlumat analizi metodları regional spesifik aktivasiyaları qiymətləndirmək üçün ciddi şəkildə müəyyən edilmiş statistik çərçivəyə malikdir, lakin adətən dəqiq olması çətin olan beyin reaksiyasının əvvəlcədən modelləşdirilməsini tələb edir. Əksinə, dəstək vektor maşını (SVM) kimi kəşfiyyat metodları əvvəlki hemodinamik cavab funksiyasından (HRF) müstəqildir, lakin ümumiyyətlə statistik nəticə çərçivəsi yoxdur. Hər iki metodun üstünlüklərindən istifadə etmək üçün bu məqalə adi GLM-ni SVM ilə birləşdirərək mürəkkəb yanaşma təqdim edir. Bu hibrid SVM-GLM konsepsiyası verilənlərdən əldə edilən istinad funksiyasını əldə etmək və statistik nəticə çıxarmaq üçün onu ənənəvi GLM-ə daxil etmək üçün SVM-in gücündən istifadə etməkdir. Məlumatdan əldə edilən istinad funksiyası yeni müvəqqəti profil çıxarma metodundan istifadə etməklə SVM təsnifatçısından çıxarılmışdır. Sintetik fMRI məlumatları ilə simulyasiyalarda SVM-GLM adi GLM ilə müqayisədə sintetik aktivləşdirmələri aşkar etmək üçün daha yaxşı həssaslıq və spesifiklik performansı nümayiş etdirdi. Real fMRI məlumatları ilə SVM-GLM sensorimotor aktivasiyaların aşkarlanması üçün adi GLM-dən daha yaxşı həssaslıq göstərdi.

Rəqəmlər

SVM əsaslı təsnifat və müvəqqəti profil...

SVM əsaslı təsnifat və müvəqqəti profilin çıxarılması. A) xətti ... istifadə edərək 2 ölçülü məlumatların təsnifatı

A) CNR tərifi, B) simulyasiyalar üçün süni beyin aktivləşdirmə vaxtı kursu...

SDPtp bir…

Nümayəndə subyektin sensorimotor BOLD fMRI məlumatından çıxarılan SDPtp. A)…

Adi orta (n=8) AUC…

Yaradılmış sintetik məlumatlarda adi GLM və SVM-GLM-nin orta (n=8) AUC-ləri…

Qrup səviyyəsində statistik təhlil nəticələri...

Sol əl sensorimotor BOLD fMRI məlumatlarının qrup səviyyəsində statistik analiz nəticələri. The…

Qrup səviyyəsinin T-balı histoqramları...

Fərdi GLM və SVM-GLM nəticələrinə əsaslanan qrup səviyyəli analizin T-balı histoqramları...

Qrup səviyyəsində statistik təhlil nəticələri...

Sağ əl sensorimotor ASL perfuziya fMRI məlumatlarının qrup səviyyəsində statistik analiz nəticələri.…


Ümumiləşdirilmiş Layner Modelini (GLM) necə yaratmaq olar

  • yaş: fərdin yaşı. Rəqəmsal
  • təhsil: fərdin təhsil səviyyəsi. Amil.
  • evlilik.status: Şəxsin ailə vəziyyəti. Faktor yəni heç vaxt evlənməmiş, Evli-vətəndaş-həyat yoldaşı, .
  • gender: fərdin cinsi. Faktor, yəni Kişi və ya Qadın
  • gəlir: Hədəf dəyişən. 50K-dan yuxarı və ya aşağı gəlir. Faktor, yəni >50K, <=50K
  • Addım 1: Davamlı dəyişənləri yoxlayın
  • Addım 2: Faktor dəyişənlərini yoxlayın
  • Addım 3: Xüsusiyyət mühəndisliyi
  • Addım 4: Xülasə statistikası
  • Addım 5: Təlim/test dəsti
  • Addım 6: Modeli qurun
  • Addım 7: Modelin performansını qiymətləndirin
  • Addım 8: Modeli təkmilləşdirin

Sizin vəzifəniz hansı şəxsin 50K-dan çox gəlir əldə edəcəyini proqnozlaşdırmaqdır.

Bu dərslikdə real verilənlər bazasında təhlil aparmaq üçün hər bir addım ətraflı izah ediləcək.

Addım 1) Davamlı dəyişənləri yoxlayın

Birinci addımda siz davamlı dəyişənlərin paylanmasını görə bilərsiniz.

  • davamlı <-seçin_if(data_adult, is.numeric): Yalnız ədədi sütunları seçmək üçün dplyr kitabxanasından select_if() funksiyasından istifadə edin
  • xülasə (davamlı): Xülasə statistikasını çap edin

Yuxarıdakı cədvəldən məlumatların tamamilə fərqli miqyaslara malik olduğunu və həftədə saatların böyük kənar göstəricilərə malik olduğunu görə bilərsiniz (yəni, son kvartil və maksimum dəyərə baxın).

  • 1: Həftədə saatların paylanmasını planlayın
  • 2: Davamlı dəyişənləri standartlaşdırın
  1. Bölüşdürmə qrafiki

Saatların paylanmasına daha yaxından nəzər salaq.həftədə

Dəyişən çoxlu kənar göstəricilərə malikdir və yaxşı müəyyən edilməmiş paylanmaya malikdir. Həftədə ən yaxşı saatların 0,01 faizini silməklə bu problemi qismən həll edə bilərsiniz.

Ən yüksək 2 faiz faizini hesablayırıq

Əhalinin 98 faizi həftədə 80 saatdan az işləyir.

Siz bu həddən yuxarı müşahidələri buraxa bilərsiniz. Siz dplyr kitabxanasındakı filtrdən istifadə edirsiniz.

Performansı yaxşılaşdırmaq üçün hər bir sütunu standartlaşdıra bilərsiniz, çünki məlumatlarınız eyni miqyasda deyil. Siz dplyr kitabxanasından mutate_if funksiyasından istifadə edə bilərsiniz. Əsas sintaksis belədir:

Rəqəmsal sütunları aşağıdakı kimi standartlaşdıra bilərsiniz:

Addım 2) Faktor dəyişənlərini yoxlayın

  • Kateqoriyalı sütunları seçin
  • Hər bir sütunun bar diaqramını siyahıda saxlayın
  • Qrafikləri çap edin

Aşağıdakı kodla faktor sütunlarını seçə bilərik:

  • data.frame(select_if(data_adult, is.factor)): Biz faktor sütunlarını verilənlər çərçivəsi tipində saxlayırıq. Ggplot2 kitabxanası məlumat çərçivəsi obyekti tələb edir.

Verilənlər dəsti 6 kateqoriyalı dəyişəni ehtiva edir

İkinci addım daha bacarıqlıdır. Siz verilənlər çərçivəsi faktorunda hər bir sütun üçün çubuq diaqramı çəkmək istəyirsiniz. Prosesi avtomatlaşdırmaq daha rahatdır, xüsusən də çoxlu sütunlar olduqda.

  • lapply(): Verilənlər dəstinin bütün sütunlarında funksiya ötürmək üçün lapply() funksiyasından istifadə edin. Çıxışı siyahıda saxlayırsınız
  • funksiya(x): Funksiya hər x üçün işlənəcək. Burada x sütunlardır
  • ggplot(factor, aes(get(x))) + geom_bar()+ theme(axis.text.x = element_text(angle = 90)): Hər x elementi üçün bar chart diaqramı yaradın. Qeyd edək ki, x-i sütun kimi qaytarmaq üçün onu get() içərisinə daxil etməlisiniz.

Son addım nisbətən asandır. Siz 6 qrafiki çap etmək istəyirsiniz.

Qeyd: Növbəti qrafikə keçmək üçün növbəti düyməni istifadə edin

Addım 3) Xüsusiyyət mühəndisliyi

Təhsilin yenidən qurulması

Yuxarıdakı qrafikdən görə bilərsiniz ki, dəyişən təhsil 16 səviyyəyə malikdir. Bu əhəmiyyətlidir və bəzi səviyyələrdə müşahidələrin sayı nisbətən azdır. Bu dəyişəndən əldə edə biləcəyiniz məlumatın miqdarını artırmaq istəyirsinizsə, onu daha yüksək səviyyəyə çevirə bilərsiniz. Məhz, eyni təhsil səviyyəsinə malik daha böyük qruplar yaradırsınız. Məsələn, təhsilin aşağı səviyyəsi məktəbi tərk edənlərə çevriləcək. Ali təhsil səviyyələri magistr səviyyəsinə dəyişdiriləcək.

  • Biz dplyr kitabxanasından mutate felindən istifadə edirik. ifelse ifadəsi ilə təhsilin dəyərlərini dəyişdiririk

Aşağıdakı cədvəldə siz bakalavr, magistr və ya doktoranturaya çatmaq üçün orta hesabla neçə illik təhsilin (z-dəyəri) lazım olduğunu görmək üçün ümumi statistika yaradırsınız.

Ailə vəziyyətini yenidən nəzərdən keçirin

Addım 4) Xülasə Statistikası

Hədəf dəyişənlərimizlə bağlı bəzi statistik məlumatları yoxlamağın vaxtıdır. Aşağıdakı qrafikdə cinslərini nəzərə alaraq 50k-dən çox qazanan şəxslərin faizini hesablayırsınız.

Sonra, fərdin mənşəyinin onların qazancına təsir edib-etmədiyini yoxlayın.

Cinslərə görə iş saatlarının sayı.

Qutu süjeti iş vaxtının paylanmasının müxtəlif qruplara uyğun olduğunu təsdiqləyir. Qutu süjetində hər iki cinsin homojen müşahidələri yoxdur.

Həftəlik iş vaxtının sıxlığını təhsil növünə görə yoxlaya bilərsiniz. Dağıtımların bir çox fərqli seçimləri var. Çox güman ki, bunu ABŞ-dakı müqavilənin növü ilə izah etmək olar.

  • ggplot(recast_data, aes( x= hours.per.week)): Sıxlıq qrafiki yalnız bir dəyişən tələb edir
  • geom_density(aes(rəng = təhsil), alfa =0.5): Sıxlığı idarə etmək üçün həndəsi obyekt

Fikirlərinizi təsdiqləmək üçün birtərəfli ANOVA testi keçirə bilərsiniz:

ANOVA testi qruplar arasında orta fərqi təsdiqləyir.

Qeyri-xəttilik

Modeli işə salmazdan əvvəl, işlənmiş saatların sayının yaşa bağlı olub olmadığını görə bilərsiniz.

  • ggplot(recast_data, aes(x = yaş, y = saat.həftəlik)): Qrafikin estetikasını təyin edin
  • geom_point(aes(color= gəlir), ölçüsü =0.5): Nöqtə xəttini qurun
  • stat_smooth(): Aşağıdakı arqumentlərlə trend xəttini əlavə edin:
    • method='lm': Xətti reqressiya olarsa, uyğun dəyərin qrafikini tərtib edin
    • düstur = y

    Bir sözlə, həftəlik iş vaxtı və digər xüsusiyyətlər arasında qeyri-xətti effekti əldə etmək üçün modeldə qarşılıqlı əlaqə şərtlərini sınaqdan keçirə bilərsiniz. İş vaxtının hansı şəraitdə fərqləndiyini aşkar etmək vacibdir.

    Korrelyasiya

    Növbəti yoxlama dəyişənlər arasındakı korrelyasiyanı vizuallaşdırmaqdır. Spearman metodu ilə hesablanmış korrelyasiya əmsalını ehtiva edən istilik xəritəsini tərtib etmək üçün amil səviyyəsinin növünü rəqəmə çevirirsiniz.

    • data.frame(lapply(recast_data,as.integer)): Verilənləri rəqəmə çevirin
    • ggcorr() istilik xəritəsini aşağıdakı arqumentlərlə tərtib edir:
      • metod: Münasibətin hesablanması üsulu
      • nbreaks = 6: Fasilə sayı
      • hjust = 0.8: Süjetdə dəyişən adının nəzarət mövqeyi
      • label = TRUE: Pəncərələrin ortasına etiketlər əlavə edin
      • label_size = 3: Ölçü etiketləri
      • rəng = "boz50"): Etiketin rəngi

      Addım 5) Təlim/test dəsti

      Nəzarət edilən hər hansı maşın öyrənmə tapşırığı məlumatların qatar dəsti və test dəsti arasında bölünməsini tələb edir. Siz qatar/test dəsti yaratmaq üçün digər nəzarət edilən təlim dərsliklərində yaratdığınız "funksiyadan" istifadə edə bilərsiniz.

      Addım 6) Modeli qurun

      Alqoritmin necə işlədiyini görmək üçün glm() paketindən istifadə edirsiniz. The Ümumiləşdirilmiş xətti model modellər toplusudur. Əsas sintaksis belədir:

      Gəlir səviyyəsini bir sıra xüsusiyyətlər arasında bölmək üçün logistik modeli təxmin etməyə hazırsınız.

      • AIC (Akaike İnformasiya Kriteriyaları): Bu, ekvivalentdir R2 logistik reqressiyada. Parametrlərin sayına cəza tətbiq edildikdə uyğunluğu ölçür. Daha kiçik AIC dəyərlər modelin həqiqətə daha yaxın olduğunu göstərir.
      • Null sapma: Modelə yalnız kəsişmə ilə uyğun gəlir. Sərbəstlik dərəcəsi n-1-dir. Biz onu Ki-kvadrat dəyəri kimi şərh edə bilərik (həqiqi dəyər fərziyyəsinin testindən fərqli uyğunlaşdırılmış dəyər).
      • Qalıq sapma: Bütün dəyişənlərlə model. O, həmçinin Ki-kvadrat hipotez testi kimi şərh olunur.
      • Fisher Scoring iterasiyalarının sayı: Konversiyadan əvvəl iterasiyaların sayı.

      glm() funksiyasının çıxışı siyahıda saxlanılır. Aşağıdakı kod logistik reqressiyanı qiymətləndirmək üçün qurduğumuz logit dəyişənində mövcud olan bütün elementləri göstərir.

      # Siyahı çox uzundur, yalnız ilk üç elementi çap edin

      Hər bir dəyər göstəricilərin adından sonra $ işarəsi ilə çıxarıla bilər. Məsələn, siz modeli logit kimi saxladınız. AIC meyarlarını çıxarmaq üçün istifadə edin:

      Addım 7) Modelin performansını qiymətləndirin

      Qarışıqlıq matrisi

      The qarışıqlıq matrisi əvvəl gördüyünüz müxtəlif ölçülərlə müqayisədə təsnifat performansını qiymətləndirmək üçün daha yaxşı seçimdir. Ümumi fikir, Həqiqi nümunələrin neçə dəfə yanlış olduğunu hesablamaqdır.

      Qarışıqlıq matrisini hesablamaq üçün əvvəlcə bir sıra proqnozlara sahib olmalısınız ki, onlar faktiki hədəflərlə müqayisə olunsun.

      • proqnozlaşdırmaq(logit,data_test, type = 'cavab'): Test dəstində proqnozu hesablayın. Cavab ehtimalını hesablamaq üçün növü = 'cavab' təyin edin.
      • cədvəl(data_test$gəlir, proqnozlaşdırın > 0.5): Qarışıqlıq matrisini hesablayın. proqnozlaşdırmaq > 0,5 o deməkdir ki, proqnozlaşdırılan ehtimallar 0,5-dən yuxarı olarsa, 1, əks halda 0 qaytarır.

      Qarışıqlıq matrisindəki hər bir cərgə faktiki hədəfi, hər bir sütun isə proqnozlaşdırılan hədəfi təmsil edir. Bu matrisin birinci cərgəsi 50k-dan aşağı gəliri (Yanlış sinif) hesab edir: 6241 nəfər düzgün olaraq 50k-dan aşağı gəliri olan şəxslər kimi təsnif edilmişdir (Əsl mənfi), qalanı səhv olaraq 50k-dan yuxarı (Yanlış müsbət). İkinci cərgə 50k-dan yuxarı gəliri hesab edir, müsbət sinif 1229 (Əsl müsbət), isə Əsl mənfi 1074 idi.

      Modeli hesablaya bilərsiniz dəqiqlik ümumi müşahidə üzərində həqiqi müsbət + həqiqi mənfini cəmləməklə

      Model bir problemdən əziyyət çəkir, yalançı neqativlərin sayını çox qiymətləndirir. Bu adlanır dəqiqlik testi paradoksu. Bildirdik ki, dəqiqlik düzgün proqnozların işlərin ümumi sayına nisbətidir. Nisbətən yüksək dəqiqliyə malik ola bilərik, lakin faydasız bir model. Bu, dominant sinif olduqda baş verir. Qarışıqlıq matrisinə baxsanız, əksər halların həqiqi mənfi kimi təsnif edildiyini görə bilərsiniz. İndi təsəvvür edin, model bütün sinifləri mənfi (yəni 50k-dən aşağı) kimi təsnif etdi. 75 faiz dəqiqliyə sahib olacaqsınız (6718/6718+2257). Modeliniz daha yaxşı performans göstərir, lakin əsl müsbət ilə əsl mənfini ayırmaq üçün mübarizə aparır.

      Precision vs Recall

      Dəqiqlik müsbət proqnozun düzgünlüyünə baxır. Xatırla təsnifatçı tərəfindən düzgün aşkar edilən müsbət misalların nisbətidir

      • mat[1,1]: Məlumat çərçivəsinin birinci sütununun ilk xanasını, yəni həqiqi müsbəti qaytarın
      • mat[1,2] Məlumat çərçivəsinin ikinci sütununun birinci xanasını, yəni yanlış müsbəti qaytarın
      • mat[1,1]: Məlumat çərçivəsinin birinci sütununun ilk xanasını, yəni həqiqi müsbəti qaytarın
      • mat[2,1] Məlumat çərçivəsinin birinci sütununun ikinci xanasını, yəni yanlış mənfini qaytarın

      Funksiyalarınızı sınaya bilərsiniz

      Model 50k-dan yuxarı bir şəxs olduğunu söylədikdə, bu, işin yalnız 54 faizində düzgündür və işin 72 faizində 50k-dan yuxarı şəxsləri iddia edə bilər.

      Dəqiqlik və geri çağırış əsasında /> xalını yarada bilərsiniz. /> bu iki ölçünün harmonik ortasıdır, yəni aşağı qiymətlərə daha çox çəki verir.

      Precision vs Recall uzlaşması

      Həm yüksək dəqiqliyə, həm də yüksək geri çağırışa malik olmaq mümkün deyil.

      • Təsəvvür edin, bir xəstənin xəstəliyi olub-olmadığını təxmin etmək lazımdır. Mümkün qədər dəqiq olmaq istəyirsən.
      • Əgər sifətin tanınması vasitəsi ilə küçədə potensial fırıldaqçı insanları aşkar etmək lazımdırsa, dəqiqlik aşağı olsa da, saxtakar kimi etiketlənən bir çox insanı tutmaq daha yaxşı olardı. Polis dələduzluq etməyən şəxsi azad edə biləcək.

      ROC əyrisi

      The Qəbuledicinin İşləmə Xarakteristikası əyri ikili təsnifatda istifadə olunan başqa bir ümumi alətdir. Bu, dəqiqlik/geri çağırma əyrisinə çox bənzəyir, lakin dəqiqliyi geri çağırmaq əvəzinə, ROC əyrisi saxta müsbət nisbətə qarşı həqiqi müsbət nisbəti (yəni geri çağırma) göstərir. Yanlış müsbət nisbət yanlış olaraq müsbət kimi təsnif edilən mənfi halların nisbətidir. Bir minus həqiqi mənfi nisbətə bərabərdir. Həqiqi mənfi nisbət də adlanır spesifiklik. Beləliklə, ROC əyri qrafikləri həssaslıq (xatırlamaq) 1-spesifikliyə qarşı

      ROC əyrisini çəkmək üçün RORC adlı kitabxana quraşdırmalıyıq. Konda kitabxanasında tapa bilərik. Kodu daxil edə bilərsiniz:

      conda install -c r r-rocr --bəli

      Proqnoz () və performans () funksiyaları ilə ROC-u qura bilərik.

      • proqnozlaşdırma(predict, data_test$income): ROCR kitabxanası giriş məlumatlarını çevirmək üçün proqnozlaşdırma obyekti yaratmalıdır.
      • performans(ROCRpred, 'tpr','fpr'): Qrafikdə yaratmaq üçün iki kombinasiyanı qaytarın. Burada tpr və fpr qurulur. Bütün süjet dəqiqliyi və birlikdə geri çağırın, "prec", "rec" istifadə edin.

      Addım 8) Modeli təkmilləşdirin

      Hər iki modeli müqayisə etmək üçün xal testindən istifadə etməlisiniz

      Hesab əvvəlkindən bir qədər yüksəkdir. Siz hesab döymək üçün cəhd data işləməyə davam edə bilərsiniz.


      Vektor maşın öyrənməsinə əsaslanan fMRI məlumat qrupu analizini dəstəkləyin ☆

      fMRI məlumatlarının çoxvariantlı təbiətini araşdırmaq və subyektlər arası beyin cavab uyğunsuzluqlarını nəzərə almaq üçün çoxdəyişənli və beyin reaksiya modelindən azad metod əsaslı şəkildə tələb olunur. Bu yazıda maşın öyrənmə alqoritmini, dəstək vektor maşını (SVM) və təsadüfi effekt modelini birləşdirməklə iki belə üsul təqdim olunur. Heç bir beyin reaksiyasının modelləşdirilməsi olmadan, SVM, təzadlı eksperimental şərtlər arasında beyin reaksiyası fərqini təmsil edən bütün beyin məkan ayrı-seçkilik xəritəsini (SDM) çıxarmaq üçün istifadə edilmişdir. Daha sonra ayrı-ayrı subyektlər üzrə SDM-lərdə təsadüfi təsir analizi (RFX) və ya permutasiya testi (PMU) vasitəsilə əhali nəticəsi əldə edildi. Arterial spin etiketləmə (ASL) perfuziya fMRI məlumatlarına tətbiq edilən SDM RFX, sıfır fərziyyə testində daha aşağı yalan-müsbət göstəricilər və təkdəyişənli ümumi xətti model (GLM) ilə müqayisədə müxtəlif klaster ölçüsü və aktivləşdirmə gücü ilə sintetik aktivləşdirmələr üçün daha yüksək aşkarlama həssaslığı verdi. -əsaslı RFX. Sensor-motor ASL fMRI tədqiqatı üçün həm SDM RFX, həm də SDM PMU müvafiq olaraq GLM RFX və GLM PMU-ya oxşar aktivləşdirmə nümunələri verdi, lakin daha yüksək t dəyərlər və klaster genişləndirmələri eyni əhəmiyyət səviyyəsindədir. ASL məlumatlarında müvəqqəti səs-küy korrelyasiyasının olmamasına əsaslanaraq, bu tədqiqat həmçinin RFX və ya qrup səviyyəli PMU vasitəsilə qrup səviyyəli analizlə müşayiət olunan fərdi səviyyəli GLM və SVM analizlərinə PMU-nu daxil etdi. Hər bir vokseldə aktivləşmə və ya söndürülmə ehtimalı haqqında nəticə çıxaran bu fərdi səviyyəli PMU əsaslı qrup analizi metodları GLM RFX, SDM RFX və ya SDM PMU-nun təhlil nəticələrini həddi keçirmək üçün istifadə edilə bilər.


      Müstəqil vektor analizi (IVA): fMRI qrup tədqiqatı üçün çoxvariantlı yanaşma

      fMRI məlumatlarının müstəqil komponent analizi (ICA) qan-oksigenləşmə səviyyəsindən asılı (BOLD) siqnal cavablarının vaxtı və ya nümunəsi ilə bağlı aprior fərziyyələr olmadan sessiya/fərdi spesifik beyin aktivasiya xəritələrini yaradır. Bununla belə, çıxış komponentləri arasında təsadüfi permutasiyaya görə, ICA qrup səviyyəsində aktivləşdirmənin nəticə çıxarması üçün sadə bir həll təklif etmir. Bu işdə fMRI qrup məlumatlarının təhlili zamanı permutasiya problemini həll etmək üçün müstəqil vektor analizi (IVA) metodunu təqdim edirik. ICA ilə müqayisədə, IVA subyektlər arasında asılı aktivləşdirmə nümunələrinin avtomatlaşdırılmış qruplaşdırılmasında istifadə üçün təyin edilmiş əlavə asılı komponentlərin təhlilini təklif edir. Simulyasiya edilmiş sınaq əsaslı fMRI məlumatlarından istifadə edərək sınaqdan keçirildikdən sonra, təklif etdiyimiz metod həm tək sınaq tapşırıq paradiqmasından (sağ əl motorunun sıxılması və daxili nitqin yaradılması tapşırıqları), həm də üç sınaqlı tapşırıq paradiqmasından (sağ əl) istifadə edən real fMRI məlumatlarına tətbiq edildi. motor təsviri tapşırığı). Ümumiləşdirilmiş xətti model (GLM) və fMRI alətlər qutusunun (HƏDİYYƏ) qrup ICA-sı da IVA ilə müqayisə üçün eyni məlumat dəstinə tətbiq edilmişdir. GLM ilə müqayisədə, IVA, hətta funksional sahələr fərz edilən cavabdan kənara çıxan dəyişkən hemodinamik reaksiyalar göstərdikdə belə aktivləşdirmə nümunələrini uğurla ələ keçirdi. Biz həmçinin göstərdik ki, IVA ilkin emal mərhələsinə ehtiyac olmadan (məsələn, ICA-a əsaslanan HƏDİYYƏ-də məlumatların birləşdirilməsi kimi) naməlum mənşəli qrup aktivləşdirmə nümunələrini effektiv şəkildə təxmin etdi. IVA potensial alternativ və ya cari ICA əsaslı fMRI qrup emal üsullarına əlavə olaraq istifadə edilə bilər.


      1.4 Dəyişən seçimi

      GLM modeli üçün dəyişən seçimi OLS modeli üçün prosesə bənzəyir. Bir əmsalın əhəmiyyəti üçün iç-içə model testlərinə Wald əmsal testinə üstünlük verilir. Bu, GLM əmsallarının standart səhvlərinin model fərziyyələrindən hətta kiçik sapmalara da həssas olması ilə bağlıdır.İç-içə model testlərindən GLM əmsalları üçün p-dəyərlərinin əldə edilməsi də daha dəqiqdir.

      Ehtimal nisbəti testi (LRT) adətən daxili modelləri sınaqdan keçirmək üçün istifadə olunur. Kvazi ailə modelləri üçün F-testi yuvalanmış model testləri üçün istifadə olunur (yaxud uyğunluq həddindən artıq və ya az dispers olduqda). Qrup ölçüləri təxminən bərabər olduqda F statistikasının bu istifadəsi məqsədəuyğundur.

      Model üçün hansı dəyişənin seçiləcəyi modeldə istifadə olunan ailədən asılı ola bilər. Bu hallarda dəyişən seçim ailə seçimi ilə bağlıdır. AIC və BIC kimi dəyişən seçim meyarları ümumiyyətlə ailələr arasında seçim üçün tətbiq edilmir.


      Nəticələr

      Üzün dekodlanması və yenidən qurulması

      Biz Şəkil 1-də təsvir edilmiş əvvəlcədən öyrədilmiş VAE–GAN modelindən (“dondurulmuş” parametrlərlə) beyin-şifrləmə sistemini öyrətmək üçün istifadə etdik. Təlim zamanı (Şəkil 2a) sistem çoxsaylı üz təsvirlərinə cavab olaraq beyin fəaliyyəti nümunələri və VAE şəbəkəsi daxilində eyni üzlərin müvafiq 1024-D gizli təmsili arasında yazışmaları öyrəndi. Orta hesabla 8000-dən çox fərqli nümunə istifadə edilmişdir (mövzular üzrə diapazon: 7664-8626), bu, hər bir mövzu üçün səkkiz ayrı seansdan çox 12 saat skan etməyi əhatə edirdi. Öyrənmə proseduru hər bir beyin vokselinin aktivləşdirilməsinin 1024 gizli parametrin çəkili cəmi kimi təsvir edilə biləcəyini nəzərdə tuturdu və biz sadəcə xətti reqressiya vasitəsilə müvafiq çəkiləri təxmin etdik (SPM-də GLM funksiyası Metodlara baxın). Təlimdən sonra (Şəkil 2b) xətti sistemi tərsinə çevirdik ki, dekoderə xüsusi, yeni üz təsvirinə giriş kimi baxan subyektin beyin nümunəsi verildi (təlim dəstinə daxil olmayan üz) və onun çıxış həmin üz üçün 1024 ölçülü gizli xüsusiyyət vektorunun təxmini idi. Daha sonra generativ (VAE–GAN) neyron şəbəkəsi vasitəsilə üzün təsviri yaradıldı (və ya “yenidən quruldu”).

      VAE–GAN gizli təsvirlərinə əsaslanan üz təsvirlərinin beyin dekodlanması. a Təlim mərhələsi. Hər bir mövzu gördü

      Sürətli hadisə ilə bağlı dizaynda 8000 üz (hər biri bir təqdimat). Eyni üz təsvirləri, həmçinin 1024 ölçülü gizli üz təsvirini əldə etmək üçün “Encoder” şəbəkəsi (Şəkil 1-də təsvir olunduğu kimi) və ya PCA parçalanması vasitəsilə aparılmışdır. “Beyin dekoderi” 1024 ölçülü gizli vektoru müvafiq beyin reaksiya nümunəsi ilə əlaqələndirmək üçün öyrədilmiş sadə xətti reqressiya idi. BOLD siqnalı üçün 1024 parametrik reqressor (və əlavə sabit “qərəz” termini) ilə bu xətti reqressiya çəki matrisi yaratdı. V (1025 tərəfindən nvoksellər ölçülər) üz stimullarına cavab olaraq beyin nümunələrini proqnozlaşdırmaq üçün optimallaşdırılmışdır. b Test mərhələsi. Biz həmçinin subyektlərə 20 fərqli “test” simasını (hər biri ən azı 45 təsadüfi interleaved təqdimat dəstinin bir hissəsi deyil) təqdim etdik. Yaranan beyin fəaliyyəti nümunələri sadəcə köçürülmüş çəki matrisi ilə vuruldu V T (nvoksellər 1025 ölçü ilə) və onun tərs kovariasiya matrisi gizli üz ölçülərinin xətti qiymətləndirilməsini əldə etmək üçün. Daha sonra proqnozlaşdırılan gizli vektoru yenidən qurulmuş üz təsvirinə çevirmək üçün Generator şəbəkəsi (Şəkil 1a) və ya tərs PCA transformasiyası tətbiq edildi.

      Biz bu dərin neyron şəbəkə modelindən əldə edilən nəticələri üz təsvirinin parçalanmasının başqa, daha sadə modeli ilə əldə edilən nəticələri müqayisə etdik: əsas komponentlərin təhlili (Təlim məlumat dəstindən yalnız ilk 1024 əsas komponenti saxlayaraq, Əlavə Şəkil 1-ə baxın). PCA modeli həmçinin 1024 ölçülü gizli məkanda hər bir üzü bir vektorla təsvir edir və həmçinin son tədqiqatlarda göstərildiyi kimi bu 1024-D xüsusiyyət vektorunun təxmininə əsaslanaraq üzləri yenidən qurmaq üçün istifadə edilə bilər 13,14 .

      Həm dərin neyron şəbəkəsi, həm də PCA əsaslı modellər üçün biz boz maddə voksellərinin bir hissəsini “maraq bölgəmiz” (ROI) olaraq təyin etdik. Həqiqətən, beynin bir çox hissəsi üz emalı və ya tanınması ilə əlaqəli olmayan hesablamalar həyata keçirir, analizimizdə belə bölgələrə daxil olmaq siqnaldan səs-küyə mənfi təsir göstərəcəkdir. Seçim meyarımız iki amili birləşdirdi: (i) voksellərin üz stimullarına cavab verməsi gözlənilirdi t üz və əsas şərtlər arasında test, yəni boş ekranın fiksasiyası) və (ii) xətti modeldə 1024 gizli üz xüsusiyyətləri reqressorlar kimi daxil edildikdə voksellərin QALIN cavabının izah edilmiş dispersiyasının yaxşılaşması gözlənilirdi (müqayisə ilə müqayisədə). yalnız ikili üz reqressoru olan baza modeli: üz var/yox). Bu iki ölçü üzrə voksellərin paylanması və müvafiq seçim meyarı Əlavə Şəkil 2-də bir təmsilçi subyekt üçün təsvir edilmişdir. Dörd subyekt üzrə seçim zamanı yaranan voksellərin sayı

      100.000 (orta: 106.612 diapazon: 74.388-162.388). Seçilmiş voksellər Şəkil 3-də təsvir edilmişdir. Onlara oksipital, temporal, parietal və frontal bölgələr daxildir. PCA üz parametrləri əsasında ayrıca seçim edildi və PCA əsaslı “beyin dekoderi” üçün istifadə edildi (seçilmiş voksellərin orta sayı: 106,685 diapazon: 74,073–164,524) seçilmiş bölgələr iki model üçün praktiki olaraq eyni idi. Qeyd etmək vacibdir ki, yuxarıdakı voksel seçim meyarları 20 test şəklinə deyil, yalnız məşq üzünün şəkillərinə QALIN cavablar əsasında tətbiq edilib, buna görə də deşifrə təhlili bu voksel seçiminin yaratdığı “dairəvi əsaslandırma” problemlərindən əziyyət çəkmir. 16.

      Beyin dekodlanması üçün seçilmiş voksellər. Voksellər beyin dekoderinin məşq mərhələsində vizual reaksiya qabiliyyətinin və GLM uyğunluğunun birləşməsinə əsasən seçilmişdir (Şəkil 2a). Rəng kodu (qırmızıdan sarıya) hər bir xüsusi vokselin seçildiyi subyektlərin sayını (1-4) göstərir. Rəngli xətlər standart kortikal bölgələrin sərhədlərini göstərir 43

      Dörd subyektin hər birinin sınaq təsvir dəstindən yenidən qurulmuş üz təsvirlərinin nümunələri Şəkil 4a-da göstərilmişdir. Baxmayaraq ki, həm VAE–GAN, həm də PCA modelləri orijinal üzlərin məqbul oxşarlığını yenidən qura bilsə də, dərin generativ neyron şəbəkəsindən (VAE–GAN) yenidən qurulan təsvirlər daha real və orijinal görüntüyə daha yaxın görünür. 20 test üzünün beyin tərəfindən təxmin edilən gizli vektorlarını 20 faktiki vektorla əlaqələndirərək beyin-şifrləmə sistemimizin performansını kəmiyyətləndirdik və düzgün təsnifat faizini ölçmək üçün cüt korrelyasiya dəyərlərindən istifadə etdik. Hər bir mövzu üçün, 20 test üzünün hər biri üçün biz deşifrə olunmuş 1024-D vektorunu faktiki test təsvirindəki yer-həqiqət vektoru ilə və başqa bir test şəklinin (distraktor) ilə müqayisə etdik: əgər beynin dekodlanması “düzgün” idi. faktiki hədəf vektoru ilə korrelyasiya distractor vektorundan daha yüksək idi. Bu, bütün (20 × 19) test şəkilləri cütü üçün təkrarlandı və parametrik olmayan Monte-Karlo testi ilə şansla (50%) müqayisə edilən orta performans (bax: Metodlar: Statistika). GAN modelindən rekonstruksiyalar 95,5% təsnifat əldə etdi (aralıq: 91,3–98,7%, hamısı səh < 10 −6 ), halbuki PCA modeli yalnız 87,5%-ə çatdı (76,6-92,4% diapazon, hələ də şansdan yüksəkdir, hamısı səh < 10 −4 , lakin GAN modelindən xeyli aşağı, Fridman qeyri-parametrik testi, χ 2 (1) = 4, səh < 0,05). Biz həmçinin beyin dekoderinin 20 test siması arasından dəqiq doğru üzü seçmək qabiliyyətini sınaqdan keçirdik: bu “tam tanınma” tapşırığı o halda düzgün hesab edilirdi ki, yenidən qurulmuş gizli vektor bütün hədəflərdən daha çox həqiqi hədəf vektoru ilə daha çox əlaqəli olsun. 19 yayındırıcı vektor. Bu, şans səviyyəsi 5% olan üz tanınması üçün daha ciddi sınaqdır: VAE–GAN modeli 65% doğru əldə etdi (aralıq: 40–75%, binomial test, hamısı səh < 10 −6 ), halbuki PCA modeli yalnız 41,25% düzgün tanınma ilə nəticələndi (diapazon 25-50%, hamısı səh < 10 −3 ) yenə VAE–GAN modelinin performansı PCA-dan əhəmiyyətli dərəcədə yüksək idi (χ 2 (1) = 4, səh < 0,05).

      Üzün yenidən qurulması. a Yenidən qurulmuş üz təsvirlərinin nümunələri. Dörd subyektimizin hər biri (S1–4) üçün birinci sütunda skan seansları zamanı subyektə faktiki olaraq göstərilən dörd nümunə siması (iki kişi+iki qadın, 20 test üzü arasından seçilmiş) göstərilir. Növbəti iki sütun VAE–GAN gizli məkanından (orta sütun) və ya PCA parçalanmasından (sağ sütun) istifadə edərək öyrədilmiş beyin-şifrləmə sistemi üçün müvafiq fMRI aktivləşdirmə nümunələrinə əsaslanan üz rekonstruksiyalarıdır. b Cüt tanınma. Beyin deşifrəsinin keyfiyyəti ikili model təsnifatı (gizli vektor təxminləri üzərində işləyən) və şansla müqayisədə orta performans (50%) ilə ölçüldü. VAE-GAN modelindən beynin dekodlanması orta hesabla 95,5% düzgün performans əldə etdi (səh < 10 −6 ), PCA modeli yalnız 87,5% (səh < 10 −4 ) iki model arasındakı fərq əhəmiyyətli idi (χ 2 (1) = 4, səh < 0,05). c Tam tanınma. Daha ciddi performans meyarı da tətbiq edildi, beləliklə deşifrə yalnız və yalnız prosedur bütün 20 test üzü arasında dəqiq hədəf üzü müəyyən etdikdə düzgün hesab edilir (şans = 5%). Yenə də VAE–GAN modelinin performansı (65%) şansdan çox yüksək idi (səh < 10 −6 ) və daha yaxşı performans göstərdi (χ 2 (1) = 4, səh < 0,05) PCA modeli (41,25%) səh < 10 −3 )

      Xətti reqressiya modelləri adətən onların giriş ölçülərindən daha çox məlumat nümunəsi tələb etdiyinə görə, biz əvvəlcə beynin şifrəsini açan sistemi öyrətmək qərarına gəldik.

      Hər bir mövzu üçün 8000 üz (1024 gizli ölçü ilə müqayisədə). Daha kiçik təlim dəstlərinin kifayət edib-etmədiyini müəyyən etmək üçün xətti reqressiya addımını təkrarladıq (hesablanması W Şəkil 2a-dakı matris) təlim məlumat dəstinin yalnız bir yarısı, dörddə biri və ya səkkizdə birindən istifadə etməklə (bax. Əlavə Şəkil 3). Həm ikili, həm də tam tanınma tədbirləri üçün şansdan yuxarı performans artıq əldə edilə bilər

      1000 məşq üzü, lakin təlim dəstinin ölçüsü artdıqca deşifrələmə performansı artmağa davam etdi və ən yüksək idi

      8000 məşq siması. Əsas odur ki, PCA modeli bütün təlim dəsti ölçüləri üçün VAE–GAN modelindən aşağıda qaldı.

      Bu müqayisələr göstərir ki, insan beyninin aktivasiyasından VAE-GAN gizli məkanına xətti xəritəçəkmə yaratmaq PCA məkanına nisbətən daha asan və daha səmərəlidir. Bu, dərin generativ neyron şəbəkəsinin insan üzünün təsvirləri məkanına daha çox bənzədiyi fərziyyəmizlə uyğun gəlir. Bundan əlavə, bu təsnifat dəqiqliyi burada hər bir modelin gizli məkanındakı məsafəyə (və ya vektor korrelyasiyasına) əsaslanaraq ölçülür, hətta onların dəqiqliyi ümumi bir metrik ilə qiymətləndirilərsə, iki model arasındakı fərqin daha da kəskinləşə biləcəyi mümkündür. yenidən qurulmuş təsvirlərin qavrayış keyfiyyəti kimi. Bu fikri dəstəkləmək üçün biz sadəlövh insan müşahidəçilərindən iki model tərəfindən yenidən qurulan üzlərin keyfiyyətini müqayisə etmələrini xahiş etdik: dörd subyektin hər birindən hər bir orijinal test şəkli müvafiq VAE–GAN və PCA rekonstruksiyaları ilə birlikdə göstərildi, müşahidəçi hansı rekonstruksiya olduğuna qərar verdi. qavrayış baxımından orijinala daha çox bənzəyir. Hər bir cüt, ən azı 10 fərqli iştirakçı tərəfindən ümumilikdə 15 dəfə qiymətləndirilib, ən azı beş iştirakçı iki cavab variantını hər iki qaydada, birinci VAE–GAN və ya əvvəlcə PCA görür. Sınaqların 76,1%-də VAE-GAN rekonstruksiyası, sınaqların isə yalnız 23,9%-də PCA rekonstruksiyası seçilib. Yəni müşahidəçilər PCA rekonstruksiyalarına nisbətən VAE-GAN rekonstruksiya edilmiş üzlərin keyfiyyətinə üç dəfə daha çox üstünlük verirdilər, bu fərqin təsadüfən baş verməsi ehtimalı çox azdır (binomial test, 1200 müşahidə, səh < 10 −10 ).

      Fərqli beyin bölgələrindən gələn töhfələr

      Hansı beyin bölgələrinin iki beyin kodlaşdırma modelinin üzün rekonstruksiya qabiliyyətlərinə ən çox töhfə verdiyini müəyyən etmək üçün hər bir mövzu üçün voksel seçimimizi Şəkil 5a-da göstərildiyi kimi üç bərabər ölçülü alt qrupa böldük. Beyin dekodlanması və üzün yenidən qurulması proseduru daha sonra bu üç alt qrup üçün ayrıca tətbiq olundu. Cüt şəkildə tanınma nəticələri oksipital voksellərin və daha az dərəcədə müvəqqəti voksellərin beynin deşifrə edilməsi üçün lazım olan məlumatların çoxunu təmin etdiyini ortaya qoydu (Şəkil 5b). Oksipital voksellərin dekodlaşdırma performansı hər iki model üçün (VAE–GAN: 91,8%, hamısı fərdi) şansdan çox yüksək idi (50%) səh < 10 −6 PCA: 87,2%, hamısı səh < 10 −4 ) və eyni şəkildə müvəqqəti voksellər üçün (VAE–GAN: 78,8%, hamısı səh < 10 −3 PCA: 73,6%, hamısı səh < 0,01). Digər tərəfdən, frontoparietal voksellər seçim meyarlarımıza cavab versə də (bax. Şəkil 3), onlar dəqiq təsnifata imkan vermək üçün təkbaşına kifayət qədər etibarlı məlumat daşımırdılar (VAE–GAN: 60,1%, bir subyekt səh < 10 −6 , bütün digərləri səh > 0,2 PCA: 56,4%, bir mövzu ilə səh < 10 −6 , bütün digərləri səh > 0,05 bax, lakin, Lee et al. 14). Nəticələrin nümunəsi həm VAE–GAN, həm də PCA əsaslı dekodlaşdırma modelləri üçün eyni idi: qeyri-parametrik Fridman testi performansın üç alt dəstdə fərqləndiyini təklif etdi (VAE–GAN üçün: χ 2 (2) = 8, səh PCA üçün < 0,02: χ 2 (2) = 6.5, səh < 0.04), oksipital voksellərin frontoparietallardan əhəmiyyətli dərəcədə daha yaxşı performans göstərdiyini, aralarında müvəqqəti voksellərin (digər ikisinin heç birindən əhəmiyyətli dərəcədə fərqlənmədiyini) aşkar edən post hoc testləri ilə. Bütün voksel seçimlərində, PCA həmişə VAE-GAN-dan daha aşağı dəqiqliklər istehsal etdi, baxmayaraq ki, bu fərq məhdud mövzu sayımızı nəzərə alaraq statistik əhəmiyyətə çatmadı (hər üç voksel seçimində, χ 2 (1) ≥ 3, səh > 0,08).

      Fərqli beyin bölgələrindən gələn töhfələr. a Vokselin seqmentləşdirilməsi proseduru. Fərqli alt çoxluqları müqayisəli saxlamaqla, beynin şifrələmə performansımızı ən güclü şəkildə dəstəkləyən beyin bölgələrini araşdırmaq üçün voksel seçimimizi eyni ölçülü üç alt qrupa xətti olaraq ayırdıq. Birincisi, hər bir mövzu üçün əksər posterior voksellərin 1/3 hissəsi "oksipital" olaraq etiketləndi. Qalan voksellər arasında daha çox rostral yarısı (ilkin sayının 1/3-i) “müvəqqəti”, qalan kaudal yarısı isə “frontoparietal” kimi etiketlənmişdir. Hər bir mövzu üçün fərqli olan bu üç tərəfli seqmentasiya ona görə seçilmişdir ki, bizim beyin-deşifrə prosedurumuzun icrası daxil edilmiş voksellərin sayına çox həssasdır. b Müxtəlif maraq bölgələri üçün cüt tanınma performansı. Tam seçim Şəkil 3-də təsvir edilmiş voksellər toplusuna aiddir, bu, Şəkil 4b-də olduğu kimi eyni məlumatdır, subyektlər üzrə orta hesablanır (səhv çubuqları orta göstəricinin standart xətasını əks etdirir). Dairələr fərdi subyektlərin performansını təmsil edir. Nöqtəli xəttdir səh < 0,05 ayrı-ayrı subyektlərin performansı üçün əhəmiyyət həddi. Üç alt dəst arasında və həm VAE–GAN, həm də PCA modelləri üçün performans oksipital voksellərdə maksimumdur, ardınca temporal səslər gəlir. Frontoparietal voksellər öz-özlüyündə şansdan yüksək performansı dəstəkləmir (dörd subyektdən biri istisna olmaqla). Bütün hallarda VAE–GAN modelinin performansı PCA modelindən daha yüksək olaraq qalır

      Üç beyin bölgəsinin beynin şifrələmə performansına nisbi töhfələrini daha da fərqləndirmək üçün biz eyni zamanda variasiya bölməsi yanaşmasından da istifadə etdik (Əlavə Şəkil 4). Artıq Şəkil 5b-də təsvir edilmiş nəticələrə uyğun olaraq, biz tapdıq ki, oksipital voksellərdən əldə edilən gizli vektor proqnozları müvafiq yer-həqiqət latent vektorlarının dispersiyasının ən böyük hissəsini təşkil edir, ardınca temporal voksellər və nəhayət frontoparietal voksellər. Üç sahənin hər birinin izah edilmiş dispersiyaya unikal, müstəqil töhfəsi var idi ki, bu da VAE–GAN üçün PCA modelindən xeyli böyük idi. Yəni, oksipital voksellər ən dəqiq rekonstruksiyaları təmin etsələr də, temporal voksellər sadəcə lazımsız məlumatları ötürmürdü.

      Mümkün tətbiqlər: misal olaraq gender dekodlanması

      Beyin aktivləşdirmə nümunələri ilə dərin generativ neyron şəbəkəsinin gizli məkanı (yəni, matris) arasında öyrənilmiş xəritələşdirmə W Şəkil 2a) insan beyninin üzlərin təsvirini yoxlamaq üçün güclü bir vasitə kimi xidmət edə bilər. Sadə bir tətbiq, məsələn, beyindəki hər hansı bir vokselin və ya ROI-nin üz xüsusiyyətlərinin seçiciliyinin vizuallaşdırılması ola bilər. Voksel və ya ROI sütunların alt çoxluğunu müəyyən edir W matris (Şəkil 2), hər bir sütun vokselin üz seçiciliyini təmsil edən gizli vektoru saxlayır. Sadəcə olaraq bu gizli vektoru (və ya onun ROI üzərindəki ortasını) üz Generator şəbəkəsinə işlətməklə, voksel və ya ROI seçiciliyi faktiki üz təsviri kimi aşkar edilə bilər.

      Başqa bir genişləndirmə, cins, irq, emosiya və ya yaş kimi davranış baxımından əhəmiyyətli üz xüsusiyyətlərinin beyin təmsilçiliyini araşdırmaq olardı. İstənilən belə üz xassəsi bir sıra etiketlənmiş üz nümunələri əsasında asanlıqla hesablana bilən gizli vektor kimi ifadə edilə bilər (etiketli üzlər üçün orta gizli vektordan atribut etiketi olmayan üzlər üçün orta gizli vektoru çıxmaqla, Şəkil 1-ə baxın). 1b “təbəssüm” və ya “kişi” etiketi olan üzlərlə hesablanmış gizli vektorların nümunələri üçün). Təcrübələrimizdə istifadə olunan ictimaiyyətə açıq olan məşhurların üzü məlumat dəsti (CelebA 17) artıq cinsi, ifadələri, dəri və ya saç rəngini və hər bir üzün çoxsaylı digər xüsusiyyətlərini təsvir edən 40 belə etiketlə əlaqələndirilib. Qeyd edək ki, bu 40 ikili etiket (xüsusiyyət mövcuddur/yoxdur) üz məlumat dəstindəki hər bir üz stimulu üçün əl ilə annotasiya proseduru vasitəsilə toplanıb və məlumat dəstindəki dəyişkənliyi təmsil etmək üçün seçilib. Belə bir üz xassəsini təsvir edən gizli vektoru nəzərə alaraq, hansı beyin voksellərinin əlaqəli üz xüsusiyyətinə ən həssas olduğunu öyrənmək üçün beyin-deşifrə modelindən istifadə edə bilərik. Bu prosedur “cins” atributunun (“kişi” etiketi) nümunəsi üçün Əlavə Şəkil 5-də təsvir edilmişdir. Bu üz xüsusiyyətinə ən həssas olan voksellər matrisin sütunlu korrelyasiyasını hesablayaraq bərpa olunur. W “kişi” gizli vektoru ilə: cinsi seçici voksellər güclü müsbət və ya güclü mənfi korrelyasiya dəyərlərinə malik olmalıdır (kişi və ya qadın üzlərinə üstünlük vermələrindən asılı olaraq). Ən böyük (mütləq dəyər) korrelyasiyaya malik olan voksellər oksipital və temporal bölgələrdə, xüsusən həm erkən vizual bölgələrdə, həm də fusiform korteksdə (Əlavə Şəkil 5) gender məlumatının paylanmış təmsili haqqında əvvəlki hesabata uyğun gəlir 6 .

      Nəhayət, müəyyən bir üz atributunun beyin təsvirini araşdırmağın başqa bir yolu, bu üz xüsusiyyətinə görə beyin tərəfindən deşifrə olunmuş gizli vektorları etiketləmək üçün sadə təsnifat yaratmaqdır. Bu, yenidən “cins” üz atributunun nümunəsi üçün Şəkil 6-da təsvir edilmişdir. Hər bir beyin tərəfindən deşifrə olunmuş gizli vektor gizli məkanın “cins” oxuna proqnozlaşdırılır (Şəkil 6a) və proyeksiyanın işarəsi təsnifat çıxışını (“müsbət üçün kişi”, mənfi əlamətlər üçün “qadın”) müəyyən edir. Bu ibtidai təsnifat üzün cinsini 70% dəqiqliklə təsnif etmək üçün kifayət qədər məlumat verir (binom testi, səh = 0,0001 Şəkil 6b). Qeyri-parametrik Fridman testi göstərir ki, gender deşifrəsinin performansı üç voksel alt dəsti üzrə fərqlənir (χ 2 (2) = 7.6, səh < 0.03) və post hoc test göstərir ki, oksipital voksellər frontoparietallardan əhəmiyyətli dərəcədə daha yaxşı performans göstərir, aralarında müvəqqəti voksellər var (digər ikisinin heç birindən əhəmiyyətli dərəcədə fərqlənmir). Multi-voksel model analizindən istifadə edərək üz cinsini təsnif etmək üçün əvvəlki cəhdlər məhdud müvəffəqiyyət əldə etmiş, maksimum təsnifat dəqiqliyi 60% 6,8-dən aşağı olmuşdur. Sadə xətti beyin dekoderimiz (Şəkil 6a) artıq bu əvvəlki üsulları təkmilləşdirir, eyni zamanda gələcək təkmilləşdirmələr üçün yer buraxır, məsələn, beyin tərəfindən deşifrə olunmuş gizli vektorlarda daha güclü təsnifat üsullarından (məsələn, SVM) istifadə edir.

      Cinsin dekodlanması. a Əsas xətti klassifikator. Prinsip sübutu kimi sadə gender təsnifatı tətbiq edilmişdir. “Gender” oxu 10.000 kişi üzünün orta gizli təsvirindən 10.000 qadın üzünün orta gizli təsvirini çıxmaqla hesablanmışdır. Hər bir gizli vektor sadəcə olaraq bu “cins” oxuna proqnozlaşdırıldı və müsbət proqnozlar kişi, mənfi proqnozlar isə qadın kimi təsnif edildi. b Deşifrə dəqiqliyi. Hər bir subyektin test üzləri üçün həqiqi gizli vektorlara tətbiq edildikdə, bu əsas təsnifat 85% düzgün (aralıq: 80-90%) çıxış etdi. Bu, üfüqi boz bölgə kimi təqdim olunan təsnifatçının tavan performansıdır (mövzular üzrə orta ± sem). Beyin-deşifrə prosedurumuz vasitəsilə təxmin edilən gizli vektorlar üzərində işləyərkən, eyni gender təsnifatı 70% doğru, şansdan xeyli yuxarı (binomial test, səh = 0,0001 bar qrup üzrə orta dəqiqliyi təmsil edir ± subyektlər üzrə sem, dairələr fərdi subyektlərin performansını təmsil edir). Gender təsnifatı təhlili oksipital voksellərlə məhdudlaşdırarkən də dəqiq idi (71,25%, səh = 0,00005) və ya müvəqqəti voksellər (66,25%, səh < 0,001), lakin frontoparietal voksellər deyil (51,25%, səh = 0,37). Ulduz simvolları qrup səviyyəsində əhəmiyyəti göstərir: ***səh < 0,001, **səh < 0,01. Nöqtəli xəttdir səh < 0,05 ayrı-ayrı subyektlərin performansı üçün əhəmiyyət həddi

      Şəkillərin dekodlanması

      Beyin kodunu dekodlaşdırma metodumuzun çox yönlü olduğunu daha da nümayiş etdirmək üçün biz onu daha sonra başqa bir çətin problemə tətbiq etdik: subyekt tərəfindən birbaşa yaşanmayan, lakin yalnız onların “ağıl gözündə” təsəvvür edilən stimullar haqqında məlumat əldə etmək. Əvvəlki tədqiqatlar göstərmişdir ki, təsəvvür edilməli olan stimulların müxtəlif sinifləri vizual olaraq fərqləndirildikdə 18, məsələn, müxtəlif kateqoriyalardan olan şəkillər 19,20,21,22,23,24 olduqda bu təsnifat problemi həll edilə bilər. Bununla belə, bildiyimiz qədər, təsvirlər zamanı vizual olaraq çox oxşar obyektləri, məsələn, müxtəlif üzləri ayırd etmək bacarığı əvvəllər bildirilməmişdir.

      Təcrübədən əvvəl hər bir subyekt 20 mümkün təsvirlər dəsti arasından bir üz seçdi (həm təlim, həm də sınaq təsviri dəstlərindən fərqli). Təcrübə zamanı onlara ekranın ortasında böyük boz kvadrat meydana gəldiyi zaman (12 saniyəlik təqdimat) bu xüsusi üzü təsəvvür etmək tapşırılıb. Bu görüntü sınaqları fMRI-skan seansları zamanı orta hesabla 52 dəfə (mövzular üzrə diapazon: 51-55) təkrarlandı, normal stimul təqdimatları ilə qarışdırıldı. Şəkillər zamanı orta BOLD cavabı daha sonra gizli üz vektorunu qiymətləndirmək üçün istifadə edildi (Şəkil 2b-də təsvir olunan beyin dekoderindən istifadə etməklə) və bu vektor əvvəllər sınaq şəkilləri üçün təsvir edildiyi kimi, ikili şəkildə 20 mümkün gizli vektor ilə müqayisə edildi ( Şəkillər 4b, 5b). Şəkil 7-də göstərildiyi kimi (həmçinin Əlavə Şəkil 6-a baxın), əvvəlcədən müəyyən edilmiş maraq bölgələrimizin hər birində (tam seçim) cüt-cüt dekodlaşdırma performansı təsadüfdən (50%) fərqlənmirdi. səh = 0,53, oksipital səh = 0,30 və ya frontoparietal bölgələr səh = 0,43), 84,2% düzgün dekodlaşdırmanı təmin edən müvəqqəti voksel seçimi istisna olmaqla (səh = 0,012). Qeyri-parametrik Fridman testi göstərdi ki, təsvirin dekodlanması performansı üç alt qrupda fərqlənir (χ 2 (2) = 6.5, səh < 0.04) və post hoc testi göstərdi ki, temporal voksellər frontoparietallardan əhəmiyyətli dərəcədə daha yaxşı performans göstərib, aralarında oksipital voksellər var (digər ikisinin heç birindən əhəmiyyətli dərəcədə fərqlənmir). Ümumiyyətlə, temporal bölgələr, lakin oksipital və ya frontoparietal bölgələr deyil, zehni təsvirin yenidən qurulmasını dəstəkləyə bilər. Bu performans temporal beyin bölgələrinin yüksək səviyyəli üz emalında güclü iştirakını əks etdirə bilər 25,26,27 , həmçinin zehni təsvirin ilk növbədə yuxarıdan aşağıya xarakterini 28 . Hər halda, təsəvvür edilən üzləri beyin reaksiya nümunələrindən təsnif etmək bacarığı yanaşmamızın çevikliyini və potensialını bir daha vurğulayır.

      Şəkillərin dekodlanması. Müəyyən bir üzün (ekranda görünməyən) zehni təsviri zamanı qeydə alınan fMRI BOLD cavab nümunəsi beynin şifrələmə sistemimizdən keçdi. Nəticədə təxmin edilən gizli vektor həqiqi vektor və 19 distractor vektoru ilə cütlük şəkildə müqayisə edildi. Yalnız müvəqqəti voksel seçimi 84,2% düzgün performansla (səh = 0,012). Nə oksipital, nə frontoparietal nahiyələr, nə də tam voksel seçimi şansdan yüksək deyil (hamısı səh > 0,30). Ştrixlər qrup üzrə orta dəqiqliyi (fənlər üzrə ± sem), dairələr fərdi subyektlərin performansını təmsil edir. Ulduz simvolları qrup səviyyəsində əhəmiyyəti göstərir: * üçün səh < 0,05


      Sənədə giriş

      • APA
      • Standart
      • Harvard
      • Vankuver
      • Müəllif
      • BIBTEX
      • RIS

      In: NeuroImage, Vol. 40, No 1, 01.03.2008, s. 86-109.

      Tədqiqatın nəticəsi : Jurnalın töhfəsi › Məqalə › ekspert rəyi

      T1 - Müstəqil vektor analizi (IVA)

      T2 - fMRI qrup tədqiqatı üçün çoxvariantlı yanaşma

      N1 - Maliyyələşdirmə Məlumatı: Bu iş qismən NIH R01-NS048242-dən Yoo, SS və NIH U41RR019703-dən Jolesz FA-ya verilən qrantlarla qismən dəstəkləndi.

      N2 - fMRI məlumatlarının müstəqil komponent analizi (ICA) qan-oksigenləşmə səviyyəsindən asılı (BOLD) siqnal cavablarının vaxtı və ya nümunəsi ilə bağlı aprior fərziyyələr olmadan sessiya/fərdi spesifik beyin aktivasiya xəritələrini yaradır. Bununla belə, çıxış komponentləri arasında təsadüfi permutasiyaya görə, ICA qrup səviyyəsində aktivləşdirmənin nəticələrini çıxarmaq üçün sadə bir həll təklif etmir. Bu işdə fMRI qrup məlumatlarının təhlili zamanı permutasiya problemini həll etmək üçün müstəqil vektor analizi (IVA) metodunu təqdim edirik. ICA ilə müqayisədə, IVA subyektlər arasında asılı aktivləşdirmə nümunələrinin avtomatlaşdırılmış qruplaşdırılmasında istifadə üçün təyin edilmiş əlavə asılı komponentlərin təhlilini təklif edir. Simulyasiya edilmiş sınaq əsaslı fMRI məlumatlarından istifadə edərək sınaqdan keçirildikdən sonra, təklif etdiyimiz metod həm tək sınaq tapşırıq paradiqmasından (sağ əl motorunun sıxılması və daxili nitq yaratma tapşırıqları), həm də üç sınaqlı tapşırıq paradiqmasından (sağ əl) istifadə edən real fMRI məlumatlarına tətbiq edildi. motor təsviri tapşırığı). Ümumiləşdirilmiş xətti model (GLM) və fMRI alətlər qutusunun (HƏDİYYƏ) qrup ICA-sı da IVA ilə müqayisə üçün eyni məlumat dəstinə tətbiq edilmişdir. GLM ilə müqayisədə, IVA, hətta funksional sahələr fərz edilən cavabdan yayınan dəyişən hemodinamik reaksiyalar göstərdikdə belə aktivləşdirmə nümunələrini uğurla ələ keçirdi. Biz həmçinin göstərdik ki, IVA ilkin emal mərhələsinə ehtiyac olmadan (məsələn, ICA əsaslı HƏDİYYƏ-də məlumatların birləşdirilməsi kimi) mənşəyi naməlum olan qrup aktivləşdirmə nümunələrini effektiv şəkildə təxmin etdi. IVA potensial alternativ və ya cari ICA əsaslı fMRI qrup emal üsullarına əlavə olaraq istifadə edilə bilər.

      AB - fMRI məlumatlarının müstəqil komponent analizi (ICA) qan-oksigenləşmə səviyyəsindən asılı (BOLD) siqnal cavablarının vaxtı və ya nümunəsi ilə bağlı aprior fərziyyələr olmadan sessiya/fərdi spesifik beyin aktivasiya xəritələrini yaradır. Bununla belə, çıxış komponentləri arasında təsadüfi permutasiyaya görə, ICA qrup səviyyəsində aktivləşdirmənin nəticələrini çıxarmaq üçün sadə bir həll təklif etmir. Bu işdə fMRI qrup məlumatlarının təhlili zamanı permutasiya problemini həll etmək üçün müstəqil vektor analizi (IVA) metodunu təqdim edirik. ICA ilə müqayisədə, IVA subyektlər arasında asılı aktivləşdirmə nümunələrinin avtomatlaşdırılmış qruplaşdırılmasında istifadə üçün təyin edilmiş əlavə asılı komponentlərin təhlilini təklif edir. Simulyasiya edilmiş sınaq əsaslı fMRI məlumatlarından istifadə edərək sınaqdan keçirildikdən sonra, təklif etdiyimiz metod həm tək sınaq tapşırıq paradiqmasından (sağ əl motorunun sıxılması və daxili nitq yaratma tapşırıqları), həm də üç sınaqlı tapşırıq paradiqmasından (sağ əl) istifadə edən real fMRI məlumatlarına tətbiq edildi. motor təsviri tapşırığı). Ümumiləşdirilmiş xətti model (GLM) və fMRI alətlər qutusunun (HƏDİYYƏ) qrup ICA-sı da IVA ilə müqayisə üçün eyni məlumat dəstinə tətbiq edilmişdir. GLM ilə müqayisədə, IVA, hətta funksional sahələr fərz edilən cavabdan yayınan dəyişən hemodinamik reaksiyalar göstərdikdə belə aktivləşdirmə nümunələrini uğurla ələ keçirdi. Biz həmçinin göstərdik ki, IVA ilkin emal mərhələsinə (məsələn, ICA əsaslı HƏDİYYƏ-də verilənlərin birləşdirilməsi kimi) tələb olmadan mənşəyi naməlum olan qrup aktivləşdirmə nümunələrini effektiv şəkildə təxmin edir. IVA potensial alternativ və ya cari ICA əsaslı fMRI qrup emal üsullarına əlavə olaraq istifadə edilə bilər.


      Videoya baxın: Интеллект и генетика? (Oktyabr 2022).