معلومة

ما هو متجه الاستجابة في نموذج fMRI GLM؟

ما هو متجه الاستجابة في نموذج fMRI GLM؟


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.

في التصوير بالرنين المغناطيسي الوظيفي ، يستخدم التحليل أحادي المتغير النموذج الخطي العام (GLM) ، حيث يتم تقدير العلاقة بين الحالة التجريبية ونشاط BOLD باستخدام نموذج الانحدار الخطي لكل فوكسل على حدة ("نموذج الكتلة وحيد المتغير"). ومع ذلك ، وجدت أنه من الصعب للغاية معرفة ما يحتويه متجه الاستجابة $ Y $. إنني أدرك أنه مقياس للإشارة المعتمدة على مستوى الأوكسجين في الدم (إشارة BOLD) - ولكن ما الذي يتم قياسه بالضبط ، أي ما هي الوحدات؟ هل هي نسبة الأكسجين / الديوكسي أم أنها خاصية أخرى؟


اجابة قصيرة

الوحدات ليست مهمة ، وعادة ما يتم تطبيعها.

يعد الجواب

الاسم "BOLD" هو في الواقع مفيد للغاية: مستوى أكسجين الدم التباين المعتمد (أو الإشارة). لا تقيس BOLD أي شيء بشكل مباشر مثل نسبة الأكسجين / غير المؤكسج ، أو ربما نسميها شيئًا مشابهًا لذلك: نسبة الأكسجين / الديوكسي.

بدلاً من ذلك ، "BOLD" هي مجرد صورة التصوير بالرنين المغناطيسي التي تحصل عليها عند إعداد خصائص الماسح الضوئي بطريقة تتأثر بمستوى الأكسجين في الدم. مستوى الأكسجين بعيدًا عن كونه المساهم الوحيد في إشارة BOLD ، ولكنك تجريبيًا تحاول تحديد أي تأثيرات متغيرة بمرور الوقت ولكنها غير مثيرة للاهتمام ، وتتجاهل مستويات خط الأساس التي لا تتغير.

يعمل الرنين المغناطيسي الوظيفي لأن وقت الاسترخاء المستعرض T2 للماء في الدم يعتمد على أكسجة الدم. من الورقة الأصلية التي تظهر تباينًا جريئًا في دماغ الفئران Ogawa et al. 1990:

في شدة المجال 7-T المستخدمة في هذه الدراسة ، يختلف T2 من 50 مللي ثانية عند أكسجة 100٪ إلى 4 مللي ثانية عند 0٪ أكسجة. تصبح إشارة الدم الوريدي ضعيفة للغاية عندما تصبح قيمة T2 قابلة للمقارنة أو أقصر من وقت الصدى لاكتساب الإشارة. عند مستوى أكسجة بنسبة 60٪ ، تبلغ قيمة T2 المقدرة 18 مللي ثانية ، على غرار وقت الصدى المستخدم في هذا التقرير.

بمعنى آخر ، إذا أنتجت صورًا متدرجة صدى بوقت صدى يبلغ 18 مللي ثانية ، فإن الصور التي تحصل عليها تُظهر مستويات إشارة مختلفة جدًا بنسبة 100٪ مقابل 60٪ أكسجين. اعتمادًا على قوة المغناطيس الخاص بك ، يمكنك ضبط هذه المرة لملاحقة الاختلافات التي تريد رؤيتها.

لا توجد طريقة مباشرة لمقارنة الصور المسجلة في ظروف مختلفة (على سبيل المثال ، ماسحات ضوئية مختلفة ، ومعلمات مختلفة) على أي مقياس قياس مفيد. بدلاً من ذلك ، يُبلغ الأشخاص عادةً عن القيم النسبية ، إما في الزمان أو المكان. لهذا السبب ، غالبًا ما ترى إشارات BOLD معبرًا عنها كتغير ٪ أو من حيث الانحراف المعياري (على سبيل المثال ، z-scores).

في النهاية ، لا يهم ملاءمة نموذج خطي عام: يمكنك قياس متغير تابع بحرية دون تغيير بنية النموذج المناسب ، كل ما يمكنك التأثير عليه هو تفسير مقادير التقاطع والمعاملات.

مراجع


أوجاوا ، إس ، لي ، تي إم ، كاي ، إيه آر ، وتانك ، دي دبليو (1990). التصوير بالرنين المغناطيسي للدماغ مع تباين يعتمد على أكسجة الدم. وقائع الأكاديمية الوطنية للعلوم ، 87 (24) ، 9868-9872.


النموذج الخطي العام (GLM)

الموصوفة ر اختبار لتقييم الفرق بين قيمتين متوسطتين هو حالة خاصة لتحليل متغير نوعي (فئوي) مستقل. يتم تعريف المتغير النوعي بمستويات منفصلة ، على سبيل المثال ، "إيقاف التحفيز" مقابل "التحفيز على". إذا كان التصميم يحتوي على أكثر من مستويين مخصصين لعامل واحد أو عدة عوامل ، فيمكن إجراء تحليل التباين (ANOVA) ، والذي يمكن اعتباره امتدادًا لاختبار t. من ناحية أخرى ، فإن معامل الارتباط الموصوف مناسب لتحليل المتغيرات الكمية المستقلة. يمكن تحديد المتغير الكمي من خلال أي دورة زمنية تدريجية. إذا كان لابد من النظر في أكثر من دورة زمنية مرجعية واحدة ، فيمكن إجراء تحليل الانحدار المتعدد ، والذي يمكن اعتباره امتدادًا لتحليل الارتباط الخطي البسيط.

النموذج الخطي العام (GLM) مطابق رياضيًا لتحليل الانحدار المتعدد ولكنه يؤكد ملاءمته لكل من المتغيرات النوعية والمتعددة الكمية. يعتبر GLM مناسبًا لتنفيذ أي اختبار إحصائي حدودي مع متغير تابع واحد ، بما في ذلك أي تصميم ANOVA عاملي بالإضافة إلى التصميمات بمزيج من المتغيرات النوعية والكمية (تحليل التباين المشترك ، ANCOVA). نظرًا لمرونته في دمج العديد من المتغيرات المستقلة الكمية والنوعية ، فقد أصبح GLM الأداة الأساسية لتحليل بيانات الرنين المغناطيسي الوظيفي بعد تقديمه في مجتمع التصوير العصبي بواسطة Friston وزملائه (Friston et al.1994 ، 1995). تصف الأقسام التالية بإيجاز الخلفية الرياضية لـ GLM في سياق تحليل بيانات الرنين المغناطيسي الوظيفي ، ويمكن العثور على معالجة شاملة لـ GLM في الأدبيات الإحصائية القياسية ، على سبيل المثال درابر وسميث (1998) وكوتنر وآخرون. (2005).

ملاحظة: في أدبيات التصوير بالرنين المغناطيسي الوظيفي ، يشير مصطلح "النموذج الخطي العام" إلى نسخته أحادية المتغير. لا يشير المصطلح "أحادي المتغير" في هذا السياق إلى عدد المتغيرات المستقلة ، بل يشير إلى عدد المتغيرات التابعة. كما ذكرنا سابقًا ، يتم إجراء تحليل إحصائي منفصل لكل سلسلة زمنية فوكسل (متغير تابع). في شكله العام ، تم تعريف النموذج الخطي العام لمتغيرات متعددة تابعة ، أي أنه يشمل اختبارات عامة مثل تحليل التباين المشترك متعدد المتغيرات (MANCOVA).

من منظور تحليل الانحدار المتعدد ، يهدف GLM إلى "شرح" أو "التنبؤ" بتغير متغير تابع من حيث التركيبة الخطية (المجموع الموزون) للعديد من الوظائف المرجعية. يتوافق المتغير التابع مع الدورة الزمنية المرصودة للرنين المغناطيسي الوظيفي لـ voxel وتتوافق الوظائف المرجعية مع الدورات الزمنية لاستجابات الرنين المغناطيسي الوظيفي المتوقعة (المثالية) لظروف مختلفة من النموذج التجريبي. تسمى الوظائف المرجعية أيضًا المتنبئين أو المتغيرات التوضيحية أو المتغيرات التوضيحية أو المتغيرات المشتركة أو وظائف الأساس. تشكل مجموعة من المتنبئين المحددين مصفوفة التصميم ، وتسمى أيضًا النموذج. عادةً ما يتم الحصول على دورة زمنية للتنبؤ عن طريق الالتفاف لدورة زمنية حالة صندوق السيارة مع وظيفة استجابة الدورة الدموية القياسية (ثنائي غاما HRF أو غاما مفردة HRF). يمكن تحديد دورة زمنية لسيارة الصندوق من خلال تعيين القيم على 1 في النقاط الزمنية التي يتم فيها تحديد الحالة النموذجية ("تشغيل") و 0 في جميع النقاط الزمنية الأخرى. كل دورة زمنية للتنبؤ X تحصل على معامل مرتبط أو وزن بيتا b ، مما يحدد مساهمتها المحتملة في شرح مسار وقت فوكسل y. يتم نمذجة دورة وقت فوكسل y كمجموع من المتنبئين المحددين ، كل منها مضروب في وزن بيتا المرتبط ب. نظرًا لأن هذه المجموعة الخطية لن تشرح البيانات تمامًا بسبب تقلبات الضوضاء ، تتم إضافة قيمة خطأ e إلى نظام GLM للمعادلات مع n من نقاط البيانات والمتنبئين p:

المتغير y الموجود على الجانب الأيسر يتوافق مع البيانات ، أي الدورة الزمنية المقاسة لفوكسل واحد. يمتد الوقت من الأعلى إلى الأسفل ، أي y1 هي القيمة المقاسة في النقطة الزمنية 1 ، y2 هي القيمة المقاسة في النقطة الزمنية 2 وهكذا. دورة وقت فوكسل (العمود الأيسر) "موضحة" بالمصطلحات الموجودة على الجانب الأيمن من المعادلة. يتوافق العمود الأول الموجود على الجانب الأيمن مع وزن بيتا الأول b0. الدورة الزمنية للتنبؤ المقابلة X0 لها قيمة 1 لكل نقطة زمنية وبالتالي تسمى أيضًا "ثابت". نظرًا لأن الضرب بـ 1 لا يغير قيمة b0 ، فإن دورة وقت التوقع هذه (X0) لا تظهر صراحة في المعادلة. بعد التقدير (انظر أدناه) ، تمثل قيمة b0 عادةً مستوى إشارة حالة خط الأساس وتسمى أيضًا اعتراض. في حين أن قيمته المطلقة ليست مفيدة ، فمن المهم تضمين المتنبئ الثابت في مصفوفة التصميم لأنه يسمح للمتنبئين الآخرين بنمذجة التقلبات الصغيرة المتعلقة بالظروف كزيادات أو نقصان بالنسبة إلى مستوى إشارة خط الأساس. تنبئ المتنبئين الآخرون على الجانب الأيمن بالدورات الزمنية المتوقعة لظروف مختلفة. بالنسبة للتصاميم متعددة العوامل ، يمكن تعريف المتنبئين بمجموعات ترميز لمستويات الحالة من أجل تقدير التأثيرات الرئيسية والتفاعلية. يحدد وزن بيتا لمتنبئ الحالة مساهمة مساره الزمني في شرح مسار وقت فوكسل. بينما يعتمد التفسير الدقيق لقيم بيتا على تفاصيل مصفوفة التصميم ، يشير الوزن التجريبي الكبير الموجب (السلبي) عادةً إلى أن فوكسل يُظهر تنشيطًا قويًا (تعطيل) أثناء الحالة التجريبية النموذجية بالنسبة إلى خط الأساس. تميز جميع قيم بيتا معًا "تفضيل" وحدات البكسل لشرط تجريبي واحد أو أكثر. يحتوي العمود الأخير في نظام المعادلات على قيم خطأ ، تسمى أيضًا القيم المتبقية أو أخطاء التنبؤ أو الضوضاء. تحدد قيم الخطأ هذه انحراف مسار وقت فوكسل المقاس عن الدورة الزمنية المتوقعة ، وهي التركيبة الخطية للمتنبئين.

يمكن التعبير عن نظام المعادلات GLM بأناقة باستخدام تدوين المصفوفة. لهذا الغرض ، نحن نمثل دورة وقت فوكسل ، وقيم بيتا والمتبقيات كمتجهات ، ومجموعة المتنبئين كمصفوفة:

بتمثيل المتجهات والمصفوفة المشار إليها بأحرف مفردة ، نحصل على هذا الشكل البسيط لنظام المعادلات GLM:

في هذا الترميز ، المصفوفة X يمثل مصفوفة التصميم التي تحتوي على الدورات الزمنية للتنبؤ كمتجهات العمود. تظهر قيم بيتا الآن في متجه منفصل ب. المصطلح Xb يشير إلى ضرب متجه المصفوفة. يوضح الشكل أعلاه تمثيلًا رسوميًا لـ GLM. تم ترتيب الدورات الزمنية للإشارة والتنبؤات والمخلفات في شكل عمود مع مرور الوقت من أعلى إلى أسفل كما هو الحال في نظام المعادلات.

نظرا للبيانات ذ ومصفوفة التصميم X، يجب أن يجد إجراء تركيب GLM مجموعة من القيم التجريبية التي تشرح البيانات بأكبر قدر ممكن. يتم الحصول على قيم الدورة الزمنية التي تنبأ بها النموذج من خلال مجموعة خطية من المتنبئين:

يمكن تحقيق التوافق الجيد مع قيم بيتا التي تؤدي إلى قيم متوقعة قريبة قدر الإمكان من القيم المقاسة ذ. من خلال إعادة ترتيب نظام المعادلات ، من الواضح أن التنبؤ الجيد للبيانات يتضمن قيم خطأ صغيرة:

تتمثل الفكرة البديهية في العثور على قيم بيتا التي تقلل مجموع قيم الخطأ. نظرًا لأن قيم الخطأ تحتوي على قيم موجبة وسالبة (وبسبب اعتبارات إحصائية إضافية) ، فإن إجراء GLM لا يقدر قيم بيتا التي تقلل من مجموع قيم الخطأ ، ولكنه يجد قيم بيتا تلك التي تقلل من مجموع قيم الخطأ التربيعية:

المصطلح ه'ه هو رمز المتجه لمجموع المربعات (Sigma e 2). يشير رمز الفاصلة العليا إلى تبديل متجه أو مصفوفة. يتم الحصول على أوزان بيتا المثلى التي تقلل من قيم الخطأ التربيعية ("تقديرات المربعات الصغرى") بشكل غير تكراري بالمعادلة التالية:

المصطلح بين قوسين يحتوي على مصفوفة ضرب منقول ، X، وغير المنقولة ، Xمصفوفة التصميم. ينتج عن هذا المصطلح مصفوفة مربعة تحتوي على عدد من الصفوف والأعمدة المقابلة لعدد المتنبئين. كل خلية من خلايا X'X تحتوي المصفوفة على المنتج القياسي لمتجهين متنبئين. يتم الحصول على المنتج العددي عن طريق جمع جميع منتجات المدخلات المقابلة لمتجهين مطابقين لحساب التغاير. هذه X'X المصفوفة ، بالتالي ، تتوافق مع مصفوفة التباين - التغاير. يتم عكس مصفوفة التباين-التغاير كما يُشار إليها بالرمز "-1". المصفوفة الناتجة (X'X) -1 يلعب دورًا أساسيًا ليس فقط لحساب قيم بيتا ولكن أيضًا لاختبار أهمية التباينات (انظر أدناه). المصطلح المتبقي على الجانب الأيمن ، X'ذ، يقيّم إلى متجه يحتوي على العديد من العناصر مثل المتنبئين. كل عنصر من عناصر هذا المتجه هو المنتج القياسي (التغاير) لدورة زمنية للتنبؤ مع دورة وقت فوكسل المرصودة.

من الخصائص المثيرة للاهتمام لطريقة تقدير المربعات الصغرى أنه يمكن تحليل تباين الدورة الزمنية المقاسة إلى مجموع تباين القيم المتوقعة (التباين المرتبط بالنموذج) وتباين القيم المتبقية:

نظرًا لأن تباين مسار وقت فوكسل ثابت ، فإن تقليل تباين الخطأ من خلال المربعات الصغرى يتوافق مع تعظيم تباين القيم الموضحة بواسطة النموذج. مربع معامل الارتباط المتعدد ص يوفر مقياسًا لنسبة تباين البيانات التي يمكن تفسيرها بواسطة النموذج:

تختلف قيم معامل الارتباط المتعدد بين 0 (لا يوجد تباين موضح) إلى 1 (كل التباين موضح بواسطة النموذج). معامل ص = 0.7 ، على سبيل المثال ، يتوافق مع تباين موضح بنسبة 49٪ (0.7x0.7). تتمثل الطريقة البديلة لحساب معامل الارتباط المتعدد في حساب معامل الارتباط القياسي بين القيم المتوقعة والقيم المرصودة: R = rس ص. تقدم هذه المعادلة وجهة نظر أخرى حول معنى معامل الارتباط المتعدد الذي يحدد العلاقة المتبادلة (الارتباط) للمجموعة المدمجة من متغيرات التوقع مع الدورة الزمنية المرصودة.


ما هو متجه الاستجابة في نموذج fMRI GLM؟ - مادة الاحياء

تم اقتراح العديد من التقنيات للتحليل الإحصائي لبيانات الرنين المغناطيسي الوظيفي ، وهناك مجموعة متنوعة منها في الاستخدام العام. الهدف من هذا التحليل هو إنتاج صورة تحدد المناطق التي تظهر تغيرًا ملحوظًا في الإشارة استجابة للمهمة. يتم تعيين قيمة لكل بكسل بناءً على احتمالية الفرضية الصفرية ، والتي يمكن تفسير تغيرات الإشارة المرصودة بحتة من خلال التباين العشوائي في البيانات المتوافقة مع تباينها ، كونها خاطئة. تسمى هذه الصورة خريطة معلمية إحصائية. الهدف من هذا القسم هو إظهار كيفية إنتاج مثل هذه الخرائط.

تم استخدام جميع الطرق الموضحة أدناه ، في وقت أو آخر ، في تحليل البيانات المقدمة في هذه الأطروحة. تم تنفيذ معظمها كبرامج "C" ، مع استثناء ملحوظ لاستخدام SPM[10] تنفيذ النموذج الخطي العام.

خلال هذا القسم ، يتم توضيح تقنيات التحليل الموضحة في مجموعة بيانات نموذجية. كانت التجربة التي تم إجراؤها تهدف إلى اكتشاف التنشيطات الناتجة عن مهمة حركية مرئية. تم تصوير الدماغ الكامل للموضوع ، في 16 شريحة إكليلية بدقة 3 × 3 × 10 مم 3 ، كل أربع ثوان. وفقًا لشاشة LED ، كان مطلوبًا منهم الضغط على كرة بمعدل 2 هرتز. تضمنت التجربة 16 ثانية من الراحة ، تليها 16 ثانية من أداء المهمة ، تكررت 32 مرة.

يمكن العثور على مزيد من التفاصيل حول الإحصائيات المذكورة في هذا الفصل في العديد من كتب الإحصاء ، على سبيل المثال كتاب زار [11] وميلر وفريوند [12].

6.3.1 تقنيات الطرح

إحدى أبسط الطرق للحصول على نتائج من تجربة الرنين المغناطيسي الوظيفي ذات الحالتين هي إجراء عملية طرح بسيطة. يتم تنفيذ ذلك عن طريق حساب متوسط ​​جميع الصور التي تم الحصول عليها أثناء مرحلة "التشغيل" للمهمة ، وطرح متوسط ​​جميع الصور "إيقاف التشغيل". عيب هذه التقنية هو أنها حساسة للغاية لحركة الرأس ، مما يؤدي إلى ظهور كميات كبيرة من القطع الأثرية في الصورة. يوضح الشكل 6.7 أ شريحة واحدة عبر القشرة الحركية من مجموعة البيانات النموذجية ، ويوضح الشكل 6.7 ب نتيجة طرح الصور "إيقاف التشغيل" من الصور "تشغيل". على الرغم من أنه يمكن رؤية زيادة الإشارة في القشرة الحركية الأولية ، إلا أن هناك أيضًا قدرًا كبيرًا من القطع الأثرية ، خاصة عند حدود الصورة.

لا تسفر مثل هذه الطريقة عن إحصائية يمكن اختبارها مقابل فرضية العدم ، لذلك بدلاً من الطرح المباشر ، من الشائع استخدام اختبار الطالب. يرجح هذا الاختلاف في الوسائل ، من خلال الانحراف المعياري في قيم "إيقاف التشغيل" أو "التشغيل" ، مما يعطي درجات t عالية للاختلافات الكبيرة مع الانحرافات المعيارية الصغيرة ، ودرجات t المنخفضة للاختلافات الصغيرة مع الانحرافات المعيارية الكبيرة. يتم حساب الدرجة t على أساس البكسل بالبكسل ، للسلسلة الزمنية X ، باستخدام الصيغة

وهو التباين المجمع

اللاحقة "1" تشير إلى ن تم الحصول على صورة واحدة خلال فترة "التشغيل" للمهمة ، وتشير "2" إلى ن 2 صور تم الحصول عليها خلال فترة الراحة. يوضح الشكل 6.7 ج الخريطة المعيارية الإحصائية لدرجات t لمجموعة بيانات العينة. مرة أخرى يظهر تنشيط القشرة الحركية بوضوح ، لكن تأثير الحركة يقل مقارنة بتقنية الطرح.

الشكل 6.7 استخدام تقنيات الطرح لتحليل بيانات الرنين المغناطيسي الوظيفي. (أ) شريحة واحدة من صورة EPI الإكليلية من خلال القشرة الحركية الأولية. (ب) يتم طرح متوسط ​​الصور التي تم الحصول عليها خلال فترة "إيقاف التشغيل" لتجربة الرنين المغناطيسي الوظيفي من متوسط ​​الصور التي تم الحصول عليها خلال فترة "التشغيل". (ج) الخريطة البارامترية الإحصائيّة المتوافقة مع الصورة (ب).

6.3.2 تقنيات الارتباط

نظرًا لأننا نعلم أن استجابة BOLD تتم بوساطة تدفق الدم ، فمن الممكن تحسين اكتشاف التنشيطات من خلال التنبؤ بشكل الاستجابة للحافز ، وحساب معاملات الارتباط بين كل دورة زمنية بكسل وهذا الشكل الموجي المرجعي. هذا أقل حساسية للتغيرات الفسيولوجية الأخرى أثناء التجربة ، والحركة. بالنسبة للدورة الزمنية X ، والشكل الموجي المرجعي Y ، يتم حساب معامل الارتباط على النحو التالي

ولها قيمة 1 للارتباط المثالي ، وقيمة صفر لعدم وجود ارتباط ، وقيمة -1 لمقاومة مثالية للارتباط.

يعد اختيار شكل موجة مرجعي مناسب أمرًا حيويًا لنجاح هذه التقنية في العثور على التنشيطات. قد يكون التقريب الأول عبارة عن موجة مربعة ، وهي مرتفعة بالنسبة لعمليات المسح التي تم الحصول عليها أثناء المهمة ، ومنخفضة بالنسبة لعمليات المسح التي تم الحصول عليها أثناء الراحة (الشكل 6.8 أ). ومع ذلك ، فإن مثل هذا الشكل الموجي لا يأخذ في الاعتبار تأخير ونعومة الاستجابة الديناميكية الدموية التي تنظم تباين BOLD. سيكون التحسين في ذلك هو تغيير طور الموجة المربعة (الشكل 6.8 ب) ، حيث يكون التأخير بين 3 و 6 ثوانٍ.

لتحسين الشكل الموجي المرجعي بشكل أكبر ، من الضروري النظر عن كثب في الاستجابة الديناميكية الدموية الفعلية. في تجربة مثل تلك المستخدمة لمجموعة البيانات النموذجية ، حيث يوجد كل من التنشيط البصري والحركي ، من الممكن استخدام الاستجابة لنوع واحد من التحفيز لتشكيل شكل الموجة المرجعية للعثور على الآخر. في هذه الحالة ، السلسلة الزمنية لواحد أو أكثر من وحدات البكسل في ، لنقل أن القشرة البصرية مستخرجة (الشكل 6.8 ج) ، ويتم حساب معاملات الارتباط بين شكل الموجة هذا وكل بكسل آخر في الصورة.يكتشف مثل هذا التحليل فقط تلك المناطق في الدماغ التي تستجيب للمحفز بنفس طريقة القشرة البصرية. يتمثل العيب الرئيسي لهذه التقنية في أنها حساسة بشكل خاص للقطع الأثرية المتحركة ، لأنه إذا كانت هذه الأداة موجودة في الشكل الموجي المرجعي ، فستكون حركة المناطق الأخرى شديدة الارتباط. لمحاولة الحد من ذلك ، يمكن حساب متوسط ​​الاستجابة في القشرة البصرية لكل منبه معًا ، مما ينتج عنه استجابة متوسطة للدورة المفردة. ثم يتكون الشكل الموجي المرجعي من تكرار هذه الاستجابات المتوسطة ذات الدورة الواحدة (الشكل 6.8 د).

الشكل 6.8. وظائف مرجعية متنوعة يمكن استخدامها للارتباط بدورة زمنية بكسل لاكتشاف عمليات التنشيط (انظر النص للحصول على الأوصاف)

لكي تكون أكثر عمومية في التنبؤ بالاستجابة الديناميكية الدموية ، بحيث يمكن بناء شكل موجة مرجعي لأي طول من التحفيز ، من الضروري معرفة الاستجابة لحافز واحد. اقترح فريستون [13] أن دالة الاستجابة الديناميكية الدموية يمكن اعتبارها وظيفة انتشار النقطة ، والتي تعمل على تنعيم وظيفة الإدخال وتحويلها. من خلال تفكيك الاستجابة من منطقة التنشيط المعروفة مع وظيفة التحفيز ، يمكن الحصول على وظيفة الاستجابة الديناميكية الدموية. ومع ذلك ، فإن وظيفة الاستجابة الديناميكية الدموية ليست موحدة تمامًا عبر الدماغ بأكمله ، وقد لا يكون الشكل الذي تم الحصول عليه من منطقة ما هو الأمثل لمنطقة أخرى. كبديل ، يمكن نمذجة الاستجابة بواسطة دالة رياضية ، مثل Poisson أو دالة بيتا. وظيفة بواسون

مع العرض l = 6 ثوانٍ ، يبدو أنه مناسب تمامًا للاستجابات الديناميكية الدموية الملحوظة (الشكل 6.8 هـ).

نظرًا لأنه بشكل عام لا يتم الحصول على كل شريحة من الحجم المصور في نفس اللحظة ، فمن الضروري استيعاب اختلافات التوقيت في الارتباط مع شكل الموجة المرجعية. من أجل القيام بذلك ، يتم توقع الحجم النسبي للتنشيط في الوقت الذي تم فيه الحصول على كل شريحة ، عن طريق ربط محفز الإدخال بوظيفة بواسون. ثم من هذه السلسلة ، يمكن حساب معاملات الارتباط على أساس شريحة تلو شريحة ، وبناء شكل الموجة المرجعية من النقاط المناسبة في السلسلة الزمنية المتوقعة.

يوضح الشكل 6.9 أمثلة على تأثير شكل الموجة المرجعية على النتيجة. هنا ، تظهر البكسلات الموجودة في الرأس والتي ترتبط بأشكال الموجة المرجعية (كما هو موضح في الشكل 6.8) ، مع r> 0.20 باللون الأحمر ، أعلى الصورة الأساسية. يعتبر ارتباط الموجة المربعة هو الأقل فاعلية في اكتشاف عمليات التنشيط (أ) ، ولكن يتم الحصول على تحسن كبير عن طريق تأخير شكل الموجة بمقدار 4 ثوانٍ (ب). ليس من المستغرب أن يكون ارتباط القشرة البصرية مع نفسها (ج) مرتفعًا ، ولكن استخدام متوسط ​​استجابة القشرة البصرية (د) يحسن الارتباط في القشرة الحركية. يتحسن نموذج وظيفة Poisson للاستجابة الديناميكية الدموية (e) بشكل طفيف على الموجة المربعة المتأخرة ، وهو نموذج جيد.

(أ) الموجة المربعة
(ب) الموجة المربعة المتأخرة
(ج) استجابة اللحاء البصري
(د) متوسط ​​استجابة اللحاء البصري
(هـ) نموذج توزيع بواسون

الشكل 6.9 تم الحصول على صور التنشيط من خلال ربط مجموعات بيانات الاختبار بأشكال الموجة المرجعية الموضحة في الشكل 6.8.

6.3.3 النموذج الخطي العام

الأساليب الإحصائية الموصوفة أعلاه هي اختبارات حدودية. وهذا يعني أنهم يفترضون أن الملاحظات مأخوذة من السكان العاديين. معظم تقنيات النمذجة البارامترية هي حالات خاصة للنموذج الخطي العام. تم تطبيق إطار العمل هذا لتحليل بيانات التصوير الوظيفي ، الذي تم تطويره أولاً لـ PET ثم تم توسيعه من أجل التصوير بالرنين المغناطيسي الوظيفي ، في حزمة البرامج SPM[14]. تم توضيح النموذج الخطي العام هنا فقط ، حيث تم تغطية النظرية على نطاق واسع في الأدبيات [15].

الهدف من النموذج الخطي العام هو شرح اختلاف الدورة الزمنية ذ 1. ذ أنا. y n ، بدلالة مجموعة خطية من المتغيرات التوضيحية ومصطلح الخطأ. لنموذج بسيط مع متغير توضيحي واحد فقط x 1. س ط. x n ، يمكن كتابة النموذج الخطي العام

أين ب هي معلمة التحجيم أو المنحدر ، و ه ط هو مصطلح الخطأ. إذا كان النموذج يتضمن المزيد من المتغيرات ، فمن الملائم كتابة النموذج الخطي العام في شكل مصفوفة

اين الان ص هو متجه قيم البكسل المرصودة ، ب هو متجه من المعلمات و ه هو ناقل شروط الخطأ. المصفوفة X يُعرف باسم مصفوفة التصميم. يحتوي على صف واحد لكل نقطة زمنية في البيانات الأصلية وعمود واحد لكل متغير توضيحي في النموذج. في تحليل تجربة الرنين المغناطيسي الوظيفي ، أعمدة X تحتوي على نواقل تتوافق مع عناصر "التشغيل" و "الإيقاف" للحافز المقدم. من خلال إيجاد حجم المعلمة في ب المقابلة لهذه النواقل ، يمكن الكشف عن وجود أو عدم التنشيط.

ب يمكن تحديدها من خلال حل "المعادلات العادية"

أين هو أفضل تقدير خطي ب. بشرط (X تي X) قابل للانعكاس ثم يتم إعطاؤه بواسطة

عادةً ما يتم توزيع تقديرات المعلمات هذه ، وبما أنه يمكن تحديد مصطلح الخطأ ، يمكن إجراء استدلال إحصائي حول ما إذا كان ب تختلف المعلمة المقابلة لنموذج استجابة التنشيط اختلافًا كبيرًا عن الفرضية الصفرية.

يوفر النموذج الخطي العام إطارًا لمعظم أنواع نمذجة البيانات ، ويمكنه التخلص من التأثيرات التي قد تربك التحليل ، مثل الانجراف أو التنفس ، شريطة إمكانية نمذجتها.

6.3.4 اختبار T التسلسلي

تتطلب جميع التقنيات الموضحة أعلاه التنبؤ بالدورة الزمنية التي ستتبعها المناطق النشطة. بالنسبة للعديد من التجارب ، فإن استخدام التصوير السريع والنماذج المصممة بعناية يجعل فصل ترتيب الأحداث المعرفية ممكنًا. أحد الأمثلة ، والذي هو جزء من دراستنا لمرض باركنسون والموصوف بمزيد من التفصيل في الفصل السابع ، هو نموذج يتضمن بدء الحركة. في هذه التجربة ، كان المطلوب من الموضوع أن يستجيب ، بالضغط على زر تم حمله باليد ، إلى العرض المرئي للرقم "5" ، وعدم الرد على عرض "2". قدم هذا النموذج اختلافين للتجارب التقليدية القائمة على العصور. أولاً ، حدثت عمليات تفعيل الفائدة ، وهي تلك المسؤولة عن الضغط على الزر ، بمعدل غير منتظم. ثانيًا ، حدثت جميع العمليات المعرفية المتضمنة في المهمة ، بما في ذلك التخطيط للحركة وتنفيذها ، في فترة زمنية تبلغ بضع مئات من الألف من الثانية ، على عكس التنشيط المستمر المستخدم في النماذج القائمة على الحقبة. تتطلب مثل هذه التجربة شكلاً جديدًا من التحليل. تم تقييم طريقتين ، وكلاهما لا يقدم أي افتراضات حول المسار الزمني لعمليات التنشيط أثناء المهمة: اختبار t التسلسلي ، الموصوف هنا ، وتحليل تقنية التباين ، الموضح في القسم التالي.

أساس اختبار t التسلسلي هو تحديد خط الأساس لحالة الراحة ، ومقارنة الصور التي تم الحصول عليها في كل نقطة زمنية قبل المهمة وأثناءها وبعدها مع هذا الخط الأساسي. يوضح الشكل 6.10 التقنية. لكل نقطة زمنية تتبع الحافز ، يتم إنشاء متوسط ​​وصورة انحراف معياري ، كما هو الحال مع خط الأساس وصورة الانحراف المعياري. ثم يتم تشكيل مجموعة من الخرائط البارامترية الإحصائية من خلال حساب درجة t (باستخدام المعادلتين 6.5 - 6.7) للفرق بين متوسط ​​الصورة الأولى والصورة الأساسية المتوسطة ، يعني الصورة الثانية وخط الأساس ، وما إلى ذلك وهلم جرا.

الشكل 6.10. تحليل الرنين المغناطيسي الوظيفي باستخدام اختبار t التسلسلي

يوضح الشكل 6.11 نتيجة تحليل مجموعة البيانات النموذجية باستخدام هذه التقنية. لا تُظهر مجموعة البيانات هذه حقًا فائدة تحليل اختبار t التسلسلي. توضح النتائج الموضحة في الفصل السابع بشكل أفضل استخدامه في النظر إلى توقيتات الأحداث والأشكال الموجية غير المتوقعة.

الشكل 6.11 نتائج معالجة مجموعة بيانات الاختبار باستخدام اختبار t التسلسلي. يتم عرض ثماني مجموعات صور ذات حجم كصفوف ، وتتوافق المجموعات الأربعة الأولى مع فترات "الراحة" للتجربة ، والأربع مجموعات التالية تتوافق مع فترات "المهمة". يمكن رؤية التنشيط في كل من القشرة الحركية الأساسية والقشرة البصرية.

هذه التقنية لها عيبان رئيسيان. الأول هو أنه من أجل تحقيق نسبة إشارة إلى ضوضاء كافية ، من الضروري الحصول على دورات أكثر بكثير مما هو عليه في نموذج قائم على الحقبة ، مما يؤدي إلى تجارب أطول. قد يكون هذا غير مريح للموضوع ، ويضع متطلبات إضافية على أجهزة الماسح الضوئي. هناك بعض المجال لتقريب مهام الحدث الفردي معًا ، ولكن يجب أن يكون هناك فاصل زمني كافٍ للسماح لإشارة BOLD بالعودة إلى خط الأساس. يبلغ طول هذا التأخير عشر ثوانٍ على الأقل. العيب الثاني هو أن التحليل ينتج عنه العديد من الخرائط المعلمية الإحصائية ، والتي يجب تفسيرها ككل. ومع ذلك ، فإن حقيقة أن التقنية تضع افتراضات قليلة حول دورة وقت البيانات تجعلها تقنية قوية ، وتفتح إمكانية تصميم تجريبي أكثر تنوعًا ، وابتعادًا عن النماذج القائمة على الحقبة.

6.3.5 تحليل التباين

الأسلوب الثاني الذي لا يتطلب أي افتراضات حول شكل دورة وقت التنشيط ، ينظر في التغييرات في التباين عند حساب المتوسط. تعتمد هذه التقنية على نظرية متوسط ​​الإشارة البسيطة [16]. خذ ، على سبيل المثال ، الاستجابة المقاسة لإشارة متكررة كما هو موضح في الشكل 6.12. تحتوي السلسلة الزمنية على عنصرين ، أحدهما استجابة حقيقية للإشارة ، والآخر هو التقلبات العشوائية بسبب الأحداث الفسيولوجية والضوضاء غير المرتبطة بالصورة. عند حساب متوسط ​​32 دورة معًا ، يتم تقليل حجم المكون الصاخب ولكن لا يتم تقليل حجم الإشارة المتكررة. يمكن قياس تقليل المكون الصاخب عن طريق حساب التباين في كل من مجموعة البيانات غير المحفوظة والمتوسط.

الشكل 6.12. متوسط ​​الإشارة. تباين الضوضاء في متوسط ​​الإشارة هو ن مرات أقل مما هو عليه في الإشارة الأصلية ، حيث ن هو عدد الدورات.

لاكتشاف مناطق التنشيط ، يتم حساب نسبة تباين مجموعة البيانات المتوسطة إلى تباين مجموعة البيانات غير المحفوظة لكل بكسل في الصورة. بالنسبة إلى وحدات البكسل في المناطق ذات الاختلافات العشوائية البحتة في الكثافة ، ستكون هذه النسبة حوالي 1 /ن، أين ن هو متوسط ​​عدد الدورات معًا. ومع ذلك ، سيكون للبكسل في مناطق التنشيط نسبة أعلى بكثير من هذا ، نظرًا لأن التباين في كل من مجموعات البيانات غير المحفوظة والمتوسط ​​يهيمن عليه تنويعات شدة التحفيز المغلق لتأثير BOLD ، والتي لا تنقص عند المتوسط.

يتم شرح هذه التقنية بشكل رسمي على أنها تحليل التباين (ANOVA) [17]. لو X ij يشير إلى أناالنقطة الزمنية بعد التحفيز ، من يالدورة العاشرة للتجربة

زمن ر X 11 ، X 12 ، . X 1j ، . X 1n X 1
زمن 2 ت X 21 ، X 22 ، . X 2j ، . X 2n X 2
. . . . . . . .
زمن هو - هي X i1 ، X i2 ، . X ij ، . X بوصة X أنا
. . . . . . . .
زمن كيلوطن X k1 ، X k2 ، . X kj ، . X kn X ك
X

مع ن دورات و ك نقطة في كل دورة. الفرضية الصفرية هي أنه لا يوجد فرق كبير في الوسيلة. يمكن اختبار ذلك من خلال مقارنة تقديرين للتباين السكاني ، ق 2 ، واحد على أساس الاختلافات في قياسات نفس النقطة الزمنية ، والآخر على أساس التباين بين النقاط الزمنية.

يمكن حساب التباين ضمن القياس لأي نقطة زمنية من خلال

وبالتالي ، يتم إعطاء متوسط ​​التباين ضمن النقاط الزمنية

ويستند إلى ك (ن -1) درجات الحرية. يتم إعطاء تباين النقطة الزمنية بواسطة

ثم يمكن تقدير s 2 بواسطة

الذي يعتمد على ك-1 درجات الحرية. في ظل الفرضية الصفرية ، قم بتقدير التباين السكاني بشكل مستقل s 2. هذا يعني أن النسبة

سيكون لها توزيع F مع ك-1 و ك(ن-1) درجات الحرية. إذا كان هناك أي تغيير في الإشارة تم قفله على المنبه ، فستكون قيمة أكبر من المتوقع في ظل الفرضية الصفرية.

في تحليل بيانات الرنين المغناطيسي الوظيفي ، تُستخدم المعادلات 6.15 - 6.19 لتشكيل خريطة معلمية إحصائية F. يتم تنفيذ هذه المعادلات باستخدام الصيغ المختصرة التالية

لتقييم صحة هذا النهج على البيانات الحقيقية ، تم تحليل الصور الوهمية والرأس. تتكون مجموعة البيانات الوهمية من 256 صورة حجم ، كل منها بحجم مصفوفة 128 × 128 × 16 ، تم الحصول عليها بمعدل تكرار 4 ثوان. تتكون مجموعة بيانات الرأس من 256 صورة رأس ، من نفس حجم المصفوفة ، مع عدم تنفيذ الموضوع لمهمة محددة. تمت معالجة مجموعتي البيانات مسبقًا بنفس الطريقة التي ستكون بها مجموعة بيانات التصوير الوظيفي ، ثم تم إجراء تحليل التباين بافتراض 16 نقطة لكل دورة و 16 دورة. رسوم بيانية لـ F لكل مجموعة بيانات موضحة في الشكل 6.13 ، مع توزيع F المناسب ، كما هو موضح في شكل خط منقط ، معطى بواسطة

أين ن 1 هو عدد النقاط في كل دورة ناقص واحد ، و ن 2 هو العدد الإجمالي لنقاط البيانات مطروحًا منه عدد النقاط لكل دورة [18]. تظهر جميع الرسوم البيانية الثلاثة ملاءمة جيدة لتوزيع F ، مما يؤكد صحة تطبيق هذه التقنية على بيانات الرنين المغناطيسي الوظيفي.

الشكل 6.13 قطع درجات F المحسوبة (الخط الصلب) والتوزيع المناسب F (الخط المنقط) لـ (أ) البيانات المحاكاة ، (ب) البيانات الوهمية ، و (ج) بيانات الرأس.

يتم عرض نتائج تحليل مجموعة بيانات التنشيط المثال باستخدام تقنية ANOVA في الشكل 6.14. كما هو الحال مع اختبار t التسلسلي ، لا تُظهر مجموعة البيانات هذه أفضل إمكانات هذه التقنية. يأتي مثال أفضل من تحليل دراسة لاستقصاء الذاكرة قصيرة المدى.

الشكل 6.14 نتائج معالجة مجموعة بيانات الاختبار باستخدام تقنية تحليل التباين. تتوافق تلك البيكسلات المظللة باللون الأحمر مع المناطق التي تختلف بطريقة ما في الوقت الذي يتم فيه قفل التحفيز.

يتكون نموذج التحفيز لهذه التجربة من ثلاث مراحل. تم تقديم أول ثلاثة أرقام متتالية للموضوع. بعد ثماني ثوان ، تم تقديم رقم رابع ، وكان المطلوب من الشخص الرد بالضغط على زر في يده اليمنى إذا كان هذا الرقم الأخير هو نفسه أي من الأرقام الثلاثة المقدمة سابقًا ، أو عن طريق الضغط على الزر في يده اليسرى إذا لم يكن كذلك [19]. كانت المرحلة الأخيرة هي فترة راحة ، لتوفير خط الأساس. تم تكرار الاختبار بأكمله 32 مرة.

من المتوقع أن تكون بعض مناطق الدماغ نشطة فقط أثناء عرض الأرقام ، وبعضها خلال فترة الاحتفاظ ، وبعضها فقط في مرحلة الاستدعاء والبعض الآخر خلال مهمة الذاكرة بأكملها. لتحليل مثل هذه البيانات باستخدام تقنية الارتباط يعني التنبؤ بمجموعة كاملة من أشكال الموجة المرجعية. ومع ذلك ، فإن تقنية ANOVA اكتشفت استجابات الأشكال المختلفة في اختبار واحد. يوضح الشكل 6.15 خرائط التنشيط التي تم الحصول عليها من تحليل ANOVA لتجربة الذاكرة قصيرة المدى ، جنبًا إلى جنب مع مخططات الدورة الزمنية من العديد من المناطق.

الشكل 6.15 تم تطبيق تحليل التباين على البيانات من تجربة الذاكرة قصيرة المدى الموضحة في النص ، جنبًا إلى جنب مع متوسط ​​مخططات الدورة لعدة مناطق ذات أهمية. يمكن رؤية مناطق الدماغ التي تعمل بطرق مختلفة للمحفز في صورة تنشيط واحدة.

تُظهر الصورة النهائية لتحليل ANOVA بشكل أساسي جميع المناطق التي تختلف بطريقة ما تكون متزامنة مع عرض التحفيز. إنه جيد بنفس القدر في التقاط عمليات إلغاء التنشيط كتنشيطات. وهذا يجعل هذه الصور نقطة انطلاق جيدة لأشكال أخرى من التحليل ، مثل تحليل المكون الرئيسي أو تحليل الكتلة ، وذلك لاستخلاص جميع المعلومات المتاحة.

6.3.6 تنفيذ البرامج

نظرًا لتنوع الاختبارات التي يمكن إجراؤها على مجموعة بيانات واحدة ، تمت كتابة برنامج تنفيذ الاختبارات الموصوفة أعلاه كمجموعة من البرامج المنفصلة.

البرنامج ترتبط يُنشئ شكل موجة مرجعي ، من القيم المحددة من قبل المستخدم ، ويقوم اختياريًا بربط ذلك بوظيفة Poisson للعرض المحدد من قبل المستخدم. تُحسب معاملات الارتباط باستخدام المعادلة 6.8. إذا تم إجراء الشكل الموجي المرجعي ليتنوع بين 0 و 1 ، فيمكن الحصول على قياس النسبة المئوية للتغير عند التنشيط عن طريق حساب الانحدار الخطي للنموذج

يمكن حساب النسبة المئوية للتغير كـ (ب / أ) × 100٪.

يقوم البرنامج أيضًا بحساب الصورة المناسبة لـ z-scores باستخدام تحويل Fishers Z ودرجات الحرية المخفضة كما هو موضح في الأقسام التالية. أسماء الملفات لكل من هذه المخرجات هي

نسخة_& lt ملف>.img تم حفظ معاملات الارتباط كـ "شورتات" × 10000
الكمبيوتر_& lt ملف>.img تم حفظ التغيير في النسبة المئوية كـ "شورتات" × 1،000 (بحيث تتغير الإشارة بنسبة 1٪ × 1،000)
تشيكوسلوفاكيا_& lt ملف>.IMG تم حفظ درجات z على أنها "عائمة" (غير متدرجة)

يتم تنفيذ اختبارات t التسلسلية بواسطة tmap و tmapnc، الأول مناسب للتجارب الدورية والثاني للتجارب غير الدورية. بالنسبة للإصدار غير الدوري ، يتم الحصول على أوقات التحفيز من ملف نصي ، ويتم حفظ كل من خرائط نقاط t المخرجة كـ `` شورتات '' ، تم قياسها بمقدار 1000 ، في ملف يسمى tt_& lt ملف>.img.

يتم إجراء اختبارات ANOVA بواسطة البرامج أنوفا، و أنوفانك، وكلاهما ناتج f-scores تم قياسه بمقدار 1000 ، في ملف يسمى va_& lt ملف>.img.


2 إجابات 2

هذا سؤال واسع جدًا - سأترجم هذا بشكل أساسي إلى: ما هو GLM ، وما هو النموذج المختلط. بادئ ذي بدء ، تكتب أنك تريد أن تلائم GLM ، لكنني أظن أنك تقصد LM ، لأن الصيغة

عادة ما تدل على LM. بالنسبة لـ GLM ، سيكون لدينا وظيفة ارتباط إضافية.

في الصيغة أعلاه ، $ Y $ هو إجابتك ، و $ X $ هي المتنبئين (مصفوفة التصميم) ، و $ beta $ هي معاملات الانحدار لهذه المتنبئات (يتناقض إذا كان قاطعًا).

تدوينك لنموذج التأثيرات العشوائية غير تقليدي بعض الشيء (لست متأكدًا من مكان أخذ هذا) ، لكنني أشك

$ Y = X beta + epsilon $ $ beta = X ' beta' + epsilon '$

يعني أنك تريد ملاءمة ما يسمى بنموذج المنحدر العشوائي ، حيث يمكن أن تختلف معاملات الانحدار / التباين لكل عامل تجميع. افتراض نموذج المنحدر العشوائي هو أن الاختلافات في $ beta $ بين المجموعات مستمدة من التوزيع الطبيعي $ epsilon '$ ، وهو التباين بين المجموعة. لذا فإن المتجه النهائي الكامل للمتنبئين $ beta $ يتكون من $ beta '$ الإجمالي والتأثيرات العشوائية $ epsilon' $.

بشكل عام ، لست متأكدًا مما إذا كان هذا الترميز مفيدًا للغاية لفهم كيفية عمل النموذج المختلط - أود أن أقترح قراءة البدء بكتاب مدرسي عام أو برنامج تعليمي حول النماذج المختلطة.

  • برنامج تعليمي بسيط في R هو Bates، D.Mächler، M. Bolker، B. & amp Walker، S. (2014) تركيب نماذج التأثيرات المختلطة الخطية باستخدام lme4.
  • المرجع الإحصائي الأكثر هو Gelman، A. & amp Hill، J. (2006) تحليل البيانات باستخدام الانحدار والنماذج متعددة المستويات / الهرمية. مطبعة جامعة كامبريدج ، ولا سيما الفصل 11 ، 12
  • للحصول على شرح أساسي حول الأساليب الحسابية ، يمكنك إلقاء نظرة على Bates، D.M (2010) lme4: نمذجة التأثيرات المختلطة مع R.

بالطبع هناك العديد من الكتب الجيدة الأخرى ، فهذا يعتمد على مجال عملك ومستوى الرياضيات الذي تبحث عنه.


نهج هجين SVM-GLM لتحليل بيانات الرنين المغناطيسي الوظيفي

تتميز طرق تحليل بيانات الرنين المغناطيسي الوظيفي التي تعتمد على الفرضيات ، والتي يمثلها النموذج الخطي العام التقليدي (GLM) ، بإطار إحصائي محدد بدقة لتقييم عمليات التنشيط المحددة إقليمياً ولكنها تتطلب نمذجة استجابة دماغية مسبقة يصعب عادةً أن تكون دقيقة. على العكس من ذلك ، فإن الطرق الاستكشافية ، مثل آلة متجه الدعم (SVM) ، مستقلة عن وظيفة استجابة الدورة الدموية السابقة (HRF) ، ولكنها تفتقر عمومًا إلى إطار عمل الاستدلال الإحصائي. للاستفادة من كلا النوعين من الطريقتين ، تقدم هذه الورقة نهجًا مركبًا من خلال الجمع بين GLM التقليدي و SVM. يهدف مفهوم SVM-GLM الهجين هذا إلى استخدام قوة SVM للحصول على وظيفة مرجعية مشتقة من البيانات وإدخالها في GLM التقليدي للاستدلال الإحصائي. تم استخراج الوظيفة المرجعية المشتقة من البيانات من مصنف SVM باستخدام طريقة استخراج ملف تعريف زمني جديدة. في عمليات المحاكاة باستخدام بيانات الرنين المغناطيسي الوظيفي الاصطناعية ، أظهر SVM-GLM أداءً أفضل في الحساسية والنوعية للكشف عن التنشيطات الاصطناعية ، مقارنةً بـ GLM التقليدي. مع بيانات الرنين المغناطيسي الوظيفي الحقيقية ، أظهر SVM-GLM حساسية أفضل من GLM العادية للكشف عن التنشيطات الحسية.

الأرقام

التصنيف المستند إلى SVM والملف الشخصي الزمني ...

التصنيف المستند إلى SVM واستخراج الملف الشخصي الزمني. أ) تصنيف البيانات ثنائي الأبعاد باستخدام خطي ...

أ) تعريف CNR ، ب) دورة وقت تنشيط الدماغ الاصطناعي للمحاكاة ...

برنامج SDPtp المستخرج من ...

SDPtp مستخرج من بيانات BOLD fMRI لجهاز الاستشعار. أ) ...

متوسط ​​(ن = 8) AUCs العادية ...

متوسط ​​(ن = 8) AUCs من GLM العادية و SVM-GLM على البيانات الاصطناعية التي تم إنشاؤها ...

نتائج التحليل الإحصائي على مستوى المجموعة ...

نتائج التحليل الإحصائي على مستوى المجموعة لبيانات BOLD fMRI اليسرى. ال…

الرسوم البيانية لدرجات T لمستوى المجموعة ...

الرسوم البيانية للدرجات T لتحليل مستوى المجموعة بناءً على نتائج GLM و SVM-GLM الفردية ...

نتائج التحليل الإحصائي على مستوى المجموعة ...

نتائج التحليل الإحصائي على مستوى المجموعة لبيانات الرنين المغناطيسي الوظيفي لإرواء ASL من جهة اليمين. ...


كيفية إنشاء نموذج بطانة معمم (GLM)

  • العمر: عمر الفرد. رقمي
  • التعليم: المستوى التعليمي للفرد. عامل.
  • الحالة الزوجية: الحالة الاجتماعية للفرد. عامل أي لم يتزوج أبدًا ، متزوج ، متزوج ،.
  • الجنس: جنس الفرد. عامل أي ذكر أو أنثى
  • الدخل: متغير الهدف. الدخل أعلى أو أقل من 50 ألف. عامل أي & gt50K، & lt = 50K
  • الخطوة 1: فحص المتغيرات المستمرة
  • الخطوة 2: تحقق من متغيرات العوامل
  • الخطوة الثالثة: هندسة الميزات
  • الخطوة 4: ملخص الإحصاء
  • الخطوة 5: مجموعة التدريب / الاختبار
  • الخطوة 6: بناء النموذج
  • الخطوة السابعة: تقييم أداء النموذج
  • الخطوة 8: تحسين النموذج

مهمتك هي توقع أي فرد سيحقق إيرادات أعلى من 50 ألفًا.

في هذا البرنامج التعليمي ، سيتم تفصيل كل خطوة لإجراء تحليل على مجموعة بيانات حقيقية.

الخطوة 1) تحقق من المتغيرات المستمرة

في الخطوة الأولى ، يمكنك رؤية توزيع المتغيرات المستمرة.

  • مستمر & lt- select_if (data_adult ، is.numeric): استخدم الوظيفة select_if () من مكتبة dplyr لتحديد الأعمدة الرقمية فقط
  • Summary (مستمر): اطبع احصاء الملخص

من الجدول أعلاه ، يمكنك أن ترى أن البيانات لها مقاييس وساعات مختلفة تمامًا ، ولكل أسبوع قيم متطرفة كبيرة (على سبيل المثال ، انظر إلى الربع الأخير والقيمة القصوى).

  • 1: ارسم توزيع الساعات لكل أسبوع
  • 2: توحيد المتغيرات المستمرة
  1. ارسم التوزيع

لنلق نظرة فاحصة على توزيع الساعات لكل أسبوع

يحتوي المتغير على الكثير من القيم المتطرفة وليس توزيعًا محددًا جيدًا. يمكنك معالجة هذه المشكلة جزئيًا عن طريق حذف أعلى 0.01 بالمائة من الساعات في الأسبوع.

نحسب أعلى 2 في المائة في المائة

98 في المائة من السكان يعملون أقل من 80 ساعة في الأسبوع.

يمكنك إسقاط الملاحظات فوق هذا الحد. يمكنك استخدام عامل التصفية من مكتبة dplyr.

يمكنك توحيد كل عمود لتحسين الأداء لأن بياناتك ليس لها نفس المقياس. يمكنك استخدام الدالة mutate_if من مكتبة dplyr. الصيغة الأساسية هي:

يمكنك توحيد الأعمدة الرقمية على النحو التالي:

الخطوة 2) تحقق من متغيرات العوامل

  • حدد الأعمدة الفئوية
  • قم بتخزين المخطط الشريطي لكل عمود في قائمة
  • اطبع الرسوم البيانية

يمكننا تحديد أعمدة العوامل مع الكود أدناه:

  • data.frame (select_if (data_adult، is.factor)): نقوم بتخزين أعمدة العوامل في نوع إطار البيانات. تتطلب مكتبة ggplot2 كائن إطار بيانات.

تحتوي مجموعة البيانات على 6 متغيرات فئوية

الخطوة الثانية هي أكثر مهارة. تريد رسم مخطط شريطي لكل عمود في عامل إطار البيانات. من الأنسب أتمتة العملية ، خاصة في حالة وجود الكثير من الأعمدة.

  • lapply (): استخدم الوظيفة lapply () لتمرير دالة في جميع أعمدة مجموعة البيانات. يمكنك تخزين الإخراج في قائمة
  • الوظيفة (x): ستتم معالجة الوظيفة لكل x. هنا x هي الأعمدة
  • ggplot (factor، aes (get (x))) + geom_bar () + theme (axis.text.x = element_text (زاوية = 90)): قم بإنشاء مخطط حرف شريطي لكل عنصر x. ملاحظة ، لإرجاع x كعمود ، يجب تضمينه داخل get ()

الخطوة الأخيرة سهلة نسبيًا. تريد طباعة الرسوم البيانية الستة.

ملاحظة: استخدم الزر التالي للانتقال إلى الرسم البياني التالي

الخطوة 3) هندسة الميزات

إعادة صياغة التعليم

من الرسم البياني أعلاه ، يمكنك أن ترى أن التعليم المتغير يحتوي على 16 مستوى. هذا كبير ، وبعض المستويات لديها عدد قليل نسبيا من الملاحظات. إذا كنت ترغب في تحسين كمية المعلومات التي يمكنك الحصول عليها من هذا المتغير ، فيمكنك إعادة صياغتها إلى مستوى أعلى. أي أنك تنشئ مجموعات أكبر ذات مستوى تعليمي مماثل. على سبيل المثال ، سيتم تحويل المستوى التعليمي المنخفض إلى التسرب. سيتم تغيير المستويات العليا من التعليم لإتقان.

  • نستخدم الفعل المغير من مكتبة dplyr. نغير قيم التعليم بعبارة ifelse

في الجدول أدناه ، تقوم بإنشاء إحصائية موجزة لترى ، في المتوسط ​​، عدد سنوات التعليم (قيمة z) اللازمة للوصول إلى البكالوريوس أو الماجستير أو الدكتوراه.

إعادة صياغة الحالة الاجتماعية

الخطوة 4) إحصائية موجزة

حان الوقت للتحقق من بعض الإحصائيات حول المتغيرات المستهدفة لدينا. في الرسم البياني أدناه ، تحسب النسبة المئوية للأفراد الذين يكسبون أكثر من 50 ألفًا وفقًا لجنسهم.

بعد ذلك ، تحقق مما إذا كان أصل الفرد يؤثر على أرباحه.

عدد ساعات العمل حسب الجنس.

يؤكد مخطط الصندوق أن توزيع وقت العمل يناسب مجموعات مختلفة. في مخطط الصندوق ، لا يمتلك كلا الجنسين ملاحظات متجانسة.

يمكنك التحقق من كثافة وقت العمل الأسبوعي حسب نوع التعليم. التوزيعات لها العديد من اللقطات المتميزة. يمكن تفسير ذلك على الأرجح بنوع العقد في الولايات المتحدة.

  • ggplot (recast_data، aes (x = hours.per.week)): مخطط الكثافة يتطلب متغيرًا واحدًا فقط
  • geom_density (aes (اللون = التعليم) ، alpha = 0.5): الكائن الهندسي للتحكم في الكثافة

لتأكيد أفكارك ، يمكنك إجراء اختبار ANOVA أحادي الاتجاه:

يؤكد اختبار ANOVA الفرق في المتوسط ​​بين المجموعات.

غير الخطية

قبل تشغيل النموذج ، يمكنك معرفة ما إذا كان عدد ساعات العمل مرتبطًا بالعمر.

  • ggplot (recast_data، aes (x = age، y = hours. per.week)): اضبط الشكل الجمالي للرسم البياني
  • geom_point (aes (اللون = الدخل) ، الحجم = 0.5): أنشئ مخطط النقطة
  • stat_smooth (): أضف خط الاتجاه بالوسيطات التالية:
    • الطريقة = 'lm': ارسم القيمة المناسبة إذا كان الانحدار الخطي
    • الصيغة = ذ

    باختصار ، يمكنك اختبار شروط التفاعل في النموذج لالتقاط التأثير غير الخطي بين وقت العمل الأسبوعي والميزات الأخرى. من المهم اكتشاف الظروف التي يختلف فيها وقت العمل.

    علاقة

    الفحص التالي هو تصور العلاقة بين المتغيرات. يمكنك تحويل نوع مستوى العامل إلى رقمي بحيث يمكنك رسم خريطة حرارية تحتوي على معامل الارتباط المحسوب باستخدام طريقة سبيرمان.

    • data.frame (lapply (recast_data، as. صحيح)): تحويل البيانات إلى رقمية
    • ggcorr () ارسم خريطة الحرارة بالوسيطات التالية:
      • الطريقة: طريقة حساب الارتباط
      • nbreaks = 6: عدد الفواصل
      • hjust = 0.8: التحكم في موضع اسم المتغير في المؤامرة
      • التسمية = TRUE: أضف تسميات في وسط النوافذ
      • label_size = 3: تسميات الحجم
      • color = "grey50"): لون الملصق

      الخطوة 5) مجموعة التدريب / الاختبار

      تتطلب أي مهمة تعلم آلي خاضعة للإشراف تقسيم البيانات بين مجموعة قطار ومجموعة اختبار. يمكنك استخدام "الوظيفة" التي قمت بإنشائها في دروس التعلم تحت الإشراف الأخرى لإنشاء مجموعة تدريب / اختبار.

      الخطوة 6) بناء النموذج

      لمعرفة كيفية أداء الخوارزمية ، يمكنك استخدام الحزمة glm (). ال النموذج الخطي المعمم عبارة عن مجموعة من النماذج. الصيغة الأساسية هي:

      أنت جاهز لتقدير النموذج اللوجستي لتقسيم مستوى الدخل بين مجموعة من الميزات.

      • AIC (معايير معلومات Akaike): هذا يعادل R2 في الانحدار اللوجستي. يقيس الملاءمة عند تطبيق عقوبة على عدد المعلمات. الأصغر AIC تشير القيم إلى أن النموذج أقرب إلى الحقيقة.
      • انحراف فارغ: يناسب النموذج فقط مع التقاطع. درجة الحرية ن -1. يمكننا تفسيرها على أنها قيمة Chi-square (قيمة مناسبة تختلف عن اختبار فرضية القيمة الفعلية).
      • الانحراف المتبقي: نموذج مع جميع المتغيرات. يتم تفسيره أيضًا على أنه اختبار فرضية Chi-square.
      • عدد مرات تكرار تسجيل فيشر: عدد التكرارات قبل التقارب.

      يتم تخزين إخراج الدالة glm () في قائمة. يوضح الكود أدناه جميع العناصر المتاحة في متغير logit الذي أنشأناه لتقييم الانحدار اللوجستي.

      # القائمة طويلة جدًا ، وطباعة العناصر الثلاثة الأولى فقط

      يمكن استخراج كل قيمة بعلامة $ متبوعة باسم المقاييس. على سبيل المثال ، قمت بتخزين النموذج كـ logit. لاستخراج معايير AIC ، يمكنك استخدام:

      الخطوة 7) تقييم أداء النموذج

      الارتباك مصفوفة

      ال الارتباك مصفوفة هو خيار أفضل لتقييم أداء التصنيف مقارنة بالمقاييس المختلفة التي رأيتها من قبل. الفكرة العامة هي حساب عدد المرات التي يتم فيها تصنيف المثيلات الحقيقية على أنها False.

      لحساب مصفوفة الارتباك ، تحتاج أولاً إلى مجموعة من التنبؤات بحيث يمكن مقارنتها بالأهداف الفعلية.

      • التنبؤ (logit ، data_test ، type = 'response'): احسب التنبؤ في مجموعة الاختبار. عيّن النوع = "استجابة" لحساب احتمال الاستجابة.
      • جدول (data_test $ الدخل ، توقع & gt 0.5): حساب مصفوفة الارتباك. توقع & gt 0.5 يعني أنها تُرجع 1 إذا كانت الاحتمالات المتوقعة أعلى من 0.5 ، وإلا 0.

      يمثل كل صف في مصفوفة الارتباك هدفًا حقيقيًا ، بينما يمثل كل عمود هدفًا متوقعًا. يعتبر الصف الأول من هذه المصفوفة أن الدخل أقل من 50 ألفًا (فئة False): تم تصنيف 6241 بشكل صحيح كأفراد بدخل أقل من 50 ألفًا (صحيح سلبي) ، بينما تم تصنيف الباقي خطأً على أنه أعلى من 50 ألفًا (إيجابية كاذبة). الصف الثاني يعتبر الدخل فوق 50 ألفًا ، والفئة الموجبة كانت 1229 (صحيح إيجابي)، بينما ال صحيح سلبي كان 1074.

      يمكنك حساب النموذج صحة بجمع الموجب الحقيقي + السالب الحقيقي على الملاحظة الكلية

      يبدو أن النموذج يعاني من مشكلة واحدة ، فهو يبالغ في تقدير عدد السلبيات الخاطئة. هذا يسمى مفارقة اختبار الدقة. ذكرنا أن الدقة هي نسبة التنبؤات الصحيحة إلى العدد الإجمالي للحالات. يمكن أن يكون لدينا دقة عالية نسبيًا ولكن نموذج عديم الفائدة. يحدث ذلك عندما تكون هناك طبقة مهيمنة. إذا نظرت إلى مصفوفة الارتباك ، يمكنك أن ترى أن معظم الحالات مصنفة على أنها سلبية حقيقية. تخيل الآن ، أن النموذج صنف جميع الفئات على أنها سلبية (أي أقل من 50 ألفًا). سيكون لديك دقة 75 بالمائة (6718/6718 + 2257). يعمل نموذجك بشكل أفضل ولكنه يكافح للتمييز بين الإيجابي الحقيقي والسلبي الحقيقي.

      الدقة مقابل الاستدعاء

      دقة يبحث في دقة التنبؤ الإيجابي. اعد الاتصال هي نسبة الحالات الإيجابية التي تم اكتشافها بشكل صحيح بواسطة المصنف

      • mat [1،1]: إرجاع الخلية الأولى من العمود الأول من إطار البيانات ، أي القيمة الموجبة الحقيقية
      • mat [1،2] قم بإرجاع الخلية الأولى من العمود الثاني من إطار البيانات ، أي القيمة الإيجابية الخاطئة
      • mat [1،1]: إرجاع الخلية الأولى من العمود الأول من إطار البيانات ، أي القيمة الموجبة الحقيقية
      • mat [2،1] قم بإرجاع الخلية الثانية من العمود الأول من إطار البيانات ، أي القيمة السالبة الكاذبة

      يمكنك اختبار وظائفك

      عندما يقول النموذج إنه فرد فوق 50 ألفًا ، يكون صحيحًا في 54 بالمائة فقط من الحالة ، ويمكن أن يطالب بأفراد فوق 50 ألفًا في 72 بالمائة من الحالة.

      يمكنك إنشاء /> النتيجة بناءً على الدقة والاستدعاء. /> هو متوسط ​​توافقي لهذين المقياسين ، مما يعني أنه يعطي وزناً أكبر للقيم الأقل.

      الدقة مقابل استدعاء المفاضلة

      من المستحيل الحصول على دقة عالية واستدعاء عالي.

      • تخيل أنك بحاجة إلى توقع ما إذا كان المريض يعاني من مرض. تريد أن تكون دقيقًا قدر الإمكان.
      • إذا كنت بحاجة إلى اكتشاف المحتالين المحتملين في الشارع من خلال التعرف على الوجه ، فمن الأفضل القبض على العديد من الأشخاص الذين تم تصنيفهم على أنهم محتالون على الرغم من أن الدقة منخفضة. ستكون الشرطة قادرة على إطلاق سراح الشخص غير المحتال.

      منحنى ROC

      ال خصائص المستقبل التشغيلية المنحنى هو أداة شائعة أخرى تستخدم مع التصنيف الثنائي. إنه مشابه جدًا لمنحنى الدقة / الاسترجاع ، ولكن بدلاً من رسم الدقة مقابل الاسترجاع ، يُظهر منحنى ROC المعدل الإيجابي الحقيقي (أي الاسترجاع) مقابل المعدل الإيجابي الخاطئ. المعدل الإيجابي الخاطئ هو نسبة الحالات السلبية التي تم تصنيفها بشكل غير صحيح على أنها موجبة. إنه يساوي واحدًا مطروحًا منه المعدل السلبي الحقيقي. كما يسمى المعدل السلبي الحقيقي النوعية. ومن هنا رسم منحنى ROC حساسية (استدعاء) مقابل خصوصية واحدة

      لرسم منحنى ROC ، نحتاج إلى تثبيت مكتبة تسمى RORC. يمكننا أن نجد في مكتبة كوندا. يمكنك كتابة الرمز:

      Conda install -c r r-rocr - نعم

      يمكننا رسم مخطط ROC مع وظائف التنبؤ () والأداء ().

      • التنبؤ (التنبؤ ، data_test $ الدخل): تحتاج مكتبة ROCR إلى إنشاء كائن تنبؤ لتحويل بيانات الإدخال
      • الأداء (ROCRpred، 'tpr'، 'fpr'): إرجاع المجموعتين لإنتاجهما في الرسم البياني. هنا ، يتم إنشاء tpr و fpr. قم بتجميع الدقة واستدعاء معًا ، استخدم "prec" ، "rec".

      الخطوة 8) تحسين النموذج

      تحتاج إلى استخدام اختبار الدرجة لمقارنة كلا النموذجين

      النتيجة أعلى قليلاً من سابقتها. يمكنك الاستمرار في العمل على البيانات في محاولة للتغلب على النتيجة.


      دعم تحليل مجموعة بيانات الرنين المغناطيسي الوظيفي القائم على التعلم الآلي ☆

      لاستكشاف الطبيعة متعددة المتغيرات لبيانات الرنين المغناطيسي الوظيفي والنظر في تناقضات استجابة الدماغ بين الموضوعات ، هناك حاجة بشكل أساسي إلى أسلوب متعدد المتغيرات واستجابة الدماغ بدون نموذج. يتم تقديم طريقتين من هذا القبيل في هذه الورقة من خلال دمج خوارزمية التعلم الآلي وآلة متجه الدعم (SVM) ونموذج التأثير العشوائي. بدون أي نمذجة لاستجابة الدماغ ، تم استخدام SVM لاستخراج خريطة تمييز مكاني كامل للدماغ (SDM) ، والتي تمثل اختلاف استجابة الدماغ بين الظروف التجريبية المتناقضة. ثم تم الحصول على الاستدلال السكاني من خلال تحليل التأثير العشوائي (RFX) أو اختبار التقليب (PMU) على الأفراد & # x27 SDMs. عند تطبيقه على بيانات التروية بالرنين المغناطيسي الوظيفي (ASL) ، أسفر SDM RFX عن معدلات إيجابية كاذبة أقل في اختبار الفرضية الصفرية وحساسية اكتشاف أعلى للتنشيطات التركيبية ذات حجم الكتلة المتفاوت وقوة التنشيط ، مقارنة بالنموذج الخطي العام أحادي المتغير (GLM) RFX المستندة. بالنسبة لدراسة ASL fMRI الحسية الحركية ، أنتج كل من SDM RFX و SDM PMU أنماط تنشيط مماثلة لـ GLM RFX و GLM PMU ، على التوالي ، ولكن مع أعلى ر القيم وامتدادات الكتلة على نفس مستوى الأهمية. بالاستفادة من عدم وجود ارتباط زمني للضوضاء في بيانات ASL ، أدرجت هذه الدراسة أيضًا جامعة الأمير محمد بن فهد في تحليلات GLM و SVM على المستوى الفردي مصحوبة بتحليل على مستوى المجموعة من خلال RFX أو وحدة إدارة المشروع على مستوى المجموعة. من خلال تقديم استنتاجات حول احتمالية التنشيط أو إلغاء التنشيط في كل فوكسل ، يمكن استخدام طرق التحليل الجماعي القائمة على وحدة إدارة المشروع على المستوى الفردي لتحديد نتائج تحليل GLM RFX أو SDM RFX أو SDM PMU.


      تحليل النواقل المستقل (IVA): نهج متعدد المتغيرات لدراسة مجموعة الرنين المغناطيسي الوظيفي

      يولد تحليل المكون المستقل (ICA) لبيانات الرنين المغناطيسي الوظيفي خرائط تنشيط دماغية محددة للجلسة / فردية دون افتراضات مسبقة فيما يتعلق بتوقيت أو نمط استجابات الإشارات المعتمدة على مستوى الأوكسجين في الدم (BOLD). ومع ذلك ، بسبب التقليب العشوائي بين مكونات الإخراج ، لا تقدم ICA حلاً مباشرًا للاستدلال على التنشيط على مستوى المجموعة. في هذه الدراسة ، نقدم طريقة تحليل ناقلات مستقلة (IVA) لمعالجة مشكلة التقليب أثناء تحليل بيانات مجموعة الرنين المغناطيسي الوظيفي. بالمقارنة مع ICA ، تقدم IVA تحليلًا للمكونات التابعة الإضافية ، والتي تم تخصيصها للاستخدام في التجميع الآلي لأنماط التنشيط التابعة عبر الموضوعات. عند الاختبار باستخدام بيانات الرنين المغناطيسي الوظيفي المستندة إلى التجربة ، تم تطبيق طريقتنا المقترحة على بيانات الرنين المغناطيسي الوظيفي الحقيقية التي تستخدم نموذجًا لمهمة التجربة الواحدة (الضغط على محرك اليد اليمنى ومهام إنشاء الكلام الداخلي) ونموذج مهمة ثلاثي التجارب (اليد اليمنى) مهمة الصور الحركية). تم أيضًا تطبيق نموذج خطي معمم (GLM) ومجموعة ICA الخاصة بصندوق أدوات الرنين المغناطيسي الوظيفي (GIFT) على نفس مجموعة البيانات للمقارنة مع IVA. مقارنةً بـ GLM ، نجحت IVA في التقاط أنماط التنشيط حتى عندما أظهرت المناطق الوظيفية استجابات ديناميكية الدورة الدموية المتغيرة التي انحرفت عن الاستجابة المفترضة. أظهرنا أيضًا أن IVA استنتجت بشكل فعال أنماط تنشيط المجموعة ذات الأصول غير المعروفة دون الحاجة إلى مرحلة ما قبل المعالجة (مثل تسلسل البيانات في GIFT المستندة إلى ICA). يمكن استخدام IVA كبديل محتمل أو مساعد لطرق معالجة مجموعة الرنين المغناطيسي الوظيفي القائمة على ICA.


      1.4 اختيار متغير

      يشبه التحديد المتغير لنموذج GLM العملية الخاصة بنموذج OLS. تُفضل اختبارات النموذج المتداخلة لدلالة المعامل على اختبار والد للمعاملات. ويرجع ذلك إلى أن الأخطاء المعيارية لمعاملات GLM حساسة حتى للانحرافات الصغيرة عن افتراضات النموذج.كما أنه من الأكثر دقة الحصول على قيم p لمعاملات GLM من اختبارات النماذج المتداخلة.

      عادةً ما يستخدم اختبار نسبة الاحتمالية (LRT) لاختبار النماذج المتداخلة. بالنسبة للنماذج شبه العائلية ، يتم استخدام اختبار F لاختبارات النماذج المتداخلة (أو عندما يكون الملاءمة مفرطًا أو ناقص التشتت). يعد استخدام إحصائية F مناسبًا إذا كانت أحجام المجموعة متساوية تقريبًا.

      قد يعتمد المتغير الذي يجب تحديده للنموذج على العائلة المستخدمة في النموذج. في هذه الحالات ، يرتبط الاختيار المتغير باختيار الأسرة. معايير الاختيار المتغيرة مثل AIC و BIC لا تنطبق بشكل عام على الاختيار بين العائلات.


      نتائج

      فك الوجه وإعادة البناء

      استخدمنا نموذج VAE-GAN المدربين مسبقًا الموصوف في الشكل 1 (مع معلمات "مجمدة") لتدريب نظام فك تشفير الدماغ. أثناء التدريب (الشكل 2 أ) ، تعلم النظام التطابق بين أنماط نشاط الدماغ استجابةً للعديد من صور الوجه والتمثيل الكامن 1024-D المقابل لنفس الوجوه داخل شبكة VAE. تم استخدام أكثر من 8000 مثال مميز في المتوسط ​​(النطاق عبر الموضوعات: 7664-8626) ، والتي تضمنت 12 ساعة من المسح على مدار ثماني جلسات منفصلة لكل موضوع. افترض إجراء التعلم أنه يمكن وصف تنشيط كل فوكسل دماغ كمجموع مرجح لـ 1024 معلمة كامنة ، وقد قدرنا ببساطة الأوزان المقابلة عبر الانحدار الخطي (وظيفة GLM في SPM انظر الطرق). بعد التدريب (الشكل 2 ب) ، قمنا بقلب النظام الخطي ، بحيث تم تزويد وحدة فك التشفير بنمط دماغ الشخص الذي يعرض صورة وجه جديدة ومحددة كمدخل (وجه لم يتم تضمينه في مجموعة التدريب) ، كان الناتج تقديرًا لمتجه السمات الكامنة البالغ 1024 بعدًا لذلك الوجه. ثم تم إنشاء صورة الوجه (أو "إعادة بنائها") من خلال الشبكة العصبية التوليدية (VAE – GAN).

      فك تشفير الدماغ لصور الوجه بناءً على التمثيلات الكامنة في VAE – GAN. أ مرحلة التدريب. رأى كل موضوع

      8000 وجه (عرض واحد لكل منهما) في تصميم سريع متعلق بالحدث. تم أيضًا تشغيل صور الوجه نفسها من خلال شبكة "التشفير" (كما هو موضح في الشكل 1) أو تحلل PCA ، للحصول على وصف للوجه الكامن بحجم 1024 بعدًا. كان "مفكك تشفير الدماغ" عبارة عن انحدار خطي بسيط ، تم تدريبه لربط المتجه الكامن ذي 1024 بعدًا بنمط استجابة الدماغ المقابل. هذا الانحدار الخطي ، مع 1024 انحدار حدودي لإشارة BOLD (ومصطلح "انحياز" ثابت إضافي) ، أنتج مصفوفة وزن دبليو (1025 ب نفوكسلس أبعاد) مُحسَّنة للتنبؤ بأنماط الدماغ استجابةً لمحفزات الوجه. ب مرحلة الاختبار. قدمنا ​​أيضًا 20 وجهًا "اختبارًا" مميزًا (ليس جزءًا من مجموعة التدريب على الأقل 45 عرضًا تقديميًا معشقًا عشوائيًا لكل منهما) للمواضيع. تم ببساطة ضرب أنماط نشاط الدماغ الناتجة عن طريق مصفوفة الوزن المنقولة دبليو تي (نفوكسل 1025) ومصفوفة التغاير العكسي لإنتاج تقدير خطي لأبعاد الوجه الكامنة. تم بعد ذلك تطبيق شبكة المولد (الشكل 1 أ) أو تحويل PCA معكوس لترجمة المتجه الكامن المتوقع إلى صورة وجه أعيد بناؤها

      قمنا بمقارنة النتائج التي تم الحصول عليها من نموذج الشبكة العصبية العميقة هذا مع تلك التي تم الحصول عليها بواسطة نموذج آخر أبسط لتحلل صورة الوجه: تحليل المكونات الرئيسية (PCA ، مع الاحتفاظ فقط بالمكونات الأساسية 1024 الأولى من مجموعة بيانات التدريب ، انظر الشكل التكميلي 1). يصف نموذج PCA أيضًا كل وجه بواسطة متجه في مساحة كامنة تبلغ 1024 بعدًا ، ويمكن أيضًا استخدامه لإعادة بناء الوجوه بناءً على تقدير متجه الميزة 1024-D ، كما هو موضح في الدراسات الحديثة 13 ، 14.

      لكل من الشبكة العصبية العميقة والنماذج المستندة إلى PCA ، حددنا مجموعة فرعية من وحدات فوكسل المادة الرمادية على أنها "منطقة الاهتمام" (ROI) الخاصة بنا. في الواقع ، تقوم أجزاء كثيرة من الدماغ بإجراء عمليات حسابية لا تتعلق بمعالجة الوجه أو التعرف عليه ، حيث أن دخول مثل هذه المناطق في تحليلنا سيؤثر سلبًا على تحويل الإشارة إلى الضوضاء. جمع معيار الاختيار لدينا عاملين: (1) كان من المتوقع أن تستجيب وحدات البكسل لمحفزات الوجه (على النحو الذي يحدده a ر اختبار بين شروط الوجه والخط الأساسي ، أي تثبيت شاشة فارغة) ، و (2) كان من المتوقع أن يتحسن التباين الموضح في استجابة Voxels BOLD عندما تم إدخال ميزات الوجه الكامنة 1024 كمنحدرات في النموذج الخطي (مقارنة بـ نموذج أساسي مع عاكس ثنائي للوجه فقط: وجه حاضر / غائب). تم توضيح توزيع وحدات البكسل على طول هذين البعدين ، ومعيار الاختيار المقابل ، لموضوع تمثيلي واحد في الشكل التكميلي 2. عبر الموضوعات الأربعة ، كان عدد وحدات البكسل الناتجة في الاختيار

      100،000 (متوسط: 106،612 النطاق: 74،388-162،388). تم تصوير وحدات البكسل المختارة في الشكل 3 وهي تشمل المناطق القذالية والزمانية والجدارية والجبهة. تم إجراء اختيار منفصل بناءً على معلمات وجه PCA ، وتم استخدامه لـ "وحدة فك ترميز الدماغ" القائمة على PCA (متوسط ​​عدد وحدات البكسل المختارة: 106685 النطاق: 74.073 - 164.524) كانت المناطق المختارة متطابقة تقريبًا للنموذجين. من المهم تسليط الضوء على أن معايير اختيار فوكسل أعلاه قد تم تطبيقها بناءً على استجابات جريئة لصور وجه التدريب فقط ، ولكن ليس على 20 صورة اختبار لذلك ، لا يعاني تحليل فك التشفير من مشكلات "التفكير الدائري" الناتجة عن اختيار فوكسل هذا 16.

      تم اختيار Voxels لفك تشفير الدماغ. تم اختيار Voxels استنادًا إلى مزيج من استجابتها البصرية وملاءمة GLM الخاصة بها أثناء مرحلة تدريب وحدة فك ترميز الدماغ (الشكل 2 أ). يشير رمز اللون (الأحمر إلى الأصفر) إلى عدد الموضوعات (1-4) الذين تم اختيار كل فوكسل معين لهم. تشير الخطوط الملونة إلى حدود المناطق القشرية القياسية 43

      أمثلة على صور الوجه المعاد بناؤها من مجموعة صور الاختبار لكل من الموضوعات الأربعة موضحة في الشكل 4 أ. على الرغم من أن كلا من طرازي VAE – GAN و PCA يمكنهما إعادة بناء تشابه مقبول للوجوه الأصلية ، فإن الصور التي أعيد بناؤها من الشبكة العصبية التوليدية العميقة (VAE – GAN) تبدو أكثر واقعية وأقرب إلى الصورة الأصلية. قمنا بتحديد أداء نظام فك تشفير الدماغ لدينا من خلال ربط المتجهات الكامنة المقدرة بالدماغ لوجوه الاختبار العشرين بـ 20 متجهًا فعليًا ، واستخدمنا قيم الارتباط الزوجي لقياس النسبة المئوية للتصنيف الصحيح. لكل موضوع ، لكل من وجوه الاختبار العشرين ، قارنا متجه 1024-D الذي تم فك تشفيره مع متجه الحقيقة الأرضية من صورة الاختبار الفعلية ، وبصورة اختبار أخرى (مشتت الانتباه): كان فك تشفير الدماغ "صحيحًا" إذا كان الارتباط مع متجه الهدف الفعلي أعلى منه مع متجه المشتت. تكرر هذا لجميع أزواج صور الاختبار (20 × 19) ، ومتوسط ​​الأداء مقارنة بالصدفة (50٪) مع اختبار مونت كارلو غير البارامترى (انظر الطرق: الإحصائيات). حققت عمليات إعادة البناء من نموذج GAN تصنيفًا بنسبة 95.5٪ (النطاق: 91.3-98.7٪ ، الكل ص & lt 10 6) ، في حين أن نموذج PCA بلغ 87.5٪ فقط (النطاق 76.6-92.4٪ ، لا يزال أعلى بكثير من فرصة ، الكل ص & lt 10 −4 ، ولكن أقل بكثير من نموذج GAN ، اختبار فريدمان غير المعلمي ، χ 2 (1) = 4, ص & lt 0.05). اختبرنا أيضًا قدرة وحدة فك ترميز الدماغ على اختيار الوجه الصحيح الدقيق من بين وجوه الاختبار العشرين: تم اعتبار مهمة "التعرف الكامل" هذه صحيحة إذا وفقط إذا كان المتجه الكامن المعاد بناؤه أكثر ارتباطًا بالمتجه الحقيقي المستهدف من كل النواقل الـ19 المشتتة للانتباه. هذا اختبار أكثر صرامة للتعرف على الوجوه ، بمستوى فرصة عند 5٪: حقق نموذج VAE – GAN تصحيحًا بنسبة 65٪ (النطاق: 40-75٪ ، اختبار ذي الحدين ، الكل ص & lt 10 6) ، في حين أن نموذج PCA أدى إلى 41.25٪ التعرف الصحيح فقط (النطاق 25-50٪ ، الكل ص & lt 10 −3) مرة أخرى ، كان أداء نموذج VAE – GAN أعلى بكثير من أداء نموذج PCA (χ 2 (1) = 4, ص & lt 0.05).

      إعادة بناء الوجه. أ أمثلة على صور الوجه المعاد بناؤها. لكل موضوع من الموضوعات الأربعة (S1-4) ، يعرض العمود الأول أربعة أمثلة للوجوه (ذكران + امرأتان ، تم اختيارهما من بين وجوه الاختبار العشرين) المعروضة فعليًا للموضوع أثناء جلسات المسح. العمودين التاليين هما إعادة بناء الوجه بناءً على أنماط تنشيط الرنين المغناطيسي الوظيفي المقابلة لنظام فك تشفير الدماغ المدرب باستخدام الفضاء الكامن VAE – GAN (العمود الأوسط) أو تحلل PCA (العمود الأيمن). ب التعرف على الزوج. تم قياس جودة فك تشفير الدماغ من خلال تصنيف النمط الزوجي (يعمل على تقديرات المتجهات الكامنة) ، ومتوسط ​​الأداء مقارنة بالصدفة (50٪). حقق فك تشفير الدماغ من نموذج VAE-GAN أداءً صحيحًا بنسبة 95.5٪ في المتوسط ​​(ص & lt 10 −6) ، نموذج PCA 87.5٪ فقط (ص & lt 10 4) كان الاختلاف بين النموذجين كبيرًا (χ 2 (1) = 4, ص & lt 0.05). ج الاعتراف الكامل. تم أيضًا تطبيق معيار أداء أكثر صرامة ، حيث تم اعتبار فك التشفير صحيحًا إذا وفقط إذا حدد الإجراء وجه الهدف الدقيق بين جميع وجوه الاختبار العشرين (الفرصة = 5٪). هنا مرة أخرى ، كان أداء نموذج VAE-GAN (65٪) أعلى بكثير من فرصة (ص & lt 10 6) ، وتفوق في الأداء (χ 2 (1) = 4, ص & lt 0.05) طراز PCA (41.25٪) ص & lt 10 −3)

      نظرًا لأن نماذج الانحدار الخطي تتطلب عادةً العديد من عينات البيانات أكثر من أبعاد الإدخال ، فقد قررنا في البداية تدريب نظام فك تشفير الدماغ باستخدام

      8000 وجه لكل موضوع (مقارنة بالأبعاد الكامنة 1024). من أجل تحديد ما إذا كانت مجموعات التدريب الأصغر قد تكون كافية ، كررنا خطوة الانحدار الخطي (حساب دبليو مصفوفة في الشكل 2 أ) باستخدام نصف أو ربع أو ثُمن مجموعة بيانات التدريب (انظر الشكل التكميلي 3). بالنسبة لكل من مقاييس التعرف الزوجي والكامل ، يمكن بالفعل الحصول على أداء أعلى من فرصة باستخدام

      1000 وجه تدريب ومع ذلك ، استمر أداء فك التشفير في النمو مع زيادة حجم مجموعة التدريب ، وكان الأعلى بالنسبة

      8000 وجه تدريب. الأهم من ذلك ، ظل نموذج PCA أقل من نموذج VAE-GAN لجميع أحجام مجموعات التدريب.

      تشير هذه المقارنات إلى أنه من الأسهل والأكثر كفاءة إنشاء رسم خرائط خطي من عمليات تنشيط الدماغ البشري إلى الفضاء الكامن VAE-GAN مقارنةً بمساحة PCA. يتوافق هذا مع فرضيتنا القائلة بأن الشبكة العصبية التوليدية العميقة تشبه إلى حد كبير مساحة تمثيلات الوجه البشري. بالإضافة إلى ذلك ، تم قياس دقة التصنيف هذه هنا بناءً على المسافة (أو الارتباط المتجه) في المساحة الكامنة لكل نموذج ، بل من الممكن أن يتفاقم الاختلاف بين النموذجين إذا تم تقييم دقتها بمقياس مشترك ، مثل كجودة إدراكية للصور المعاد بناؤها. لدعم هذه الفكرة ، طلبنا من مراقبين بشريين ساذجين مقارنة جودة الوجوه التي أعيد بناؤها بواسطة النموذجين: تم عرض كل صورة اختبار أصلية من كل من الموضوعات الأربعة مع عمليات إعادة بناء VAE-GAN و PCA المقابلة ، حيث قرر المراقب أي إعادة بناء كانت أكثر تشابهًا من الناحية الإدراكية مع الأصل. تم تقييم كل زوج 15 مرة بشكل عام ، من قبل ما لا يقل عن 10 مشاركين متميزين ، مع ما لا يقل عن خمسة مشاركين يرون خياري الاستجابة في أي من الترتيبين ، VAE – GAN أولاً أو PCA أولاً. تم اختيار إعادة بناء VAE-GAN في 76.1٪ من التجارب ، في حين أن إعادة بناء PCA فقط في 23.9٪ من التجارب. أي أن المراقبون كانوا أكثر عرضة بثلاث مرات لتفضيل جودة الوجوه المعاد بناؤها من VAE-GAN عن إعادة بناء PCA ، وهو اختلاف كان من غير المرجح أن يحدث بالصدفة (اختبار ذو الحدين ، 1200 ملاحظة ، ص & lt 10 −10).

      مساهمات من مناطق دماغية متميزة

      لتحديد مناطق الدماغ الأكثر مساهمة في قدرات إعادة بناء الوجه لنموذجي فك ​​تشفير الدماغ ، قمنا بتقسيم اختيار فوكسل إلى ثلاث مجموعات فرعية متساوية الحجم ، لكل موضوع ، كما هو موضح في الشكل 5 أ. ثم تم تطبيق إجراء فك ترميز الدماغ وإعادة بناء الوجه بشكل منفصل لهذه المجموعات الفرعية الثلاثة. كشفت نتائج التعرف على الأزواج أن وحدات البكسل القذالية ، وبدرجة أقل وحدات البكسل الزمنية ، كانت توفر معظم المعلومات اللازمة لفك تشفير الدماغ (الشكل 5 ب). كان أداء فك التشفير القذالي أعلى بكثير من فرصة (50٪) لكلا الطرازين (VAE-GAN: 91.8٪ ، كل فرد ص & lt 10 −6 PCA: 87.2٪ ، الكل ص & lt 10 4) ، وبالمثل بالنسبة للوحدات الفوكسية الزمنية (VAE – GAN: 78.8٪ ، الكل ص & lt 10 −3 PCA: 73.6٪ ، الكل ص & لتر 0.01). من ناحية أخرى ، على الرغم من أن وحدات البكسل الأمامية الجدارية تفي بمعايير الاختيار الخاصة بنا (انظر الشكل 3) ، إلا أنها لم تحمل معلومات موثوقة بما فيه الكفاية من تلقاء نفسها للسماح بالتصنيف الدقيق (VAE-GAN: 60.1٪ ، موضوع واحد مع ص & lt 10 −6 ، جميع العناصر الأخرى ص & gt 0.2 PCA: 56.4٪ ، مادة واحدة بها ص & lt 10 −6 ، جميع العناصر الأخرى ص & gt 0.05 انظر ، مع ذلك ، Lee et al. 14). كان نمط النتائج متطابقًا لكل من نماذج VAE-GAN ونماذج فك التشفير المستندة إلى PCA: اقترح اختبار فريدمان غير حدودي أن الأداء يختلف عبر المجموعات الفرعية الثلاث (بالنسبة لـ VAE-GAN: χ 2 (2) = 8, ص & lt 0.02 لـ PCA: χ 2 (2) = 6.5, ص & lt 0.04) ، مع الاختبارات اللاحقة التي كشفت أن الفوكسل القذالي كان أداءه أفضل بكثير من الوحدات الأمامية الجدارية ، مع وجود وحدات البكسل الصدغية بينهما (لا تختلف بشكل كبير عن أي من الاثنين الآخرين). عبر جميع اختيارات فوكسل ، أنتجت PCA دائمًا درجات دقة أقل من VAE-GAN - على الرغم من أن هذا الاختلاف لم يصل إلى دلالة إحصائية نظرًا لعدد الموضوعات المحدود لدينا (عبر جميع اختيارات فوكسل الثلاثة ، χ 2 (1) ≥ 3, ص & GT 0.08).

      مساهمات من مناطق دماغية متميزة. أ إجراء تجزئة فوكسل. لاستكشاف مناطق الدماغ الأكثر دعمًا لأداء فك تشفير الدماغ ، مع الحفاظ على إمكانية المقارنة بين المجموعات الفرعية المختلفة ، قمنا بفصل اختيار فوكسل لدينا خطيًا إلى ثلاث مجموعات فرعية متساوية الحجم. أولاً ، تم تصنيف ثلث معظم وحدات البكسل الخلفية لكل موضوع على أنه "قذالي". من بين وحدات البكسل المتبقية ، تم تصنيف النصف الأكثر منقاريًا (1/3 من الرقم الأولي) على أنه "مؤقت" ، والنصف الذيلية المتبقي باسم "جبهية جارية". تم اختيار هذا التقسيم ثلاثي الاتجاهات ، المختلف لكل موضوع ، لأن أداء إجراء فك تشفير الدماغ حساس للغاية لعدد وحدات البكسل المضمنة. ب أداء التعرف الزوجي لمناطق الاهتمام المختلفة. يشير الاختيار الكامل إلى مجموعة وحدات البكسل الموضحة في الشكل 3 ، وهي نفس البيانات الواردة في الشكل 4 ب ، والتي تم حساب متوسطها على الموضوعات (تعكس أشرطة الخطأ الخطأ المعياري للمتوسط). تمثل الدوائر أداء الموضوعات الفردية. الخط المنقط هو ص & lt 0.05 حد دلالة لأداء الأفراد. من بين المجموعات الفرعية الثلاثة ، ولكل من طرازي VAE – GAN و PCA ، يكون الأداء هو الحد الأقصى في وحدات البكسل القذالية ، تليها وحدات البكسل الزمنية. لا تدعم وحدات البكسل الأمامية الجدارية في حد ذاتها الأداء فوق فرصة (باستثناء واحد من الموضوعات الأربعة). في جميع الحالات ، يظل أداء نموذج VAE – GAN أعلى من نموذج PCA

      لتمييز المساهمات النسبية لمناطق الدماغ الثلاث في أداء فك تشفير الدماغ ، استخدمنا أيضًا نهج تقسيم التباين (الشكل التكميلي 4). متوافقة مع النتائج التي تم وصفها بالفعل في الشكل 5 ب ، وجدنا أن تنبؤات المتجهات الكامنة المستمدة من الفوكسل القذالي تمثل الجزء الأكبر من التباين في النواقل الكامنة للحقيقة الأرضية المقابلة ، تليها وحدات البكسل الزمنية ، وأخيراً وحدات البكسل الأمامية الجدارية. كان لكل مجال من المجالات الثلاثة أيضًا مساهمة فريدة ومستقلة في التباين الموضح ، والذي كان أكبر بشكل كبير بالنسبة لـ VAE-GAN من نموذج PCA. أي ، على الرغم من أن وحدات البكسل القذالية قدمت أكثر عمليات إعادة البناء دقة ، إلا أن وحدات البكسل الزمنية لم تنقل معلومات زائدة عن الحاجة.

      التطبيقات الممكنة: فك التشفير بين الجنسين كمثال

      رسم الخرائط المكتسبة بين أنماط تنشيط الدماغ والفضاء الكامن للشبكة العصبية التوليدية العميقة (أي المصفوفة دبليو في الشكل 2 أ) يمكن أن تكون بمثابة أداة قوية لفحص تمثيل الدماغ البشري للوجوه ، دون الحاجة بالضرورة إلى إجراء تجارب إضافية مكلفة. يمكن أن يكون التطبيق المباشر ، على سبيل المثال ، هو تصور انتقائية ميزات الوجه لأي فوكسل أو عائد استثمار في الدماغ. يحدد voxel أو ROI مجموعة فرعية من الأعمدة في ملف دبليو مصفوفة (الشكل 2) ، كل عمود يخزن متجهًا كامنًا يمثل انتقائية وجه فوكسل. ببساطة عن طريق تشغيل هذا المتجه الكامن (أو متوسطه على العائد على الاستثمار) في شبكة مولد الوجه ، يمكن الكشف عن انتقائية voxel أو ROI كصورة وجه فعلية.

      امتداد آخر هو استكشاف تمثيل الدماغ لسمات الوجه المهمة من الناحية السلوكية ، مثل الجنس أو العرق أو العاطفة أو العمر. يمكن التعبير عن أي خاصية وجه من هذا القبيل كمتجه كامن ، والذي يمكن حسابه بسهولة بناءً على عدد من أمثلة الوجه المصنفة (عن طريق طرح متوسط ​​المتجه الكامن للوجوه بدون تسمية السمة من متوسط ​​المتجه الكامن للوجوه مع التسمية انظر الشكل .1 ب للحصول على أمثلة من النواقل الكامنة المحسوبة مع الوجوه التي تحمل ملصق "ابتسامة" ، أو ملصق "ذكر"). ترتبط مجموعة بيانات وجه المشاهير المتاحة للجمهور (CelebA 17) والمستخدمة في تجاربنا بالفعل بـ 40 تسمية من هذا القبيل تصف الجنس والتعبيرات ولون الجلد أو الشعر والعديد من الخصائص الأخرى لكل وجه. لاحظ أنه تم جمع هذه الملصقات الثنائية الأربعين (الميزة الحالية / الغائبة) عبر إجراء التعليق التوضيحي اليدوي لكل منبهات الوجه في مجموعة بيانات الوجه ، وتم اختيارها لتمثيل التباين في مجموعة البيانات. بالنظر إلى المتجه الكامن الذي يصف خاصية الوجه هذه ، يمكننا استخدام نموذج فك تشفير الدماغ لاكتشاف وحدات فوكسل الدماغ الأكثر حساسية لخاصية الوجه المرتبطة. تم توضيح هذا الإجراء في الشكل التكميلي 5 للحصول على مثال لسمة "الجنس" (تسمية "ذكر"). يتم استرداد وحدات البكسل الأكثر حساسية لخاصية الوجه هذه عن طريق حساب ارتباط العمود الحكيم للمصفوفة دبليو مع المتجه الكامن "الذكر": يجب أن تحتوي وحدات البكسل الانتقائية للجنس على قيم ارتباط موجبة بشدة أو سلبية بشدة (اعتمادًا على تفضيلها تجاه الوجوه الذكورية أو الأنثوية). تم العثور على voxels ذات الارتباطات الأكبر (القيمة المطلقة) في المناطق القذالية والزمانية ، لا سيما في كل من المناطق المرئية المبكرة والقشرة المغزلية (الشكل التكميلي 5) ، بما يتوافق مع تقرير سابق عن التمثيل الموزع للمعلومات الجنسانية 6.

      أخيرًا ، هناك طريقة أخرى للتحقيق في تمثيل الدماغ لسمة وجه معينة وهي إنشاء مصنف بسيط لتسمية المتجهات الكامنة التي تم فك تشفيرها وفقًا لخاصية الوجه هذه. وهذا موضح في الشكل 6 ، مرة أخرى لمثال سمة الوجه "الجنس". يتم عرض كل متجه كامن تم فك ترميزه في الدماغ على المحور "الجنس" للفضاء الكامن (الشكل 6 أ) ، وتحدد علامة الإسقاط ناتج التصنيف ("ذكر" للإيجابية ، و "أنثى" للإشارات السلبية). يوفر هذا المصنف الأولي معلومات كافية لتصنيف جنس الوجه بدقة 70٪ (اختبار ذو الحدين ، ص = 0.0001 الشكل 6 ب). يشير اختبار فريدمان غير المعياري إلى أن أداء فك تشفير الجنس يختلف عبر مجموعات فوكسل الثلاثة (χ 2 (2) = 7.6, ص & lt 0.03) ، ويكشف الاختبار اللاحق أن وحدات البكسل القذالية تؤدي أداءً أفضل بكثير من وحدات البكسل الأمامية الجدارية ، مع وجود وحدات فوكسل زمنية في المنتصف (لا تختلف اختلافًا كبيرًا عن أي من الاثنين الآخرين). حققت المحاولات السابقة لتصنيف جنس الوجه باستخدام تحليل نمط متعدد فوكسل نجاحًا محدودًا ، مع دقة تصنيف قصوى أقل من 60٪ 6،8. يعمل مفكك تشفير الدماغ الخطي البسيط (الشكل 6 أ) بالفعل على تحسين هذه الأساليب السابقة ، بينما لا يزال يترك مجالًا للتحسينات المستقبلية ، على سبيل المثال ، باستخدام تقنيات تصنيف أكثر قوة (مثل SVM) على النواقل الكامنة التي تم فك تشفيرها بواسطة الدماغ.

      فك الجنس. أ المصنف الخطي الأساسي. تم تطبيق مصنف بسيط بين الجنسين كدليل على المبدأ. تم حساب محور "الجنس" بطرح متوسط ​​الوصف الكامن لـ 10000 وجه أنثوي من متوسط ​​الوصف الكامن لـ 10000 وجه ذكور. تم إسقاط كل متجه كامن ببساطة على هذا المحور "الجنساني" ، وتم تصنيف الإسقاطات الإيجابية على أنها إسقاطات ذكورية ، وإسقاطات سلبية على أنها أنثى. ب دقة فك التشفير. عند تطبيقه على النواقل الكامنة الحقيقية لوجوه اختبار كل موضوع ، فإن هذا المصنف الأساسي يتم إجراؤه بنسبة 85٪ (النطاق: 80-90٪). هذا هو أداء سقف المصنف ، ويتم تمثيله كمنطقة رمادية أفقية (متوسط ​​± sem عبر الموضوعات). عند العمل على النواقل الكامنة المقدرة من خلال إجراء فك تشفير الدماغ لدينا ، تم إجراء نفس مصنف الجنس بنسبة 70 ٪ بشكل صحيح ، وهو أعلى بكثير من الصدفة (اختبار ذو الحدين ، ص = 0.0001 شريط تمثل دقة متوسط ​​المجموعة ± sem عبر الموضوعات ، وتمثل الدوائر أداء الموضوعات الفردية). كان التصنيف الجنساني دقيقًا أيضًا عند قصر التحليل على فوكسل القذالي (71.25 ٪ ، ص = 0.00005) أو وحدات البكسل الزمنية (66.25٪ ، ص & lt 0.001) ، ولكن ليس وحدات البكسل الأمامية الجدارية (51.25٪ ، ص = 0.37). تشير رموز النجمة إلى أهمية على مستوى المجموعة: ***ص & lt 0.001 **ص & لتر 0.01. الخط المنقط هو ص & lt 0.05 حد دلالة لأداء الأفراد

      فك تشفير الصور

      لإثبات مدى تنوع أسلوبنا في فك تشفير الدماغ ، قمنا بعد ذلك بتطبيقه على مشكلة أخرى معروفة بالصعوبة: استرجاع المعلومات حول المنبهات التي لا يختبرها الشخص بشكل مباشر ، ولكن يتم تخيلها فقط في "عين العقل". أظهرت الدراسات السابقة أنه يمكن حل مشكلة التصنيف هذه عندما تكون الفئات المختلفة من المحفزات التي يتم تخيلها مميزة بصريًا 18 ، مثل الصور من فئات مختلفة 19،20،21،22،23،24. ومع ذلك ، فإن القدرة على التمييز بين الأشياء المتشابهة بصريًا - مثل الوجوه المختلفة - أثناء التصوير ، على حد علمنا ، لم يتم الإبلاغ عنها من قبل.

      قبل التجربة ، اختار كل موضوع وجهًا واحدًا من بين مجموعة من 20 صورة ممكنة (تختلف عن مجموعات الصور التدريبية واختبارها). أثناء التجربة ، طُلب منهم تخيل هذا الوجه المحدد ، كلما ظهر مربع رمادي كبير في منتصف الشاشة (عرض 12 ثانية). تكررت هذه التجارب الصورية 52 مرة في المتوسط ​​(المدى عبر الأشخاص: 51-55) خلال جلسات التصوير بالرنين المغناطيسي الوظيفي ، متداخلة مع عروض التحفيز العادية. تم بعد ذلك استخدام متوسط ​​استجابة BOLD أثناء التصوير لتقدير متجه الوجه الكامن (باستخدام وحدة فك ترميز الدماغ الموضحة في الشكل 2 ب) ، وتمت مقارنة هذا المتجه مع 20 متجه كامن محتمل بطريقة زوجية ، كما هو موضح سابقًا للصور الاختبارية ( الأشكال 4 ب ، 5 ب). كما هو موضح في الشكل 7 (انظر أيضًا الشكل التكميلي 6) ، لم يكن أداء فك التشفير الزوجي مختلفًا عن الصدفة (50٪) في كل منطقة من مناطق الاهتمام المحددة مسبقًا (الاختيار الكامل) ص = 0.53 ، قذالي ص = 0.30 أو المناطق الأمامية الجدارية ص = 0.43) ، مع الاستثناء الوحيد لاختيار فوكسل الزمني ، الذي أنتج فك تشفير صحيح بنسبة 84.2٪ (ص = 0.012). أشار اختبار فريدمان غير المعياري إلى أن أداء فك تشفير الصور يختلف عبر المجموعات الفرعية الثلاث (χ 2 (2) = 6.5, ص & lt 0.04) ، وأظهر اختبار لاحق أن أداء وحدات البكسل الصدغي أفضل بكثير من وحدات البكسل الأمامية الجدارية ، مع وجود فوكسلات قذالية في المنتصف (لا تختلف بشكل كبير عن أي من الاثنين الآخرين). إجمالاً ، يمكن أن تدعم المناطق الزمنية ، ولكن ليس المناطق القذالية أو الأمامية الجدارية ، إعادة بناء الصورة الذهنية. يمكن أن يعكس هذا الأداء المشاركة القوية لمناطق الدماغ الزمنية في معالجة الوجه عالية المستوى 25،26،27 ، بالإضافة إلى الطبيعة الأساسية للتصور الذهني من أعلى إلى أسفل 28. على أي حال ، فإن القدرة على تصنيف الوجوه المتخيلة من أنماط استجابة الدماغ تسلط الضوء مرة أخرى على مرونة وإمكانات نهجنا.

      فك تشفير الصور. تم تمرير نمط استجابة fMRI BOLD المسجل أثناء التصوير الذهني لوجه معين (غير مرئي على الشاشة) عبر نظام فك تشفير الدماغ. تمت مقارنة المتجه الكامن المقدر الناتج مع المتجه الحقيقي و 19 متجهًا مشتتًا ، بطريقة زوجية. فقط اختيار فوكسل الزمني يدعم فك تشفير الصور فوق فرصة ، مع أداء صحيح بنسبة 84.2٪ (ص = 0.012). لم يتم إجراء أي من المناطق القذالية أو الأمامية الجدارية أو اختيار فوكسل الكامل فوق الصدفة (كل ص & GT 0.30). تمثل الأشرطة دقة متوسط ​​المجموعة (± sem عبر الموضوعات) ، وتمثل الدوائر أداء الموضوعات الفردية. تشير رموز النجمة إلى أهمية مستوى المجموعة: * لـ ص & لتر 0.05


      الوصول إلى المستند

      • APA
      • اساسي
      • هارفارد
      • فانكوفر
      • مؤلف
      • BIBTEX
      • RIS

      في: NeuroImage ، المجلد. 40 ، رقم 1 ، 01.03.2008 ، ص. 86-109.

      مخرجات البحث: المساهمة في المجلة ›المقال› مراجعة الأقران

      T1 - تحليل النواقل المستقلة (IVA)

      T2 - نهج متعدد المتغيرات للدراسة الجماعية للرنين المغناطيسي الوظيفي

      N1 - معلومات التمويل: تم دعم هذا العمل جزئيًا من خلال منح من NIH R01-NS048242 إلى Yoo و SS و NIH U41RR019703 إلى Jolesz FA.

      N2 - يولد تحليل المكون المستقل (ICA) لبيانات الرنين المغناطيسي الوظيفي خرائط تنشيط دماغية محددة للجلسة / فردية دون افتراضات مسبقة فيما يتعلق بتوقيت أو نمط استجابات الإشارات المعتمدة على مستوى الأوكسجين في الدم (BOLD). ومع ذلك ، بسبب التقليب العشوائي بين مكونات الإخراج ، لا تقدم ICA حلاً مباشرًا للاستدلال على التنشيط على مستوى المجموعة. في هذه الدراسة ، نقدم طريقة تحليل ناقلات مستقلة (IVA) لمعالجة مشكلة التقليب أثناء تحليل بيانات مجموعة الرنين المغناطيسي الوظيفي. بالمقارنة مع ICA ، تقدم IVA تحليلًا للمكونات التابعة الإضافية ، والتي تم تخصيصها للاستخدام في التجميع الآلي لأنماط التنشيط التابعة عبر الموضوعات. عند الاختبار باستخدام بيانات الرنين المغناطيسي الوظيفي المستندة إلى التجربة ، تم تطبيق طريقتنا المقترحة على بيانات الرنين المغناطيسي الوظيفي الحقيقية التي تستخدم نموذجًا لمهمة التجربة الواحدة (الضغط على محرك اليد اليمنى ومهام إنشاء الكلام الداخلي) ونموذج مهمة ثلاثي التجارب (اليد اليمنى) مهمة الصور الحركية). تم أيضًا تطبيق نموذج خطي معمم (GLM) ومجموعة ICA الخاصة بصندوق أدوات الرنين المغناطيسي الوظيفي (GIFT) على نفس مجموعة البيانات للمقارنة مع IVA. مقارنةً بـ GLM ، نجحت IVA في التقاط أنماط التنشيط حتى عندما أظهرت المناطق الوظيفية استجابات ديناميكية الدورة الدموية المتغيرة التي انحرفت عن الاستجابة المفترضة. أظهرنا أيضًا أن IVA استنتجت بشكل فعال أنماط تنشيط المجموعة ذات الأصول غير المعروفة دون الحاجة إلى مرحلة ما قبل المعالجة (مثل تسلسل البيانات في GIFT المستندة إلى ICA). يمكن استخدام IVA كبديل محتمل أو مساعد لطرق معالجة مجموعة الرنين المغناطيسي الوظيفي القائمة على ICA.

      AB - تحليل المكون المستقل (ICA) لبيانات الرنين المغناطيسي الوظيفي يولد خرائط تنشيط دماغية محددة للجلسة / فردية دون افتراضات مسبقة فيما يتعلق بتوقيت أو نمط استجابات الإشارات المعتمدة على مستوى الأوكسجين في الدم (BOLD). ومع ذلك ، بسبب التقليب العشوائي بين مكونات الإخراج ، لا تقدم ICA حلاً مباشرًا للاستدلال على التنشيط على مستوى المجموعة. في هذه الدراسة ، نقدم طريقة تحليل ناقلات مستقلة (IVA) لمعالجة مشكلة التقليب أثناء تحليل بيانات مجموعة الرنين المغناطيسي الوظيفي. بالمقارنة مع ICA ، تقدم IVA تحليلًا للمكونات التابعة الإضافية ، والتي تم تخصيصها للاستخدام في التجميع الآلي لأنماط التنشيط التابعة عبر الموضوعات. عند الاختبار باستخدام بيانات الرنين المغناطيسي الوظيفي المستندة إلى التجربة ، تم تطبيق طريقتنا المقترحة على بيانات الرنين المغناطيسي الوظيفي الحقيقية التي تستخدم نموذجًا لمهمة التجربة الواحدة (الضغط على محرك اليد اليمنى ومهام إنشاء الكلام الداخلي) ونموذج مهمة ثلاثي التجارب (اليد اليمنى) مهمة الصور الحركية). تم أيضًا تطبيق نموذج خطي معمم (GLM) ومجموعة ICA الخاصة بصندوق أدوات الرنين المغناطيسي الوظيفي (GIFT) على نفس مجموعة البيانات للمقارنة مع IVA. مقارنةً بـ GLM ، نجحت IVA في التقاط أنماط التنشيط حتى عندما أظهرت المناطق الوظيفية استجابات ديناميكية الدورة الدموية المتغيرة التي انحرفت عن الاستجابة المفترضة. أظهرنا أيضًا أن IVA استنتجت بشكل فعال أنماط تنشيط المجموعة ذات الأصول غير المعروفة دون الحاجة إلى مرحلة ما قبل المعالجة (مثل تسلسل البيانات في GIFT المستندة إلى ICA). يمكن استخدام IVA كبديل محتمل أو مساعد لطرق معالجة مجموعة الرنين المغناطيسي الوظيفي القائمة على ICA.


      شاهد الفيديو: EViews10: How to Estimate ARDL and ECM OLS Approach #ardl #ecm #boundstest #cointegration #lags (شهر نوفمبر 2022).