• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>Conference on Independent Component Analyses, Wavelets, and Neural Networks Apr 22-25, 2003 Orlando, Florida, USA >Model-Free Functional MRI Analysis Using Transformation-Based Methods
【24h】

Model-Free Functional MRI Analysis Using Transformation-Based Methods

机译：使用基于变换的方法进行无模型的功能性MRI分析

获取原文
获取原文并翻译 | 示例
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

This paper presents new model-free fMRI methods based on independent component analysis. Commonly used methods in analyzing fMRJ data, such as the Student's t-test and cross correlation analysis, are model-based approaches. Although these methods are easy to implement and are effective in analyzing data with simple paradigms, they are not applicable in situations in which pattern of neural response are complicated and when fMRI response is unknown. In this paper we evaluate and compare three different neural algorithms for estimating spatial ICA on fMRI data: the Infomax approach, the FastICA approach, and a new topographic ICA approach. A comparison of these new methods with principal component analysis and cross correlation analysis is done in a systematic fMRI study determining the spatial and temporal extent of task-related activation. Both topographic ICA and FastICA outperform principal component analysis and Infomax neural network and standard correlation analysis when applied to fMRI studies. The applicability of the new algorithms is demonstrated on experimental data.
机译：本文提出了基于独立分量分析的新的无模型fMRI方法。分析fMRJ数据的常用方法（例如Student's t检验和互相关分析）是基于模型的方法。尽管这些方法易于实施，并且可以使用简单的范例有效地分析数据，但它们不适用于神经反应模式复杂且fMRI反应未知的情况。在本文中，我们评估和比较了三种用于估计fMRI数据上空间ICA的神经算法：Infomax方法，FastICA方法和新的地形ICA方法。这些新方法与主成分分析和互相关分析的比较是在系统性fMRI研究中完成的，该研究确定了任务相关激活的时空范围。当应用于fMRI研究时，地形ICA和FastICA均优于主成分分析，Infomax神经网络和标准相关性分析。实验数据证明了新算法的适用性。

著录项

相似文献

  • 外文文献
  • 中文文献
  • 专利
获取原文

客服邮箱：kefu@zhangqiaokeyan.com

京公网安备：11010802029741号 ICP备案号：京ICP备15016152号-6 六维联合信息科技 (北京) 有限公司©版权所有

  • 客服微信

  • 服务号