• 主题
高级搜索  >
历史搜索 清空历史
首页> 外文会议>SPIE Conference on Biomedical Applications in Molecular, Structural, and Functional Imaging >Characteristics of Voxel Prediction Power in Full-brainGranger Causality Analysis of fMRI Data
【24h】

Characteristics of Voxel Prediction Power in Full-brainGranger Causality Analysis of fMRI Data

机译：FMRI数据全BraingRanger因果区分析中体素预测功率的特征

获取原文
页面导航
  • 摘要
  • 著录项
  • 相似文献
  • 相关主题

摘要

Functional neuroimaging research is moving from the study of "activations" to the study of "interactions" among brain regions. Granger causality analysis provides a powerful technique to model spatio-temporal interactions among brain regions. We apply this technique to full-brain fMRI data without aggregating any voxel data into regions of interest (ROIs). We circumvent the problem of dimensionality using sparse regression from machine learning. On a simple finger-tapping experiment we found that (1) a small number of voxels in the brain have very high prediction power, explaining the future time course of other voxels in the brain; (2) these voxels occur in small sized clusters (of size 1-4 voxels) distributed throughout the brain; (3) albeit small, these clusters overlap with most of the clusters identified with the non-temporal General Linear Model (GLM); and (4) the method identifies clusters which, while not determined by the task and not detectable by GLM, still influence brain activity.
机译：功能性神经影像学研究正在从“激活”研究到脑区“相互作用”研究。格兰杰因果区分析提供了一种强大的技术，可以在大脑区域之间模拟时空相互作用。我们将该技术应用于全脑FMRI数据，而不会将任何体素数据汇总到兴趣区域（ROI）。我们使用从机器学习的稀疏回归来规避维度的问题。在简单的手指攻丝实验中，我们发现（1）大脑中少量的体素具有非常高的预测能力，解释了大脑中其他体素的未来时间过程; （2）这些体素发生在整个大脑中分布的小尺寸簇（大小1-4体素）; （3）尽管小，这些簇与大多数用非时间通用线性模型（GLM）识别的大多数集群重叠; （4）该方法识别群集，而不是由任务确定而不确定的，而不是通过GLM检测到的，仍然影响脑活动。

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