タグ付けされた質問 「neuroimaging」

エコノミストでこの記事を見て、一見壊滅的な [1]「40,000件の公開された[fMRI]研究のようなもの」に疑問を投げかけました。彼らによると、エラーは「誤った統計的仮定」によるものです。私はこの論文を読んで、部分的に多重比較修正の問題があることを確認しましたが、私はfMRIの専門家ではなく、従うのが難しいと感じています。 著者が話している誤った仮定は何ですか？なぜこれらの仮定がなされているのですか？これらの仮定を立てる方法は何ですか？ 封筒の計算の裏には、40,000 fMRIの論文が10億ドル以上の資金（学生の卒業生の給与、運営費など）があると書かれています。 [1] Eklund et al。、Cluster failure：fMRIによる空間範囲の推論が偽陽性率を増大させた理由、PNAS 2016

67 hypothesis-testing  multiple-comparisons  spatial  neuroimaging  neuroscience 

私は、「クラスタは、コンピューティングとスケールでマッピング脳活動」と題した最近の雑誌の記事でPCAの使用を理解しようとしていますフリーマンら、2014（無料のPDF ラボのウェブサイトで入手可能）。彼らは、時系列データに対してPCAを使用し、PCAの重みを使用して脳のマップを作成します。 データは（と呼ばれる行列として記憶試験平均撮像データであるYを有する紙で）n個のボクセル（または脳の撮像位置）× Tの時点（脳への単一刺激の長さ）。Y^Y^\hat {\mathbf Y}nnn×t^×t^\times \hat t 彼らは、その結果SVD使用Y = U S V ⊤（V ⊤行列の転置を表すVを）。Y^=USV⊤Y^=USV⊤\hat {\mathbf Y} = \mathbf{USV}^\topV⊤V⊤\mathbf V^\topVV\mathbf V 著者は、 主成分（の列）長さのベクトルであり、T、及びスコア（の列Uは）長さのベクトルであるN個の対応するコンポーネントによって与えられた方向に各ボクセルの投影を説明する、（ボクセル数） 、ボリューム上に投影、つまり全脳マップを形成します。VV\mathbf Vt^t^\hat tUU\mathbf Unnn だから、PCは、長さのベクトルですトン。PCAのチュートリアルで一般的に表現されているように、「最初の主成分がほとんどの分散を説明する」と解釈するにはどうすればよいですか？多くの高度に相関した時系列のマトリックスから始めました-単一のPC時系列は元のマトリックスの分散をどのように説明しますか？私は「最も多様な軸への点のガウス雲の回転」のこと全体を理解していますが、これが時系列にどのように関係するかはわかりません。著者は、「スコア（Uの列）は長さnのベクトルである」と述べるとき、方向によって何を意味しますかt^t^\hat tUU\mathbf Unnn （ボクセルの数）、対応するコンポーネントによって与えられる方向への各ボクセルの投影を記述します」？主成分の時間経過はどのように方向を持つことができますか？ 主成分1と2の線形結合と関連する脳マップから得られる時系列の例を見るには、次のリンクに移動し、XYプロットのドットにマウスを合わせます。 2番目の質問は、主成分スコアを使用して作成する（状態空間）軌跡に関連しています。 これらは、（私は上に概説した「微細運動」の例の場合）を最初の2項目を取ることによって作成され、式により主要部分空間への（上記試験平均行列を作成するために使用される）は、個々の試験を投影している：J = U⊤Y。J=U⊤Y.\mathbf J = \mathbf U^\top \mathbf Y. リンクされた映画でわかるように、状態空間の各トレースは、脳全体の活動を表しています。 最初の2台のPCのスコアのXYプロットを関連付ける図と比較して、状態空間ムービーの各「フレーム」が何を意味するかについて、誰かが直感を提供できますか。実験の1回の試行がXY状態空間の1つの位置にあり、別の試行が別の位置にある特定の「フレーム」で何を意味しますか？映画のXYプロットの位置は、私の質問の最初の部分で述べたリンクされた図の主成分トレースとどのように関係しますか？

19 time-series  pca  state-space-models  neuroimaging  neuroscience 

私はMRIデータのMatlab分析を行っています。ここで、10304x236のサイズのマトリックスでPCAを実行しました。ここで、10304はボクセルの数（ピクセルと考える）、236はタイムポイントの数です。PCAは、236の固有値とそれらに関連する係数をくれます。これで結構です。ただし、保持するコンポーネントの数を決定するときになると、私が複製している紙は次のように述べています（これは紙全体のほんの一部にすぎないため、説明が必要な場合はお知らせください）： 次に、モンテカルロシミュレーションを実行して、各スキャンの迷惑ROIデータから抽出する主成分（PC）の数を決定しました。予測固有値のnull分布は、エンコードと残りの迷惑ROIデータと等しいランクの正規分布データに対してPCAを実行することにより、各被験者のエンコードと残りのデータに対して個別に生成されました。関連付けられた固有値がモンテカルロシミュレーションの固有値の99番目の信頼区間を超えた場合、真の迷惑ROIデータからのPCが、指定されたレストスキャンまたはエンコーディングスキャン用に選択されました。 Tambini＆Davachi、PNAS 2013、海馬のマルチボクセルパターンのエンコード後の残りへの持続性は記憶に関連しています。 ここで何をすればいいのか全く分かりません。説明された累積分散に基づいてコンポーネントを選択することに慣れています。私の考えはこれですが： 次に、モンテカルロシミュレーションを実行して、各スキャンの迷惑ROIデータから抽出する主成分（PC）の数を決定しました。 モンテカルロシムズは、次の1000回（またはそのような）回を行うことを意味するだけですよね？ 期待される固有値のヌル分布は、エンコーディングおよびレストニュイサンスROIデータと等しいランクの正規分布データに対してPCAを実行することによって生成されました。 まず、「等しいランク」は基本的に元のサイズと同じサイズ（10304x236）のマトリックスを作成することを意味すると想定しています。「等ランクの正規分布データ」に関して...これは、正規分布から乱数の10304x236行列を作成する必要があることを意味しますか？Matlabにはこれを行う 'normrnd'と呼ばれる関数がありますが、muおよびsigma入力が必要です。最初のデータセットから導出されたものと同じミューとシグマを使用しますか？EXPECTED固有値の分布がどのようになるかわからないので、これは多かれ少なかれ「期待される固有値」が意味するものです。 私の問題は多かれ少なかれ、固有値の「ヌル分布」を作成する方法がわからないことだと思います。

10 pca  eigenvalues  neuroimaging 

結果として得られる隣接行列のクラスターを解釈するのに苦労しました。時系列（ニューラルデータ）の部分相関（zスコア）を含む、サブジェクトを表す比較的大きな200の行列があります。目標は、これらの210のマトリックスをクラスター化し、未発見の潜在的なコミュニティを検出することです。そのため、200x200の隣接行列を生成する別の部分相関計算を行いました。コミュニティ検出アルゴリズム（例：Newmann's）を実行すると、ほとんど解釈できないコミュニティが発生します。 問題は、これらのコミュニティまたはクラスターがまったく重要であるかどうかを判断する、どのような統計的検定ですか？もしそうなら、解釈を解く体系的な方法はありますか？

8 clustering  neuroimaging