مدل خطی عمومی ناهم واریانس و کاربرد آن در دادههای تصویربرداری عصبی

این مطالعه یک مدل خطی عمومی.wise.voxel) با نویز (noise) اتو رگرسیو و نویزهای جدید ناهم واریانس (GMH) برای تحلیل داده های کاربردی تصویربرداری تشدید مغناطیسی(FMRI) پیشنهاد میکنیم این مدل از یک دیدگاه بیزی تحلیل میشود و از نقاط زمانی به طور خودکار پایین وزن نزدیک به اسپایک ۳۹۶ متحرک در یک روش داده محور استفاده می شود این فرآیند میتواند شامل طیف وسیعی از متغیرهای توضیحی در هر دو میانگین و واریانس باشد به عنوان مثال روندهای ،زمانی محرکهای فعال سازی پارامترهای حرکت سر و مشتقات زمانی آنها بنابراین الگوریتم بسیار کارآمد زنجیره مارکوف مونت کارلو (MCMC) که امکان انتخاب متغیر بیزی در میان رگرسورها را فراهم میکند توسعه میدهیم تا هر دو میانگین یعنی) ماتریس طراحی و واریانس را مدل کند. انتخاب متغیر هم چنین برای وقفه ها در فرآیند نویز اتورگرسیو نیز اعمال میشود که امکان استنتاج کردن ترتیب تاخیر از داده ها همزمان با سایر پارامترهای مدل را میسر میسازد.ما از داده های شبیه سازی شده برای نشان دادن اهمیت مدل سازی ناهم واریانس مناسب در تحلیل دادههای fMRI استفاده میکنیم نتایج ما نشان میدهد که GLMH فعالیت مغزی بیشتری را در مقایسه با همتای هم واریانس ،خود با اجازه دادن به واریانس برای تغییر در طول زمان وابسته به درجه حرکت سره تشخیص میدهد .