A hybrid SVM-GLM approach for fMRI data analysis.
A hybrid SVM-GLM approach for fMRI data analysis.
复制标题
DOI：
10.1016/j.neuroimage.2009.03.016
复制
发表时间：
2009-07-01
期刊：
影响因子：
5.7
通讯作者：
Wang Z
中科院分区：
文献类型：
--
作者：
Wang Z
以传统的一般线性模型（GLM）为代表的假设驱动的fMRI数据分析方法具有严格定义的用于评估区域特异性激活的统计框架，但需要预先建立难以准确的脑响应模型。相反，探索性的方法，如支持向量机，是独立的先验血流动力学反应函数（HRF），但通常缺乏一个统计推断框架。为了综合两种方法的优点，本文提出了一种将传统的GLM和SVM相结合的复合方法。这种混合SVM-GLM概念是利用SVM的能力来获得数据导出的参考函数，并将其输入到传统的GLM中进行统计推断。提出了一种从SVM分类器中提取时间轮廓作为SVM-GLM中的数据源回归量的策略。在模拟与合成的fMRI数据，SVM-GLM表现出更好的灵敏度和特异性性能检测的合成激活，相比，传统的GLM。利用真实的fMRI数据，SVM-GLM在检测感觉运动激活方面比常规GLM表现出更好的敏感性。
The hypothesis-driven fMRI data analysis methods, represented by the conventional general linear model (GLM), have a strictly defined statistical framework for assessing regionally specific activations but require prior brain response modeling which is hard to be accurate. On the contrary, exploratory methods, like the support vector machine, are independent of prior hemodynamic response function (HRF), but generally lack a statistical inference framework. To take the advantages of both kinds of methods, this paper presents a composite approach through combining conventional GLM with SVM. This hybrid SVM-GLM concept is to use the power of SVM to obtain a data-derived reference function and enter it into the conventional GLM for statistical inference. A strategy is also presented to extract the temporal profile from the SVM classifier to be used as the data-derived regressor in SVM-GLM. In simulations with synthetic fMRI data, SVM-GLM demonstrated a better sensitivity and specificity performance for detecting the synthetic activations, as compared to the conventional GLM. With real fMRI data, SVM-GLM showed better sensitivity than regular GLM for detecting the sensorimotor activations.
登录
查看更多内容
影响因子：
3.3
作者：
BANDETTINI, PA;JESMANOWICZ, A;HYDE, JS
通讯作者：
HYDE, JS
影响因子：
5.7
作者：
FRISTON, KJ;HOLMES, AP;TURNER, R
通讯作者：
TURNER, R
影响因子：
4.9
作者：
METZ, CE
通讯作者：
METZ, CE
影响因子：
5.7
作者：
LaConte, S;Strother, S;Hu, XP
通讯作者：
Hu, XP
影响因子：
5.7
作者：
Mourao-Miranda, Janaina;Reynaud, Emanuelle;Brammer, Michael
通讯作者：
Brammer, Michael