سایپرز، باشگاه دانش - ارائه دهنده مقالات ژورنالهای خارجی

اطلاعات و مشخصات مقاله

explorer iconلينك‌ها

[ بازگشت | جستجو | فهرست کلمات کلیدی | فهرست موضوعات | فهرست نویسندگان | فهرست ناشران | فهرست ژورنالها ]

info iconاطلاعات مقاله

[ 40 بار مشاهده چكيده]

عنوان مقاله:بازنگری اثرات تصادفی چند موضوع در FMRI: حمایت از برآورد شیوع
ناشر: [ Elsevier BV ]
ژورنال
دوره (شماره): (0)
سال انتشار:1 January 2014
شماره صفحات: 113121113-121
نشانگر دیجیتالی شیء:[ 10.1016/j.neuroimage.2013.08.025 ]
شما اینجا هستید:
  1. Scipers, the Knowledge ClubScipers »
  2. Elsevier BV »
  3. NeuroImage »
  4. Revisiting multi-subject random effects in fMRI: Advocating prevalence estimation

دسترسی بین المللی

اگر شما در داخل کشور (ایران) هستید و این صفحه را مشاهده می کنید، نشان می دهد که IP شما به هر دلیلی در لیست IP های ایران ثبت نشده است. برای رفع این مشکل کافی است IP خود را که در پایین این پیام درج شده از طریق آدرس ایمیل support@scipers.com به ما اطلاع دهید. پس از دریافت درخواست، کارشناسان فنی موضوع را بررسی می نمایند و در صورتی که محل اتصال شما از کشور ایران بوده باشد، به لیست استفاده کنندگان مجاز افزوده می شوید.
IP: 34.224.102.60

اطلاعات استنادی

اطلاعات استنادی این مقاله را به نرم افزارهای مدیریت اطلاعات علمی و استنادی ارسال نمایید و در تحقیقات خود از آن استفاده نمایید.

 

به اشتراک گذاری

این صفحه را با استفاده از انواع شبکه های اجتماعی با دوستان خود به اشتراک بگذارید.

report iconنمايش خلاصه مقاله

Revisiting Multi-subject Random Effects In FMRI: Advocating Prevalence Estimation


مقاله: بازنگری اثرات تصادفی چند موضوع در fMRI: حمایت از برآورد شیوع

نويسند‌گان:


خلاصه مقاله:


Random effect analysis has been introduced into fMRI research in order to generalize findings from the study group to the whole population. Generalizing findings is obviously harder than detecting activation within the study group since in order to be significant, an activation has to be larger than the inter-subject variability. Indeed, detected regions are smaller when using random effect analysis versus fixed effects. The statistical assumptions behind the classic random effect model are that the effect in each location is normally distributed over subjects, and “activation” refers to a non-null mean effect. We argue that this model is unrealistic compared to the true population variability, where due to function–anatomy inconsistencies and registration anomalies, some of the subjects are active and some are not at each brain location.We propose a Gaussian-mixture-random-effect that amortizes between-subject spatial disagreement and quantifies it using the prevalence of activation at each location. We present a formal definition and an estimation procedure of this prevalence. The end result of the proposed analysis is a map of the prevalence at locations with significant activation, highlighting activation regions that are common over many brains.Prevalence estimation has several desirable properties: (a) It is more informative than the typical active/inactive paradigm. (b) In contrast to the usual display of p-values in activated regions – which trivially converge to 0 for large sample sizes – prevalence estimates converge to the true prevalence.


تجزیه و تحلیل اثر تصادفی شده است به تحقیق از fMRI به منظور تعمیم یافته از گروه مطالعه به کل جمعیت معرفی شده است. تعمیم یافته واضح است که سخت تر از تشخیص فعال در گروه مطالعه از سال به منظور قابل توجه باشد، فعال سازی باید بزرگتر از تنوع درون موضوع. در واقع، مناطق شناسایی شده که با استفاده از تجزیه و تحلیل اثر تصادفی در مقابل اثرات ثابت کوچکتر. فرضیات آماری در پشت مدل تصادفی کلاسیک است که اثر در هر محل به طور معمول بیش از افراد توزیع شده، و "فعال" اشاره به متوسط ​​اثر غیر تهی. ما استدلال می کنند که این مدل غیر واقعی است نسبت به تنوع جمعیت درست است، که در آن به دلیل عملکرد-آناتومی تناقضات و ناهنجاریهای ثبت نام، برخی از افراد فعال هستند و برخی از آنها در هر مغز نمی location.We پیشنهاد گاوسی مخلوط تصادفی اثر که amortizes بین موضوع اختلاف نظر مکانی و quantifies آن با استفاده از شیوع فعال در هر مکان. ما در حال حاضر یک تعریف رسمی و روش برآورد این شیوع. نتیجه نهایی تحلیل پیشنهاد یک نقشه از شیوع در مکان های با فعال قابل توجه است، برجسته مناطق فعال سازی که مشترک بیش از بسیاری از برآورد brains.Prevalence خواص متعددی است مطلوب عبارتند از: (الف) این آموزنده تر از معمول فعال / غیر فعال است پارادایم . (ب) در مقایسه با صفحه نمایش معمول مقدار p در مناطق فعال - که بدیهی 0 همگرا برای نمونه های بزرگ، - برآورد شیوع همگرا به شیوع درست است.


كلمات كليدي:

fMRI, Gaussian mixture, Group studies, Localization, Random effects, Statistical inference
از fMRI, مخلوط گوسی, گروه مطالعات, محلی سازی, اثرات تصادفی, استنباط آماری


موضوعات:

Cognitive Neuroscience, Neurology



[ ]

 

فهرست مراجع و منابع




 

برگشت به بالا
رونمایی از اولین و تنها ربات تلگرامی جستجوی مقالات ژورنالی
×