Bayesian sense of time in biological and artificial brains
Wellcome Centre for Human Neuroimaging, University College London(伦敦大学学院威康人类神经影像中心);Department of Computing, Imperial College London(帝国理工学院计算系)
关于生物大脑的潜在机制和涌现特性的研究有着悠久的理论假设和实验发现的历史。今天,科学界倾向于对大脑认知基础的单一解释--即它是一台贝叶斯推断机器。这一当代观点自然成为最近围绕计算和认知神经科学发展的强大驱动力。特别令人感兴趣的是大脑处理时间流逝的能力-我们经验的基本维度之一。我们如何用贝叶斯大脑假说解释人类时间感知的经验数据?我们能用贝叶斯模型复制人类的估计偏差吗?基于主体的机器学习模型能为这一课题的研究提供什么样的启示?在这一章中,我们回顾了时间感知领域的一些最新进展,并讨论了贝叶斯处理在构建时间模型中的作用。
2022-01-14 cs.AI q-bio.NC stat.ML
Bayesian subtyping for multi-state brain functional connectome with application on adolescent brain cognition
越来越多的证据表明,认知特征的异质性可能是通过大脑功能的可检测变化而产生的。特别是,在静息和认知状态下测量的脑功能连接,表征了大规模脑网络中独特的神经元互连。尽管前所未有的机会,发现神经生物学亚型通过聚类或亚型分析多状态功能连接,现有的方法很少适用于这里,以适应网络拓扑结构和独特的生物结构的功能连接。为了解决这个问题,我们提出了一个创新的贝叶斯非参数网络变量聚类分析,揭示子组同质的大脑功能网络模式整合不同的认知状态。根据现有的神经科学文献,我们假设在功能连接中存在未知的状态特定的模块化结构,并同时进行选择以识别用于在无监督学习中定义亚型的信息网络特征。为了进一步方便实际应用,我们开发了一个计算效率高的变分推断算法进行后验推理与满意的估计精度。大量的仿真实验表明,该方法具有较高的聚类精度和合理的聚类结果。将该方法应用于具有里程碑意义的青少年脑认知发展(ABCD)研究,我们成功地建立了与冲动相关行为特征相关的神经发育亚型,并确定了每个状态下的大脑子网络表型,以信号神经生物学异质性。
2023-02-20 stat.AP stat.ME
Constrained Bayesian ICA for Brain Connectome Inference
脑连接组学是神经科学中的一个新兴领域,它致力于通过分析大脑区域之间的相互作用来理解认知过程和精神疾病。然而,在高维,低样本,和嘈杂的制度,典型的功能磁共振成像数据的特点,恢复这样的相互作用仍然是一个持续的挑战:我们如何才能发现模式的大脑区域之间的共同活动,然后可能与认知过程或精神疾病?在本文中,我们研究了一种约束贝叶斯ICA方法,与现有方法相比,该方法同时允许(a)多个信息源(fMRI,DWI,解剖学等)的灵活整合,(b)自动和无参数的选择适当的稀疏水平和连接的子模块的数量和(c)恢复的相互作用的不确定性的估计提供。我们的实验,无论是在合成和现实生活中的数据,验证了我们的方法的灵活性,并强调整合解剖信息的连接体推理的好处。
2019-11-13 q-bio.NC stat.AP
Bayesian estimation for large scale multivariate Ornstein-Uhlenbeck model of brain connectivity
Center for Brain and Cognition(脑与认知中心);University Pompeu Fabra(庞培法布拉大学);Columbia University(哥伦比亚大学)
可靠的全脑连接的估计是一个关键的一步,使用定量的方法来研究神经精神疾病的连接信息。当估计大脑连接性时,时间样本的缺乏和测量的大维度带来了挑战。贝叶斯网络模型的估计方法在这方面提供了许多优势,但并不常用。在这里,我们比较了三种不同的估计方法的多变量Ornstein-Uhlenbeck模型,最近获得了一些流行的特征全脑连接。我们首先表明,贝叶斯估计的模型参数假设一致的先验是等效的矩量法的应用。然后,使用合成数据,我们表明,贝叶斯估计规模与网络中的节点数相比,迭代李雅普诺夫优化。特别是当网络大小是用于全脑研究的顺序(约100个节点)时,贝叶斯方法需要比李雅普诺夫方法多约8倍的时间样本,以达到相似的估计精度。我们还表明,更高的估计精度的李雅普诺夫方法是反映在一个更好的分类的基础上估计连接从一个真正的数据集BOLD功能磁共振成像的个人。最后,我们表明,贝叶斯方法的精度差是由于数值误差,当虚部的连接估计得到大相比,其实部。
2018-05-25 cs.LG stat.ML
Integrative Bayesian Analysis of Brain Functional Networks Incorporating Anatomical Knowledge
最近,人们对融合多模态成像以更好地了解大脑组织的兴趣越来越大。具体而言,考虑到连接大脑区域的解剖学通路的知识,应该会导致理想的结果,例如功能性大脑网络估计的准确性提高,以及跨扫描会话的拓扑特征的再现性提高。尽管有明显的优点,主要的挑战仍然存在于综合分析,包括不完全理解的结构-功能关系和不准确的映射解剖结构,由于现有的成像技术的缺陷。显然,需要先进的网络建模工具,以适当地将解剖结构纳入构建大脑功能网络。我们提出了一种分层贝叶斯高斯图形建模方法,通过稀疏精度矩阵来估计功能网络,其边缘特定收缩的程度由解剖结构和独立的基线组件来通知。该方法灵活地识别功能连接的结构连接性知识的支持。这使得即使在存在错误指定的解剖知识的情况下也能够进行稳健的脑网络估计,同时适应结构-功能关系中的异质性。我们通过一个有效的优化算法实现的方法,产生最大后验估计。广泛的数值研究表明,我们的方法在准确估计大脑功能连接方面优于竞争方法,即使在解剖知识被错误指定的情况下。费城神经发育队列(PNC)研究的方法的应用程序揭示了基于性别的连接性差异在多个年龄组,和更高的再现性相比,替代方法的网络指标的估计。
2018-02-21 stat.AP
Analyzing Brain Circuits in Population Neuroscience: A Case to Be a Bayesian
功能连接指纹是当今获得个人大脑和健康和疾病认知的忠实样本的最佳选择之一。在这里,我们提出了一个案例,使用贝叶斯分析策略分析这样的连接体配置文件的关键优势。他们(i)提供研究的神经认知现象的全概率估计(ii)提供分析机制,以连贯的方式分离方法的不确定性和生物变异性(iii)引导走向途径,超越经典的零假设显著性检验和(iv)使所有模型参数的可信度估计发挥作用,从而使预测与不确定性区间为单一主题。我们挑选了关于自闭症谱系障碍的研究问题作为一个反复出现的主题来说明我们的方法论论点。
2019-09-05 stat.AP stat.ME
Bayesian Inference and Testing of Group Differences in Brain Networks
网络数据越来越多地与其他感兴趣的变量一起收集。我们的动机来自神经生理学研究,测量了一个样本个体的大脑连接网络,以及他们在低或高创造性推理群体中的成员资格。发展统计学方法来检验不同群体大脑区域之间结构性相互联系的整体和局部变化是至关重要的。我们开发了一个通用的贝叶斯推理和测试的网络结构,这依赖于一个非参数表示与网络值的随机变量的条件概率质量函数的组差异的过程。通过利用低秩分解的混合,我们允许简单的全局和局部假设检验调整多重性。一个有效的吉布斯采样器被定义为后验计算。我们提供的模型的灵活性的理论结果,并评估在模拟测试性能。该方法的应用提供了新的见解人类大脑网络和创造力之间的关系。
2016-08-17 stat.AP stat.ME
Bayesian Joint Modeling of Multiple Brain Functional Networks
大脑功能是以协调的时空活动模式(功能网络)组织的,在不同的实验条件下表现出内在的基线结构。用于发现这种网络结构的现有方法通常不显式地对跨网络的共享和差分模式进行建模,从而潜在地降低了检测能力。我们开发了一种综合建模方法,用于在实验条件下联合建模多个大脑网络。所提出的贝叶斯联合网络学习方法开发了灵活的先验边缘概率,涉及一个共同的内在基线结构和特定于个别网络的差异效应。在这些边缘概率的条件下,连接强度在逆协方差阵的非对角元素上的贝叶斯尖峰和板先验下建模。该模型在基于马尔可夫链蒙特卡罗的后验计算方案下进行拟合。数值模拟表明,所提出的联合建模方法具有更高的功率,以检测真正的差分边缘,同时提供足够的控制误报,并实现更高的精度,在估计的边缘强度相比,现有的方法。该方法的应用程序的功能磁共振成像Stroop任务数据提供了独特的见解认知条件之间的大脑网络的变化,现有的图形建模技术未能揭示。
2019-02-12 stat.AP stat.ME
A unifying Bayesian approach for preterm brain-age prediction that models EEG sleep transitions over age
University of Oxford(牛津大学)
早产新生儿经历各种压力,可能在学龄时表现为学习问题。脑电图(EEG)的睡眠分期,然后从这些睡眠状态预测他们的大脑年龄,可以量化早期正常大脑发育的偏差(与已知年龄相比)。目前这种方法的自动化依赖于明确的睡眠状态分类,使用临床医生视觉标记的睡眠阶段优化算法,这仍然是主观的黄金标准。这样的模型不能在很大的年龄范围内保持一致,并影响随后的大脑年龄估计,这可能会阻止识别更微妙的发育偏差。我们引入了一个贝叶斯网络,利用多个高斯混合模型,作为一种新颖的,统一的方法,直接估计脑年龄,同时建模的年龄和睡眠依赖于EEG,以提高预测的准确性在更广泛的年龄范围。
2018-09-19 cs.LG q-bio.QM stat.ML
Improved fMRI-based Pain Prediction using Bayesian Group-wise Functional Registration
近年来,神经影像学经历了一个范式转变,从传统的大脑映射方法转向开发集成的,多变量的大脑模型,可以预测精神事件的类别。然而,在标准解剖对齐后,大脑解剖结构和功能定位的个体间差异仍然是进行这种分析的主要限制,因为它导致后续预测模型中受试者之间的特征不对齐。
2022-09-15 stat.AP stat.ME
The principles of adaptation in organisms and machines II: Thermodynamics of the Bayesian brain
本文从贝叶斯推断的角度回顾了生物体如何通过神经网络的动力学来学习和认识世界,并介绍了一种关于神经活动熵定律如何描述这种动力学的观点,我们称之为贝叶斯大脑热力学。贝叶斯脑假说将神经元的刺激诱发活动视为基于生物体所拥有的外部世界的生成模型构建贝叶斯后验分布的行为。仔细观察早期感觉皮层的刺激诱发活动,发现前馈连接最初介导刺激反应,随后由来自循环连接的输入调制。重要的是,不是最初的反应,但延迟调制表达动物的认知状态,如对刺激的意识和注意力。使用一个简单的生成模型的尖峰神经元群体,我们再现刺激诱发的动态与延迟反馈调制的贝叶斯推断的过程,集成的刺激证据和先验知识与时间延迟。然后,我们介绍了一个热力学的观点,这个过程的基础上的法律熵的神经活动。这种观点阐明了贝叶斯推断的过程作为最近提出的信息理论引擎(神经引擎,热力学中热机的模拟),它允许我们量化延迟调制中表达的感知能力的熵。
2020-06-23 q-bio.NC stat.ML
Leveraging population information in brain connectivity via Bayesian ICA with a novel informative prior for correlation matrices
本研究提出一种带群体先验和新型相关矩阵信息先验的贝叶斯ICA方法,通过模拟和Human Connectome Project数据验证,其能更准确估计脑功能连接,适用于单受试者分析,具临床潜力。
2025-06-17 stat.AP
Bayesian Brain Edge-Based Connectivity (BBeC): a Bayesian model for brain edge-based connectivity inference
Institute of Mathematical Sciences, ShanghaiTech University(上海科技大学数学科学学院)
本研究提出了一种基于有限维狄利克雷分布的贝叶斯模型,用于推断脑网络拓扑和高维协方差结构,提高了算法稳定性与参数估计准确性。
2026-09-22 stat.ME
Efficient Fully Bayesian Approach to Brain Activity Mapping with Complex-Valued fMRI Data
本文针对复值fMRI数据提出全贝叶斯脑活动映射模型,结合图像分区与并行采样算法提升计算效率,并通过模拟和真实手指敲击实验验证其性能可与最先进方法竞争。
2023-10-27 stat.AP stat.ME
Bayesian Topological Learning for Brain State Classification
University of Tennessee(田纳西大学);US Army Research Laboratory(美国陆军研究实验室)
通过脑电信号研究人脑状态是人机通信的关键步骤。然而,由于脑电信号的噪声、非线性和非平稳性,其分类和分析具有挑战性。目前用于分析这些信号的方法往往不足,因为它们有几个规律性假设。这项工作提供了一个有效的,灵活的和抗噪声的方案来分析EEG提取相关的信息,同时遵守3N(噪声,非线性和非平稳)的数据的性质。我们实现了一个拓扑工具,即持久的同源性,跟踪拓扑特征随时间间隔的演变,并结合个人的期望作为先验知识,通过贝叶斯框架计算后验分布。依靠这些后验分布,我们应用贝叶斯因子分类噪声EEG测量。这种贝叶斯分类方案的性能,然后与其他现有的方法进行比较EEG信号。
2019-12-18 cs.LG stat.ME stat.ML
Bayesian Topological Analysis of Functional Brain Networks
Duke University(杜克大学);Duke University School of Medicine(杜克大学医学院)
针对传统统计方法难以检测脑网络拓扑细微改变的问题,提出一种基于马尔可夫链蒙特卡洛抽样的贝叶斯推断框架,通过概率建模和分级证据评估提升了检测敏感性,并在阿尔茨海默病fMRI数据中发现了常规置换检验未揭示的网络差异。
2025-11-05 stat.ME
Bayesian Regularization for Functional Graphical Models with Applications to Neuroimaging
图模型用于表达在不同节点上观察到的随机变量之间的条件依赖关系,广泛应用于遗传学、神经科学和社会网络分析等许多领域。虽然目前大多数用于估计图形模型的统计方法都集中在标量数据上,但当在每个节点处观察到的数据是功能性的(例如信号或图像)时,人们对估计类似的依赖结构感兴趣。在本文中,我们提出了一个完全贝叶斯正则化计划估计功能图模型。我们首先考虑乔等人提出的函数图形套索的直接贝叶斯模拟。(2019)。然后,我们提出了一个正则化策略,通过图形马蹄铁。我们通过模拟研究比较这些方法,并将我们提出的功能图形马蹄铁应用于两个激励应用程序,用于比较酒精组和对照组之间的脑激活的脑电图数据,以及在创伤性脑损伤(TBI)存在下结构连接的变化。我们的研究结果让我们深入了解了大脑在受伤后如何试图补偿断开的网络。
2022-10-21 stat.AP stat.ME stat.ML
Bayesian brain mapping: a population-informed framework for personalized functional network topography and connectivity
Indiana University(印第安纳大学);Northwestern University(西北大学);Kennedy Krieger Institute(肯尼迪克里格研究所)
贝叶斯脑图谱通过利用人群信息,提供个体化功能拓扑和连接性分析,提升fMRI中个体脑网络估计的准确性与效率。
2026-09-01 stat.AP
A Bayesian Integrative Mixed Modeling Framework for Analysis of the Adolescent Brain and Cognitive Development Study
扩展贝叶斯整合分析与预测(BIP)框架提出BIPmixed,通过结合2级嵌套随机效应实现特征选择与结果建模,有效整合多视图数据并应用于ABCD研究。
2025-01-29 stat.AP stat.ME
High-dimensional single-index Bayesian modeling of brain atrophy
我们提出了一个脑萎缩模型,作为高维遗传信息和低维协变量,如性别,年龄,APOE基因和疾病状态的函数。提出了一种高维非参数单指标贝叶斯模型,用于描述未知函数的B样条级数先验和随机效应分布的中心正态Dirichlet过程尺度混合先验之间的关系.随着样本量的增加,在固定数量的区域和时间点建立无随机效应的后验收缩率。我们通过哈密顿蒙特卡罗(HMC)算法实现了一个有效的计算算法。所提出的贝叶斯方法的性能进行了比较与相应的最小二乘估计在线性模型与马蹄先验,LASSO和SCAD惩罚的高维协变量。将所提出的贝叶斯方法应用于748个个体的多次访问记录的脑区域体积数据集,每个个体使用620,901个SNP和6个其他协变量,以识别与脑萎缩相关的因素。
2019-02-11 stat.ME
A Bayesian Particle Filtering Method For Brain Source Localisation
在本文中,我们探讨了多源定位问题,在大脑皮层使用脑磁图(MEG)数据。我们模拟神经电流的逐点偶极源,随时间的推移动态演变,然后模型偶极动力学使用概率状态空间模型,其中偶极位置严格限制在皮层内。基于所提出的模型,我们开发了一个贝叶斯粒子滤波算法定位的偶极子的已知和未知的数量。该算法包括一个感兴趣的区域(ROI)估计步骤的初始偶极子数量估计,一个吉布斯多粒子滤波器(GMPF)步骤的个别偶极子状态估计,和一个选择标准的步骤,用于选择最终的估计。ROI估计的估计结果用于自适应地调整粒子滤波器的样本量以降低整体计算成本。所提出的模型和算法在数值实验中进行了测试。与现有的粒子滤波方法的结果进行了比较。数值结果表明,所提出的方法可以实现改进的性能指标的偶极子数量估计和偶极子定位。
2015-06-17 stat.AP
A Fully Bayesian Approach for Comprehensive Mapping of Magnitude and Phase Brain Activation in Complex-Valued fMRI Data
本文提出全贝叶斯CV-M&P模型,同时利用复值fMRI的幅度与相位信息,结合高斯马尔可夫随机场和并行计算,实现脑激活区域的准确识别与区分。
2024-01-12 stat.AP stat.ME
Fast Bayesian whole-brain fMRI analysis with spatial 3D priors
任务相关功能磁共振成像(fMRI)的空间全脑贝叶斯建模是一个巨大的计算挑战。因此,目前提出的大多数方法分别在大脑的子区域中进行推断,或者在不与真实的后验分布进行比较的情况下进行近似推断。Penny等人(2005 b)介绍了一种流行的方法,现在是SPM软件中贝叶斯单受试者分析的标准方法。该方法处理的数据切片的切片,并使用近似变分贝叶斯(VB)估计算法,强制后验独立的活动系数在不同的体素之间。我们引入了一个快速和实用的马尔可夫链蒙特卡罗(MCMC)计划在同一模型中的精确推理,无论是切片和整个大脑使用的3D活动系数的先验。该算法利用稀疏性,并使用现代技术从高维高斯分布中进行有效采样,从而加快速度,否则MCMC将不是一个实用的选择。使用MCMC,我们是第一次能够评估近似VB后对确切的MCMC后,并表明,VB可以导致虚假激活。此外,我们开发了一种改进的VB方法,放弃了独立体素的假设后验。对于大型数据集,该算法比MCMC和原始VB快得多,与MCMC后验相比误差可以忽略不计。
2016-09-29 stat.AP stat.CO stat.ME
Bayesian Mixed Effect Sparse Tensor Response Regression Model with Joint Estimation of Activation and Connectivity
在基于任务的功能性磁共振成像(fMRI)实验中对多个受试者的大脑激活和连接性分析目前处于数据驱动神经科学的最前沿。在这样的实验中,兴趣通常在于理解由于外部刺激引起的脑体素的激活以及对一组预先指定的脑体素组(也称为感兴趣区域(ROI))的测量之间的强关联或连接。本文提出了一个联合贝叶斯添加剂混合建模框架,同时评估大脑激活和连接模式,从多个主题。特别是,fMRI测量从每个人获得的多维阵列/张量的形式在每个时间回归的功能的刺激。我们施加一个低秩PARAFAC分解的张量回归系数对应的刺激,以实现简约。采用多路棒断裂收缩先验来推断每个体素中的激活模式和相关联的不确定性。此外,该模型引入了区域特定的随机效应,其在考虑ROI对之间的连接性之前与贝叶斯高斯图形联合建模。各种模拟研究下的实证调查表明,该方法作为一种工具,同时评估大脑激活和连接的有效性。然后,将该方法应用于来自气球模拟冒险实验的多受试者fMRI数据集,以推断大脑如何处理风险。
2019-03-30 stat.AP stat.ME
BayesDLMfMRI: Bayesian Matrix-Variate Dynamic Linear Models for Task-based fRMI Modeling in R
本文介绍了一个R软件包,用于对基于任务的fMRI数据在个体和群体水平上进行统计分析。在个体水平上检测大脑激活的分析是基于使用矩阵变量动态线性模型(MDLM)对fMRI信号进行建模。因此,组阶段的分析基于从个体水平的建模获得的状态参数的后验分布。通过这种方式,该软件包提供了几个具有不同算法的R函数来对状态参数进行推断,以评估个人和群体阶段的大脑激活。这些功能允许在对整个大脑进行分析时进行并行计算,以及在需要时对特定体素进行分析。
2021-11-02 stat.AP
Bayesian Varying-Effects Vector Autoregressive Models for Inference of Brain Connectivity Networks and Covariate Effects in Pediatric Traumatic Brain Injury
提出贝叶斯变效应向量自回归模型,利用高斯过程混合先验和变分推断,同时估计组特异性脑网络并识别年龄、性别等协变量效应。
2024-05-01 stat.ME
Bayesian mixed model inference for genetic association under related samples with brain network phenotype
本文提出贝叶斯网络响应混合效应模型,处理相关样本下脑网络表型的遗传关联,通过效应子网络建模和MCMC推断,在模拟和人类连接组计划数据中验证了有效性。
2023-05-16 stat.AP stat.ME
Knowing what you know in brain segmentation using Bayesian deep neural networks
National Institute of Mental Health(国家精神卫生研究所);McGovern Institute for Brain Research, Massachusetts Institute of Technology(麻省理工学院麦戈文脑研究所)
在本文中,我们描述了一种贝叶斯深度神经网络(DNN),用于在几分钟而不是几小时内预测结构MRI体积的FreeSurfer分割。该网络在一个大型数据集(n = 11,480)上进行了训练和评估,该数据集是通过组合来自100多个不同站点的数据获得的,并且还在另一个完全保留的数据集(n = 418)上进行了评估。该网络使用一种新的尖峰和板辍学为基础的变分推理方法进行训练。我们表明,在这些数据集上,所提出的贝叶斯DNN在分割预测和FreeSurfer标签之间的相似性以及这些预测的估计不确定性的有用性方面优于以前提出的方法。特别是,我们证明了该网络在每个体素上的预测不确定性是网络是否出错的一个很好的指标,并且整个大脑的不确定性可以预测扫描的手动质量控制评级。所提出的贝叶斯DNN方法应该适用于任何新的网络架构,以解决分割问题。
2019-09-18 cs.CV cs.LG stat.ML
Bayesian Functional Registration of fMRI Activation Maps
功能性磁共振成像(fMRI)为我们理解人类行为提供了宝贵的见解。然而,在进行组分析和进行群体水平的推断时,解剖对齐后大脑解剖结构和功能定位的个体间差异仍然是一个主要的限制。本文通过开发和验证一种新的计算技术来解决这个问题,该技术通过将每个受试者的功能数据空间转换到一个共同的参考图来减少功能脑系统中个体之间的不对准。我们提出的贝叶斯功能配准方法使我们能够评估不同受试者的大脑功能差异和激活拓扑的个体差异。它将基于强度和基于特征的信息结合到一个集成的框架中,并允许通过后验样本对变换进行推理。我们在模拟研究中评估该方法,并将其应用于热痛研究的数据。我们发现,所提出的方法提供了更高的灵敏度组级推理。
2021-11-01 stat.AP
Bayesian pathway analysis over brain network mediators for survival data
提出整合贝叶斯框架,利用矩阵变量生存模型与矩阵响应回归分析遗传暴露、脑网络中介和发病时间的效应通路,并通过模拟及ADNI研究验证其优势。
2023-09-24 stat.ME
Bayesian Inference for Brain Activity from Functional Magnetic Resonance Imaging Collected at Two Spatial Resolutions
针对术前fMRI空间精度与信噪比难以兼顾的问题,提出融合高、标准分辨率数据的高斯过程贝叶斯模型及可扩展后验算法,提升脑活动强度推断准确性。
2023-06-06 stat.AP stat.ME
Covariate-guided Bayesian mixture model for multivariate time series
随着脑活动和结构测量技术的迅速发展,现代脑成像的统计分析方法在科学进步中发挥着重要作用。测量脑功能的成像数据通常是多变量时间序列,并且在成像源和受试者之间是异质的,这导致各种统计和计算挑战。在本文中,我们提出了一种基于组的方法,通过贝叶斯混合平滑样条聚类的多元时间序列的集合。我们的方法假设每个多元时间序列是具有不同混合权重的多个分量的混合。与时间无关的协变量被假定为与混合物成分相关联,并通过混合专家模型的逻辑权重进行合并。我们制定了一个完整的贝叶斯框架下使用吉布斯抽样的组件的数量是基于偏差信息标准选择这种方法。所提出的方法相比,现有的方法,通过模拟研究,并适用于功能性近红外光谱(fNIRS),其目的是了解婴儿的情绪反应和恢复压力的研究。结果揭示了大脑活动的不同模式,以及这些模式与选定的协变量之间的关联。
2023-01-03 stat.AP stat.CO stat.ME
Nonparametric Bayesian models of hierarchical structure in complex networks
分析和理解复杂关系数据的结构在许多应用中非常重要,包括分析人脑中的连通性。这样的网络在不同的尺度上可能有突出的模式,需要一个分层结构的模型。我们提出了两个非参数贝叶斯分层网络模型的吉布斯碎片树先验的基础上,并证明了他们的能力,捕捉嵌套模式在模拟网络。在真实的网络上,我们展示了层次结构的检测,并显示出与最先进水平相当的预测性能。我们设想,我们的方法可以用于探索性分析大规模复杂网络,例如模拟人脑连接。
2013-11-21 stat.ML
Recursive Gaussian Processes and the Bayesian Brain
Indian Institute of Management, Udaipur(乌代布尔印度管理学院);Ashoka University(阿肖克大学);Indian Statistical Institute(印度统计研究所)
该研究将预测编码与递归高斯过程(RGPs)形式化关联,证明RGPs可实现分层贝叶斯推理等功能,将其组成部分映射到皮层微回路,定位其为计算工具与大脑预测机制模型,可产生可检验的神经动力学预测。
2026-08-04 cs.LG q-bio.NC stat.ML
Deep Learning and Bayesian Deep Learning Based Gender Prediction in Multi-Scale Brain Functional Connectivity
University of Wisconsin – Madison(威斯康星大学麦迪逊分校)
大脑的性别差异已经被发现很久了,这可能是男女之间许多心理、精神和行为差异的原因。从脑功能连通性(FC)预测性别可以建立脑活动与性别之间的关系,从预测模型中提取重要的性别相关FC特征为研究脑性别差异提供了一条途径。目前的预测模型应用于性别预测表现出良好的准确性,但通常提取个别的功能连接,而不是连接模式,在整个连接矩阵的功能。此外,目前的模型往往忽略了输入大脑FC规模对预测的影响,不能给出任何模型的不确定性信息。因此,在这项研究中,我们建议通过深度学习从多个尺度的大脑FC中预测性别,它可以提取完整的FC模式作为特征。我们进一步发展了对深度神经网络(DNN)中特征提取机制的理解,并提出了一种DNN特征排名方法,根据其对预测的贡献来提取高度重要的特征。此外,我们将贝叶斯深度学习应用于大脑FC性别预测,作为一种概率模型,它不仅可以做出准确的预测,还可以为每个预测产生模型不确定性。实验是在高质量的Human Connectome Project S1200发布数据集上进行的,该数据集包括1003名健康成年人的静息状态功能MRI数据。首先,对于来自25、50、100、200、300个独立分量分析(ICA)分量的FC输入,DNN分别达到83.0%、87.6%、92.0%、93.5%和94.1%的准确率。DNN在25-ICA分量尺度FC上优于传统的机器学习方法,但随着ICA分量数量的增加,线性机器学…
2020-05-18 cs.CV cs.LG eess.IV
Bayesian Regression with Undirected Network Predictors with an Application to Brain Connectome Data
本文提出了一种贝叶斯方法,回归连续标量响应和无向网络预测。无向网络预测器通常用对称邻接矩阵表示,矩阵的行和列表示节点,零条目表示两个对应节点之间没有关联。网络预测器矩阵通常在任何分析之前被向量化,因此无法考虑网络中的重要结构信息。这导致在小样本量的情况下推断和预测性能较差。我们提出了一类新的网络收缩先验的系数对应的无向网络预测。所提出的框架被设计为检测网络中的节点和边缘预测的响应。我们的框架是使用一个有效的马尔可夫链蒙特卡罗算法。仿真研究的实证结果表明,与普通的高维贝叶斯收缩先验和惩罚优化方案相比,所提出的框架具有显着优越的推理和预测增益。我们将我们的方法应用于大脑连接体数据集,该数据集包含大脑网络的信息以及多个人的创造力测量。在这里,兴趣在于建立一个回归模型的创造力措施的网络预测,以确定重要的区域和连接在大脑中与创造力密切相关。据我们所知,我们的方法是第一个原则性的贝叶斯方法,能够在小样本量的情况下检测大脑中积极影响连续反应(创造力)的科学可解释区域和连接。
2018-03-28 stat.ME
A Horseshoe mixture model for Bayesian screening with an application to light sheet fluorescence microscopy in brain imaging
在本文中,我们重点关注使用光片荧光显微镜(一种最近开发的全脑成像技术)识别差异激活的大脑区域。大多数现有的统计方法通过将大脑区域划分为两类来解决这个问题:显着和非显着激活。然而,对于我们研究的中心脑成像问题,这种二进制分组可能会通过过滤掉微弱但重要的信号来提供过于简单的发现,这些信号通常被数据中存在的噪声所掺杂。为了克服这一限制,我们引入了一种新的贝叶斯方法,该方法允许将大脑区域分类为具有不同程度相关性的几个层次。我们的方法是基于收缩先验的组合-广泛用于回归和多重假设检验问题-和混合模型-通常用于基于模型的聚类。在现有的正则化先验分布,它使用的尖峰和板前或连续规模的混合物,我们的类先验是基于连续规模的混合物的离散混合物,并设计了一个集群收缩版本的马蹄事先。因此,我们的方法为贝叶斯稀疏估计提供了一个更通用的设置,大大减少了所需的收缩参数的数量,并创建了一个跨感兴趣单元共享信息的框架。我们表明,这种方法导致我们的大脑成像问题更有生物学意义和可解释的结果,因为它允许活跃和不活跃的区域之间的歧视,而在同一时间排名的发现到集群代表层相似的重要性。
2023-01-27 stat.ME
Bayesian estimation of covariate assisted principal regression for brain functional connectivity
本文提出CAP回归的贝叶斯重新表述,通过将协方差矩阵映射至切空间利用欧几里得几何进行后验推断,在统一框架内实现参数联合估计与不确定性量化,并应用于脑功能连接性分析。
2024-08-29 stat.ME
Hierarchical Bayesian inference for community detection and connectivity of functional brain networks
ShanghaiTech University(上海科技大学);Monash University(蒙纳士大学);The Hong Kong Polytechnic University(香港理工大学);University College London(伦敦大学学院);CIFAR(加拿大高级研究所)
提出基于贝叶斯潜在块模型的多层社区检测方法,在个体和群体层面稳健检测加权功能网络社区结构,保留个体变异性,并通过模拟和真实fMRI数据验证其准确性和可靠性。
2026-06-17 q-bio.NC stat.AP
Bayesian scalar-on-network regression with applications to brain functional connectivity
本文提出一种贝叶斯标量-网络回归模型,通过切空间建模和Stiefel流形上的稀疏先验降维,尊重SPD矩阵几何结构并防止过拟合,实现了参数不确定性量化和关键脑区识别。
2024-03-26 stat.ME
A hierarchical Bayesian model to find brain-behaviour associations in incomplete data sets
University College London(伦敦大学学院);Max Planck University College London Centre for Computational Psychiatry and Ageing Research(马克斯·普朗克伦敦大学学院计算精神病学与衰老研究中心);Wellcome Centre for Human Neuroimaging(韦尔科姆人类神经影像中心)
典型相关分析(CCA)及其正则化版本已广泛用于神经成像领域,以揭示两种数据模态之间的多变量关联(例如,脑成像和行为)。然而,这些方法具有固有的局限性:(1)关于关联的统计推断通常不可靠;(2)每个数据模态内的关联未建模;(3)缺失值需要插补或删除。组因子分析(GFA)是一种分层模型,通过提供贝叶斯推断和建模特定于模态的关联来解决前两个限制。在这里,我们提出了一个扩展的GFA处理缺失数据,并强调GFA可以用作预测模型。我们将GFA应用于由人类连接组计划(HCP)的大脑连接和非成像测量组成的合成和真实数据。在合成数据中,GFA发现了潜在的共享和特定因素,并正确预测了完整和不完整数据集中的未观察到的数据模式。在HCP数据中,我们确定了四个相关的共享因素,捕获情绪,酒精和药物使用,认知,人口统计学和精神病理学指标与默认模式,额顶控制,背侧和腹侧网络和神经网络之间的关联,以及描述大脑连接内关联的两个因素。此外,GFA预测了一组来自大脑连接的非成像测量。这些发现在完整和不完整的数据集是一致的,并复制了文献中的先前发现。GFA是一个很有前途的工具,可用于揭示基准数据集(如HCP)中多个数据模态之间和内部的关联,并易于扩展到更复杂的模型,以解决更具挑战性的任务。
2021-03-11 cs.LG stat.ML
A cross-center smoothness prior for variational Bayesian brain tissue segmentation
University of Copenhagen(哥本哈根大学);Erasmus Medical Center(伊拉斯谟医学中心)
假设一个人面临着MR图像中的组织分割的挑战,在其中心没有注释器来提供标记的训练数据。一种选择是去另一个医疗中心接受训练的分类器。遗憾的是,由于中心特定的采集协议引起的体素强度偏移,组织分类器不能很好地跨中心推广。然而,分割的某些方面,如空间平滑度,保持相对一致,可以单独学习。在这里,我们提出了一个平滑之前,适合在另一个医疗中心产生的分割。这种信息先验被呈现给无监督贝叶斯模型。该模型对体素强度进行聚类,从而产生与其他医疗中心的分割类似的平滑分割。此外,无监督贝叶斯模型扩展到一个半监督的变体,它不需要到组织的聚类的视觉解释。
2019-03-11 cs.CV cs.LG stat.ML
Flexible Bayesian Support Vector Machines for Brain Network-based Classification
目的:在心理健康研究中,大脑网络作为潜在的生物标志物已经得到越来越多的认可,但能够利用复杂的大脑网络进行准确分类的方法有限。我们的目标是开发一种新的贝叶斯支持向量机(SVM)的方法,采用高维网络作为协变量,并能够克服现有的惩罚方法的局限性。研究方法:我们开发了一种新的Dirichlet过程混合的双指数先验的系数在贝叶斯SVM模型,能够执行特征选择和不确定性量化,通过汇集信息的边缘,以确定差分稀疏水平在无监督的方式。我们开发了不同版本的模型,它结合了静态和动态连接功能,以及一个综合分析,共同包括多个扫描会话的功能。我们使用来自人类连接组计划(HCP)的静息状态fMRI数据和第二个注意力缺陷多动障碍(ADHD)分类任务对智力水平进行分类。结果:我们的研究结果清楚地揭示了相当大的分类精度下所提出的方法比国家的最先进的方法。多会话分析导致HCP数据分析中的最高分类准确度。结论:我们提供了具体的证据表明,新的贝叶斯支持向量机提供了一个无监督和自动化的方法,基于网络的分类,结果在相当大的改进惩罚方法和参数贝叶斯方法。重要性:我们的工作是第一个最终证明贝叶斯SVM在基于网络的心理健康结果分类中的优势,以及多会话网络分析的重要性。
2022-05-24 stat.ME
Bayesian Signal Matching for Transfer Learning in ERP-Based Brain Computer Interface
Emory University(埃默里大学);University of Michigan(密歇根大学)
本文提出贝叶斯信号匹配框架,用于ERP脑机接口中的迁移学习,通过分层混合模型提升EEG信号校准的准确性和泛化能力。
2025-10-16 stat.AP stat.CO
Longitudinal Brain Aging in Covariance Space: Temporally Calibrated Bayesian Inference for Adaptive Covariance Operators
St. Edward’s University(圣爱德华大学);Indiana University(印第安纳大学)
本研究提出贝叶斯纵向协方差算子框架,结合达拉斯寿命脑研究发现人群大脑老化特征与个体老化轨迹存在差异,需直接建模纵向协方差变化。
2026-10-15 stat.AP stat.CO stat.ME
Adaptive Synaptic Failure Enables Sampling from Posterior Predictive Distributions in the Brain
贝叶斯解释的神经处理要求生物机制表示和操作的概率分布根据贝叶斯定理。许多人推测,突触失效构成了一种变异机制,即,大脑中的近似贝叶斯推断。鉴于模型以前使用突触故障对模型参数的不确定性进行采样,我们证明了通过将传输概率适应于学习的网络权重,突触故障不仅可以对模型的不确定性进行采样,还可以对完整的后验预测分布进行采样。我们的研究结果可能解释了大脑执行概率搜索和近似复杂积分的能力。这些操作涉及许多计算,包括复杂规划的可能性评估和状态值估计。
2022-10-04 q-bio.NC stat.ML
Multiscale Bayesian State Space Model for Granger Causality Analysis of Brain Signal
对两个大脑信号之间随时间变化和频率特定的关系进行建模,正成为回答实验神经科学理论问题的重要方法论工具。在这篇文章中,我们建议估计一个频率格兰杰因果关系统计,可能会随着时间的推移,以评估两个大脑区域之间的功能连接在一个任务。为此,我们使用的自适应卡尔曼滤波器类型的线性高斯向量自回归模型的系数随时间的推移而演变的估计。估计过程是通过变分贝叶斯近似实现的,并扩展到多个试验。这种贝叶斯状态空间(BSS)模型提供了一个非常自然的动态Granger因果统计。我们建议扩展BSS模型,包括à trous Haar分解。这种基于小波的预测方法是基于多尺度分辨率分解的信号,使用冗余à trous小波变换,并允许我们捕捉短期和长期信号之间的依赖关系。同样重要的是,它使我们能够得到所需的动力学和频率特定的格兰杰因果关系统计。这些模型的应用程序在心理实验任务期间记录的颅内局部场电位数据显示杏仁核和内侧眶额皮质之间的复杂的频率为基础的串扰。保留字:à trous Haar小波;多次审判;神经科学数据;非平稳性;时频;这篇文章的出版版本是Cekic,S.,Grandjean,D.,Renaud,O.(2018年)。脑信号Granger因果分析的多尺度贝叶斯状态空间模型。应用统计学杂志。https://doi.org/10.1080/02664763.2018.1455814
2018-04-13 stat.ME
A Bayesian incorporated linear non-Gaussian acyclic model for multiple directed graph estimation to study brain emotion circuit development in adolescence
Tulane University(杜兰大学);University of Nebraska Medical Center(内布拉斯加大学医学中心);Mind Research Network(心智研究网络);Tri-institutional Center for Translational Research in Neuroimaging and Data Science (TReNDS)(三机构神经影像与数据科学转化研究中心(TReNDS));Georgia State University(佐治亚州立大学);Georgia Institute of Technology(佐治亚理工学院);Emory University(埃默里大学)
情绪感知对情感和认知发展至关重要,这涉及分布式大脑回路。情绪识别的能力始于婴儿期,并在整个童年和青春期继续发展。了解大脑情绪回路的发展可能有助于我们解释在青春期观察到的情绪变化。我们先前的研究描绘了从儿童晚期到成年早期在情绪识别任务中大脑功能连接(FC)的轨迹。在这项工作中,我们努力加深我们的理解,从关联到因果关系。我们提出了一个贝叶斯结合线性非高斯非循环模型(BiLiNGAM),它将我们以前的关联模型纳入先验估计管道。特别是,它可以联合估计多个有向无环图(DAG)的多个年龄组在不同的发展阶段。仿真结果表明,在各种设置下,特别是当样本量较小(高维情况)时,性能更稳定,更准确。然后,我们应用于费城神经发育队列(PNC)的真实数据分析。这包括855名8-22岁的人,他们被分为五个不同的青少年阶段。我们的网络分析揭示了与情绪相关的模块内和模块间连接的发展,并确定了几个与情绪相关的枢纽。我们进一步将枢纽分为两种类型:内枢纽和外枢纽,作为接收和分发信息的中心。还发现了一些独特的发展枢纽结构和群体特异性模式。我们的发现有助于对人类大脑中情绪发展的因果关系进行理解。
2020-06-16 cs.LG q-bio.NC stat.ML
Consistent and scalable Bayesian joint variable and graph selection for disease diagnosis leveraging functional brain network
考虑高维probit回归中协变量的回归系数和逆协方差阵的联合推断,其中预测变量既与二元响应相关,又在函数上相互关联.一个层次模型与穗和板坯先验的回归系数和逆协方差阵中的元素,同时进行变量和图形的选择。我们建立联合选择一致性的变量和底层图形的预测时,尺寸允许增长远远大于样本量,这是贝叶斯文献中的第一个理论结果。一个可扩展的吉布斯采样器推导出,在高维模拟研究中表现得更好,与其他国家的最先进的方法。我们通过功能性MRI数据集说明了所提出的方法的实际影响和实用性,其中具有改变的功能活动的感兴趣区域和潜在的功能性脑网络被推断并整合在一起,用于对疾病风险进行分层。
2022-03-14 math.ST stat.ME stat.TH
Bayesian Nonparametric Multivariate Mixture of Autoregressive Processes: With Application to Brain Signals
本文提出贝叶斯非参数多元自回归分解模型,将脑信号表示为潜在振荡混合,用于分析酒精对记忆的影响,并发现不同脑区的受试者特定振荡聚类。
2023-05-15 stat.ME
Stochasticity from function -- why the Bayesian brain may need no noise
越来越多的证据表明,大脑中尖峰活动的试验间差异不仅仅是噪音,而是概率计算中基于采样的编码方案的反映。由于神经活动的精确统计特性在这种情况下很重要,因此许多模型假设在单神经元动力学的输入侧或输出侧上具有行为良好的显式噪声的ad-hoc源,最常见的是在任一情况下假设独立的泊松过程。然而,这些假设有些问题:相邻的神经元倾向于共享感受野,使它们的输入和输出相关;同时,神经元的行为在很大程度上是确定性的,是它们的膜电位和电导的函数。我们认为,尖峰神经网络实际上可能不需要噪声来执行基于采样的贝叶斯推断。我们研究分析的影响,自相关和交叉相关的功能贝叶斯尖峰网络,并展示了他们的效果如何转化为突触相互作用的强度,使他们可控通过突触可塑性。这使得即使是很小的相互连接的确定性尖峰网络的集合,也可以通过学习同时并相互依赖地塑造它们的输出活动,使它们能够执行复杂的贝叶斯计算,而不需要任何噪声,这一点我们在经典模拟和神经形态仿真中都通过计算机模拟证明了。这些结果缩小了抽象模型和功能贝叶斯尖峰网络的生物学之间的差距,有效地减少了执行概率计算所需的物理神经基板上施加的架构约束,无论是生物还是人工。
2019-08-24 cond-mat.dis-nn cs.NE physics.bio-ph
A Bayesian Longitudinal Spatial Normative Model for Individualized Brain Deviation Mapping
University of South Carolina(南卡罗来纳大学)
本文提出了一种贝叶斯纵向空间规范模型,通过统一的分层框架联合捕捉个体内部时间依赖性和空间结构化的个体偏差,从而在多个模拟场景中减少了偏差图重建误差,并在OASIS-3结构MRI数据应用中显著降低了RMSE。
2026-05-18 math.ST stat.AP stat.ME
A Bayesian Group Sparse Multi-Task Regression Model for Imaging Genetics
动机:脑成像和高通量基因分型技术的最新进展促使研究检查遗传变异对脑结构的影响。Wang等人(Bioinformatics,2012)已经开发了一种用于分析成像基因组研究的方法,该方法使用基于新的组$l_{2,1}$ -范数惩罚的具有正则化的惩罚多任务回归,该惩罚鼓励基因水平和SNP水平的结构化稀疏性。虽然结合了一些有用的功能,所提出的方法只提供了一个点估计的回归系数,进行统计推断的技术不提供。本文提出了一种新的贝叶斯方法来克服这一局限性。结果如下:我们开发了一种贝叶斯分层建模公式,其中后验模式对应于Wang等人提出的估计量(Bioinformatics,2012),以及一种允许完整后验推断的方法,包括构建回归参数的区间估计。我们表明,所提出的分层模型可以表示为一个三级高斯尺度的混合物,这种表示有利于使用一个吉布斯抽样算法后验模拟。仿真研究表明,使用我们的方法获得的区间估计达到足够的覆盖概率,优于那些从非参数自举。我们提出的方法被应用于分析的神经影像学和遗传数据收集的阿尔茨海默氏病神经影像学倡议(ADNI)的一部分,ADNI队列的分析清楚地表明,将区间估计超出只有点估计的价值增加时,单核苷酸多态性脑成像内表型。
2016-10-17 stat.AP stat.ME stat.ML
Fast Bayesian estimation of brain activation with cortical surface and subcortical fMRI data using EM
大脑成像扫描的分析对于了解人类大脑的功能至关重要,可以利用大脑功能来治疗影响大部分人口生活质量的伤害和疾病。特别是,功能性磁共振成像(fMRI)扫描以高的空间和时间分辨率提供有关活体的详细数据。由于收集这些扫描所涉及的高成本,为了产生有意义的推断,稳健的分析方法至关重要。贝叶斯方法特别允许将先前研究的预期行为纳入分析,增加结果的功效,同时规避经典分析中出现的问题,包括平滑结果的影响和对多重比较测试校正的敏感性。最近发展的一个基于表面的空间贝叶斯一般线性模型皮层表面功能磁共振成像(cs-fMRI)数据提供了所需的功率增加任务功能磁共振成像数据使用随机偏微分方程(SPDE)先验。该模型依赖于集成嵌套拉普拉斯近似(INLA)的计算效率,以执行已被验证优于经典分析的强大分析。在这篇文章中,我们开发了一个精确的贝叶斯分析方法的GLM,采用期望最大化(EM)算法找到最大后验概率(MAP)估计的任务为基础的回归CS-功能磁共振成像和皮层下功能磁共振成像数据,同时使用最少的计算资源。我们提出的方法相比,INLA实现的贝叶斯GLM,以及一个经典的GLM模拟数据。还提供了对人类连接组项目数据的方法验证。
2022-02-28 stat.ME