Key points are not available for this paper at this time.
Die funktionelle Magnetresonanztomographie (fMRI) nutzt Blut-Sauerstofflevel-abhängige (BOLD) Kontraste, um neuronale Aktivität zu kartieren, die mit einer Vielzahl von Gehirnfunktionen verbunden ist, einschließlich sensorischer Verarbeitung, motorischer Kontrolle sowie kognitiver und emotionaler Funktionen. Der Ansatz des allgemeinen linearen Modells (GLM) wird verwendet, um aufgabenbezogene Gehirnareale zu identifizieren, indem nach linearen Korrelationen zwischen dem fMRI-Zeitverlauf und einem Referenzmodell gesucht wird. Eine der Einschränkungen des GLM-Ansatzes ist die Annahme, dass die Kovarianz zwischen benachbarten Voxeln keine Informationen über die untersuchte kognitive Funktion liefert. Die Multivoxel-Musteranalyse (MVPA) stellt eine vielversprechende Technik dar, die derzeit genutzt wird, um die in verteilten Mustern neuronaler Aktivität enthaltenen Informationen zu untersuchen, um die funktionale Rolle von Gehirnarealen und Netzwerken abzuleiten. MVPA wird als ein überwacht klassifiziertes Problem betrachtet, bei dem ein Klassifikator versucht, die Beziehungen zwischen dem räumlichen Muster der fMRI-Aktivität und den experimentellen Bedingungen zu erfassen. In diesem Artikel überprüfen wir MVPA und beschreiben die mathematischen Grundlagen der Klassifikationsalgorithmen, die zur Dekodierung von fMRI-Signalen verwendet werden, wie z. B. Unterstützungsvektormaschinen (SVMs). Darüber hinaus beschreiben wir den Ablauf der Verarbeitungsschritte, die für MVPA erforderlich sind, wie Merkmalsauswahl, Dimensionsreduktion, Kreuzvalidierung und Schätzung der Klassifikatorleistung basierend auf Empfänger-Betriebscharakteristik (ROC)-Kurven.
Mahmoudi et al. (Sun,) haben diese Frage untersucht.
Synapse has enriched 5 closely related papers on similar clinical questions. Consider them for comparative context: