利用向量自回归模型预测fMRI活动：稀疏方法与低秩方法的比较

向量自回归（VAR）模型历来被用于考察由功能性磁共振成像研究所捕获的大脑功能连接性。此类模型能够估计大脑各感兴趣区域之间的格兰杰因果关系。不幸的是，由于VAR模型中的参数数量随区域数量的平方增长，而区域数量通常相对于时间观测数而言较大，因此这些参数估计会表现出较高的方差。 为应对这一挑战，我们提出了一种低秩预平滑方法，该方法在拟合VAR模型之前，先对观测数据施加低秩近似。我们利用任务态和静息态条件下的个体受试者数据来估计这些模型，并在人群水平上调节超参数。我们将所提出的低秩方法直接与稀疏估计方法和无约束估计方法进行了比较。对预测性能和模型结构的评估表明，我们的预平滑技术能够实现稳健的个体水平参数估计，并显著降低预测误差；这一发现还通过已知真实参数的合成实验得到了进一步验证。

向量自回归（VAR）模型长期以来一直被用于检验由功能性磁共振成像研究所捕获的大脑功能连接性。这类模型能够估计大脑各感兴趣区域之间的格兰杰因果关系。

然而，由于VAR模型中的参数数量随区域数量的平方增长，而相较于时间观测数，这一区域数量通常较大，因此这些参数估计会表现出较高的方差。为应对这一挑战，我们提出了一种低秩预平滑方法，即在拟合VAR模型之前，先对观测数据施加低秩近似。我们利用基于任务和静息态条件下的个体受试者数据来估计这些模型，并在人群层面调整超参数。

我们将所提出的低秩方法与稀疏估计方法以及无约束估计方法进行了直接比较。对预测性能和模型结构的评估表明，我们的预平滑技术能够实现稳健的个体水平参数估计，并显著降低预测误差；这一发现还通过合成实验得到了进一步验证，在这些实验中，真实参数是已知的。

📄 原文链接：https://www.biorxiv.org/content/10.64898/2026.06.11.731556v1?rss=1

🏷️ fMRI 向量自回归 功能连接性 格兰杰因果 低秩近似 稀疏估计