Статистическая структура для анализа нейровизуализационных данных на основе взаимной информации, оценённой с помощью гауссова копула

Сначала мы рассматриваем статистическую структуру теории информации применительно к анализу нейровизуализационных данных. Основным фактором, препятствующим более широкому принятию этой структуры в нейровизуализации, является сложность практической оценки величин теории информации. Мы предлагаем новый метод оценки, который объединяет статистическую теорию копул с аналитическим решением для энтропии гауссовских переменных. В результате получается общая, вычислительно эффективная, гибкая и робастная многомерная статистическая структура, которая предоставляет размеры эффекта на общем содержательном масштабе, позволяет единообразно обрабатывать дискретные, непрерывные, одномерные и многомерные переменные и обеспечивает прямое сравнение представлений поведенческих и мозговых откликов независимо от модальности записи. Мы валидируем использование этой оценки в качестве статистического теста в контексте нейровизуализации, рассматривая как дискретные классы стимулов, так и непрерывные характеристики стимулов. Мы также приводим примеры анализов, облегчённых этими разработками, включая применение многомерных анализов к планарным градиентам магнитного поля MEG и попарным временным взаимодействиям в вызванных ответах ЭЭГ. Мы показываем преимущество учета мгновенной временной производной вместе с исходными значениями сигналов M/EEG как многомерного ответа, как можно отдельно количественно оценить модуляции амплитуды и направления для векторных величин и как можно измерять появление новой информации со временем в вызванных ответах. Сопровождающий статью открытый исходный код на Matlab и Python реализует новые методы. Hum Brain Mapp 38:1541-1573, 2017. © 2016 Wiley Periodicals, Inc.