Télécharger la présentation
La présentation est en train de télécharger. S'il vous plaît, attendez
Publié parStéphane Caillaud Modifié depuis plus de 9 années
1
Laboratoire III: “Finite impulse response (FIR)”, normalisation & analyse de groupe Jean-Sébastien Provost, Ph.D Centre de Recherche, Institut Universitaire de Gériatrie de Montréal & Université de Montréal RAD6005 – Introduction à l’IRMf
2
Avant tout, un retour sur… Y = X. β + ε Données observées: Y représente le signal BOLD enregistré pour chaque voxel à travers le temps Matrice événementielle: La série temporelle pour laquelle on veut observer le signal BOLD pour chaque voxel Paramètres: Contribution de chaque composante de la matrice événementielle pour la valeur de Y, soit le signal BOLD enegistré; estimé afin de minimiser l’erreur Erreur: Différence entre la valeur observée, le signal BOLD, et la valeur prédite par le modèle Xβ. = X 1a … X 1b … X 1c X 2a … X 2b … X 2c X 1c … X 3b … X 3c β1β2β3β1β2β3 + ε1ε2ε3ε1ε2ε3 Y = X x β + ε Données observées Matrice événementielle ParamètresErreur résiduelle Y1Y2Y3Y1Y2Y3
3
Le modèle linéaire général
4
Pour le GLM: On tient compte: - Du modèle de la courbe de la fonction de la réponse hémodynamique (HRF) - De notre matrice événementielle - De certains régresseurs temporels/spatiaux - De notre réponse hémodynamique observée (le “Y” de nos données) Résultat: Estimation de la force de notre signal - les fameux bétas
5
Analyse de groupe 1- Modèle linéaire général 2- Analyse de premier niveau Moyennage des cartes d’erreurs et d’effets à l’intérieur d’un sujet 3- Normalisation De mettre tous les sujets dans un même espace référentiel 4- Analyse de second niveau Moyennage des cartes d’erreurs et d’effets de tous les sujets
6
Analyse de groupe À vos ordinateurs !!!
Présentations similaires
© 2024 SlidePlayer.fr Inc.
All rights reserved.