SlideServe
Télécharger Obtenir Pro
Menu
Accueil Pro
Préférences
ApparenceLight Aide et commentaires
© SlideServe · v2026

Bilinear Dynamical Systems

garvey avatar
garvey
8 diapositives · 265 Views · Oct 20, 2014

Bilinear Dynamical Systems. A unified framework for fMRI deconvolution, system identification and connectivity analysis. Will Penny, Zoubin Ghahramani, Karl Friston. Brain Connectivity Workshop, April 2004, Havana, Cuba. Deconvolution: Estimation of s t.

#bilinear dynamical systems #bilinear dynamical systems ppt #powerpoint #presentation
Bilinear Dynamical Systems - slide 1
01 / 8Bilinear Dynamical Systems
1 / 17

Télécharger la présentation

Bilinear Dynamical Systems
Une image / un lien ci-dessous est fourni (tel quel) pour télécharger la présentation

Politique de téléchargement : le contenu du site vous est fourni TEL QUEL pour votre information et votre usage personnel ; il ne peut être vendu, concédé sous licence ni partagé sur d’autres sites sans l’accord de son auteur.Le contenu vous est fourni TEL QUEL, pour votre information et votre usage personnel uniquement. Téléchargez la présentation en cliquant sur ce lien. Lors du téléchargement, si vous ne parvenez pas à télécharger une présentation, l’éditeur a peut-être supprimé le fichier de son serveur.Pendant le téléchargement, si vous ne parvenez pas à obtenir une présentation, le fichier a peut-être été supprimé par l’éditeur.

F I N

Plus de contenu associé

Transcription de la présentation

  1. Bilinear Dynamical Systems A unified framework for fMRI deconvolution, system identification and connectivity analysis Will Penny, Zoubin Ghahramani, Karl Friston Brain Connectivity Workshop, April 2004, Havana, Cuba

  2. Deconvolution: Estimation of st System Identification: Estimation of q={b,A,Bm,D} Connectivity Analysis: Estimation of A, Bm Hemodynamic basis functions BDS Lagged Neuronal Activity Region-dependent basis coefficients Observation Noise Linear Hemodynamics (from GLM) Bilinear Stochastic Neurodynamics (from DCM) Driving inputs Intrinsic connections State Noise Modulatory connections

  3. Linear Hemodynamics – via basis functions Canonical, f1 Temporal Derivative, f2 Dispersion Derivative, f3 Seconds

  4. Data from generative model for a single region ut1 ut2 st yt Seconds

  5. yt st-3 st-2 st-1 st ut-3 ut-2 ut-1 ut E-Step yt Xt-3 Xt-2 Xt-1 Xt M-Step ut-3 ut-2 ut-1 ut Deconvolution: Estimation of st Kalman Filtering, p(st|y1,..,yt) Kalman Smoothing, p(st|y1,..,yT) System Identification: Estimation of b,A,Bm,D Connectivity Analysis: Estimation of A, Bm Embedding Neuronal Activity Xt=[st,st-1,st-1,…,st-L] • EM for LDS (Ghahramani,1996) • EM for BDS (this work) faster than Pseudo-Newton/Simplex methods • Priors over model parameters lead to Variational EM (Ghahramani, 2001) • Extension to MAR neurodynamics

  6. Example: System Identification • True BDS parameters; a=0.72, d=0.88 • BDS parameters as estimated by EM; a=0.68, d=0.83 • Assumption of deterministic dynamics (wt=0), ML estimates; a=0.45, d=1.13 Single Region

  7. Example: Deconvolution fMRI Gets intrinsic dynamics. Misses evoked responses. Wiener Misses intrinsic dynamics. Gets ‘average’ evoked response. BDS Kalman Filtering Trial-to-trial variability in evoked response due to intrinsic dynamics. BDS Kalman Smoothing

  8. Photic Photic SPC SPC SPC 0.96 0.85 0.70 0.84 1.36 0.96 V1 V1 V1 0.06 -0.02 V5 0.39 0.57 V5 V5 Motion Motion 0.23 0.58 Attention Attention Photic 0.86 0.75 1.42 0.89 Attention 0.55 -0.02 0.56 Motion Example: Connectivity (DCMs) m=2 m=1 m=3 Evidence: Bayes factors: