A Hierarchical Random Effects State-space Model for Modeling Brain Activities from Electroencephalogram Data
用于脑电活动分析的分层随机效应状态空间模型AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确使用状态空间模型分析脑电时间动态与非平稳性，方法上对应时间序列；治疗效应预测表述不足以支持因果识别分类。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
用于脑电活动分析的分层随机效应状态空间模型
- 研究问题
- 如何从大规模多通道静息态脑电数据中刻画组间和个体间的脑连接异质性，以及随时间变化的动态，并提取与治疗效果相关的特征？
- 方法与思路
- 作者在时间动态矩阵与空间映射矩阵中引入多层随机效应，处理非平稳性和可识别性，通过贝叶斯分层模型与 Gibbs 采样拟合，并开展模拟和临床应用。
- 材料陈述的贡献
- 摘要称，模型可直接处理无结构约束的高维随机效应矩阵；应用发现抑郁患者与健康者的动态差异，所提脑电特征预测治疗效应的表现优于频段功率。
- 阅读关注点
- 应核对状态与观测方程、随机效应和非平稳结构、可识别性约束，以及治疗效应预测目标的构造、验证方式和跨研究中心适用性。
- 阅读边界
- 这是 arXiv 预印本，不能据此认定已同行评审或获期刊接收；摘要未说明识别条件、预测指标和验证设计，不能据此判断临床效用或因果效应估计可靠性。
原文摘要
Mental disorders present challenges in diagnosis and treatment due to their complex and heterogeneous nature. Electroencephalogram (EEG) has shown promise as a potential biomarker for these disorders. However, existing methods for analyzing EEG signals have limitations in addressing heterogeneity and capturing complex brain activity patterns between regions. This paper proposes a novel random effects state-space model (RESSM) for analyzing large-scale multi-channel resting-state EEG signals, accounting for the heterogeneity of brain connectivities between groups and individual subjects. We incorporate multi-level random effects for temporal dynamical and spatial mapping matrices and address nonstationarity so that the brain connectivity patterns can vary over time. The model is fitted under a Bayesian hierarchical model framework coupled with a Gibbs sampler. Compared to previous mixed-effects state-space models, we directly model high-dimensional random effects matrices without structural constraints and tackle the challenge of identifiability. Through extensive simulation studies, we demonstrate that our approach yields valid estimation and inference. We apply RESSM to a multi-site clinical trial of Major Depressive Disorder (MDD). Our analysis uncovers significant differences in resting-state brain temporal dynamics among MDD patients compared to healthy individuals. In addition, we show the subject-level EEG features derived from RESSM exhibit a superior predictive value for the heterogeneous treatment effect compared to the EEG frequency band power, suggesting the potential of EEG as a valuable biomarker for MDD.