一种用于fMRI的快速动态因果模型反演方法.pdfVIP

2025年4月1日现代电子技术Apr.2025

第48卷第7期ModernElectronicsTechniqueVol.48No.7

146

146

DOI：10.16652/j.issn.1004⁃373x.2025.07.021

引用格式：胡新航，吴海锋，曾玉.一种用于fMRI的快速动态因果模型反演方法[J].现代电子技术，2025，48（7）：146⁃154.

一种用于fMRI的快速动态因果模型反演方法

11，2，31，2，3

胡新航，吴海锋，曾玉

（1.云南民族大学电气信息工程学院，云南昆明650504；2.云南省无人自主系统重点实验室，云南昆明650504；

3.云南民族大学云南省高校智能传感器网络及信息系统科技创新团队，云南昆明650504）

摘要：针对动态因果模型（DCM）在分析大脑有效连接时面临的高计算成本问题，提出一种结合广义线性模型（GLM）

和稀疏DCM的算法，即广义稀疏DCM（GSD）算法。该算法在以下三个方面进行优化：首先，利用傅里叶变换的对称性将频

域DCM的复数计算转换为实数计算，降低计算复杂度；其次，应用GLM和滤波技术减少观测信号的干扰，提高参数估计的准

确度；最后，定义新的代价函数来优化变分推断参数和滤波器参数，进一步提升参数估计的精度。该研究采用两组公开的功

能核磁共振成像（fMRI）数据对GSD算法进行验证，包括仿真的史密斯小世界网络数据和运动与注意力实测数据。实验结果

表明，GSD算法在保持与传统方法相近的参数估计性能的同时，能将计算时间降低50%以上。该研究成果为平衡模型的解

释力和计算效率提供了新的视角，有望推动DCM在更广泛领域的应用。

关键词：广义线性模型；动态因果模型；稀疏算法；有效连接；计算复杂度；模型解释力

中图分类号：TN919⁃34；TP301.6文献标识码：A文章编号：1004⁃373X（2025）07⁃0146⁃09

FastdynamiccausalmodelingregressionmethodforfMRI

11,2,31,2,3

HUXinhang,WUHaifeng,ZENGYu

(1.SchoolofElectricalandInformationEngineering,YunnanMinzuUniversity,Kunming650504,China;

2.YunnanProvincialKeyLaboratoryofUnmannedAutonomousSystems,Kunming650504,China;