[论文解读] Stopping criteria for boosting automatic experimental design using real-time fMRI with Bayesian optimization

Romy Lorenz, Ricardo Pio Monti+5 more|arXiv (Cornell University)|Nov 24, 2015

Gaussian Processes and Bayesian Inference参考文献 15被引用 24

一句话总结

本文提出并评估了两种用于实时功能磁共振成像实验中贝叶斯优化的停止准则，以加速自动实验设计。第一种基于连续刺激之间的欧几里得距离，第二种基于低于阈值的改进概率；两种方法在保持预测准确性的同时，平均将每轮扫描时间减少了最多2分钟。

ABSTRACT

Bayesian optimization has been proposed as a practical and efficient tool through which to tune parameters in many difficult settings. Recently, such techniques have been combined with real-time fMRI to propose a novel framework which turns on its head the conventional functional neuroimaging approach. This closed-loop method automatically designs the optimal experiment to evoke a desired target brain pattern. One of the challenges associated with extending such methods to real-time brain imaging is the need for adequate stopping criteria, an aspect of Bayesian optimization which has received limited attention. In light of high scanning costs and limited attentional capacities of subjects an accurate and reliable stopping criteria is essential. In order to address this issue we propose and empirically study the performance of two stopping criteria.

研究动机与目标

• 解决在使用贝叶斯优化的实时功能磁共振成像实验中缺乏正式停止准则的问题。
• 通过识别闭环功能磁共振成像实验中的最优终止点，降低扫描成本并最小化受试者疲劳。
• 在真实功能磁共振成像数据上评估两种新型停止准则——欧几里得距离与改进概率——的性能。
• 确保早期终止不会损害对诱发目标脑模式最优刺激的预测准确性。
• 支持自动神经科学家框架在注意力受限人群临床应用中的转化潜力。

提出的方法

• 采用贝叶斯优化与高斯过程回归，将脑激活建模为音视频刺激参数的函数。
• 使用期望改进（EI）获取函数，基于实时功能磁共振成像反馈迭代选择新刺激。
• 提出一种基于连续所提刺激之间欧几里得距离的停止准则，当距离低于阈值时终止。
• 引入第二种停止准则，使用低于显著性阈值 α = 0.05 的改进概率（PI）。
• 利用先前研究中五名受试者的数据显示验证两种准则，分析各轮次中的收敛性与预测准确性。
• 在每次迭代中计算预测最优刺激与假设最优刺激之间的欧几里得距离，以评估模型准确性。

实验结果

研究问题

• RQ1 基于连续刺激之间欧几里得距离的停止准则是否能可靠地终止实时功能磁共振成像中的贝叶斯优化？
• RQ2 基于改进概率低于 α = 0.05 的停止准则是否提供具有统计可解释性的有效终止规则？
• RQ3 在不降低预测最优刺激准确性的情况下，扫描时间最多可减少多少？
• RQ4 停止准则的性能在不同受试者和实验轮次中如何变化？
• RQ5 早期终止是否能保持模型对诱发最优脑状态刺激的预测准确性？

主要发现

• 欧几里得距离停止准则在大多数轮次中达到零，表明迭代间收敛至同一刺激。
• 当欧几里得距离达到零时，改进概率（PI）准则在所有情况下均低于 α = 0.05，支持其统计有效性。
• 在三轮实验中，欧几里得距离保持在零以上，表明进一步扫描可提升预测准确性。
• 在 sub01 的 run2 中，模型在最终迭代的预测准确性低于首轮，表明更长的采集可能带来益处。
• 平均而言，停止准则可将扫描时间减少多达七个观测值（约 2.3 分钟），且不损害准确性。
• 所提出的停止准则未损害模型对最优刺激预测的准确性，如与假设最优值距离所衡量。