Resumen

La correlación intersujeto (ISC) es un método ampliamente utilizado para analizar los datos de imágenes de resonancia magnética funcional (fMRI) adquiridos durante estímulos naturalistas. Un reto en el análisis de la ISC es definir el tamaño de la muestra requerido de manera que los resultados sean fiables. Estudiamos el efecto del tamaño de la muestra en la fiabilidad del análisis ISC y, además, abordamos la siguiente cuestión: ¿Cuántos sujetos son necesarios para que las estadísticas ISC converjan con las estadísticas ISC obtenidas con una muestra grande? El estudio se realizó utilizando un conjunto de datos de diseño de bloques grandes de 130 sujetos. Realizamos un análisis basado en el remuestreo por partes, muestreando repetidamente dos subconjuntos no superpuestos de 10-65 sujetos y comparando los mapas ISC entre los conjuntos de sujetos independientes. Nuestros resultados sugirieron que con 20 sujetos, en promedio, la estadística ISC había convergido cerca de una estadística ISC de muestra grande con 130 sujetos. Sin embargo, la fiabilidad de los mapas ISC sin umbral y con umbral mejoró notablemente cuando el número de sujetos aumentó de 20 a 30 o más.

• Materias:Inteligencia artificial Minería de datos Algoritmos genéticos Cerebro - fisiopatología Neurociencia Cognitiva
• Subjects:Artificial intelligence Data mining Genetic algorithms Brain - pathophysiology Cognitive Neuroscience
• Palabras claves:estadísticas isc, mapa isc, análisis isc, fiabilidad de isc, estadísticas isc de muestra, conjunto de sujetos independientes, diseño de bloques grandes, número de sujetos, diseño de conjunto de datos, tamaño de muestra requerido
• Keywords:isc statistics, isc map, isc analysis, reliability of isc, sample isc statistics, independent subject set, large block design, number of subject, design data set, required sample size