贝叶斯纵向功能主要组件分析的中央后侧包裹
Joanna Boland1, Qi Qian1, Donatello Telesca1
1Department of Biostatistics, University of California, Los Angeles, 90095, CA, USA.
我们将在贝叶斯纵向功能主要组件分析 (B-LFPCA) 中引入中央后侧包裹 (CPE) 用于不确定性量化. CPE提供功能数据的数据驱动可视化,提高生物医学研究中纵向趋势的可解释性.
科学领域:
- 生物统计学 生物统计学
- 功能数据分析 功能数据分析
- 神经科学是一个神经科学.
背景情况:
- 纵向观察的功能数据在生物医学研究中很普遍.
- 贝叶斯纵向功能主要成分分析 (B-LFPCA) 分解复杂的信号,但缺乏功能不确定性量化.
- 传统方法依赖于点对点的总结,忽视估计组件的功能性质.
研究的目的:
- 引入中央后侧包裹 (CPE) 进行B-LFPCA组件的可靠不确定性量化.
- 为功能数据分析开发数据驱动的可视化工具.
- 提高从纵向功能数据的低维摘要的解释性.
主要方法:
- 使用后部样品的功能深度排序 (修改的带深度,修改的体积深度).
- 应用CPE来估计平均函数和边际纵向/功能特函数.
- 杆贝叶斯纵向功能主要组件分析 (B-LFPCA) 框架.
主要成果:
- 对于B-LFPCA组件,CPE提供数据驱动的功能不确定性量化.
- 事件相关潜能 (ERP) 的分析揭示了自闭症和神经类型儿童的新型纵向学习趋势.
- 模拟证实了CPE在不同数据变化条件下的有效性.
结论:
- 在功能数据分析中,CPE在可视化和量化不确定性方面取得了重大进展.
- 该方法为神经发育研究中的纵向学习模式提供了新的见解.
- 在生物医学研究中,CPE是探索复杂的纵向功能数据的有效工具.
更多相关视频
14:27Identification of Disease-related Spatial Covariance Patterns using Neuroimaging Data
Published on: June 26, 2013
09:01A Method for Investigating Age-related Differences in the Functional Connectivity of Cognitive Control Networks Associated with Dimensional Change Card Sort Performance
Published on: May 7, 2014
相关概念视频
Multicompartment Models: Overview
These models offer a more comprehensive representation of drug behavior in the body than one-compartment models. They accommodate the complexity of drug distribution,...
Longitudinal Studies
Noncompartmental Analysis: Statistical Moment Theory
One-Compartment Open Model: Wagner-Nelson and Loo Riegelman Method for ka Estimation
On...
Longitudinal Research
Friedman Two-way Analysis of Variance by Ranks
