一种用于 fMRI 数据清洗的鲁棒多元非参数离群点识别方法
统计方法学
2023-05-03 v2
摘要
功能磁共振成像（fMRI）数据含有高水平的噪声与伪影。为避免污染下游分析，基于 fMRI 的研究必须在统计分析前识别并移除这些噪声源。一种常见方法是“清洗”（scrubbing）被认为含有高水平噪声的 fMRI 卷。然而，现有的清洗技术基于信号变化的临时度量。我们考虑通过离群点检测进行清洗，其中含有伪影的卷被视为多维离群点。利用与马氏距离相关的鲁棒距离（RDs）提出了鲁棒多元离群点检测方法。当数据为独立同分布正态时，这些 RDs 有已知分布，且该分布可用于确定离群点阈值，而 fMRI 数据违背这些假设。本文我们发展了一种适用于非正态数据的鲁棒多元离群点检测方法。目标是基于 RDs 获得标记离群卷的阈值。我们提出两个阈值候选，它们采用相同的两步，但选择取决于研究者的目的。我们的主要步骤是降维与选择、鲁棒单变量离群点插补以消除离群点对分布的影响，以及基于无离群点 RD 分布的上分位数估计离群阈值。第一个阈值候选是来自插补数据的 RDs 经验分布的上分位数。第二个阈值候选计算非参数自助法所用的 RD 分布的上分位数，以考虑经验分位数的不确定性。我们将提出的 fMRI 清洗方法与运动清洗、数据驱动清洗以及限制性参数多元离群点检测方法进行比较。
引用
@article{arxiv.2304.14634,
title = {A robust multivariate, non-parametric outlier identification method for scrubbing in fMRI},
author = {Fatma Parlak and Damon D. Pham and Amanda F. Mejia},
journal= {arXiv preprint arXiv:2304.14634},
year = {2023}
}