动作电位尖峰聚类：关于过拟合有限混合模型与狄利克雷过程混合模型使用的启示
应用统计
2016-02-08 v1 统计方法学
摘要
来自细胞外记录的动作电位建模，或称尖峰排序，是神经科学中一个丰富的研究领域，其中常使用潜变量模型。两种这样的模型——过拟合有限混合模型(Overfitted Finite Mixture models, OFMs)与狄利克雷过程混合模型(Dirichlet Process Mixture models, DPMs)——被考虑用于为聚类数未知时的复杂多变量医学数据的无监督聚类提供见解。OFM 与 DPM 以相似的分层方式构建，但基于不同的理念与不同的基本假设。本研究探讨了这些差异如何影响一项真实的尖峰排序研究，用于在复杂医学数据引起的常见困难下估计多变量高斯位置-尺度混合模型。结果为未来分析人员选择适合当前研究问题情境与目标的方法提供了见解。
引用
@article{arxiv.1602.01915,
title = {Clustering action potential spikes: Insights on the use of overfitted finite mixture models and Dirichlet process mixture models},
author = {Zoé van Havre and Nicole White and Judith Rousseau and Kerrie Mengersen},
journal= {arXiv preprint arXiv:1602.01915},
year = {2016}
}
备注
Submitted to Australian & New Zealand Journal of Statistics on 31-Aug-2015