基于尖峰总体特征值的脑磁图源数量估计
统计方法学
2017-07-06 v1
摘要
脑磁图(MEG)是一种先进的成像技术，用于测量人脑内部电活动在人脑外部产生的磁场。MEG 中的各种源定位方法需要了解底层的活跃源，这些源通过先验确定。常用的估计源数量的方法包括主成分分析或信息准则方法，二者都利用数据的特征值分布，从而避免了求解耗时的逆问题。遗憾的是，所有这些方法对信噪比(SNR)非常敏感，因为检查样本极端特征值未必能反映总体特征值的扰动。为了从噪声极强的 MEG 数据中揭示未知源，我们引入了一个框架，称为用于 SNR 重缩放泛函的最优变换的内在维数(ID)。它被定义为相关联的变换数据矩阵的尖峰总体特征值的数量。研究表明，尤其当 SNR 较小时，ID 比其样本对应物能给出更合理的源数量估计。通过实例，我们说明新方法能够捕获 MEG 中可被 PCA 或其他基于信息准则的方法遗漏的信号源数量。
引用
@article{arxiv.1707.01225,
title = {Estimating the Number of Sources in Magnetoencephalography Using Spiked Population Eigenvalues},
author = {Zhigang Yao and Ye Zhang and Zhidong Bai and William F. Eddy},
journal= {arXiv preprint arXiv:1707.01225},
year = {2017}
}
备注
38 pages, 8 figures, 4 tables