KenCoh：基于排序的标准协性
统计方法学
2025-08-11 v2
摘要
本工作灵感来自于刻画两个脑区之间依赖关系度量的问题，其中每个脑区包含来自多个神经元或电极（例如抑制性和兴奋性神经元）的多个信号记录。目标是识别已知脑状态下脑功能连接结构的差异。研究两个随机向量之间依赖关系的探索性工具是标准相关分析。然而，这些方法仅能捕捉线性关联，且对异常值观察结果敏感。由于脑功能连接可能远比线性更复杂，脑信号可能呈现重尾特性，因此缓解这些限制至关重要。为克服这些限制，我们发展了一种稳健方法——Kendall tau 基准标准协性（KenCoh），用于学习在给定频带上过滤的神经信号之间的连通性结构。我们的模拟研究表明，KenCoh 在底层分布为重尾的情况下，能够与矩基估计器竞争，并优于后者。我们将方法应用于虚拟现实驾驶实验中的 EEG 记录以及小鼠在声刺激下被灌输到听觉皮层中抑制性和兴奋性神经元的钙成像记录。我们的发现揭示了不同频带和脑状态下的区域依赖关系。
关键词
引用
@article{arxiv.2412.10521,
title = {KenCoh: A Ranked-Based Canonical Coherence},
author = {Mara Sherlin D. Talento and Sarbojit Roy and Tania Reyes Vallejo and Leena A Ibrahim and Hernando C. Ombao},
journal= {arXiv preprint arXiv:2412.10521},
year = {2025}
}