协方差矩阵的简约聚类
统计方法学
2025-12-04 v1
摘要
从功能性磁共振成像（fMRI）数据中导出的功能连接（FC）为理解大脑功能及神经和精神疾病提供了至关重要的见解。需要无监督聚类方法来根据共享特征对个体进行分组，以促进临床诊断。在本研究中，提出了一种简约聚类模型，将混合专家（MoE）和协方差回归框架集成，用于基于静息状态fMRI研究中由数据协方差矩阵捕获的FC进行聚类。该模型假设跨协方差矩阵的常见线性投影，以及带有协变量的广义线性模型，允许灵活且可解释的投影特定聚类解决方案。为评估所提出框架的性能，进行了大量仿真研究，以评估聚类准确性和鲁棒性。该方法应用于阿尔茨海默病病人神经影像计划（ADNI）中的静息状态fMRI数据。识别出基于大脑一致性的亚群，并同时发现与人口学因素和认知功能的关联。
引用
@article{arxiv.2512.03912,
title = {Parsimonious Clustering of Covariance Matrices},
author = {Yixi Xu and Yi Zhao},
journal= {arXiv preprint arXiv:2512.03912},
year = {2025}
}