PCA 杠杆率：高维功能磁共振成像数据的异常值检测
统计方法学
2016-10-25 v2
摘要
高维（HD）数据的异常值检测是现代统计研究中的热门课题。然而，一种相对较少受到关注的 HD 数据源是功能磁共振图像（fMRI），它由在数百个时间点采样的数十万次测量组成。在 fMRI 数据的可用性迅速增长的时代——主要通过大型、公开可用的基层数据集——非常需要自动化的质量控制和异常值检测方法。我们提出了 PCA 杠杆率，并演示了如何使用它来识别 fMRI 运行中的异常时间点。此外，PCA 杠杆率衡量了每个观测值对主成分估计的影响，而主成分在 fMRI 数据中通常是人们感兴趣的。我们还提出了一种替代度量，即 PCA 稳健距离，它对异常值较不敏感，并且具有可控的统计性质。所提出的方法通过模拟研究得到了验证，并显示出极高的准确性。我们还使用来自自闭症脑成像数据交换的静息态 fMRI 数据进行了可靠性研究，发现使用所提出的方法去除异常值后，使用 ICA 估计的受试者级静息态网络更为可靠。
引用
@article{arxiv.1509.00882,
title = {PCA leverage: outlier detection for high-dimensional functional magnetic resonance imaging data},
author = {Amanda F. Mejia and Mary Beth Nebel and Ani Eloyan and Brian Caffo and Martin A. Lindquist},
journal= {arXiv preprint arXiv:1509.00882},
year = {2016}
}