基于分位数函数的神经影像分类模型 -- 使用 Wasserstein 回归

我们提出一种新颖的基于分位数函数的神经影像分类方法，采用 Wasserstein-Fr\'echet 回归，用于基于 MEG 和 MRI 数据检测轻度创伤性脑损伤（mTBI）。传统的神经影像分类方法通常从不同时段的脑信号中提取概要统计量，这可能会导致重要分布信息（如方差、偏度、峰度等）的丢失。我们的方法将 epoch 空间结果的完整概率密度函数视为功能响应变量 within Wasserstein-Fr\'echet 回归框架，从而保留来自 $L_{1}$ 最小范数解的 epoch 结果的完整分布特征。整合协变量（年龄和性别）的全局 Wasserstein-Fr\'echet 回归模型，使我们能够直接比较健康对照者和 mTBI 患者之间的分布模式。分类程序计算来自对照组和患者组分别估计的分位数函数之间的 Wasserstein 距离，并据此进行诊断决策。该框架提供了一种在统计学上原则化的方法，以提高 mTBI 检测的诊断准确性。在实际应用中，对 Innovision IP 数据集中未见数据测试的准确率可达最高 98%。