用于神经影像数据整合的同步非高斯成分分析（SING）
统计方法学
2021-03-31 v2 应用统计
统计计算
摘要
随着技术进步使得互补信息的获取成为可能，科学研究中收集多个数据集已愈发常见。大规模神经影像研究常包含多种模态（例如任务态功能磁共振成像、静息态功能磁共振成像、弥散磁共振成像和/或结构磁共振成像），旨在理解数据集间的关系。在本研究中，我们试图理解工作记忆任务中激活的脑区是否与静息态相关性相关。在神经影像中，一种流行方法是在典型相关分析前使用主成分分析进行降维并结合联合独立成分分析，但这可能丢弃低方差的生物学特征，和/或将某数据集独有的结构错误地与联合结构相关联。我们引入同步非高斯成分分析（SING），其中降维与特征提取同时实现，并通过被试得分捕获共享信息。我们将该方法应用于来自人类连接组计划（Human Connectome Project）的工作记忆任务与静息态相关性数据。我们发现了联合结构，这由联合得分得以显现，其载荷突出了涉及工作记忆相关区域的静息态相关性。此外，部分被试得分与流体智力相关。
引用
@article{arxiv.2005.00597,
title = {Simultaneous Non-Gaussian Component Analysis (SING) for Data Integration in Neuroimaging},
author = {Benjamin Risk and Irina Gaynanova},
journal= {arXiv preprint arXiv:2005.00597},
year = {2021}
}