函数型数据的变异模式分类
统计方法学
2022-02-08 v3
摘要
本文提出一种函数型数据的新分类方法。该工作的动机源于需要识别记录有局部场电位（LFPs）的不同神经疾病之间的判别特征。无论何种疾病，这些局部场电位均具有零均值，因此这些随机过程的矩不具备判别力。我们提出变异模式分类（VPC）方法，{其采用（自）协方差算子作为判别特征}，并使用Hilbert-Schmidt范数来度量不同组的（自）协方差算子之间的差异。所提出的VPC方法被证明对该差异敏感，{有可能带来更高的分类率}。一项重要创新在于降维，其中VPC方法数据自适应地确定解释主要差异的基函数（判别特征函数）。此外，所选判别特征函数揭示了区分各组的变异模式特征，从而有助于理解不同组之间的差异。我们建立了相合性性质，并且仿真研究以及大鼠脑LFP轨迹的分析从经验上证明了所提方法的优势与有效性。
引用
@article{arxiv.2004.00855,
title = {Variation Pattern Classification of Functional Data},
author = {Shuhao Jiao and Ron D. Frostig and Hernando Ombao},
journal= {arXiv preprint arXiv:2004.00855},
year = {2022}
}