1 1诊断和介入放射学和核医学系,汉堡 - 埃芬多夫,汉堡,德国汉堡2神经退行性疾病中心(DZNE)慕尼黑,德国慕尼黑7慕尼黑系统神经病学集群(Synergy),慕尼黑,德国慕尼黑8号8号神经病学系,汉堡大学医学中心,汉堡,汉堡,德国9号,汉堡,9月9日,德国核医学,奥格斯堡,穆尼尔,穆尼奇,穆尼奇,穆尼奇,穆尼,穆尼,德国汉诺威汉诺威医学院的诊断和介入神经放射学,12号医学和辐射保护保护,大学医院,奥格斯堡大学,德国奥格斯堡,奥格斯堡,德国奥格斯堡13 13莱比锡神经病学系,莱比锡,莱比锡,德国莱比锡,德国14号神经病学系,奥格斯堡,神经病学系。德国慕尼黑16美国纽约州曼海斯特医学研究机构Manhasset,美国17核医学系,莱比锡大学医院,莱比锡,德国1诊断和介入放射学和核医学系,汉堡 - 埃芬多夫,汉堡,德国汉堡2神经退行性疾病中心(DZNE)慕尼黑,德国慕尼黑7慕尼黑系统神经病学集群(Synergy),慕尼黑,德国慕尼黑8号8号神经病学系,汉堡大学医学中心,汉堡,汉堡,德国9号,汉堡,9月9日,德国核医学,奥格斯堡,穆尼尔,穆尼奇,穆尼奇,穆尼奇,穆尼,穆尼,德国汉诺威汉诺威医学院的诊断和介入神经放射学,12号医学和辐射保护保护,大学医院,奥格斯堡大学,德国奥格斯堡,奥格斯堡,德国奥格斯堡13 13莱比锡神经病学系,莱比锡,莱比锡,德国莱比锡,德国14号神经病学系,奥格斯堡,神经病学系。德国慕尼黑16美国纽约州曼海斯特医学研究机构Manhasset,美国17核医学系,莱比锡大学医院,莱比锡,德国
。cc-by-nc-nd 4.0国际许可证(未经同行评审证明)获得的是作者/资助者,他授予Biorxiv授予Biorxiv的许可,以永久显示预印本。这是该版本的版权持有人,该版本发布于2023年10月6日。 https://doi.org/10.1101/2023.06.21.545918 doi:biorxiv preprint
丹麦磁共振研究中心,功能和诊断成像与研究中心,哥本哈根大学医院 - 仪表板 - 室友和HVIDOVRE,丹麦B伦敦B伦敦伦敦数学数学学院,英国伦敦,C哥本哈根大学,哥本哈根大学,哥本哈根大学,哥本哈根大学,丹麦哥本哈根,丹麦医院,医院,哥伦比亚大学。哥本哈根,丹麦E临床医学研究所,哥本哈根大学医学和健康科学学院丹麦H丹麦H哥本哈根,沃恩福德医院,牛津大学,牛津大学,牛津大学,英国I辐射科学系,UMEå功能性脑成像中心(UFBI),Umeå大学,Umeå大学,瑞典
。cc-by-nc 4.0国际许可证是根据作者/资助者提供的,他已授予Medrxiv的许可证,以永久显示预印本。(未通过同行评审认证)
。cc-by-nd 4.0国际许可证(未经同行评审证明)获得的是作者/资助者,他已授予Biorxiv的许可证,以永久显示预印本。这是该版本的版权所有,该版本发布于2023年2月7日。 https://doi.org/10.1101/2023.02.07.527499 doi:biorxiv Preprint
Affiliations 1 Laboratory of Molecular Genetics and Immunology, Rockefeller University, New York, NY 2 Department of Medicine, Memorial Sloan Kettering Cancer Center, New York, NY 3 The Marc and Jennifer Lipschultz Precision Immunology Institute, Icahn School of Medicine at Mount Sinai, New York, NY 4 Department of Oncological Sciences, Tisch Cancer Institute, Icahn School of Medicine at西奈山,纽约,纽约州,纽约州5座纪念纪念馆,斯隆·凯特林癌症中心,纽约,纽约州6泌尿外科,伊坎山泌尿科,纽约州西奈山,纽约,纽约,纽约7当前地址:Genentech,Inc。,Inc。,南旧金山,美国加利福尼亚州南旧金山,美国加利福尼亚州,
摘要 — 由于维数较高,噪声多通道脑电图时间序列数据的协方差矩阵难以估计。在基于事件相关电位和线性判别分析 (LDA) 进行分类的脑机接口 (BCI) 中,解决这个问题的最新方法是通过收缩正则化。我们提出了一个新想法来解决这个问题,即对 LDA 的协方差矩阵实施块 Toeplitz 结构,这实现了每个通道在短时间窗口中信号平稳的假设。在 13 种事件相关电位 BCI 协议下收集的 213 名受试者的数据上,与收缩正则化的 LDA(最多 6 个 AUC 点)和黎曼分类方法(最多 2 个 AUC 点)相比,由此产生的“ToeplitzLDA”显著提高了二元分类性能。这意味着应用程序级别的性能得到了极大改善,例如在无监督视觉拼写器应用程序中记录的数据,其中 25 个受试者的拼写错误平均可以减少 81%。除了 LDA 训练的内存和时间复杂度较低之外,ToeplitzLDA 被证明即使在 20 倍的时间维度扩大后也几乎保持不变,这减少了对特征提取专家知识的需求。
现今随着高通量测序技术的飞速发展,微生物群落分析受到越来越多的关注。观测数据具有以下典型特征:高维、成分复杂(处于单纯形状态),甚至由于种类过于丰富而呈现尖峰性和高度偏斜性,这使得传统的相关性分析无法研究微生物种类之间的共现和共排斥关系。在本文中,我们解决了该类数据的协方差估计难题。假设基协方差矩阵位于一类公认的稀疏协方差矩阵中,我们采用文献中称为中心对数比协方差矩阵的代理矩阵,由于维数趋向于无穷大,因此它与真实的基协方差矩阵几乎无法区分。我们为中心对数比协方差矩阵构建了一个均值中位数 (MOM) 估计量,并提出了一种可适应各个条目变化的阈值处理程序。通过施加一个比文献中的亚高斯条件弱得多的有限四阶矩条件,我们推导出谱范数下的最佳收敛速度。此外,我们还为支持恢复提供了理论保证。MOM 估计量的自适应阈值处理程序易于实现,并且在存在异常值或重尾时具有稳健性。进行了彻底的模拟研究,以显示所提出的程序优于一些最先进的方法。最后,我们应用所提出的方法来分析人类肠道中的微生物组数据集。用于实现该方法的 R 脚本可在 https://github.com/heyongstat/RCEC 获得。
摘要:网络分析方法在其他领域(如系统神经科学)中无处不在,最近已用于测试心理学中的网络理论,包括智力研究。智力的网络或互利共生理论提出,认知能力(例如词汇或记忆等特定能力)之间的统计关联源于它们在整个发展过程中的因果关系。在本研究中,我们使用认知能力和大脑结构协方差(灰质和白质)的网络模型(特别是 LASSO)来同时模拟大脑-行为关系,这些关系对于一个大型(行为,N = 805;皮质体积,N = 246;分数各向异性,N = 165)发育期(年龄 5-18)学习困难者群体(CALM)的一般智力至关重要。我们发现,我们的认知、神经和多层网络中普遍存在着大多数正向、小范围的偏相关。此外,通过利用社区检测(Walktrap 算法)和计算节点中心性(绝对强度和桥接强度),我们发现了趋同证据,表明认知和神经节点的子集在大脑和行为之间起着中介作用。我们讨论了未来研究的意义和可能途径。