丹尼尔·巴肯罗斯;杰夫·戈德史密斯;米歇尔·哈伦。;胡安·科尔特斯(Juan C.Cortes)。;约翰·克劳尔。;吉塔戈、智子 使用异方差函数主成分分析对运动学习建模。 (英语) Zbl 1402.62350号 美国统计协会。 113,第523号,1003-1015(2018). 小结:我们提出了一种新的方法来估计协变量对功能数据变异性的人群水平和主题特定影响。我们扩展了功能主成分分析框架,将主成分得分的方差建模为协变量和主题特定随机效应的函数。在主成分在受试者和协变量值之间基本不变的情况下,对这些分数的方差建模提供了一种灵活且可解释的方法来探索影响功能数据可变性的因素。我们的工作是基于一个评估上肢运动控制的实验中的新数据集,并量化了与技能学习相关的运动可变性的减少。所提出的方法可广泛应用于了解运动学习、损伤或疾病导致的损伤以及恢复等环境中的运动可变性。 引用于4文件 MSC公司: 第60页 统计学在工程和工业中的应用;控制图 62H25个 因子分析和主成分;对应分析 62J10型 方差和协方差分析(ANOVA) 关键词:功能数据;运动学数据;电动机控制;概率主成分分析;方差建模;变分贝叶斯 软件:退款;fda(右);lme4公司 PDF格式BibTeX公司 XML格式引用 \textit{D.Backenroth}等人,《美国统计协会期刊》第113期,第523、1003--1015号(2018年;Zbl 1402.62350) 全文: 内政部 链接 参考文献: [1] 贝茨,D。;Mächler,M。;Bolker,B。;Walker,S.,使用lme4拟合线性混合效应模型,统计软件杂志, 67, 1-48, (2015) [2] Bishop,C.M.,贝叶斯PCA,神经信息处理系统研究进展, 382-388, (1999) [3] Chiou,J.-M。;穆勒,H.-G。;Wang,J.-L.,具有平滑随机效应的函数拟似然回归模型,英国皇家统计学会杂志, 65, 405-423, (2003) ·Zbl 1065.62065号 [4] Di,C.-Z。;Crainiceanu,C.M。;Caffo,B.S。;Punjabi,N.M.,多层功能主成分分析,应用统计年鉴, 4, 458-488, (2009) ·Zbl 1160.62061号 [5] Djeundje,V.A.B。;Currie,I.D.,通过惩罚纵向数据混合模型中惩罚样条的适当协方差特定化,电子统计杂志, 4, 1202-1224, (2010) ·Zbl 1329.62198号 [6] Gelman,A。;Rubin,D.B.,使用多个序列的迭代模拟推断,统计科学, 7, 457-472, (1992) ·Zbl 1386.65060号 [7] 戈德史密斯,J。;格雷文,S。;Crainiceanu,C.M.,使用主成分校正功能数据的置信带,生物计量学, 69, 41-51, (2013) ·兹比尔1274.62776 [8] 戈德史密斯,J。;Kitago,T.,使用层次函数-标度回归评估中风对运动控制的系统影响,英国皇家统计学会杂志, 65, 215-236, (2016) [9] 戈德史密斯,J。;谢佩尔,F。;Huang,L.等人。;Wrobel,J。;Gellar,J。;Harezlak,J。;麦克莱恩,M.W。;Swihart,B.(瑞士)。;肖,L。;克雷尼西亚努,C。;莱斯,P.T。,退款:与功能数据回归, (2016) [10] 戈德史密斯,J。;Wand,M.P。;Crainiceanu,C.M.,通过变分贝叶斯的函数回归,电子统计杂志, 5, 572-602, (2011) ·Zbl 1274.62200号 [11] 戈德史密斯,J。;齐普尼科夫,V。;Schrack,J.,广义多级函数标度回归和主成分分析,生物计量学, 71, 344-353, (2015) ·Zbl 1390.62259号 [12] 顾克。;帕蒂,D。;Dunson,D.B.,简单连接2D形状的贝叶斯层次建模,arXiv预印本arXiv:1201.1658,(2012) [13] 郭伟,功能混合效应模型,生物计量学, 58, 121-128, (2002) ·Zbl 1209.62072号 [14] 黄,H。;李,Y。;Guan,Y.,联合建模和聚类将广义纵向轨迹与可卡因滥用治疗数据的应用配对,美国统计协会杂志, 83, 210-223, (2014) [15] 黄,V。;Ryan,S。;凯恩,L。;黄,S。;Berard,J。;Kitago,T。;马佐尼,P。;Krakauer,J.,慢性中风中的3D机器人训练可以改善运动控制,但不能改善运动功能,神经科学学会2012年10月,新奥尔良,(2012) [16] 詹姆斯·G·M。;哈斯蒂·T·J。;Sugar,C.A.,稀疏功能数据的主成分模型,生物特征, 87, 587-602, (2000) ·Zbl 0962.62056号 [17] 江,C.-R。;Wang,J.-L.,纵向数据的协变量调整函数主成分分析,统计年鉴, 38, 1194-1226, (2010) ·兹比尔1183.62102 [18] Jordan,M.I.,图形模型,统计科学, 19, 140-155, (2004) ·Zbl 1057.62001号 [19] M.I.乔丹。;加赫拉马尼,Z。;Jaakkola,T.S。;Saul,L.K.,《图形模型变分方法简介》,机器学习, 37, 183-233, (1999) ·Zbl 0945.68164号 [20] Kitago,T。;戈德史密斯,J。;哈兰,M。;凯恩,L。;Berard,J。;黄,S。;Ryan,S.L。;马佐尼,P。;Krakauer,J.W。;Huang,V.S.,机器人治疗慢性中风:损伤的一般恢复或特定任务技能的提高,神经生理学杂志, 114, 1885-1894, (2015) [21] Krakauer,J.W.,《运动学习:与中风恢复和神经康复的相关性》,神经病学的当前观点, 19, 84-90, (2006) [22] Kurtek,S。;Srivastava,A。;克拉森,E。;Ding,Z.,使用形状和相关特征的曲线统计建模,美国统计协会杂志, 107, 1152-1165, (2012) ·Zbl 1443.62389号 [23] 麦克莱恩,M.W。;谢佩尔,F。;胡克,G。;格雷文,S。;Ruppert,D.,《稀疏观测协变量的贝叶斯泛函广义加性模型》,审查中,(2013) [24] 莫里斯,J.S。;Carroll,R.J.,基于小波的函数混合模型,英国皇家统计学会杂志, 68, 179-199, (2006) ·Zbl 1110.62053号 [25] 奥尔默罗德,J。;Wand,M.P.,广义线性混合模型的高斯变分近似推断,美国统计学家, 21, 2-17, (2012) [26] 彭杰。;Paul,D.,从稀疏纵向数据中最大似然估计函数主成分的几何方法,计算与图形统计杂志, 18, 995-1015, (2009) [27] J.O.拉姆齐。;西尔弗曼,B.W。,功能数据分析(2005),纽约斯普林格·Zbl 1079.62006号 [28] 谢佩尔,F。;A.-M.施泰克。;Greven,S.,功能加性混合模型,计算与图形统计杂志, 24, 477-501, (2015) [29] 肖尔茨,J.-P。;Schöner,G.,非受控流形概念:识别函数任务的控制变量,实验脑研究, 126, 289-306, (1999) [30] Schwarz,G.,估算模型的维数,统计年鉴, 6, 461-464, (1978) ·Zbl 0379.62005年 [31] Shmuelof,L.公司。;Krakauer,J.W。;马佐尼,P.,运动技能是如何学习的?任务成功和轨迹控制层面的变化和不变性,神经生理学杂志, 108, 578-594, (2012) [32] Stan建模语言用户指南和参考手册,1.3版, (2013) [33] Tanaka,H。;Sejnowski,T.J。;Krakauer,J.W.,通过后顶叶和运动皮层区域之间的相互作用适应视觉运动旋转,神经生理学杂志, 102, 2921-2932, (2009) [34] Tipping,M.E。;Bishop,C.,概率主成分分析,英国皇家统计学会杂志, 61, 611-622, (1999) ·Zbl 0924.62068号 [35] Titterington,D.M.,神经网络和相关模型的贝叶斯方法,统计科学,1928-139,(2004年)·Zbl 1057.62078号 [36] van der Linde,A.,变分贝叶斯函数PCA,计算统计与数据分析, 53, 517-533, (2008) ·Zbl 1452.62425号 [37] Šmídl等人。;Quinn,A.,关于贝叶斯主成分分析,计算统计与数据分析, 51, 4101-4123, (2007) ·Zbl 1162.62372号 [38] 姚,F。;穆勒,H。;Wang,J.,稀疏纵向数据的功能数据分析,美国统计协会杂志, 100, 577-590, (2005) ·Zbl 1117.62451号 [39] 雅罗,L。;布朗,P。;Krakauer,J.-W.,《优秀运动员的大脑内部:支持运动中取得高成就的神经过程》,自然评论-神经科学, 10, 585-596, (2009) 此参考列表基于出版商或数字数学图书馆提供的信息。其项与zbMATH标识符进行启发式匹配,可能包含数据转换错误。在某些情况下,zbMATH Open的数据对这些数据进行了补充/增强。这试图尽可能准确地反映原始论文中列出的参考文献,而不要求完整或完全匹配。