Statistical inference for dependence networks in topological data analysis.
Statistical inference for dependence networks in topological data analysis.
复制标题
DOI：
10.3389/frai.2023.1293504
复制
发表时间：
2023
影响因子：
4
通讯作者：
Ombao, Hernando
中科院分区：
文献类型：
--
作者：
El-Yaagoubi, Anass B.;Chung, Moo K.;Ombao, Hernando
关键词：
拓扑数据分析（TDA）提供了越来越流行的工具，用于分析多变量时间序列数据。分析多变量时间序列的一个关键方面是组件之间的相关性。一个应用是大脑信号分析。特别是，大脑网络中的各种依赖模式可能与特定的任务和认知过程有关。这些依赖模式可能会被各种神经和认知障碍所改变，如阿尔茨海默病和帕金森病，以及注意力缺陷多动障碍（ADHD）。由于在真实的脑信号中没有已知依赖模式的地面实况，因此在多变量时间序列上测试新的TDA方法仍然是一个挑战。我们的目标是通过模拟开发新的统计推断程序。模拟对于生成检验统计量的一些零分布（用于假设检验）、形成置信区域以及评估所提出的TDA方法的性能是有用的。据我们所知，没有方法模拟具有潜在复杂的用户指定的连接模式的多变量时间序列数据。在本文中，我们提出了一种新的方法来模拟多元时间序列的依赖网络中的特定数量的周期/洞。此外，我们还提供了一个程序生成高维拓扑特征。
Topological data analysis (TDA) provide tools that are becoming increasingly popular for analyzing multivariate time series data. One key aspect in analyzing multivariate time series is dependence between components. One application is on brain signal analysis. In particular, various dependence patterns in brain networks may be linked to specific tasks and cognitive processes. These dependence patterns may be altered by various neurological and cognitive impairments such as Alzheimer's and Parkinson's diseases, as well as attention deficit hyperactivity disorder (ADHD). Because there is no ground-truth with known dependence patterns in real brain signals, testing new TDA methods on multivariate time series is still a challenge. Our goal here is to develop novel statistical inference procedures via simulations. Simulations are useful for generating some null distributions of a test statistic (for hypothesis testing), forming confidence regions, and for evaluating the performance of proposed TDA methods. To the best of our knowledge, there are no methods that simulate multivariate time series data with potentially complex user-specified connectivity patterns. In this paper we present a novel approach to simulate multivariate time series with specific number of cycles/holes in its dependence network. Furthermore, we also provide a procedure for generating higher dimensional topological features.
登录
查看更多内容
人脑网络组图谱：基于连接架构的新大脑图谱
DOI：
10.1093/cercor/bhw157
发表时间：
2016-08
期刊：
Cerebral cortex (New York, N.Y. : 1991)
影响因子：
--
作者：
Fan L;Li H;Zhuo J;Zhang Y;Wang J;Chen L;Yang Z;Chu C;Xie S;Laird AR;Fox PT;Eickhoff SB;Yu C;Jiang T
通讯作者：
Jiang T
多元时间序列数据的拓扑数据分析。
DOI：
10.3390/e25111509
发表时间：
2023-11-01
期刊：
Entropy (Basel, Switzerland)
影响因子：
--
作者：
通讯作者：
--
影响因子：
4
作者：
Chazal F;Michel B
通讯作者：
Michel B
影响因子：
0.9
作者：
Gorrostieta, Cristina;Ombao, Hernando;Von Sachs, Rainer
通讯作者：
Von Sachs, Rainer
影响因子：
0.8
作者：
Edelsbrunner, H;Letscher, D;Zomorodian, A
通讯作者：
Zomorodian, A