题目：空间-因子引导的函数型数据主成分分析——研究脑萎缩与认知功能之间的关系
报告人：林华珍
报告时间：2024年9月20日 15:00
地点：综合楼644会议室
报告人简介：
西南财经大学首席教授，统计研究中心主任, 新基石研究员，国际数理统计学会IMS-fellow，教育部长江学者特聘教授，国家杰出青年科学基金获得者。
主要研究方向为深度学习理论、非参数方法、函数型数据分析、因子模型、生存数据分析、转换模型等。研究成果发表在包括国际统计学四大顶级期刊JASA、AoS、JRSSB及Biometrika上。目前是国际统计学顶刊JASA的Associate Editor，曾先后担任国际统计学权威期刊《Biometrics》、《Scandinavian Journal of Statistics》、《Journal of Business & Economic Statistics》、《Canadian Journal of Statistics》、 《Statistics and Its Interface》、《Statistical Theory and Related Fields》的Associate Editor， 国内权威或核心学术期刊《数学学报》（英文）、《应用概率统计》、《系统科学与数学》、《数理统计与管理》编委会编委。
林华珍教授现任国际泛华统计学会ICSA董事会成员，中国现场统计研究会副理事长，中国现场统计研究会数据科学与人工智能分会理事长，全国工业统计学教学研究会副会长。
报告摘要：
阿尔兹海默症（AD）是一种常见且不可逆转的脑部疾病。基于磁共振成像（MRI）技术得到的上百个感兴趣区域（ROI）的3D形状可以预测认知功能，用于早期发现和干预AD。 通过合适转化，我们将这些形状被表达为上百个曲线数据。分析该数据面临两个挑战。第一，大脑中ROI数量较多，不同ROI上的观测曲线往往具有相关性。如何提取有复杂内在及空间相关的函数型数据的特征目前还没有成熟的方案；第二，不同ROI分布在大脑的不同位置，相邻的ROI往往更相似，它们组成大脑的块。尽管同一块内的ROI较为相似，但是不同块间差别较大。如何识别针对认知功能的脑块结构？为了解决这些挑战，我们提出Space-Factor-Guided Functional Principal Component Analysis （SF-FPCA）方法来有效地捕捉具有空间相关的高维函数数据的内在和空间关系，并通过进一步识别空间上的块结构，提取低维特征。比较分析表明，与其他方法相比，SF-FPCA对ROI体积测量曲线的拟合精度最高。基于所提取特征建立的回归模型，我们确定了57个对AD影响重要的ROI，其中11个目前文献还没有关注到。我们还发现左右脑对AD的影响并不对称，小脑小叶的不同部位的萎缩对AD的影响差别很大。
| 上一条： 没有了 |
| 下一条： 没有了 |
