NeuralCipher Araştırma özeti
Kaynak özetin Türkçe makine çevirisi. Klinik kullanım öncesinde özgün yayınla karşılaştırılmalı; hekim incelemesi değildir. cc by
Topolojik veri analizi (TDA), çok değişkenli zaman serisi verilerini analiz etmek için giderek daha popüler hale gelen araçlar sağlar. Çok değişkenli zaman serilerinin analizinde önemli bir husus, bileşenler arasındaki bağımlılıktır. Bir uygulama beyin sinyal analizi üzerinedir. Özellikle, beyin ağlarındaki çeşitli bağımlılık kalıpları belirli görevler ve bilişsel süreçlerle bağlantılı olabilir. Bu bağımlılık kalıpları, Alzheimer ve Parkinson hastalıkları gibi çeşitli nörolojik ve bilişsel bozuklukların yanı sıra dikkat eksikliği hiperaktivite bozukluğu (DEHB) ile değiştirilebilir. Gerçek beyin sinyallerinde bilinen bağımlılık kalıplarıyla ilgili bir temel gerçek olmadığı için, çok değişkenli zaman serilerinde yeni TDA yöntemlerini test etmek hala bir meydan okumadır. Buradaki amacımız simülasyonlar yoluyla yeni istatistiksel çıkarım prosedürleri geliştirmektir. Simülasyonlar, bir test istatistiğinin bazı boş dağılımlarını oluşturmak ( hipotez testi için), güven bölgeleri oluşturmak ve önerilen TDA yöntemlerinin performansını değerlendirmek için yararlıdır. Bilgimizin en iyisine göre, çok değişkenli zaman serisi verilerini potansiyel olarak karmaşık kullanıcı tarafından belirlenmiş bağlantı modelleriyle simüle eden hiçbir yöntem yoktur. Bu makalede, bağımlılık ağındaki belirli sayıda döngü/delik ile çok değişkenli zaman serisini simüle etmek için yeni bir yaklaşım sunuyoruz. Ayrıca, daha yüksek boyutlu topolojik özellikler üretmek için bir prosedür de sunuyoruz.
Özgün kaynak özetini okuyun
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.
Bilimsel değerlendirme
Araştırma sorusu
Sorunun kapsamı orijinal çalışma üzerinden değerlendirilir.
Yöntem ve örneklem
Çalışma tasarımı ve örneklem için kaynak makaleyi kontrol edin.
Temel bulgular
Bu kayıt için editoryal olarak onaylanmış bulgu özeti henüz yayımlanmadı.
Sınırlılıklar
Sonuçların genellenebilirliği, yanlılık ve klinik anlamı ayrıca incelenmelidir.
Bibliyografik veriden yöntem, örneklem veya klinik sonuç çıkarımı yapılmaz.