Modeling Motor Learning Using Heteroscedastic Functional Principal Components Analysis
使用异方差函数主成分分析建模运动学习AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要聚焦运动函数数据的异方差主成分分析，未明确对应经济面板或金融波动率问题。
反馈分类问题正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
关注这篇论文的作者
使用异方差函数主成分分析建模运动学习
- 研究问题
- 如何描述协变量与个体差异对函数型数据变异性的影响，并量化运动技能学习过程中运动轨迹变异的减少？
- 方法与思路
- 作者扩展函数主成分分析，将成分得分方差建模为协变量及个体随机效应的函数，适用于主成分基本稳定的情形。
- 材料陈述的贡献
- 摘要称方法提供总体与个体层面的变异分析，在上肢运动控制实验中量化学习相关的变异下降，并讨论其他运动应用。
- 阅读关注点
- 核对主成分跨个体和协变量基本不变的设定、得分方差模型及随机效应识别，并检查学习相关变化的估计与不确定性。
- 阅读边界
- 依据版本未注明的 OpenAlex 索引摘要；实验设计、估计细节和具体效果未说明，学习相关变异下降不自动构成因果结论。
原文摘要
We propose a novel method for estimating population-level and subject-specific effects of covariates on the variability of functional data. We extend the functional principal components analysis framework by modeling the variance of principal component scores as a function of covariates and subject-specific random effects. In a setting where principal components are largely invariant across subjects and covariate values, modeling the variance of these scores provides a flexible and interpretable way to explore factors that affect the variability of functional data. Our work is motivated by a novel dataset from an experiment assessing upper extremity motor control, and quantifies the reduction in movement variability associated with skill learning. The proposed methods can be applied broadly to understand movement variability, in settings that include motor learning, impairment due to injury or disease, and recovery. Supplementary materials for this article are available online.