Assessing Influential Observations in Pain Prediction using fMRI Data
基于fMRI疼痛预测数据的影响观测诊断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。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
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fMRI高维影响观测诊断与模型选择，属于神经影像统计方法，未涉及所提供领域细分中的因果推断、面板、时间序列或金融计量等方向。
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…
基于fMRI疼痛预测数据的影响观测诊断
- 研究问题
- 摘要称，神经影像数据可用于建模多变量脑活动模式与心理状态及行为结果之间的关系，但离群被试可能损害模型泛化性与后续统计推断的有效性；研究问题是如何检测并处理对多种模型选择方法产生过度影响的被试。
- 方法与思路
- 作者提出一个适用于多种模型选择器的诊断度量，并建立其渐近分布；再将该度量与高维聚类程序结合，以检测多个影响观测。方法通过一系列模拟与热痛任务fMRI数据应用进行评估。
- 材料陈述的贡献
- 摘要称，模拟中该方法在检测性能上相对既有方法表现出明显优势，并带来更好的预测与变量选择结果；应用于热痛研究时，识别出离群被试的影响，尤其体现在低强度与高强度疼痛条件间激活差异上，剔除后可选出一个预测力高且可解释的模型。
- 阅读关注点
- 应核对诊断度量的具体形式与渐近分布所需假设、模型选择器的适用范围、高维聚类如何确定影响观测个数，以及模拟设定与热痛数据预处理是否支持摘要所述优势。
- 阅读边界
- 仅凭摘要无法判断渐近理论的正则条件、模拟的对照设置与真实数据结论的稳健性；该文为arXiv预印本，未经同行评审验证，不能据此声称已被期刊接收。
原文摘要
Neuroimaging data allows researchers to model the relationship between multivariate patterns of brain activity and outcomes related to mental states and behaviors. However, the existence of outlying participants can potentially undermine the generalizability of these models and jeopardize the validity of downstream statistical analysis. To date, the ability to detect and account for participants unduly influencing various model selection approaches have been sorely lacking. Motivated by a task-based functional magnetic resonance imaging (fMRI) study of thermal pain, we propose and establish the asymptotic distribution for a diagnostic measure applicable to a number of different model selectors. A high-dimensional clustering procedure is further combined with this measure to detect multiple influential observations. In a series of simulations, our proposed method demonstrates clear advantages over existing methods in terms of improved detection performance, leading to enhanced predictive and variable selection outcomes. Application of our method to data from the thermal pain study illustrates the influence of outlying participants, in particular with regards to differences in activation between low and intense pain conditions. This allows for the selection of an interpretable model with high prediction power after removal of the detected observations. Though inspired by the fMRI-based thermal pain study, our methods are broadly applicable to other high-dimensional data types.