Determining the dimension and structure of the subspace correlated across multiple data sets

Hasija, Tanuj; Marrinan, Timothy; Lameiro, Christian; Schreier, Peter J.

doi:10.1016/j.sigpro.2020.107613

Cited by 6 publications

(6 citation statements)

References 28 publications

Supporting

Mentioning

Contrasting

Unclassified

Order By: Relevance

“…, y n (V )] 2 R K⇥V . Minimization of ( 2) is equivalent to maximization of likelihood [13]. For simplicity, in the rest of the paper we do not consider sample dependence case and only consider the simpler independent and identical distribution case.…”

Section: Referencesmentioning

confidence: 99%

“…Although IVA-CS is a promising approach for the subgroup identification problem, it relies heavily on user-defined parameters. One way to alleviate this issue is to apply eigenanalysis to covariance matrices as proposed in [13,14]. These papers focus on complete model identification, i.e., identifying the number of all correlated signals across multiple datasets, and as a result, their computational complexity grows significantly with the number of datasets, making them impractical when there are more than a couple of datasets.…”

Section: Introductionmentioning

confidence: 99%

“…Obviously, for the subgroup identification problem what we are interested in is a method that can effectively work with a large number of datasets, which correspond to each subject's fMRI data. In this paper, we leverage the strengths of these two approaches, use of IVA with the multivariate Gaussian model (IVA-G) to reliably reveal the correlation structure of latent variables across large number of datasets [10], and use of eigenanalysis of covariance matrices to identify the highly correlated subgroups revealed by IVA-G as in [13,14].…”

Section: Introductionmentioning

confidence: 99%

“…Since the correlation structure of the underlying datasets are captured through SCVs, SI-IVA is fundamentally different from the aforementioned two-step procedure in [9]. Inspired by [13,14], we propose to use eigenanalysis with Geshgorin disc theorem (GDT) on the SCV covariance matrices for…”

Section: Introductionmentioning

confidence: 99%

See 3 more Smart Citations

Independent Vector Analysis Based Subgroup Identification from Multisubject fMRI Data

Yang

Akhonda

Ghayem

et al. 2022

ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)

View full text Add to dashboard Cite

Identification of homogeneous subgroups of subjects plays a key role in the study of precision medicine. While there are a number of approaches based on the clustering of low-level features such as behavioral variables, work that makes use of fully multivariate nature of medical imaging data is very limited. Given that the individual variability in brain functional networks obtained from functional magnetic resonance imaging (fMRI) data is noted as being both significant and consistent like fingerprints, its use provides a particularly appealing approach to this challenging problem. We present a completely data-driven approach, subgroup identification using independent vector analysis (SI-IVA), which leverages the desirable properties of IVA to uncover the relationship across subjects along with the discovery of subgroup structures revealed by Gershgorin disc theorem. We show that SI-IVA outperforms an eigenanalysisbased approach by simulations. We then apply the method to real fMRI data obtained from patients of during resting state to identify group differences in multiple relevant brain regions including primary somatosensory and motor cortex, which demonstrates that SI-IVA provides interpretable and meaningful results.

show abstract

Section: Referencesmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

Section: Introductionmentioning

confidence: 99%

See 2 more Smart Citations

Independent Vector Analysis Based Subgroup Identification from Multisubject fMRI Data

Yang

Akhonda

Ghayem

et al. 2022

ICASSP 2022 - 2022 IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP)

View full text Add to dashboard Cite

show abstract

“…гому -реалізується перемноження сигналу з рядом опорних коливань з тим чи іншим видом модуляції при різних параметрах модуляції. Автокореляція використовується для визначення таких параметрів сигналу, як тривалість посилки, тривалість блоку даних(Hasija et al, 2020). 1P норм та середня потужність сигналу (Васин та ін., 2005/2017).…”

unclassified

Ідентифікація Джерел Радіовипромінювання На Основі Аналізу Параметрів Сигналів

Pantyeyev¹

2021

Herald of KIBiT

View full text Add to dashboard Cite

Стаття присвячена створенню одиничного портрета джерела радіовипромінювання та способів його ідентифікації. Відомо, що для виявлення, ідентифікації та визначення місця розташування джерел радіовипромінювання застосовуються засоби радіомоніторингу. При цьому одним із важливих питань, що вирішується системою радіомоніторингу, є прийом та ідентифікація сигналу в радіоефірі. З метою ідентифікації розглянуті питання класифікації основних параметрів джерел радіовипромінювання, наведено класифікацію видів модуляції і основні параметри їх типів. У свою чергу, структуру сигналу дозволяють визначити автокореляційний та кореляційний методи. Автокореляція використовується для визначення таких параметрів сигналу, як тривалість повідомлення, тривалість блоку даних. Кореляція дозволяє ідентифікувати конкретний сигнал з наявного набору. Для виявлення джерела радіовипромінювання розроблено два узагальнених алгоритми: алгоритм розпізнавання виду джерела радіовипромінювання з невідомими параметрами та алгоритм ідентифікації джерела випромінювання за заданими параметрами. Наведені результати моделювання алгоритму розпізнавання джерела радіовипромінювання з заданими параметрами. Як заданий сигнал використовувалася сигнатура з лінійно-частотною модуляцією. Результатом роботи алгоритму моделювання є одиничний екстремум при повній відповідності сигналів; при розбіжності сигналів ширина екстремуму збільшується, що свідчить про розбіжності у параметрах сигналів. Алгоритм такого виду можна застосовувати для пошуку заданого виду сигналу, що дозволяє збільшити швидкість аналізу смуги і точність виявлення. Доведено, що для збільшення точності виявлення необхідно використовувати комбінацію вищезазначених двох алгоритмів з додатковою цифровою обробкою сигналів, що має привести до збільшення точності визначення виду сигналу і більш швидкому знаходженню параметрів джерела радіовипромінювання.

show abstract