我中心研究员吴奔与埃默里大学郭颖教授、密歇根大学康健教授在《Journal of the American Statistical Association》发表合作论文。该研究提出了一种针对具有空间相依性的高维数据（如神经影像数据）的贝叶斯盲源分离模型。该模型利用阈值高斯过程构造了一种新的贝叶斯非参数先验，能很好地刻画信号源在空间上的光滑性与稀疏性，并实现信号源数量的自动选择。文章讨论了新模型的理论性质。相关软件包BSPBSS已上传至CRAN。

论文题目

基于阈值高斯过程的贝叶斯空间盲源分离

文章摘要

盲源分离（BSS）旨在将潜在源信号与其混合物分离。对于高维和大规模数据中的空间依赖信号，例如神经成像，大多数现有的BSS方法都没有考虑潜在源信号的空间依赖性和稀疏性。为了解决这些主要限制，我们提出了一种用于神经影像数据分析的贝叶斯空间盲源分离（BSP-BSS）方法。我们假设观察到的图像的期望是多个稀疏和分段平滑潜在源信号的线性混合，为此我们通过阈值化高斯过程构建了一类新的贝叶斯非参数先验模型。我们将 vMF 先验分配给模型中的混合系数。在一定的正则性条件下，结果表明所提方法具有先验支持大、潜源强度函数和混合系数联合后验分布的一致性、潜在源数的选择一致性等多个理想理论性质。我们使用广泛的模拟研究和自闭症脑成像数据交换（ABIDE）研究中的静息状态fMRI数据分析，证明BSP-BSS优于分离潜在脑网络和检测潜在来源中激活的大脑激活的现有方法。

作者介绍

吴奔，中国人民大学统计学院讲师，应用统计科学研究中心研究员，主要从事贝叶斯统计、独立成分分析、神经影像数据分析等领域研究。

论文发表截图