Electroencephalography (EEG) studies produce regionreferenced functional data via EEG signals recorded across scalp electrodes. The high-dimensional data can be used to contrast neurodevelopmental trajectories between diagnostic groups, for example between typically developing (TD) children and children with autism spectrum disorder (ASD). Valid inference requires characterization of the complex EEG dependency structure as well as covariate-dependent heteroscedasticity, such as changes in variation over developmental age. In our motivating study, EEG data is collected on TD and ASD children aged two to twelve years old. The peak alpha frequency, a prominent peak in the alpha spectrum, is a biomarker linked to neurodevelopment that shifts as children age. To retain information, we model patterns of alpha spectral variation, rather than just the peak location, regionally across the scalp and chronologically across development. We propose a covariate-adjusted hybrid principal components analysis (CA-HPCA) for EEG data, which utilizes both vector and functional principal components analysis while simultaneously adjusting for covariate-dependent heteroscedasticity. CA-HPCA assumes the covariance process is weakly separable conditional on observed covariates, allowing for covariate-adjustments to be made on the marginal covariances rather than the full covariance leading to stable and computationally efficient estimation. The proposed methodology provides novel insights into neurodevelopmental differences between TD and ASD children.

中文翻译：

---

区域参考功能脑电图数据的协变量调整混合主成分分析

脑电图 (EEG) 研究通过头皮电极记录的 EEG 信号产生区域参考功能数据。高维数据可用于对比诊断组之间的神经发育轨迹，例如典型发育 (TD) 儿童和自闭症谱系障碍 (ASD) 儿童之间的神经发育轨迹。有效的推论需要描述复杂的 EEG 依赖结构以及协变量依赖的异方差性，例如随着发育年龄的变化而变化。在我们的激励性研究中，收集了 2 至 12 岁 TD 和 ASD 儿童的 EEG 数据。峰值阿尔法频率是阿尔法光谱中的一个突出峰值，是与神经发育相关的生物标志物，随着儿童年龄的增长而变化。为了保留信息，我们对 alpha 光谱变化的模式进行建模，而不仅仅是峰值位置，区域跨越头皮和时间顺序跨越发展。我们提出了一种用于 EEG 数据的协变量调整混合主成分分析 (CA-HPCA)，它利用向量和功能主成分分析，同时调整协变量相关的异方差。CA-HPCA 假设协方差过程在观察到的协变量上是弱可分的，允许对边际协方差而不是完全协方差进行协变量调整，从而实现稳定且计算效率高的估计。所提出的方法为 TD 和 ASD 儿童之间的神经发育差异提供了新的见解。我们提出了一种用于 EEG 数据的协变量调整混合主成分分析 (CA-HPCA)，它利用向量和功能主成分分析，同时调整协变量相关的异方差。CA-HPCA 假设协方差过程在观察到的协变量上是弱可分的，允许对边际协方差而不是完全协方差进行协变量调整，从而实现稳定且计算效率高的估计。所提出的方法为 TD 和 ASD 儿童之间的神经发育差异提供了新的见解。我们提出了一种用于 EEG 数据的协变量调整混合主成分分析 (CA-HPCA)，它利用向量和功能主成分分析，同时调整协变量相关的异方差。CA-HPCA 假设协方差过程在观察到的协变量上是弱可分的，允许对边际协方差而不是完全协方差进行协变量调整，从而实现稳定且计算效率高的估计。所提出的方法为 TD 和 ASD 儿童之间的神经发育差异提供了新的见解。CA-HPCA 假设协方差过程在观察到的协变量上是弱可分的，允许对边际协方差而不是完全协方差进行协变量调整，从而实现稳定且计算效率高的估计。所提出的方法为 TD 和 ASD 儿童之间的神经发育差异提供了新的见解。CA-HPCA 假设协方差过程在观察到的协变量上是弱可分的，允许对边际协方差而不是完全协方差进行协变量调整，从而实现稳定且计算效率高的估计。所提出的方法为 TD 和 ASD 儿童之间的神经发育差异提供了新的见解。