Dimensionality reduction methods for biomedical data

Kód výsledku v IS VaVaI

<a href="https://www.isvavai.cz/riv?ss=detail&h=RIV%2F00216208%3A11110%2F18%3A10391350" target="_blank" >RIV/00216208:11110/18:10391350 - isvavai.cz</a>

Nalezeny alternativní kódy

RIV/67985807:_____/18:00491813

Výsledek na webu

<a href="https://ojs.cvut.cz/ojs/index.php/CTJ/article/view/4425" target="_blank" >https://ojs.cvut.cz/ojs/index.php/CTJ/article/view/4425</a>

DOI - Digital Object Identifier

—

Jazyk výsledku

angličtina

Název v původním jazyce

Dimensionality reduction methods for biomedical data

Popis výsledku v původním jazyce

The aim of this paper is to present basic principles of common multivariate statistical approaches to dimensionality reduction and to discuss three particular approaches, namely feature extraction, (prior) variable selection, and sparse variable selection. Their important examples are also presented in the paper, which includes the principal component analysis, minimum redundancy maximum relevance variable selection, and nearest shrunken centroid classifier with an intrinsic variable selection. Each of the three methods is illustrated on a real dataset with a biomedical motivation, including a biometric identification based on keystroke dynamics or a study of metabolomic profiles. Advantages and benefits of performing dimensionality reduction of multivariate data are discussed.

Název v anglickém jazyce

Dimensionality reduction methods for biomedical data

Popis výsledku anglicky

The aim of this paper is to present basic principles of common multivariate statistical approaches to dimensionality reduction and to discuss three particular approaches, namely feature extraction, (prior) variable selection, and sparse variable selection. Their important examples are also presented in the paper, which includes the principal component analysis, minimum redundancy maximum relevance variable selection, and nearest shrunken centroid classifier with an intrinsic variable selection. Each of the three methods is illustrated on a real dataset with a biomedical motivation, including a biometric identification based on keystroke dynamics or a study of metabolomic profiles. Advantages and benefits of performing dimensionality reduction of multivariate data are discussed.

Druh

J_SC - Článek v periodiku v databázi SCOPUS

CEP obor

—

OECD FORD obor

30502 - Other medical science

Projekt

<a href="/cs/project/NV15-29835A" target="_blank" >NV15-29835A: Analýza funkční organizace epileptogenních sítí s využitím teorie grafů: význam pro předoperační diagnostiku pacientů s neokortikální epilepsií.</a><br>

Návaznosti

I - Institucionalni podpora na dlouhodoby koncepcni rozvoj vyzkumne organizace

Rok uplatnění

2018

Kód důvěrnosti údajů

S - Úplné a pravdivé údaje o projektu nepodléhají ochraně podle zvláštních právních předpisů

Název periodika

Lékař a technika

ISSN

0301-5491

e-ISSN

—

Svazek periodika

48

Číslo periodika v rámci svazku

1

Stát vydavatele periodika

CZ - Česká republika

Počet stran výsledku

7

Strana od-do

29-35

Kód UT WoS článku

—

EID výsledku v databázi Scopus

2-s2.0-85049794593