Se introduce un método de forma cerrada y estadÃsticamente consistente para la regresión polinómica local intrÃnseca en las variedades de Riemannian, con un enfoque en matrices simétricas positivas definidas (SPD), como datos de covarianza y conectividad.
Un resultado clave es que la formulación de Log-Cholesky ofrece resultados que son estadÃstica y neurofisiológicamente indistinguibles de los métodos Log-Euclidean, mientras que son ~33 % más rápidos computacionalmente.
El enfoque se demuestra en la conectividad de la fuente EEG durante toda la vida en 1 965 participantes del proyecto HarMNqEEG.
Leer el texto completo del artÃculo en:
Reyes RG, Wang Y, Li M, Fernández GE, Minati L and Valdes Sosa PA (2026). Multivariate intrinsic local polynomial regression on isometric Riemannian manifolds. Applications to symmetric positive data. Front. Appl. Math. Stat. 11:1690557. doi: 10.3389/fams.2025.1690557
