[論文レビュー] Factorized Binary Search: change point detection in the network structure of multivariate high-dimensional time series

Martin Ondrus, Emily Olds+1 more|arXiv (Cornell University)|Mar 10, 2021

Time Series Analysis and Forecasting被引用数 4

ひとこと要約

本稿では、高次元多変量時系列、特にfMRIデータにおけるネットワーク構造の複数の変化点を検出するための新規手法であるファクタライズドバイナリサーチュ（FaBiSearch）を提案する。非負値行列分解（NMF）とバイナリサーチューフレームワークを組み合わせることで、機能的結合性の動的シフトを同定し、シミュレーションにおいて既存手法を上回り、安静状態およびタスクベースのfMRI実験において被験者間で安定的かつ再現可能なネットワーク状態を明らかにする。

ABSTRACT

Functional magnetic resonance imaging (fMRI) time series data presents a unique opportunity to understand the behavior of temporal brain connectivity, and models that uncover the complex dynamic workings of this organ are of keen interest in neuroscience. We are motivated to develop accurate change point detection and network estimation techniques for high-dimensional whole-brain fMRI data. To this end, we introduce factorized binary search (FaBiSearch), a novel change point detection method in the network structure of multivariate high-dimensional time series in order to understand the large-scale characterizations and dynamics of the brain. FaBiSearch employs non-negative matrix factorization, an unsupervised dimension reduction technique, and a new binary search algorithm to identify multiple change points. In addition, we propose a new method for network estimation for data between change points. We seek to understand the dynamic mechanism of the brain, particularly for two fMRI data sets. The first is a resting-state fMRI experiment, where subjects are scanned over three visits. The second is a task-based fMRI experiment, where subjects read Chapter 9 of Harry Potter and the Sorcerer's Stone. For the resting-state data set, we examine the test-retest behavior of dynamic functional connectivity, while for the task-based data set, we explore network dynamics during the reading and whether change points across subjects coincide with key plot twists in the story. Further, we identify hub nodes in the brain network and examine their dynamic behavior. Finally, we make all the methods discussed available in the R package fabisearch on CRAN.

研究の動機と目的

• 高次元で多次元の時系列、特に機能的結合性が非定常であると予想されるfMRIデータにおいて、複数の変化点を効率的に検出できるスケーラブルな手法の開発。
• 移動ウィンドウ手法や従来の変化点検出法の限界を克服し、最小限の仮定で高次元で非定常なデータにおいても正確な検出を可能にする。
• 検出された変化点間で、コンセンサス行列に基づく新規なグラフ推定手法を用いて、安定的かつ解釈可能なネットワーク構造を推定する。
• 実際のfMRIデータセットを用いて脳の動的機能的結合性を分析し、安静状態での再テスト信頼性および物語を読むタスク中のネットワーク進化を調査する。
• Neuroscienceおよび時系列解析分野での広範な利用を促進するため、CRANに登録されたRパッケージ（fabisearch）として手法を公開する。

提案手法

• FaBiSearchは、高次元時系列データからの潜在的依存構造を抽出し次元削減するために非負値行列分解（NMF）を用いる。
• 新たなバイナリサーチュアルゴリズムを適用し、時系列を再帰的に分割してNMFに基づく再構成誤差を評価することで、複数の変化点を効率的に特定する。
• 変化点の数と位置は事前に未知であり、最適な分割を決定する統計的基準を用いる。
• 変化点間では、二値結合性行列から導かれるコンセンサス行列を用いた新規なネットワーク推定手法によりグラフが構築され、正の関係（0から1の間）のみがモデル化される。
• コンセンサス行列は複数の二値結合性行列の算術平均として計算され、耐性性と解釈可能性が向上する。
• 本手法はシミュレーションによる検証と、3回の訪問を含む安静状態fMRI研究および物語を読むタスクを含むタスクベースfMRI研究の2つの実データセットへの応用を通じて検証された。

実験結果

リサーチクエスチョン

• RQ1 FaBiSearchは、既存手法と比較して、高次元で非定常なfMRI時系列における複数の変化点をどれほど正確に検出できるか？
• RQ2 FaBiSearchを用いた安静状態fMRIデータにおける動的機能的結合性の再テスト信頼性はいかがなものか？
• RQ3 物語タスク中の機能的結合性の変化点は、物語の主要な展開（特に『ハリー・ポッター』第9章）と一致するか？
• RQ4 安静状態およびタスクベースのfMRI実験において、被験者間で安定的かつ再現可能なネットワーク状態が存在するか？
• RQ5 脳ネットワークにおけるハブノードは、検出された変化点の間でどのように動的に変化するか？

主な発見

• FaBiSearchは、すべてのシミュレーション評価基準において、既存手法のNetwork Change Point Detection（NCPD）を上回り、変化点検出の正確性に優れている。
• シミュレーションでは、FaBiSearchはNCPDよりも顕著に高い検出正確性を達成したが、平均100反復あたり25.04分と、NCPDの0.75分に比べて著しく計算時間が長かった。
• 安静状態fMRIデータでは、FaBiSearchが複数の変化点を検出し、被験者および訪問間で安定した動的機能的結合性パターンを明らかにした。これは、良好な再テスト信頼性を示している。
• タスクベースfMRI実験では、変化点が『ハリー・ポッター』第9章の主要な物語の展開と一致した。これは、ネットワークダイナミクスが物語構造の認知的処理を反映していることを示唆している。
• 本手法は被験者間で共通するネットワーク状態を同定し、安静状態およびタスク状態の両方で一貫した大規模な機能的組織が存在することを示した。
• ハブノードは動的な挙動を示し、検出された変化点の間でその結合性パターンが変化した。これは、適応的ネットワーク再構成におけるハブノードの役割を強調している。