[论文解读] Estimating whole brain dynamics using spectral clustering

Ivor Cribben, Yi Yu|Bristol Research (University of Bristol)|Sep 12, 2015

Functional Brain Connectivity Studies参考文献 48被引用 10

一句话总结

本文提出网络变化点检测（NCPD），一种基于谱聚类和变化点分析的数据驱动方法，用于在fMRI中估计时变功能脑网络。该方法无需假设变化次数固定，即可检测全脑连接结构的动态变化，实现跨被试的功能状态重复识别，并揭示静息态数据中的大规模脑动态特征。

ABSTRACT

The estimation of time-varying networks for functional Magnetic Resonance Imaging (fMRI) data sets is of increasing importance and interest. In this work, we formulate the problem in a high-dimensional time series framework and introduce a data-driven method, namely Network Change Points Detection (NCPD), which detects change points in the network structure of a multivariate time series, with each component of the time series represented by a node in the network. NCPD is applied to various simulated data and a resting-state fMRI data set. This new methodology also allows us to identify common functional states within and across subjects. Finally, NCPD promises to offer a deep insight into the large-scale characterisations and dynamics of the brain

研究动机与目标

• 为解决fMRI中平稳连接性假设的局限性，通过建模时变功能连接性来改进。
• 在不预先假设变化次数或位置的前提下，检测代表脑区的多变量时间序列中的变化点。
• 通过在动态网络结构上应用谱聚类，识别跨被试及个体内部的共同功能状态。
• 在p > T（脑区数量 > 时间点数）的高维设置下，实现全脑动态的大规模分析。
• 为任务相关和静息态fMRI研究提供一种灵活、非参数化的框架，用于研究动态功能组织。

提出的方法

• 对从fMRI数据中提取的时变功能连接网络应用谱聚类，以估计社区结构。
• 提出一种基于变化点前后网络估计所形成乘积矩阵的奇异值的新度量，以识别候选变化点。
• 采用二元分割法，迭代检测时间序列中的多个变化点。
• 利用平稳自展法对检测到的变化点进行统计推断，以增强对时间依赖性的鲁棒性。
• 通过正则化和网络结构估计，在高维设置（p > T）下运行，避免对大型精度矩阵的直接求逆。
• 将变化点检测与网络社区检测相结合，以建模随时间演化的功能脑状态。

实验结果

研究问题

• RQ1 如何在不假设平稳性的前提下，检测全脑时变功能连接性的变化？
• RQ2 在脑区数量超过时间点数的高维多变量fMRI时间序列中，识别变化点的最优方法是什么？
• RQ3 能否通过数据驱动的网络聚类方法，识别在被试和时间上重复出现的共同功能状态？
• RQ4 与滑动窗方法相比，该方法在窗口大小选择上的敏感性和鲁棒性如何？
• RQ5 该方法在静息态fMRI数据中，能在多大程度上揭示具有生物学意义的功能脑状态？

主要发现

• NCPD在模拟数据和真实静息态fMRI数据中均成功检测到多个变化点，揭示了功能连接结构的动态转变。
• 该方法识别出跨被试的重复功能状态，表明在静息状态下存在稳定且短暂的脑网络配置。
• 在双核处理器上，算法每名被试的运行时间约为132秒（T=285，p=116），通过并行化可实现显著加速。
• 在检测到变化点后对网络结构应用谱聚类，能有效揭示随时间演化的社区组织结构。
• 该方法对高维性（p > T）具有鲁棒性，可在无需强参数假设的情况下实现全脑分析。
• NCPD优于传统滑动窗方法，避免了窗口大小选择的任意性，并仅对变化点附近的时序点赋予相等权重。