[论文解读] 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 4

一句话总结

本文提出了一种名为因子化二分查找（FaBiSearch）的新方法，用于检测高维多变量时间序列（特别是fMRI数据）中网络结构的多个变化点。通过将非负矩阵分解（NMF）与二分查找框架相结合，FaBiSearch能够识别功能连接中的动态变化，其在模拟实验中优于现有方法，并在静息态和任务态fMRI实验中揭示了跨被试的稳定且可重复的网络状态。

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.

研究动机与目标

• 开发一种可扩展的方法，用于检测高维多变量时间序列中的多个变化点，尤其适用于功能连接呈现非平稳性的fMRI数据。
• 通过在高维非平稳数据中实现高精度检测并最小化假设，解决移动窗口方法和传统变化点检测的局限性。
• 基于基于一致性矩阵的新图估计方法，在检测到的变化点之间估计稳定且可解释的网络结构。
• 探索真实fMRI数据集中大脑的动态功能连接，包括静息态下的重测信度以及叙事任务过程中网络的演化。
• 通过在CRAN上发布R包（fabisearch）使该方法更易于在神经科学和时间序列分析领域广泛使用。

提出的方法

• FaBiSearch使用非负矩阵分解（NMF）降低维度，并从高维时间序列数据中提取潜在依赖结构。
• 应用一种新颖的二分查找算法，通过递归划分时间序列并基于NMF的重构误差评估结构变化，高效定位多个变化点。
• 该方法假设变化点的数量和位置事先未知，使用统计准则确定最优划分。
• 在变化点之间，一种新型网络估计方法利用从二值连接矩阵中导出的一致性矩阵构建图，确保仅建模正向关系（0至1）。
• 一致性矩阵通过多个二值连接矩阵的算术平均计算得出，增强了鲁棒性与可解释性。
• 该方法通过模拟实验验证，并应用于两个真实fMRI数据集：包含三次随访的静息态研究，以及涉及阅读叙事文本的任务态研究。

实验结果

研究问题

• RQ1 与现有方法相比，FaBiSearch在高维非平稳fMRI时间序列中检测多个变化点的准确性如何？
• RQ2 使用FaBiSearch检测静息态fMRI数据中动态功能连接的重测信度如何？
• RQ3 在叙事任务中，功能连接的变化点是否与故事的关键情节转折点相吻合？
• RQ4 在静息态和任务态fMRI实验中，是否存在跨被试的稳定且可重复的网络状态？
• RQ5 大脑网络中的枢纽节点在检测到的变化点之间如何动态演变？

主要发现

• 在所有模拟评估指标中，FaBiSearch均优于网络变化点检测（NCPD）方法，显示出更高的变化点检测精度。
• 在模拟实验中，FaBiSearch的检测精度显著优于NCPD，尽管其平均计算时间更长（100次迭代中分别为25.04分钟 vs. 0.75分钟）。
• 在静息态fMRI数据中，FaBiSearch检测到多个变化点，揭示了跨被试和随访时间的稳定动态功能连接模式，表明具有良好的重测信度。
• 在任务态fMRI实验中，变化点与《哈利·波特》第九章的关键情节转折点相吻合，表明网络动态反映了对叙事结构的认知处理。
• 该方法识别出跨被试的共同网络状态，表明在静息和任务条件下均存在一致的大尺度功能组织。
• 大脑网络中的枢纽节点表现出动态行为，其连接模式在检测到的变化点之间发生改变，凸显其在自适应网络重构中的作用。