[论文解读] Inferring complex networks from time series of dynamical systems: Pitfalls, misinterpretations, and possible solutions

Stephan Bialonski|arXiv (Cornell University)|Aug 3, 2012

Complex Systems and Time Series Analysis参考文献 14被引用 10

一句话总结

本文表明，神经科学和气候科学等动力系统实证研究中常报告的小世界性和度数相关性网络特性，可能是分析方法的产物而非底层动力学的真实特征。通过模拟和真实脑数据，研究显示空间与时间采样策略、传感器排列方式以及信号处理技术可系统性地诱导这些网络特征，并提出方法学修正措施以区分真实的网络结构与方法学偏差。

ABSTRACT

Understanding the dynamics of spatially extended systems represents a challenge in diverse scientific disciplines, ranging from physics and mathematics to the earth and climate sciences or the neurosciences. This challenge has stimulated the development of sophisticated data analysis approaches adopting concepts from network theory: systems are considered to be composed of subsystems (nodes) which interact with each other (represented by edges). In many studies, such complex networks of interactions have been derived from empirical time series for various spatially extended systems and have been repeatedly reported to possess the same, possibly desirable, properties (e.g. small-world characteristics and assortativity). In this thesis we study whether and how interaction networks are influenced by the analysis methodology, i.e. by the way how empirical data is acquired (the spatial and temporal sampling of the dynamics) and how nodes and edges are derived from multivariate time series. Our modeling and numerical studies are complemented by field data analyses of brain activities that unfold on various spatial and temporal scales. We demonstrate that indications of small-world characteristics and assortativity can already be expected due solely to the analysis methodology, irrespective of the actual interaction structure of the system. We develop and discuss strategies to distinguish the properties of interaction networks related to the dynamics from those spuriously induced by the analysis methodology. We show how these strategies can help to avoid misinterpretations when investigating the dynamics of spatially extended systems.

研究动机与目标

• 调查分析方法（特别是空间与时间采样）如何扭曲动力系统中推断的网络特性。
• 识别导致经验数据中出现虚假小世界性和度数相关性特征的系统性偏差。
• 开发并验证方法学修正措施，以区分真实动力学相互作用与数据采集和处理引入的伪影。
• 为神经科学、气候科学及其他领域研究人员提供实用指导，避免在从时间序列推断相互作用网络时产生误解。
• 使用合成模型和真实多通道脑电图/脑磁图（EEG/MEG）数据（来自癫痫脑活动）验证研究发现。

提出的方法

• 在格点结构和随机动力系统中开展受控模拟研究，以隔离空间传感器位置和时间采样带来的影响。
• 使用置换数据技术（如相位随机化置换数据）检验所观察到的网络特征是否在统计上显著超出随机水平。
• 应用聚类系数、平均最短路径长度、度数相关性及度分布等网络度量，比较真实数据与置换数据之间的差异。
• 实施加权网络的受限随机化，生成保留统计特性但破坏动力依赖关系的零模型。
• 分析来自人类脑记录（EEG和MEG）的真实多变量时间序列，检验在纠正采样伪影后网络特性是否依然存在。
• 在加权网络中应用谱聚类和社区检测，评估推断网络模块的结构稳定性和鲁棒性。

实验结果

研究问题

• RQ1 空间采样模式和传感器几何布局在多大程度上会诱使推断网络中出现虚假的小世界特性？
• RQ2 时间采样率在多大程度上影响聚类系数和平均最短路径长度等关键网络度量的估计？
• RQ3 推断网络中的度数相关性是否可由测量伪影解释，而非真实动力学相互作用？
• RQ4 脑活动数据中报告的网络特性（如发作期间）是否真正反映底层动力学，还是由数据采集和处理方式塑造？
• RQ5 哪些方法学修正措施能够可靠地区分真实网络结构与分析方法引入的伪影？

主要发现

• 即使在无相关性或独立的动力系统中，仅因传感器的空间排列方式和信号采样方式，推断网络中也可能纯粹由采样机制产生小世界特性和度数相关性。
• 聚类系数和平均最短路径长度显著受时间采样频率影响，采样不足会导致聚类系数被高估、路径长度被低估。
• 度数相关性强烈受传感器空间分布和测量噪声的影响，常在无实际动力耦合的情况下产生虚假的正度数相关性。
• 从真实EEG和MEG数据推断的网络也表现出类似偏差，表明先前报告的“小世界”特性可能并非生物学真实，而是方法学诱导的结果。
• 受限随机化和置换数据检验可有效识别并过滤伪影，提升时间序列数据中网络推断的可靠性。
• 本研究证明标准网络度量对采样伪影不具鲁棒性，且方法学修正对复杂系统中有效推断至关重要。