基于多层网络嵌入的群体功能连接数据分析
社会与信息网络
2020-08-19 v2 物理与社会
摘要
功能连接的群体分析已提供对脑功能如何随时间、个体与认知任务而差异的丰富理解。此类群体分析中的一个重要但具挑战性的任务是识别可靠特征以描述脑功能,同时考虑个体异质性。我们的工作受该领域两个尤其重要挑战的推动:第一,如何分析个体群体上的功能连接数据;第二,如何使用这些分析推断群体相似性与差异。受这些挑战推动,我们将群体连接数据建模为多层网络,并开发了multi-node2vec算法——一种从多层网络自动学习连续节点特征表示的高效且可扩展的嵌入方法。我们使用multi-node2vec分析一组74名健康个体与60名精神分裂症患者的静息态fMRI扫描。我们展示了多层网络嵌入如何用于对这些个体的脑功能区域进行可视化、聚类与分类。我们进一步比较了两群体的多层网络嵌入。我们识别出默认模式网络与显著性网络在群体间的显著差异——这些发现得到认知组织三重网络模型理论的支持。我们的发现揭示,multi-node2vec是分析多层网络的强大且可靠的方法。
引用
@article{arxiv.1809.06437,
title = {Analysis of Population Functional Connectivity Data via Multilayer Network Embeddings},
author = {James D. Wilson and Melanie Baybay and Rishi Sankar and Paul Stillman and Abbie M. Popa},
journal= {arXiv preprint arXiv:1809.06437},
year = {2020}
}
备注
5 figures, 3 tables. Accepted at Network Science. Data and code available at https://github.com/jdwilson4/multi-node2vec