基于核ARMA建模与Grassmann流形的脑网络聚类
机器学习
2019-06-07 v1 信号处理
机器学习
摘要
神经科学以及功能磁共振成像(fMRI)与脑电图(EEG)技术的最新进展，推动了通过时间序列分析进行脑网络聚类的研究兴趣日益增长。然而，大多数脑网络聚类方法围绕状态聚类以及/或状态内的节点聚类(亦称社区检测或拓扑推断)展开。本工作首先通过提出一种基于核自回归滑动平均建模的新型特征提取机制，满足了捕捉非线性节点依赖关系的需求。所提取的特征被映射到Grassmann流形(Grassmannian)，该流形由所有固定秩的线性子空间构成。借助Grassmann流形的黎曼几何，本文提供了一个统一的聚类框架，以解决网络中所有可能的聚类问题：对多个状态进行聚类、检测状态内的社区，甚至识别/跟踪子网络状态序列。所提方法的有效性在合成与真实fMRI/EEG数据上的大量数值测试中得到印证，结果表明该学习方法优于多种最先进的聚类方案。
引用
@article{arxiv.1906.02292,
title = {Brain-Network Clustering via Kernel-ARMA Modeling and the Grassmannian},
author = {Cong Ye and Konstantinos Slavakis and Pratik V. Patil and Sarah F. Muldoon and John Medaglia},
journal= {arXiv preprint arXiv:1906.02292},
year = {2019}
}