DeepGraphDMD：非线性功能脑网络动力学的可解释时空分解
人工智能
2023-12-08 v2 机器学习
摘要
功能脑动力学由与特定神经回路相关的并行且重叠的功能网络模式所支撑。由于这些网络模式的时间变化特性以及功能动力学的非线性，从fMRI数据中分解这些网络模式并找到其时间特征具有挑战性。动态模式分解（DMD）算法近年来在解决这一分解问题上颇受欢迎。在这项工作中，我们应用GraphDMD——一种针对网络数据的DMD扩展——以可解释的方式从fMRI时间序列中提取动态网络模式及其时间特征。然而，GraphDMD将底层系统视为线性动力系统，对于从非线性功能数据中提取网络模式是次优的。在这项工作中，我们开发了GraphDMD算法的广义版本——DeepGraphDMD——适用于任意非线性图动力系统。DeepGraphDMD是一种基于自动编码器的深度学习模型，它学习图数据的Koopman本征函数，并将非线性图动力学嵌入到潜在线性空间中。我们在模拟数据和HCP静息态fMRI数据中展示了我们方法的有效性。在HCP数据中，DeepGraphDMD通过发现与流体智力和晶体智力相关的两种主要网络模式，为认知脑功能提供了新的见解。
引用
@article{arxiv.2306.03088,
title = {DeepGraphDMD: Interpretable Spatio-Temporal Decomposition of Non-linear Functional Brain Network Dynamics},
author = {Md Asadullah Turja and Martin Styner and Guorong Wu},
journal= {arXiv preprint arXiv:2306.03088},
year = {2023}
}
备注
Published in MICCAI 2023