大规模扩展格兰杰因果(lsXGC)在合成功能磁共振数据上的研究
信息论
2022-05-09 v1 信号处理
math.IT
摘要
推断多元观测时间序列中的因果关系是一项具有挑战性的研究工作。此类数据可用图表示,其中节点代表时间序列,边代表它们之间的有向因果影响分数。若节点数超过时间观测数,常规方法(如标准格兰杰因果)价值有限,因为估计时间序列预测器的自由参数会导致欠定问题。这种情况的典型例子是功能磁共振成像(fMRI),其中节点观测数量庞大,通常介于 到 个时间序列,而时间观测数较少,通常小于 。因此,需要创新方法来应对此类数据集带来的挑战。最近,我们提出了大规模扩展格兰杰因果(lsXGC)算法,其基于通过补充来自原始输入空间的条件源时间序列数据来增强系统状态空间的降维表示。在此,我们将 lsXGC 应用于具有已知真实值的合成 fMRI 数据,并利用信息论方法的优势将其性能与最先进的方法进行比较。我们的结果表明,所提出的 lsXGC 方法在诊断准确率(受试者工作特征曲线下面积 AUROC = 对比竞争方法的 ,)和计算时间( 秒对比竞争方法的 [, ] 秒)基准上均显著优于现有方法,展示了 lsXGC 用于人脑神经影像研究中大规模网络分析的潜力。
引用
@article{arxiv.2205.03029,
title = {Investigation of large-scale extended Granger causality (lsXGC) on synthetic functional MRI data},
author = {Axel Wismüller and Ali Vosoughi and Adora DSouza and Anas Abidin},
journal= {arXiv preprint arXiv:2205.03029},
year = {2022}
}
备注
10 pages, conference, 2 figures, 1 table. arXiv admin note: substantial text overlap with arXiv:2101.09354