高维脑信号的多尺度因子分析

在本文中，我们开发了一种对具有大量以分层和模块化结构排列的节点的高维网络进行建模的方法。我们提出了一种新颖的多尺度因子分析（MSFA）模型，该模型将定义在复杂网络上的海量时空数据划分为有限的区域簇集合。为了实现进一步的降维，我们用少量潜在因子表示每个簇中的信号。网络中所有节点的相关矩阵由源自簇特定因子的低维子结构近似。为了估计众多节点（每个簇内）之间的区域连通性，我们应用主成分分析（PCA）生成因子，这些因子是在平方损失下对观测信号的最优重建。然后，我们使用 RV 系数作为跨依赖性度量，基于跨区域的因子估计全局连通性（簇或子网络之间）。这为大型网络的区域和全局依赖性提供了可靠且计算高效的多尺度分析。所提出的新颖方法被应用于使用功能磁共振成像（fMRI）数据估计大脑连通性网络。静息态 fMRI 的结果揭示了静息状态下人脑网络有趣的模块化和分层组织。