静息态功能人脑网络的持久同调状态空间估计
代数拓扑
2024-04-18 v6 机器学习
神经元与认知
摘要
我们引入一种创新的数据驱动拓扑数据分析（TDA）技术，用于估计静息态下动态变化的功能人脑网络的状态空间。我们的方法利用 Wasserstein 距离度量拓扑差异，从而将脑网络聚类为不同的拓扑状态。该技术在识别脑网络状态空间时优于常用的 k-means 聚类，因其有效纳入数据的时间动态而无需显式模型设定。我们进一步采用双生子研究设计考察这些拓扑特征的遗传基础，检验此类状态变化的可遗传性。我们的发现表明，脑网络的拓扑结构，尤其在其动态状态变化中，可能蕴含显著的隐藏遗传信息。该方法的 MATLAB 代码见 https://github.com/laplcebeltrami/PH-STAT。
引用
@article{arxiv.2201.00087,
title = {Persistent Homological State-Space Estimation of Functional Human Brain Networks at Rest},
author = {Moo K. Chung and Shih-Gu Huang and Ian C. Carroll and Vince D. Calhoun and H. Hill Goldsmith},
journal= {arXiv preprint arXiv:2201.00087},
year = {2024}
}
备注
To be published in PLOS Computational Biology