DeepGraphDMD: Interpretable Spatio-Temporal Decomposition of Non-linear Functional Brain Network Dynamics

要約

脳の機能的ダイナミクスは、特定の神経回路に関連付けられた並列および重複する機能ネットワーク モードによってサポートされます。
fMRI データからこれらのネットワーク モードを分解し、その時間的特性を見つけることは、時間とともに変化する性質と機能ダイナミクスの非線形性により困難です。
動的モード分解 (DMD) アルゴリズムは、この分解問題を解決するために近年非常に人気があります。
この研究では、ネットワーク データ用の DMD の拡張である GraphDMD を適用して、fMRI 時系列から動的ネットワーク モードとその時間特性を解釈可能な方法で抽出します。
ただし、GraphDMD は、基礎となるシステムを、非線形関数データからネットワーク モードを抽出するには最適ではない線形動的システムとみなします。
この研究では、任意の非線形グラフ動的システムに適用できる GraphDMD アルゴリズムの一般化バージョン、DeepGraphDMD を開発します。
DeepGraphDMD は、グラフ データの Koopman 固有関数を学習し、非線形グラフ ダイナミクスを潜在線形空間に埋め込むオートエンコーダー ベースの深層学習モデルです。
シミュレーションデータとHCP安静状態のfMRIデータの両方で私たちの方法の有効性を示します。
HCP データにおいて、DeepGraphDMD は、流動性知能と結晶化知能に関連する 2 つの主要なネットワーク モードを発見することにより、認知脳機能に関する新たな洞察を提供します。

要約(オリジナル)

Functional brain dynamics is supported by parallel and overlapping functional network modes that are associated with specific neural circuits. Decomposing these network modes from fMRI data and finding their temporal characteristics is challenging due to their time-varying nature and the non-linearity of the functional dynamics. Dynamic Mode Decomposition (DMD) algorithms have been quite popular for solving this decomposition problem in recent years. In this work, we apply GraphDMD — an extension of the DMD for network data — to extract the dynamic network modes and their temporal characteristics from the fMRI time series in an interpretable manner. GraphDMD, however, regards the underlying system as a linear dynamical system that is sub-optimal for extracting the network modes from non-linear functional data. In this work, we develop a generalized version of the GraphDMD algorithm — DeepGraphDMD — applicable to arbitrary non-linear graph dynamical systems. DeepGraphDMD is an autoencoder-based deep learning model that learns Koopman eigenfunctions for graph data and embeds the non-linear graph dynamics into a latent linear space. We show the effectiveness of our method in both simulated data and the HCP resting-state fMRI data. In the HCP data, DeepGraphDMD provides novel insights into cognitive brain functions by discovering two major network modes related to fluid and crystallized intelligence.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google