No More Sliding-Windows: Dynamic Functional Connectivity Based On Random Convolutions Without Learning

要約

静的な機能接続と比較して、動的な機能接続はより詳細な時間情報を提供します。
従来のスライディング ウィンドウ法では、時系列全体に移動時間ウィンドウを適用して脳領域間の相関関係を計算することにより、機能的接続行列を構築します。
ただし、特徴抽出の方法としては、特徴の次元がウィンドウの長さに依存することや、ウィンドウ内の他の時点からの情報が欠けている特徴が生成されることなど、重大な制限があります。
この論文では、ランダムに生成された多次元畳み込みカーネルを使用する、動的関数接続性 (DFC) を計算するための新しい方法である RandCon について説明します。
この方法では、学習を必要とせずに、BOLD 信号に対して直接畳み込み演算を実行し、機能的な接続特徴を抽出します。
スライディング ウィンドウ法と比較して、RandCon はシミュレーション データのパフォーマンス、特に時間精度とノイズ耐性の点で顕著な向上を示しています。
実際のデータからの結果は、この方法が短い時間枠内で安定性を維持し、性差をより適切に識別できることを示しています。
さらに、より包括的な理論的枠組みである多次元畳み込み法を提案します。ここでは、スライディング ウィンドウ法とその変形がこの方法の具体的なケースです。
提案された方法は単純かつ効率的であり、動的機能接続研究の範囲を大幅に広げ、理論的および実用的な大きな可能性を提供します。

要約(オリジナル)

Compared to static functional connectivity, dynamic functional connectivity provides more detailed temporal information. The traditional sliding window method constructs functional connectivity matrices by applying a moving time window across the entire time series to calculate correlations between brain regions. However, as a method of feature extraction, it exhibits significant limitations, such as the dependency of feature dimensions on the window length and the generation of features lacking information from other time points within the window. This paper presents RandCon, a novel method for calculating dynamic functional connectivity (DFC), which employs randomly generated multi-dimensional convolution kernels. This method performs convolution operations directly on the BOLD signal without the need for learning, extracting functional connectivity features. Compared to the sliding window method, RandCon shows notable improvements in performance on simulated data, particularly in terms of temporal accuracy and noise resistance. Results from real data indicate that this method maintains stability within short time windows and better identifies gender differences. Furthermore, we propose a more comprehensive theoretical framework, the multi-dimensional convolution method, where the sliding window method and its variants are specific cases of this method. The proposed method is straightforward and efficient, significantly broadening the scope of dynamic functional connectivity research and offering substantial theoretical and practical potential.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google