定量生物学 > 神经与认知
[提交于 2025年1月21日
]
标题: 使用填充空间曲线和分形揭示神经影像数据中的空间和时间模式
标题: Using Space-Filling Curves and Fractals to Reveal Spatial and Temporal Patterns in Neuroimaging Data
摘要: 我们提出了一种新方法,分形空间曲线分析(FSCA),该方法结合了用于降维的空间填充曲线(SFC)映射与分形去趋势波动分析(DFA)。 该方法适用于多维几何嵌入数据,特别是具有高度时间和空间相关性的神经成像数据。 我们在具有已知分形特性的多种人工生成数据上进行了广泛的可行性研究:分数布朗运动、康托尔集和高斯过程。 我们比较了通过希尔伯特空间填充曲线进行降维与一种数据驱动的替代方法的适用性。 然后,FSCA成功应用于现实世界的磁共振成像(MRI)和功能磁共振成像(fMRI)扫描。 该方法利用希尔伯特曲线,在计算效率方面进行了优化,证明对实验数据分析中典型的边界效应具有鲁棒性,并且对数据子采样具有抵抗力。 它能够正确量化和区分静态和动态二维图像中的相关性。 在阿尔茨海默病MRI数据集中,患者表现出与胡斯特指数系统性下降相关的疾病进展。 在屏气任务的功能磁共振成像记录中,指数的变化允许区分不同的实验阶段。 本研究介绍了一种用于多种多维神经成像数据中空间和时间相关性的分形表征的稳健方法。 很少的假设使其能够推广到比神经成像更常见的维度,并在其他科学领域中使用。 该方法在分析功能磁共振成像实验以计算由神经退行性病变引起的病理条件指标方面可能特别有用。 我们还展示了其在任务相关实验中提供关于脑动力学见解的潜力。
文献和引用工具
与本文相关的代码,数据和媒体
alphaXiv (什么是 alphaXiv?)
CatalyzeX 代码查找器 (什么是 CatalyzeX?)
DagsHub (什么是 DagsHub?)
Gotit.pub (什么是 GotitPub?)
Hugging Face (什么是 Huggingface?)
带有代码的论文 (什么是带有代码的论文?)
ScienceCast (什么是 ScienceCast?)
演示
推荐器和搜索工具
arXivLabs:与社区合作伙伴的实验项目
arXivLabs 是一个框架,允许合作伙伴直接在我们的网站上开发和分享新的 arXiv 特性。
与 arXivLabs 合作的个人和组织都接受了我们的价值观,即开放、社区、卓越和用户数据隐私。arXiv 承诺这些价值观,并且只与遵守这些价值观的合作伙伴合作。
有一个为 arXiv 社区增加价值的项目想法吗? 了解更多关于 arXivLabs 的信息.