Skip to main content
CenXiv.org
此网站处于试运行阶段,支持我们!
我们衷心感谢所有贡献者的支持。
贡献
赞助
cenxiv logo > stat > arXiv:2507.15374

帮助 | 高级搜索

统计学 > 应用

arXiv:2507.15374 (stat)
[提交于 2025年7月21日 ]

标题: 对数欧几里得框架用于平滑的大脑连接轨迹

标题: Log-Euclidean Frameworks for Smooth Brain Connectivity Trajectories

Authors:Olivier Bisson (EPIONE, UniCA), Yanis Aeschlimann (CRONOS, UniCA), Samuel Deslauriers-Gauthier (CRONOS, UniCA), Xavier Pennec (EPIONE, UniCA)
摘要: 大脑通常从网络角度进行研究,其中功能活动使用功能性磁共振成像(fMRI)来评估预定义神经区域之间的连接性。 功能连接性可以通过随时间计算的相关矩阵表示,其中每个矩阵捕获不同区域在滑动窗口内的平均fMRI信号之间的皮尔逊相关性。 我们引入了几种对数-欧几里得黎曼框架,用于构建功能脑连接轨迹的平滑近似。 将动态功能连接表示为全秩相关矩阵的时间序列,我们利用最近的对数-欧几里得微分同胚理论,在实践中将这些轨迹映射到欧几里得空间,使得多项式回归成为可能。 将回归曲线拉回,确保每个估计点保持为有效的相关矩阵,从而实现原始脑连接动态的平滑、可解释且几何一致的近似。 在fMRI导出的连接轨迹上的实验展示了我们方法的几何一致性和计算效率。
摘要: The brain is often studied from a network perspective, where functional activity is assessed using functional Magnetic Resonance Imaging (fMRI) to estimate connectivity between predefined neuronal regions. Functional connectivity can be represented by correlation matrices computed over time, where each matrix captures the Pearson correlation between the mean fMRI signals of different regions within a sliding window. We introduce several Log-Euclidean Riemannian framework for constructing smooth approximations of functional brain connectivity trajectories. Representing dynamic functional connectivity as time series of full-rank correlation matrices, we leverage recent theoretical Log-Euclidean diffeomorphisms to map these trajectories in practice into Euclidean spaces where polynomial regression becomes feasible. Pulling back the regressed curve ensures that each estimated point remains a valid correlation matrix, enabling a smooth, interpretable, and geometrically consistent approximation of the original brain connectivity dynamics. Experiments on fMRI-derived connectivity trajectories demonstrate the geometric consistency and computational efficiency of our approach.
主题: 应用 (stat.AP)
引用方式: arXiv:2507.15374 [stat.AP]
  (或者 arXiv:2507.15374v1 [stat.AP] 对于此版本)
  https://doi.org/10.48550/arXiv.2507.15374
通过 DataCite 发表的 arXiv DOI(待注册)
期刊参考: GSI'25 - International Conference on Geometric Science of Information, Oct 2025, Saint-Malo (France), France

提交历史

来自: Olivier Bisson [查看电子邮件]
[v1] 星期一, 2025 年 7 月 21 日 08:29:20 UTC (7,227 KB)
全文链接:

获取论文:

    查看标题为《》的 PDF
  • 查看中文 PDF
  • 查看 PDF
  • TeX 源代码
  • 其他格式
查看许可
当前浏览上下文:
stat.AP
< 上一篇   |   下一篇 >
新的 | 最近的 | 2025-07
切换浏览方式为:
stat

参考文献与引用

  • NASA ADS
  • 谷歌学术搜索
  • 语义学者
a 导出 BibTeX 引用 加载中...

BibTeX 格式的引用

×
数据由提供:

收藏

BibSonomy logo Reddit logo

文献和引用工具

文献资源探索 (什么是资源探索?)
连接的论文 (什么是连接的论文?)
Litmaps (什么是 Litmaps?)
scite 智能引用 (什么是智能引用?)

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

复制 (什么是复制?)
Hugging Face Spaces (什么是 Spaces?)
TXYZ.AI (什么是 TXYZ.AI?)

推荐器和搜索工具

影响之花 (什么是影响之花?)
核心推荐器 (什么是核心?)
IArxiv 推荐器 (什么是 IArxiv?)
  • 作者
  • 地点
  • 机构
  • 主题

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.

这篇论文的哪些作者是支持者? | 禁用 MathJax (什么是 MathJax?)
  • 关于
  • 帮助
  • contact arXivClick here to contact arXiv 联系
  • 订阅 arXiv 邮件列表点击这里订阅 订阅
  • 版权
  • 隐私政策
  • 网络无障碍帮助
  • arXiv 运营状态
    通过...获取状态通知 email 或者 slack

京ICP备2025123034号