使用填充空间的曲线和碎形来揭示神经成像数据中的空间和时间模式

科学领域:

• 神经成像是一种神经成像.
• 微分法分析 微分分析
• 数据科学数据科学数据科学

背景情况:

• 像MRI和fMRI这样的神经成像技术产生具有复杂的空间和时间相关性的多维数据.
• 现有的分析一维数据相关性的方法往往不适合多维神经成像数据集.
• 分析这些相关性对于医学诊断,认知神经科学和大脑解码至关重要.

研究的目的:

• 引入一种新的方法,分形空间曲线分析 (FSCA),用于描述多维神经成像数据中的空间和时间相关性.
• 用模拟和现实世界的神经成像数据集来证明FSCA的稳定性和适用性.
• 探索FSCA在识别疾病标志物和理解大脑动态方面的潜力.

主要方法:

• FSCA将空间填充曲线 (SFC) 地图绘制与碎形确定波动分析相结合,以减少维度.
• 在人工数据 (分数布朗运动,坎托尔集,高斯过程) 上进行了可行性研究,这些数据具有已知的分数特征.
• 该方法应用于现实世界的磁共振成像 (MRI) 和功能性MRI (fMRI) 扫描,将Hilbert SFC与数据驱动的替代方案进行比较.

主要成果:

• 特别是使用希尔伯特曲线的FSCA是计算效率高,对边界效应强大,并且对数据子采样具有抗性.
• 该方法准确量化并区分静态和动态2D图像中的相关性.
• 在阿尔茨海默氏症的MRI数据中,疾病进展与赫斯特指数的下降相关. 在fMRI中,指数变化在喘息任务中区分了实验阶段.

结论:

• 在多维神经成像数据中,FSCA提供了一个可靠的框架来对空间和时间相关性进行碎形特征.
• 该方法的最小假设允许将其推广到更高的维度和在各种科学领域的应用.
• FSCA对于分析fMRI实验,检测神经退行症标志物,以及在任务中获得对大脑动态的洞察力非常有价值.