뇌 기능 연결을 보존하는 저차원 fMRI 임베딩
본 논문은 fMRI 시계열 간의 기능적 결합을 보존하면서 데이터를 저차원 공간에 임베딩하는 새로운 방법을 제안한다. 그래프를 구성하고, 그 위에서 랜덤 워크의 커뮤트 타임을 거리 척도로 사용해 고유벡터를 추출함으로써 저차원 좌표계를 만든다. 이후 클러스터링을 수행하면 시각, 청각, 언어 영역 등 의미 있는 뇌 영역이 자동으로 구분된다. synthetic 및 실제 데이터 실험을 통해 기존 PCA·ICA·커널 PCA 등과 비교했을 때 뛰어난 성능을…
저자: ** - Xilin Shen (University of Colorado at Boulder, Department of Electrical Engineering) - François G. Meyer (University of Colorado at Boulder, Department of Electrical Engineering) **
본 논문은 기능적 자기공명영상(fMRI) 데이터의 고차원 시계열을 저차원 공간에 효율적으로 임베딩하는 새로운 방법론을 제시한다. 저자들은 먼저 fMRI 데이터셋 X (N × T, N은 voxel 수, T는 시간 포인트) 를 각 voxel의 시계열 x_i 로 구성된 집합으로 본다. 기존의 차원 축소 기법인 PCA와 ICA는 선형성, 정규성, 독립성 등의 강한 가정을 두고 있어 뇌 신호의 비선형적, 복합적 구조를 충분히 포착하지 못한다는 한계를 지적한다.
이를 극복하기 위해 저자들은 “기능적 연결 그래프”를 구축한다. 각 voxel i 는 그래프의 노드가 되고, 유클리드 거리 기반 k‑nearest neighbor (k=n_n) 로 이웃을 선정한다. 엣지 가중치는 가우시안 커널 W_{ij}=exp(−‖x_i−x_j‖²/σ²) 로 정의되며, σ는 전체 거리의 최소값에 비례하도록 자동 조정한다(σ = n · min_{iλ₂≥…≥λ_N≥−1)를 이용해 각 voxel i 에 대한 저차원 좌표를 다음과 같이 정의한다:
ψ(i) =
원본 논문
고화질 논문을 불러오는 중입니다...
댓글 및 학술 토론
Loading comments...
의견 남기기