Beyond Linear Dynamic Functional Connectivity: A Vine Copula Change Point Model
Notice bibliographique
Résumé
To estimate dynamic functional connectivity for functional magnetic resonance imaging (fMRI) data, two approaches have dominated: sliding window and change point methods. While computationally feasible, the sliding window approach has several limitations. In addition, the existing change point methods assume a Gaussian distribution for and linear dependencies between the fMRI time series. In this work, we introduce a new methodology called Vine Copula Change Point (VCCP) to estimate change points in the functional connectivity network structure between brain regions. It uses vine copulas, various state-of-the-art segmentation methods to identify multiple change points, and a likelihood ratio test or the stationary bootstrap for inference. The vine copulas allow for various forms of dependence between brain regions including tail, symmetric and asymmetric dependence, which has not been explored before in the dynamic analysis of neuroimaging data. We apply VCCP to various simulation datasets and to two fMRI datasets: a reading task and an anxiety inducing experiment. In particular, for the former dataset, we illustrate the complexity of textual changes during the reading of Chapter 9 in Harry Potter and the Sorcerer’s Stone and find that change points across subjects are related to changes in more than one type of textual attributes. Further, the graphs created by the vine copulas indicate the importance of working beyond Gaussianity and linear dependence. Finally, the R package vccp implementing the methodology from the article is available from CRAN. Supplementary Materials for this article are available online.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction machine sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Le volet Gemma est une étiquette directe du modèle pour chaque travail de la base, lue sur la notice réduite au titre. Le volet Codex est un classifieur appris des 10 348 étiquettes directes de Codex et calibré sur les taux pondérés de l'échantillon; les champs sans appui suffisant ne portent aucun appel Codex. Le mode candidate est l'union des deux volets; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont pas des étiquettes humaines.
Scores du classifieur distillé par catégorie (deux têtes)
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,004 | 0,020 |
| Méta-épidémiologie (sens strict) | 0,001 | 0,001 |
| Méta-épidémiologie (sens large) | 0,002 | 0,002 |
| Bibliométrie | 0,002 | 0,002 |
| Études des sciences et des technologies | 0,001 | 0,002 |
| Communication savante | 0,002 | 0,003 |
| Science ouverte | 0,003 | 0,002 |
| Intégrité de la recherche | 0,002 | 0,003 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,005 | 0,001 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule source (Gemma direct ou Codex distillé), pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».