Beyond Linear Dynamic Functional Connectivity: A Vine Copula Change Point Model
Pourquoi ce travail est dans la base
Une base qui oublie comment elle a trouvé un travail ne peut pas être vérifiée. Voici les voies qui ont admis celui-ci.
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.
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,002 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,000 |
| Études des sciences et des technologies | 0,001 | 0,000 |
| Communication savante | 0,000 | 0,000 |
| Science ouverte | 0,000 | 0,000 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
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 découle