关键词：非线性降维，高维时间序列数据处理，神经动力学，大脑复杂性
论文题目：Multi-view manifold learning of human brain-state trajectories
论文来源：Nature Computational Science
论文链接：https://www.nature.com/articles/s43588-023-00419-0
人脑的复杂性总给人一种错觉：大脑活动本质上是高维的。非线性降维方法，诸如均匀流形近似（uniform manifold approximation）和t分布随机近邻嵌入（t-distributed stochastic neighbor embedding）已被用于高通量的生物医学数据。然而，它们还没有被广泛用于大脑活动数据，如功能性磁共振成像（fMRI），主要是因为它们无法保持动态结构（dynamic structure）。
最近发表在 Nature Computational Science 的这篇文章介绍了一个非线性流形学习方法，学习时间序列数据，包括 fMRI 那所谓基于仿射跃迁嵌入热扩散的时间势（temporal potential of heat-diffusion for affinity-based transition embedding，T-PHATE）。除了从时间序列数据中恢复低维的内在流形几何结构外，T-PHATE 还能利用数据的自相关结构来去除噪声并揭示动态轨迹。
他们的实验验证了 T-PHATE 三个功能磁共振成像数据集，显示它大大提高了数据的可视化，分类和分割的数据相对于其他几个最先进的降维基准。这些改进表明许多潜在的应用 T-PHATE 的时间扩散过程的其他高维数据集。
详情请见：
500+神经动力学社区成员，邀你共同点亮更多脑科学研究的岛屿
推荐阅读
