A Fast Detection Method of Break Points in Effective Connectivity Networks
有效连接网络断点的快速检测方法AI 解读 ↓
← 返回论文列表与筛选
阅读说明
本页整理公开书目信息，不生成学术质量评分。AI 解读根据题名及所注明的摘要或原文片段生成，未完成全文核验，可能有误；具体假设、证明与结论请核对原文。摘要保留来源文本，未经模型改写。
DOI 首次登记不等于接收或发表日期。部分更正、评论等条目没有独立摘要；缺少可靠材料时保留待补状态。
本页为预印本版本；arXiv 收录、作者填写的期刊信息以及作者既有发表经历，都不单独证明本篇已接收。作者发表记录按 OpenAlex 身份与完整姓名、本站覆盖期刊 ISSN 及正式卷期核对，只展示已核实例，档案仍可能误合并。
引用量采用 OpenAlex 单条关联记录，不合计多个记录；关联记录可能包含正式发表版本，不等于此版本单独引用。缺失不视为零，引用指标不代表论文质量。
关注作者按书目中的完整姓名匹配，同名和姓名变体需人工辨别。相关论文先按共享细分方向和具体方法排列，再参考通用方法与发表日期。
分类依据与纠错
AI 根据所提供的论文材料归类：摘要明确采用 VAR 时间序列模型检测结构断点，对应时间序列与结构变化方法；应用场景是神经影像而非宏观经济。
反馈分类问题
正在核对关联版本…
代码、数据与补充材料
正在核对对应版本的资源…
有效连接网络断点的快速检测方法
- 研究问题
- 面对长度和维度都较大的神经影像时间序列，如何快速定位脑网络状态变化的断点，并识别断点前后连接结构的变化？
- 方法与思路
- 作者采用向量自回归模型，通过正则化目标函数筛选候选断点，再经聚类确定最终断点，并控制假阳性估计 Granger 因果网络。
- 材料陈述的贡献
- 摘要提出一套快速检测和网络估计流程，在不同长度、维度、断点数量及信号强度的模拟中展示，并应用于视觉任务 EEG 数据。
- 阅读关注点
- 应核对分段 VAR 的稳定性条件、断点间距要求、正则化与聚类参数，以及网络假阳性控制的定义和计算复杂度。
- 阅读边界
- 这是 arXiv 预印本，同行评审或期刊接收未核实；摘要未给出误差界或运行时间，Granger 关系不能直接解释为干预因果效应。
原文摘要
There is increasing interest in identifying changes in the underlying states of brain networks. The availability of large scale neuroimaging data creates a strong need to develop fast, scalable methods for detecting and localizing in time such changes and also identify their drivers, thus enabling neuroscientists to hypothesize about potential mechanisms. This paper presents a fast method for detecting break points in exceedingly long time series neuroimaging data, based on vector autoregressive (Granger causal) models. It uses a multi-step strategy based on a regularized objective function that leads to fast identification of candidate break points, followed by clustering steps to select the final set of break points and subsequent estimation with false positives control of the underlying Granger causal networks. The latter provides insights into key changes in network connectivity that led to the presence of break points. The proposed methodology is illustrated on synthetic data varying in their length, dimensionality, number of break points, strength of the signal, and also applied to EEG data related to visual tasks.