Elucidating the temporal dynamics of brain-states has become a key issue in fMRI analysis of functional connectivity in the brain. The sliding time-window and clustering approach is the most widely utilized method for analyzing dynamic alterations in connectivity. This approach represents the time-varying aspect of functional connectivity using windowed connectivity matrices and decodes representative brain-states using a clustering approach. Though very intuitive, results obtained using such an approach may be contaminated with spatiotemporal noises induced by arbitrarily defined parameters, such as size, offset of the sliding time-window, and the number of clusters. In this regard, these parameters should be determined by spatiotemporal aspects of the data themselves. Specifically, each windowed connectivity matrix should be constructed based on the duration of the specific brain-state, and brain-states should be decoded with the number that best describes the distribution of windowed connectivity matrices. In the present study, we propose a novel brain-state extraction algorithm based on the state transition (BEST) for analyzing dynamic connectivity in order to decode representative brain-states and their temporal variability with data-driven parameters. We used the spatial standard deviation of the brain map in order to detect brain-state transition time-points that enabled us to set time-windows on the duration of each specific brain-state. Furthermore, we utilized the Bayesian information criterion clustering method in order to estimate the number of brain-states. Such approaches enable the BEST to decode representative brain-states and their temporal pattern without any a priori knowledge.
시간적 역동성은 기능적 뇌 연결성 분석방법에서 큰 이슈가 되어왔다. sliding time-window and clustering approach는 이러한 역동적인 연결성의 변화를 감지하는 가장 많이 쓰이는 방법이다. 이 방법은 기능적 연결성의 시간적인 변화 양상을 윈도우 안에서 추출된 연결성 행렬과 이를 클러스터링 방법을 통해 디코딩한 뇌상태들을 통해 보여준다. 이는 매우 이해하기 쉬우며 직관적이지만 결과가 임의로 정해지는 변수에 의해 시공간적 노이즈에 의해 오염될 소지가 있다. 특히 윈도우의 크기와 offset 그리고 클러스터의 개수등이 중요한 변수이다. 이러한 관점에서 우리는 이러한 임의적 변수들을 데이터를 통해 예측 이용하고자 하였다. 특히 각 윈도우 연결성 행렬은 특정 뇌상태가 유지되는 기간에서 구성되게 하였으며 뇌상태는 이러한 연결성 행렬들의 분포를 제일 잘 설명할 수 있는 개수로 예측되었다. 현 연구에서는 이러한 방향을 구현하기 위해 특정 뇌상태의 유지 기간을 각 시간에서의 공간적인 표준편차를 이용하여 예측하였으며 Bayesian information criterion을 통해 이렇게 추출된 연결성 행렬들의 분포를 바탕으로 전체 뇌상태의 개수를 예측하였다. 이를 통해 본 연구는 뇌상태의 시간적인 분포를 임의의 변수의 지정 없이 나타내 줄 수 있었다.
