No More Sliding-Windows: Dynamic Functional Connectivity Based On Random Convolutions Without Learning

与静态功能连接相比，动态功能连接提供了更详细的时间信息。传统的滑动时间窗口方法通过在整个时间序列上应用移动时间窗口来构建功能连接矩阵，以计算大脑区域之间的相关性。然而，作为一种特征提取方法，它存在显著的限制，如特征维数依赖于时间窗口长度以及在窗口内缺乏其他时间点信息的特征生成。本文提出了一种新的动态功能连接（DFC）计算方法RandCon，它采用随机生成的多维卷积核。该方法直接对BOLD信号执行卷积运算，无需学习，提取功能连接特征。与滑动时间窗口方法相比，RandCon在模拟数据上表现出显著的性能提升，特别是在时间精度和噪声抵抗方面。实际数据的结果表明，该方法在短时间窗口内保持稳定，并更好地识别性别差异。此外，我们提出了一个更全面的理论框架，即多维卷积方法，其中滑动时间窗口方法及其变体是该方法的具体案例。所提出的方法简单高效，显著扩展了动态功能连接研究的范围，具有重要的理论和实践潜力。

论文旨在解决动态功能连接性分析中存在的问题，如滑动窗口方法的局限性等。

RandCon是一种新的动态功能连接性计算方法，使用随机生成的多维卷积核来直接对BOLD信号进行卷积操作，提取功能连接特征。

RandCon在模拟数据上表现出较高的时间精度和噪声抗干扰能力，在真实数据上能够更好地识别性别差异，且方法简单高效，具有广泛的理论和实际应用潜力。

近期相关研究包括使用深度学习方法进行动态功能连接性分析，如“DeepConv-DTI”和“DeepFC”等。