Skip to main content
Fachgebiete
Automobil + Motoren Bauwesen + Immobilien Business IT + Informatik Elektrotechnik + Elektronik Energie + Nachhaltigkeit Finance + Banking Management + Führung Marketing + Vertrieb Maschinenbau + Werkstoffe Versicherung + Risiko
DE
EN
Bücher
Zeitschriften
Themenseiten
Organisationspsychologie Projektmanagement Marketing Smart Manufacturing
Weitere Formate
Podcasts Webinare Technik Webinare Wirtschaft Kongresse Veranstaltungskalender Awards
Jetzt Einzelzugang starten
Zugang für Unternehmen
Referenzkunden
SLX-Digitalkonferenz: Zukunftswerkstatt 2024

Mehr Umsatz mit Top-Kontakten

Am 7. Mai erfahren Sie, wie Vertriebsteams Leadgenerierung, Leadnurturing und Leadstrategien effizient steuern können.
Erweiterte Suche
Anmelden
nach oben
Erschienen in:
Buchtitelbild

2017 | OriginalPaper | Buchkapitel

Higher-Order Block Term Decomposition for Spatially Folded fMRI Data

verfasst von : Christos Chatzichristos, Eleftherios Kofidis, Yiannis Kopsinis, Manuel Morante Moreno, Sergios Theodoridis

Erschienen in: Latent Variable Analysis and Signal Separation

Verlag: Springer International Publishing

Einloggen

Aktivieren Sie unsere intelligente Suche, um passende Fachinhalte oder Patente zu finden.

search-config
loading …

Abstract

The growing use of neuroimaging technologies generates a massive amount of biomedical data that exhibit high dimensionality. Tensor-based analysis of brain imaging data has been proved quite effective in exploiting their multiway nature. The advantages of tensorial methods over matrix-based approaches have also been demonstrated in the context of functional magnetic resonance imaging (fMRI) data analysis. However, such methods can become ineffective in demanding scenarios, involving, e.g., strong noise and/or significant overlapping of activated regions. This paper aims at investigating the possible gains that can be obtained from a better exploitation of the spatial dimension, through a higher (than 3)-order tensor modeling of the fMRI signals. In this context, a higher-order Block Term Decomposition (BTD) is applied, for the first time in fMRI analysis. Its effectiveness in handling strong instances of noise is demonstrated via extensive simulation results.

Sie haben noch keine Lizenz? Dann Informieren Sie sich jetzt über unsere Produkte:

Springer Professional "Wirtschaft+Technik"

Online-Abonnement

Mit Springer Professional "Wirtschaft+Technik" erhalten Sie Zugriff auf:

  • über 102.000 Bücher
  • über 537 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Maschinenbau + Werkstoffe
  • Versicherung + Risiko

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Technik"

Online-Abonnement

Mit Springer Professional "Technik" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 390 Zeitschriften

aus folgenden Fachgebieten:

  • Automobil + Motoren
  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Elektrotechnik + Elektronik
  • Energie + Nachhaltigkeit
  • Maschinenbau + Werkstoffe




 

Jetzt Wissensvorsprung sichern!

Jetzt informieren

Springer Professional "Wirtschaft"

Online-Abonnement

Mit Springer Professional "Wirtschaft" erhalten Sie Zugriff auf:

  • über 67.000 Bücher
  • über 340 Zeitschriften

aus folgenden Fachgebieten:

  • Bauwesen + Immobilien
  • Business IT + Informatik
  • Finance + Banking
  • Management + Führung
  • Marketing + Vertrieb
  • Versicherung + Risiko




Jetzt Wissensvorsprung sichern!

Jetzt informieren
Nächstes Kapitel Modeling Parallel Wiener-Hammerstein Systems Using Tensor Decomposition of Volterra Kernels
Literatur
1.
2.
Theodoridis, S.: Machine Learning: A Bayesian and Optimization Perspective. Academic Press, Boston (2015)
3.
Andersen, A.H., Rayens, W.S.: Structure-seeking multilinear methods for the analysis of fMRI data. NeuroImage 22, 728–739 (2004)CrossRef
4.
Calhoun, V.D., Adalı, T.: Unmixing fMRI with independent component analysis. IEEE Eng. Med. Biol. Mag. 25, 79–90 (2006)CrossRef
5.
Andersen, K.W., Mørup, M., Siebner, H., Madsen, K.H., Hansen, L.K.: Identifying modular relations in complex brain networks. In: IEEE International Workshop on Machine Learning for Signal Processing (MLSP) (2012)
6.
Sidiropoulos, N., Bro, R.: On the uniqueness of multilinear decomposition of N-way arrays. J. Chemom. 14, 229–239 (2000)CrossRef
7.
Cichocki, A., Mandic, D., De Lathauwer, L., Zhou, G., Zhao, Q., Caiafa, C., Phan, H.A.: Tensor decompositions for signal processing applications: from two-way to multiway component analysis. IEEE Signal Process. Mag. 32, 145–163 (2015)CrossRef
8.
De Lathauwer, L.: Decompositions of a higher-order tensor in block terms-Part I: lemmas for partitioned matrices. SIAM J. Matrix Anal. Appl. 30, 1022–1032 (2008)MathSciNetCrossRefMATH
9.
De Lathauwer, L.: Decompositions of a higher-order tensor in block terms-Part II: definitions and uniqueness. SIAM J. Matrix Anal. Appl. 30, 1033–1066 (2008)MathSciNetCrossRefMATH
10.
Lathauwer, L.: Block component analysis, a new concept for blind source separation. In: Theis, F., Cichocki, A., Yeredor, A., Zibulevsky, M. (eds.) LVA/ICA 2012. LNCS, vol. 7191, pp. 1–8. Springer, Heidelberg (2012). doi:10.​1007/​978-3-642-28551-6_​1 CrossRef
11.
Harshman, R.A.: Foundations of the PARAFAC procedure: models and conditions for an “explanatory” multi-modal factor analysis. UCLA Work. Papers in Phonetics, pp. 1–84(1970)
12.
Kruskal, J.B.: Three-way arrays: rank and uniqueness of trilinear decompositions, with application to arithmetic complexity and statistics. Linear Algebra Appl. 18(2), 95–138 (1977)MathSciNetCrossRefMATH
13.
Stegeman, A.: Comparing Independent Component Analysis and the PARAFAC model for artificial multi-subject fMRI data. Unpublished Technical report, University of Groningen (2007)
14.
Helwig, N.E., Hong, S.: A critique of tensor probabilistic independent component analysis: implications and recommendations for multi-subject fmri data analysis. J. Neurosci. Methods 2, 263–273 (2013)CrossRef
15.
Bro, R., Kiers, H.: A new efficient method for determining the number of components in PARAFAC models. J. Chemom. 17(5), 274–286 (2003)CrossRef
16.
Castellanos, J.L., Gmez, S., Guerra, V.: The triangle method for finding the corner of the L-curve. Appl. Numer. Math. 43(4), 359–373 (2002)MathSciNetCrossRefMATH
17.
Beckmann, C., Smith, S.: Tensorial extensions of independent component analysis for multisubject fMRI analysis. NeuroImage 25, 294–311 (2005)CrossRef
18.
Beckmann, C., Smith, S.: Probabilistic independent component analysis for functional magnetic resonance imaging. IEEE Trans. Med. Imaging 23(2), 137–152 (2004)CrossRef
19.
Phan, A.H., Tichavsky, P., Cichocki, A.: CANDECOMP/PARAFAC decomposition of high-order tensors through tensor reshaping. IEEE Trans. Signal Process. 61(19), 4847–4860 (2013)CrossRef
20.
Tichavsky, P., Phan, A.H., Koldovsky, Z.: Cramér-Rao-induced bounds for CANDECOMP/PARAFAC tensor decomposition. IEEE Trans. Signal Process. 61(8), 1986–1997 (2013)CrossRef
21.
Norgaard, L.: Classification and prediction of quality and process parameters of thick juice and beet sugar by fluorescence spectroscopy and chemometrics. Zuckerindustrie 120(11), 970–981 (1995)
22.
23.
Hunyadi, B., Camps, D., Sorber, L., Van Paesschen, W., De Vos, M., Van Huffel, S., De Lathauwer, L.: Block term decomposition for modelling epileptic seizures. EURASIP J. Adv. Signal Process. (2014). doi:10.​1186/​1687-6180-2014-139
24.
Phan, A.H., Cichocki, A., Zdunek, R., Lehky, S.: From basis components to complex structural patterns. In: IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Vancouver (2013)
25.
Brie, D., Miron, S., Caland, F., Mustin, C.: An uniqueness condition for the 4-way CANDECOMP/PARAFAC model with collinear loadings in three modes. In: IEEE International Conference on Acoustics, Speech and Signal Processing (ICASSP), Prague (2011)
26.
Sorber, L., Barel, M.V., De Lathauwer, L.: Structured data fusion. IEEE J. Sel. Topics Signal Process. 9, 586–600 (2015)CrossRef
27.
Metadaten
Titel
Higher-Order Block Term Decomposition for Spatially Folded fMRI Data
verfasst von
Christos Chatzichristos
Eleftherios Kofidis
Yiannis Kopsinis
Manuel Morante Moreno
Sergios Theodoridis
Copyright-Jahr
2017
Buch
Latent Variable Analysis and Signal Separation

Print ISBN: 978-3-319-53546-3

Electronic ISBN: 978-3-319-53547-0

Copyright-Jahr: 2017

DOI
https://doi.org/10.1007/978-3-319-53547-0_1