搜索结果 文章归档: 十月 2015
10月28日，由陈为老师主持的生物医学计算成像及可视分析学术报告会于CAD&CG国家重点实验室402会议室召开。本次学术报告邀请了美国IUPUI分校的Shiaofen Fang教授、 浙江大学医学院的赵经纬教授以及浙江大学药学院的候廷军教授。
Shiaofen Fang教授的“Visualization Human Brain Connectome”报告，介绍了脑连接结构方面的可视化进展。脑连接结构的挑战在于：一方面，识别连接模式与认知行为的关系的不确定性；另一方面，这个领域的研究需要计算机方面及生物医学专家的共同合作参与。而目前，摆在研究这一领域的科研人员的主要可视化任务有：关于大脑图片的可视化；通过连接网络的可视化方法辅助探索发现；在大脑中确定患病与否的差异。
论文：Reducing Snapshots to Points: A Visual Analytics Approach to Dynamic Network Exploration
作者：Stef van den Elzen, Danny Holten, Jorik Blaas, Jarke J. van Wijk
发表会议：VAST 2015
动态网络的可视化方法可以分为Animation (time-to-time) 和 Small-multiple (time-to-space) 两类。对于前者，用户每一时刻只能看到一帧，前后内容需要用户去记忆、理解，往往需要来回观看很多遍才能粗略理解动态网络的变化过程，给用户带来了很大的认知负担；对于后者，将不同时刻的网络进行并排罗列，由于屏幕空间有限，很多时候并不能将所有时刻的网络同时进行展示，且难以进行网络动态变化模式的发现。本文提出了一种对动态网络进行二维投影的方法，可以将每个动态网络表示成一张静态的node-link图，每个node代表某个时刻的网络，link连接了相邻时刻的node，可以有效地帮助用户发现稳定状态(stable state)、重现状态(recurring state)、异常拓扑(outlier topologies)及分析网络状态间的转移过程。
下图是本文方法的工作流程：
1. 离散化：原始数据由一系列时序的事件组成，每个事件均发生在某两个个体之间。方法的第一步是将原始数据进行离散化，生成一些离散的snapshots。具体做法是生成一些连续的时间窗（为了最后投影结果的连续性，时间窗口可以有部分重合），将每个时间窗内的所有事件转换成一个等价的网络，网络里的节点和边分别是这个时间窗内出现过的节点和边，并将每条边在这个时间窗内出现的次数当做该边的权重。
2. 向量化：为了进行投影，需要进行向量化将每个snapshot转换成一个高维的向量。具体做法是先将snapshot表示成邻接矩阵，然后将邻接矩阵转化成一个高维向量，当然这里还可以往该向量里加入一些额外的属性，比如该网络中节点平均的度（degree）等。
3. 投影：经过前面两个步骤，我们已经得到了一些列时序的高维向量，只需要对其进行二维投影即可。
在过去的十年中人们对于时间序列数据的兴趣出现了激增。在分析时间序列数据时，我们遇到了的挑战之一是相比于大容量的数据存储，屏幕分辨率太小。本文的作者评价了现存的一些方法，在此之上提出了TimeNotes的技术，并通过用户研究比较了他们的有效性。
许多可视化分析系统都需要对动态变化的趋势进行分析。通常情况下，趋势可以使用具体的关键词或者概念来表示，主题可以用主题内出现的关键字来表示。不同时刻趋势所从属的主题的变化就体现了趋势的动态变化。为了体现出趋势的收敛与分散，作者设计出了ThemeDelta这个系统，使用了一种时间分割的算法来提取趋势变化的特征并在前端将其可视化。
