一个用于学习fMRI数据中的时空上下文表示的变压器模型
Nima Asadi1, Ingrid R Olson2,3, Zoran Obradovic1
1Department of Computer and Information Sciences, College of Science and Technology, Temple University, Philadelphia, PA, USA.
Network neuroscience (Cambridge, Mass.)
|June 19, 2023
概括
本研究介绍了一种基于变压器的新型框架,用于从功能磁共振成像 (fMRI) 数据中学习表示. 该方法有效地捕捉了时空环境,以改善下游分析.
科学领域:
- 神经成像是一种神经成像.
- 机器学习 机器学习
- 数据科学数据科学数据科学
背景情况:
- 代表性学习对于分析像fMRI这样的复杂数据至关重要.
- 由于动态依赖性和时空复杂性,fMRI数据存在挑战.
- 具有背景信息的表示对于准确的fMRI分析至关重要.
研究的目的:
- 为学习fMRI数据嵌入提出一个新的框架.
- 在fMRI数据中利用时空上下文信息.
- 为了增强下游神经成像任务的特征提取.
主要方法:
- 提出了一个基于变压器模型的框架.
- 该方法集成了多变量BOLD时间序列和功能连接网络.
- 注意力机制和图形卷积神经网络被用来捕捉时空环境.
主要成果:
- 该框架从fMRI数据中生成有意义的特征.
- 在两个静止状态fMRI数据集上证明了益处.
- 拟议的方法比现有架构具有优势.
结论:
- 开发的框架有效地从fMRI数据中学习信息表示.
- 这种方法增强了复杂的神经成像数据集的分析.
- 该方法在神经科学中的各种下游应用方面显示出前景.
