高精度机器学习技术用于功能连接组指纹和认知状态解码

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 机器学习 机器学习

背景情况:

• 人类大脑是一个复杂的互联区域网络.
• 大脑网络分析显示,有望识别疾病和认知状态的生物标志物.
• 可靠的个体标记对于在临床应用中利用大脑网络至关重要.

研究的目的:

• 评估大脑网络作为个体标记 (指纹) 的可靠性.
• 使用功能连接数据解码认知状态.
• 评估用于大脑指纹和状态解码的机器学习技术.

主要方法:

• 利用了来自8个认知状态的865名受试者的人类连接体项目的数据.
• 将五种不同的机器学习技术应用于fMRI扫描中的功能连接数据.
• 对比了16个功能连接组 (FC) 矩阵建设管道.

主要成果:

• 从fMRI扫描中识别个体的准确性达到了99%.
• 在分类看不见的主题的认知状态方面表现出高达99%的准确性.
• 描述了FC建筑管道对分类准确性的影响.

结论:

• 功能连接数据可以可靠地识别个人及其认知状态.
• 应用于大脑网络的机器学习技术为指纹和状态解码提供了先进的功能.
• 了解FC施工管道效应对于优化基于大脑的分析至关重要.