人类连接体项目任务的大脑解码在密集的个人fMRI数据集中

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:

• 大脑解码旨在从大脑活动模式解释认知状态.
• 大脑组织中的显著个体差异阻碍了准确的群体级解码.
• 准确的个体级大脑解码的潜力在很大程度上仍未被探索.

研究的目的:

• 仅在个人层面研究训练准确的大脑解码模型的可行性.
• 通过使用密集的fMRI数据,评估各种机器学习方法来对个体大脑进行解码.
• 为未来研究跨主题和跨条件模型概括建立一个基准.

主要方法:

• 训练了9个解码模型,包括SVM,MLP和GCN,在6名参与者的个人fMRI数据上.
• 使用了密集的,特定主题的数据集 (约. 每位参与者7个小时) 来自人类结合体项目 (HCP) 任务电池.
• 将单个fMRI卷同时分类到21个实验条件中.

主要成果:

• 图形卷积网络 (GCN) 和多层感知器 (MLP) 实现了最高的精度 (57-67%),接近组级性能.
• 支持矢量机器 (SVM) 在个体大脑解码方面也表现出强的表现 (54-62%).
• 特征重要性地图突出显示了特定领域的认知区域,特别是在运动皮层,并证实了个体特征的学习.

结论:

• 密集采样,个别的神经成像数据集使准确的大脑解码模型的训练成为可能.
• 个人级别解码模型与学科间分类相比显示出更高的性能,这强调了学科特征的重要性.
• 这项研究为开发先进的解码技术提供了有价值的基准,这些技术可以跨学科和获取参数进行概括.