拓数据分析捕获单个参与者的任务驱动的fMRI配置文件:基于持久性的分类管道

科学领域:

• 神经科学是一个神经科学.
• 数据科学数据科学数据科学
• 数学 数学 是一个数学.

背景情况:

• 基于血氧水平依赖 (BOLD) 的功能磁共振成像 (fMRI) 是大脑功能研究的主要工具.
• 大胆的fMRI信号有局限性,包括低信号噪声比和有限的时间/空间分辨率.
• 大胆信号的高维度为先进的数据分析技术提供了机会.

研究的目的:

• 调查拓数据分析 (TDA) 的应用,以表征功能性大脑信号.
• 为了比较基于TDA的方法与分析fMRI数据的标准矢量化的有效性.
• 评估TDA在分类任务和条件诱导的大脑活动模式中的实用性.

主要方法:

• 在运动控制任务期间,从前带带皮层 (ACC) 获取fMRI数据.
• 使用TDA方法 (持久性同质,持久性景观) 和标准矢量化,总结了fMRI信号.
• 使用机器学习 (支持向量分类器) 来测试这两种数据类型的分类准确性.

主要成果:

• 在每个参与者中,基于TDA的分类准确性始终超过非TDA的分类.
• 该TDA分析管道表现出在ACCfMRI信号中表征任务和条件诱导结构的卓越能力.
• 这些发现突显了TDA在区域fMRI数据中揭示复杂结构的潜力.

结论:

• TDA为分析区域fMRI信号内固有的结构提供了有价值的框架.
• TDA 方法可以增强功能性大脑活动的表征,特别是在高维数据集中.
• 这项研究表明,TDA对于在健康和临床人群中探索大脑信号结构的个体差异的实用性.