基于动态图的脑网络分类注意力信息瓶
1Anhui Provincial Key Laboratory of Multimodal Cognitive Computing, School of Artificial Intelligence, Anhui University, Hefei 230601, China.
Computer methods and programs in biomedicine
|November 12, 2023
概括
这项研究引入了一个新的框架,DGAIB,通过动态增强图形结构和优化信息流来改进脑网络分类,解决现有方法中的噪音和静态限制.
科学领域:
- 神经科学是一个神经科学.
- 图形理论 图形理论
- 机器学习 机器学习
背景情况:
- 图形神经网络 (GNN) 通过识别静态连接,在大脑网络分类方面表现出色.
- 大脑信号容易受到来自生理和外部因素的噪音的影响,这复杂化了图形分析.
- 现有的方法往往忽视实时连接变化,依赖于静态拓.
研究的目的:
- 提出一个新的框架,动态图表注意力信息瓶 (DGAIB),用于增强大脑图结构.
- 为了应对噪音大脑图形和静态拓假设所带来的挑战.
- 改进脑网络分析中的信息交换和分类准确性.
主要方法:
- 使用斯皮尔曼函数构建原始大脑图.
- 应用图形信息瓶 (GIB) 通过掩盖冗余嵌入来优化连接.
- 利用图表注意网络 (GAT) 增强特征聚合和区域信息交换.
主要成果:
- 评估了DGAIB框架的稳定性和通用性.
- 实验包括患者特定的EEG数据 (CHB-MIT) 和跨患者fMRI数据 (ABIDE-I).
- 该框架显示了动态大脑网络信息的改进处理.
结论:
- 拟议的DGAIB框架有效地增强了脑图表的表示.
- 它解决了当前大脑网络分析中噪音和静态结构的局限性.
- 这种方法显示出更准确的脑网络分类任务的前景.
