从tfMRI图像中解码大脑认知状态的无监督联合域适应

科学领域:

• 神经科学是一个神经科学.
• 人工智能的人工智能
• 机器学习 机器学习

背景情况:

• 大脑解码研究旨在利用神经成像数据了解人类的认知功能.
• 目前的方法需要大量高质量的标记数据,增加成本和专家注释时间.
• 跨个体解码具有挑战性,因为数据分布的不一致性来自个体变异和设备差异.

研究的目的:

• 提出一个加入域自适应解码 (JDAD) 框架,用于从神经成像数据中无监督解码认知状态.
• 解决现有的大脑解码方法的局限性,包括高成本和跨个体性能问题.
• 通过利用未标记的数据,实现更准确,更有效的脑部解码.

主要方法:

• 从基于任务的功能磁共振成像 (tfMRI) 数据中利用体积特征提取.
• 开发了一个新的客观损失函数,包含一个联合分配调节器.
• 调节器限制了标记和未标记样本之间的条件和边际概率分布.

主要成果:

• 与人类结合体项目 (HCP) S1200数据集上普遍存在的方法相比,JDAD框架显示出更高的性能.
• 在解码准确度方面取得了显著的改进,特别是在细粒度任务中 (11.5%-21.6%的增长).
• 使用Grad-CAM可视化学习的3D特征,将它们与大脑功能区域连接起来,以进行群体级认知任务分析.

结论:

• JDAD为无监督的大脑解码提供了强大的解决方案,克服了传统监督方法的局限性.
• 该框架有效地处理个人变异,并减少了需要广泛的专家标记的神经成像数据的需求.
• 提供了一条新的途径,以了解与特定的认知任务相关的脑皮层功能,在群体层面上.