使用功能连接和特征表示学习来识别与肥胖无关的饮食行为特征的子组
Hyoungshin Choi1,2, Kyoungseob Byeon3, Jong-Eun Lee1,2
1Department of Electrical and Computer Engineering, Sungkyunkwan University, Suwon, Republic of Korea.
Human brain mapping
|January 15, 2024
概括
无监督机器学习在健康成年人中发现了三个不同的饮食行为子组,它们在饥饿方面有所不同,但BMI并非如此. 奖励和情绪系统中的大脑连接模式解释了这些差异,独立于肥胖.
科学领域:
- 神经科学是一个神经科学.
- 计算生物学 计算生物学
- 心理学 心理学 心理学
背景情况:
- 饮食行为是复杂的,并且在个体之间有很大的差异.
- 仅仅肥胖并不能完全解释饮食模式的异质性.
- 了解饮食行为亚型的神经基础至关重要.
研究的目的:
- 用无监督机器学习和功能性大脑连接来探索饮食行为的异质性.
- 根据神经模式和自我报告的饮食特征来识别不同的子组.
- 研究与这些饮食行为子组相关的大脑区域和系统.
主要方法:
- 在424名健康成年人中利用休息状态功能磁共振成像 (fMRI).
- 应用自编码器模型来创建功能连接的低维表示.
- 在潜在特征上使用集群算法来识别子组.
- 在212名参与者的独立数据集中重复发现.
主要成果:
- 确定了三个不同的饮食行为子组,具有可比的体重指数,但不同的饥饿程度.
- 在异模协会,边缘皮层和奖励相关的皮下结构 (accumbens,杏仁体,尾状) 中的功能重组使子组区分开来.
- 认知解码将这些大脑系统与奖励和情绪处理联系起来.
结论:
- 饮食行为的异质性可以通过不同的大脑功能组织模式来解释,独立于肥胖.
- 奖励和情绪系统的神经差异有助于形成不同的饮食行为概况.
- 这项研究提供了对基本饮食行为亚型的宏观大脑组织的见解.
更多相关视频
05:55Modeling the Functional Network for Spatial Navigation in the Human Brain
Published on: October 13, 2023
1.1K
09:01A Method for Investigating Age-related Differences in the Functional Connectivity of Cognitive Control Networks Associated with Dimensional Change Card Sort Performance
Published on: May 7, 2014
10.2K
