基于时空空间CPD框架的精神分裂症的动态功能网络连接分析

科学领域:

• 神经科学是一个神经科学.
• 医疗成像医学成像
• 计算生物学 计算生物学

背景情况:

• 动态功能网络连接 (dFNC) 对于理解精神分裂症等脑疾病至关重要.
• 独立组件 (IC) 分析和正规的多元分解 (CPD) 为分析复杂的大脑数据提供了框架.
• 现有的方法可能无法完全捕捉精神分裂症中复杂的时空动态.

研究的目的:

• 开发和验证一种创新的稀疏和低级 CPD (SLRCPD) 方法来分析三向 dFNC 张量.
• 用SLRCPD识别精神分裂症中的显著动态时空异常变化.
• 增强大脑连接中的动态空间和时间波动的表征.

主要方法:

• 为三向dFNC张量器提出了一种稀疏和低级CPD (SLRCPD) 方法.
• 适用于稀疏空间模块的L1规范化和用于时间状态集群的低级约束.
• 利用K-means集群和分类来分析时间变化的权重中的群体差异.

主要成果:

• 在两个独立的数据集 (82名受试者和COBRE精神分裂症数据集) 中确定了三个典型的dFNC模式.
• 与健康对照组 (HCs) 相比,在精神分裂症患者 (SZs) 的听觉,体运动,视觉,认知控制和小脑网络中检测到异常连接.
• 在SZ和HC之间的四个时间状态中发现了显著的差异,达到分类准确度>0.96.6.

结论:

• 在精神分裂症中,SLRCPD有效地挖掘出显著的时空模式.
• 该方法为识别神经系统疾病中异常大脑连接提供了一个强大的框架.
• 这种方法有望改善精神分裂症的诊断和治疗策略.