MCAN:为动态有效连接提供多模式因果对抗网络,从fMRI和EEG数据中学习

科学领域:

• 神经信息学是一种神经信息学.
• 计算神经科学是一种神经科学.
• 大脑网络分析 脑网络分析

背景情况:

• 动态有效连接 (DEC) 描述了随着时间的推移连续的大脑活动.
• 从多式联络神经成像数据 (fMRI,EEG) 学习DEC是一个不断增长的研究领域.
• 现有的方法很难弥合fMRI和EEG之间的模式差距,以实现精确的DEC学习.

研究的目的:

• 提出一个新的多式联络因果对抗网络 (MCAN),以改善DEC学习.
• 为了解决目前方法在整合fMRI和EEG数据进行DEC分析方面的局限性.
• 为了提高大脑状态估计的准确性和识别异常的大脑活动模式.

主要方法:

• 开发了一种多模式因果对抗网络 (MCAN),包括一个生成器和一个歧视器.
• 利用一个以注意力引导的多模式因果发生器来产生后置信号和DEC网络.
• 采用无监督的多式联通因果区分器,通过联合梯度计算指导网络更新.

主要成果:

• 在模拟数据上学习DEC网络结构方面,MCAN表现优于最先进的方法.
• 该方法有效地估计了模拟数据集中的大脑状态.
• 在真实数据集上,MCAN更有效地揭示了异常大脑活动模式,这表明了强大的应用潜力.

结论:

• MCAN提供了一个强大的框架,用于从多式联络神经成像数据中学习动态有效的连接.
• 提出的方法有效地弥合了fMRI-EEG模式的差距,以便更精确地分析大脑网络.
• 在识别和理解异常大脑活动方面,MCAN显示出临床应用的巨大潜力.