提供背景:从大脑活动中提取非线性和动态时间动机
Eloy Geenjaar1,2, Donghyun Kim2, Vince Calhoun1,2
1School of Electrical and Computer Engineering, Georgia Institute of Technology, Atlanta, GA, USA.
bioRxiv : the preprint server for biology
|July 9, 2024
概括
这项研究引入了一种新的深度学习模型,用于分析静态fMRI (rs-fMRI) 动态. 该模型通过捕捉时间模式,有效地将精神分裂症患者与对照者区分开来,为大脑连接和精神疾病提供了新的见解.
科学领域:
- 神经成像是一种神经成像.
- 计算神经科学是一种神经科学.
- 精神病学研究 精神病学研究
背景情况:
- 休息状态功能磁共振成像 (rs-fMRI) 动态对于理解大脑功能至关重要.
- 当前的方法通常依赖于时间解决的功能连接 (tr-FC) 的线性方法,可能缺少复杂的时间动态.
研究的目的:
- 开发和验证用于分析rs-fMRI动态的非线性深度学习模型.
- 为了捕捉大脑活动中的多尺度时间信息.
- 通过 rs-fMRI 来识别精神分裂症的新生物标志物.
主要方法:
- 采用了一个脱的变异自编码器 (DSVAE),一个生成的非线性深度学习模型.
- DSVAE将特定于窗口 (上下文) 和特定于时间步骤 (本地) 的信息分解为因子.
- 分析了模型的潜伏空间和嵌入,以比较精神分裂症患者和对照对象.
主要成果:
- 在精神分裂症患者和对照人群之间,在DSVAE潜伏空间内的时间步骤距离中发现了显著的差异.
- 来自DSVAE的上下文嵌入显示,与标准tr-FC相比,患者和对照组的分离程度更高.
- 对于精神分裂症患者,与年龄和症状严重程度相关的上下文嵌入,在不同患者群体中观察到不同的连接模式.
结论:
- DSVAE模型捕捉了超越标准tr-FC.标准的补充时间特征.
- 这种非线性方法增强了rs-fMRI动态的分析.
- 该DSVAE显示了在神经成像数据中敏感检测精神病联系和个体特征的潜力.
更多相关视频
06:50Analyzing Neural Activity and Connectivity Using Intracranial EEG Data with SPM Software
Published on: October 30, 2018
9.5K
08:36Dynamic Inter-subject Functional Connectivity Reveals Moment-to-Moment Brain Network Configurations Driven by Continuous or Communication Paradigms
Published on: March 21, 2019
7.3K
