适应加权平均方法用于区域时间序列提取基于fMRI的大脑解码的区域时间序列

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 机器学习 机器学习

背景情况:

• 使用功能磁共振成像 (fMRI) 解码大脑对于理解认知功能至关重要.
• 传统的fMRI分析在大脑区域内平均 voxel 数据,失去空间信息.
• 使用fMRI进行认知状态分类的现有方法在捕获详细的大脑活动模式方面存在局限性.

研究的目的:

• 开发一种改进的大脑解码方法,在大脑区域内保存空间信息.
• 从fMRI数据提高认知状态分类的准确性和稳定性.
• 为分析功能性大脑活动提供一种更精细的方法.

主要方法:

• 开发了一个完全连接的神经网络,并与大脑解码器联合训练.
• 这种方法采用了每个大脑区域内各个voxel的自适应加权平均值.
• 在人类结合体项目 (HCP) 数据集上使用认知状态解码,多重学习和可解释性分析进行了评估.

主要成果:

• 与传统方法相比,认知状态解码精度增加了多达5%.
• 在各种时间窗口大小,重新采样大小和训练数据大小中观察到稳定的准确性改进.
• 多重学习显示了认知状态的增强分离性和减少主题特定信息.

结论:

• 拟议的方法显著改善了基于fMRI的认知状态解码.
• 这种方法通过保留空间信息,提供了对大脑活动的更细致的分析.
• 这些发现表明标准fMRI处理管道的潜在进步.