可解释的深度学习框架:解码大脑状态和预测早期儿童阶段在错误信念任务中的个人表现

科学领域:

• 神经科学是一个神经科学.
• 认知科学 认知科学
• 人工智能的人工智能

背景情况:

• 解码认知状态和预测行为对于理解大脑发育至关重要.
• 现有的深度学习模型在分类性能和可解释性方面面临挑战.
• 大脑连接模式甚至可以在儿童早期提供对认知状态的见解.

研究的目的:

• 开发一种可解释的深度学习框架,用于解码大脑状态 (思维和疼痛理论) 和预测发育数据集中的行为表现.
• 调查基于时空连接的模型在捕捉认知状态的有效性.
• 为了识别大脑指纹,有助于预测准确度.

主要方法:

• 提出了一个基于时空连接的可解释的图形卷积神经网络 (Ex-stGCNN) 来解码大脑状态.
• 利用发育数据集 (N=155; 3-39岁) 与参与者观看动画电影的fMRI数据.
• 训练模型使用功能连接 (FC) 和主体间功能关联 (ISFC) 矩阵,并应用夏普利添加式解释 (SHAP) 进行解释.

主要成果:

• 与FC矩阵 (85%) 相比,主体间功能相关性 (ISFC) 功能集在解码ToM和疼痛大脑状态方面取得了更高的准确性 (94%).
• 一个可解释的卷积变异自编码器 (Ex-Convolutional VAE) 模型准确地预测了虚假信念任务的个体性能,ISFC超过了FC (93.5%的准确率与90%相比).
• SHAP分析确定了对准确预测有贡献的关键大脑区域.

结论:

• 可解释的深度学习模型可以有效地解码认知状态,并从发育队列中的大脑连接数据中预测行为表现.
• 主体间功能关联 (ISFC) 提供了一个强大的功能集,用于分析刺激驱动的大脑状态和预测认知能力.
• 这些发现强调了使用大脑指纹来理解认知发育和预测从幼儿时期起的行为潜力.