动态功能连接分析与光谱学习用于大脑疾病检测检测
Yanfang Xue1, Hui Xue1, Pengfei Fang1
1School of Computer Science and Engineering, Southeast University, Nanjing, 210096, China; Key Laboratory of New Generation Artificial Intelligence Technology and Its Interdisciplinary Applications (Southeast University), Nanjing, 210096, China.
Artificial intelligence in medicine
|September 19, 2024
概括
本研究引入了带有光谱学习 (dCSL) 的动态功能连接分析,通过分析时间大脑活动模式,更好地检测大脑疾病. 与现有方法相比,新型dCSL方法显著提高了识别脑部疾病的准确性.
科学领域:
- 神经科学是一个神经科学.
- 计算神经科学是一种神经科学.
- 机器学习 机器学习
背景情况:
- 动态功能连接 (dFC) 提供了对神经活动和大脑疾病的洞察.
- 现有的dFC分析方法通常使用浅的时间特征,限制它们捕捉复杂时间模式的能力.
研究的目的:
- 提出一种新的方法,使用光谱学习 (dCSL) 进行动态功能连接分析,以有效地探索dFCs固有的时间模式.
- 通过利用先进的时间模式分析来提高对大脑疾病的检测.
主要方法:
- dCSL使用滑动窗技术来估计dFCs.
- 构建了一个光谱内核映射,结合富里埃变换和非静止内核.
- 这种映射被集成到一个深层核心网络中,通过光谱学习进行更高阶的时间模式分析.
主要成果:
- 拟议的dCSL方法比一般序列分析方法提高了5%的准确性.
- 与最新的dFC分析方法相比,dCSL的准确性提高了1.3%.
- 识别了用于自闭症谱系障碍 (ASD) 检测的歧视性大脑区域,与临床发现保持一致.
结论:
- dCSL有效地捕捉了dFC中的长距离关系和更高阶时间模式.
- 该方法显示了改善大脑疾病检测和理解的巨大潜力.
- 这些发现支持在ASD中确定的大脑区域的临床相关性.
