一个可解释的空间时间合学习的统一框架与动态大脑功能连接分析的应用

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:

• 像fMRI和MEG这样的时间序列数据包含关键的时空信息.
• 现有的深度学习模型往往无法捕捉内在的时空合,并且缺乏可解释性.

研究的目的:

• 开发一种可解释的深度学习框架,用于在神经成像数据中建模时空合.
• 通过分析动态功能连接 (dFC) 来提高对生物机制的理解.

主要方法:

• 基于时空相关性构建了一个深度学习网络.
• 该框架整合了时间变化的合关系,并探索了时空演变.
• 该模型用于分析大脑动态功能连接 (dFC).

主要成果:

• 该框架有效地捕捉了脑发育和休息状态进化过程中dFC的变化.
• 确定了两个不同的发育功能连接模式:情绪调节连接性下降和认知活动连接性增加.
• 在儿童和年轻人中观察到静止状态dFC的周期性波动.

结论:

• 拟议的框架为神经科学中的时空分析提供了更好的解释性.
• 它通过dFC分析提供了对大脑发育和休息状态动态的新见解.
• 这些发现突出了在发育过程中功能性大脑网络的显著转变.